从一次性 Prompt 到连续工作流：投研 Agent 为什么需要长期可用的数据入口？

QVeris · 观点洞察

结论先说：

投研 Agent 真正的难点，不是写出一段漂亮分析，而是持续拿到可信、可追溯、可复用的数据。

一次性 Prompt 能回答一个问题。

但投研不是一个问题。

投研是一组会不断变化的工作流。

今天要看财报，明天要追电话会，后天要更新估值模型，下周还要因为一条新闻重跑假设。

如果 Agent 每次都从零开始问、从零开始搜、从零开始判断，它看起来很聪明，但很难真的进入投研生产。

一次性 Prompt 为什么不够？

很多人第一次试投研 Agent，会问一个很直接的问题：

"帮我分析一下英伟达还能不能买。"

模型通常能给出一篇结构完整的回答：

公司业务、财务表现、竞争格局、估值风险、结论建议。

问题是，这样的回答往往有三个隐患。

第一，数据来源不稳定。

它到底看了哪一版财报？有没有看最新电话会？有没有把新闻和股价变化对齐？用户很难确认。

第二，分析无法自动更新。

今天的结论，可能明天就被新公告、新政策、新业绩指引推翻。一次性 Prompt 不会自己回来检查。

第三，过程不可审计。

在投研场景里，"结论是什么"没有"你怎么得到这个结论"重要。尤其是给客户、投委会、风控或合规看时，Agent 需要留下数据路径。

所以，投研 Agent 不是"问一次，答一次"的聊天机器人。

它更像一个持续工作的研究助理。

真正的投研工作流长什么样？

以一家公司为例，一个投研 Agent 至少要做这些事：

发现公司基础信息。

它要知道 ticker、交易所、行业、公司简介、管理层、财年口径。

读取财务数据。

它要拿到原始财报、标准化财务报表、历史指标、收入结构、现金流和资产负债表。

追踪监管文件。

10-K、10-Q、8-K、重大事项公告都可能改变投资判断。

读取财报电话会。

管理层说了什么，分析师问了什么，指引有没有变化，语气有没有转弱。

监控外部信号。

新闻、价格、交易量、行业数据、竞品动态，都可能触发重新分析。

最后，它还要把这些东西变成一个可以反复运行的流程：

每天检查一次新闻。

每季度财报后自动更新模型。

电话会出来后重读 transcript。

估值假设变化后重新生成 memo。

所有工具调用、费用和结果都能回查。

这才是"投研 Agent"。

缺的不是模型，而是入口

现在的大模型已经很会写。

它会总结电话会，会解释财报，会生成表格，也会把结论写得很像分析师。

但问题在于：

它要从哪里拿数据？

如果每个 Agent 都要自己接 SEC、FMP、行情、新闻、企业库、文档解析、网页搜索、数据库权限，这件事会很快失控。

API key 分散。

字段格式不统一。

费用不透明。

接口质量无法比较。

失败了也不知道该换哪个 provider。

这也是为什么"长期可用的数据入口"会变成投研 Agent 的基础设施。

Agent 不应该硬编码几十个数据源。

它应该能先描述需求，再发现工具，再检查 schema，再调用。

也就是：

我需要某家公司最近的电话会。

我需要原始财报。

我需要 SEC filings。

我需要公司 profile。

我需要历史员工数。

我需要新闻和市场价格。

然后系统告诉它：这些能力在哪里、怎么调、多少钱、返回什么结构、是否可审计。

QVeris 在这里做什么？

这次我用 QVeris 做了一次简单 discover：

查询方向是：

investment research agent earnings transcripts SEC filings financial statements analyst estimates stock news market data

QVeris 返回的能力里，已经能看到一组很典型的投研入口：

·Earnings transcript symbols：发现哪些公司有财报电话会文本

·Transcript dates by symbol：按公司查电话会日期

·Latest earning transcripts：获取最新电话会列表

·SEC filings by name：按公司名搜索 SEC 文件

·As reported financial statements：获取公司原始披露财报

·SEC company profile：获取公司完整 SEC profile

·Historical employee count：看公司历史员工数变化

·Executive compensation：看管理层薪酬和治理信号

这不是一篇"QVeris 已经替你写完研报"的故事。

更准确地说，QVeris 做的是前一层：

让 Agent 能找到真实世界里的数据能力，并且通过统一协议去 inspect 和 call。

这件事很朴素，但很关键。

因为投研 Agent 要长期工作，第一步不是生成观点，而是稳定进入数据世界。

从 Prompt 到 Workflow

一次性 Prompt 的逻辑是：

"我问你一个问题，你给我一个答案。"

连续工作流的逻辑是：

"我给你一个研究目标，你持续帮我监控、更新、验证和留痕。"

两者之间差的不是一句更好的 prompt。

差的是数据入口、工具选择、权限、成本、审计和调度。

这也是投研 Agent 会从"聊天框里的分析师"，走向"工作流里的分析师"的原因。

未来，一个投研 Agent 可能每天早上自动做这些事：

检查持仓公司是否有新公告。

发现某家公司出了最新电话会 transcript。

调用财务数据工具更新模型。

对比本季度和上季度管理层措辞。

标出风险变化。

生成一份 brief。

把所有数据来源和调用成本留下来。

人仍然做最终判断。

但 Agent 会承担越来越多"反复查、反复读、反复对齐"的工作。

最后的判断

投研 Agent 的终局，不是一次性生成一篇看起来不错的分析。

而是能长期接入数据，持续运行，随时复盘。

谁能让 Agent 更稳定地找到数据、调用数据、解释数据、审计数据，谁就更接近真正的投研生产力。

这就是为什么 QVeris 这样一层能力路由网络会变得重要。

因为在 Agent 时代，数据不是静态资料库。

数据会变成工作流的入口。