群智能体驱动的 AI 股票投研解决方案
EconSwarm 把一支投研团队的分工映射成 34 个专业 Agent 与 184 项金融技能， 依托 12 阶段自动化流水线完成取证、校验、收敛与风险审议 —— 让券商研究所与资管投研团队用小时级的时间拿到可解释、可审计的研究初稿。
- 专业 Agent
- 34
- 金融技能
- 184
- 阶段流水线
- 12
- 直连数据源
- 9+
一次股票投研任务的多智能体工作流
从入参到交付，每一阶段都有明确的负责角色与产物，中间结论可缓存、可复用、可追溯。
- 01 — 任务定义标的与时点入参
以标的代码与分析日期作为输入契约，选择研究深度与目标市场；同一套工作流可批量套用到标的池。
- 02 — 并行取证7 核心 Analyst 同时开工
行情、舆情、新闻、基本面、政策、资金流与解禁供给分路取证，数据来自 9+ 直连数据源，无需第三方付费数据库。
- 03 — 质量门控证据评级后才进入推理
对缺失、过期或互相矛盾的数据先做校验与分级，低质证据被打回重取，避免把噪声带进后续判断。
- 04 — 观点收敛Research Manager 汇总分歧
分歧点被显式列出并标注依据强弱，形成结构化研究结论而非一段黑盒长文本。
- 05 — 风险审议风险与合规 Agent 前置
供给冲击、监管口径、流动性与解禁减持风险在决策前显性化；垂直插件覆盖估值、基金会计与 KYC 合规域。
- 06 — 决策与交付结构化决策 + 可读报告
Trader 与 Portfolio Manager 输出 5 级信号与仓位建议，同时生成 Markdown / PDF 初稿，全过程留痕可审计。
不同投研团队的落地方式
把拼数据的时间交给 Agent：多路取证并行产出带汇总表格的初稿，分析师专注观点与逻辑校验；合规审查前置，减少返工。
按标的池批量运行同一工作流，输出信号与仓位建议；交易记忆与基准反思沉淀历史胜率，支撑组合再平衡讨论。
Python API 直接嵌入现有研究流水线，结构化决策对象可入库；断点续跑支撑长周期回溯与批量重算。
常见问题
EconSwarm 会替代分析师吗？
不会。它替代的是取数、比对与初稿排版这类重复劳动；观点判断、假设设定与最终署名仍由分析师负责，产出以可审计的证据链呈现，便于复核。
需要采购第三方付费数据库吗？
不必须。引擎默认使用 9+ 直连数据源即可跑通全流程；如已有内部数据仓或行情终端，可通过数据源路由接入替换默认 Vendor。
输出结果如何审计？
每个 Agent 的输入、工具调用与结论都独立留痕，可按角色回放宏观、基本面、资金流与风险各条链路，满足内部质控与合规复核。