徽声在线6月2日讯（记者 赵昕睿）当前，AI技术正从简单的“对话工具”向“投研生产力”深度演进。然而，面对同样的AI工具，不同使用者为何能产出截然不同的成果？华泰证券研究所固收量化及转债首席研究员殷超在近期一场关于“AI投研实践与应用”的主题分享中，给出了他的独到见解。

殷超认为，AI投研的核心差距并非在于工具本身，而在于使用者是否真正理解其“参数”与“驾驶模式”。他将AI应用比作驾驶汽车——同一辆车、同一段路，新手与老司机的体验截然不同，关键在于对仪表盘、驾驶模式乃至拐弯角度的熟悉程度。这种对AI的深入理解和灵活运用，才是提升投研效率的关键。

AI在高层推理中的实践路径：从对话到方案

在高层推理方面，殷超分享了AI的实践路径。他提到，当面对领导提出的开放性任务时，可以借助AI进行多轮对话，通过逐步讨论列出提纲、完善做法，最终形成可落地的方案。这种从对话到方案的转变，正是AI在高层推理中实现切入的一种有效方式。

他强调，AI的理解方式值得投研人员深入参考和共享，而非仅仅期待AI给出一个完美答案。通过与AI的互动，投研人员可以不断优化自己的思考过程，提升研究质量。

不同场景下的AI模型选择策略

针对投研实践中如何选择合适的AI模型，殷超对当前主流AI模型进行了详细的场景化归纳：

在逻辑推理类工作中，他建议优先使用Claude以及Gemini、Kimi等模型，这些模型在逻辑推理方面表现出色；在投研表达、材料撰写、PPT内容生成等场景，需要选择“能白话”的模型，GPT系列相对更擅长表达，也更贴近工作场景；对于需要高智商解决的复杂预案类问题，例如一个构想需分几步、每一步如何执行，则可多用Claude 4.6/4.7等模型，这些模型在处理复杂问题方面更具优势。

在工具调用与数据分析层面，殷超指出，国内大厂因拥有大量用户数据，更擅长调教模型的工具调度能力。他以学生翻书考试作比喻：当问题明显可以通过搜索快速解决时，部分海外模型更倾向于自己研究甚至编造，而豆包、千问等国内模型则优先调用工具，且调用不到不罢休。因此，若研究与数据、事件、事实相关，可优先考虑千问和豆包等国内模型。

在多媒体生成与审美方面，豆包、Kimi及最新PPT页面库等表现都不错；审美层面，他特别提到Midjourney相对较强，目前做网页设计基本都会使用该模型。

AI投研的核心：构建“软基建”

殷超将AI应用中的核心参数归纳为三个：提示词（Prompt）、知识库（RAG）与技能包（Skill）。这三个参数构成了AI投研的“软基建”，是提升AI应用能力的关键。

在提示词层面，他区分了“系统提示词”与“工作提示词”。前者权重极高，AI几乎99%会遵守；后者则可能被选择性遵守。遗憾的是，大多数手机APP将系统提示词封装固化，用户输入的全部属于工作提示词。若需自定义系统提示词，则需使用更高级的渠道和工具，以充分发挥AI的潜力。

关于知识库，殷超认为对金融从业者而言需求巨大，但目前实现路径仍有限。他推荐在手机端使用ima等相对简单易行的工具来构建知识库。不过，他也指出，对于普通豆包来说，没有知识库的选项，所以实际操作起来可能比较费劲。

技能包则是AI能力的扩展，本质是将人类经验注入AI，使其像人一样提前思考，而非仅凭本身语料研究问题。殷超指出，想要用好AI就必须掌握这三个基本参数，每一个精准调教好，使用AI能力便能更胜一筹。

厘清概念：AI、量化与AI量化

殷超特别辨析了三个常被混淆的概念：AI、量化与AI量化。他认为，真正的“AI投研”或“AI交易”是指所有人类思考过程被AI替代，即智能体化的研究。而“AI量化”仅是将量化过程中数学家要做的因子评估等工作用AI替代，最终产出仍与传统量化一样，是用因子满足投资组合要求。

因此，判断一个策略是否为真正的AI策略，关键看最终产出是由AI完成还是沿用传统量化范式。这一辨析有助于投研人员更准确地理解和应用AI技术。

学习“Claude Design”设计哲学：善用禁令，首尾呼应

在投研实践过程中，如何写好提示词？殷超引出当前AI圈里的热门词“Claude design”，建议学习Claude的设计哲学。

殷超翻阅了Claude源码中的提示词设计，总结出几条核心原则：

第一，多写禁令，用禁令代替指令。Claude提示词中90%的篇幅是“never”、“avoid”等禁止性词汇，而非“你应该怎么做”。Claude设计中最重要的一条便是封死错误的做法，这是改善及提升AI提示词质量的核心。

第二，首尾呼应。提示词开头和结尾会重复标注如“Critical”、“Important”等重要性词汇。这样设计源于AI存在注意力“U型衰减”，即开头和结尾的内容遵守率最高，但随着中间写的越多则越容易丧失注意力。因此，首尾都要识别好对AI的需求，促使AI重新回头审视。

第三，中英文混杂以中文为主、英文为辅，是提示词的最优解。殷超推测，这可能与AI训练时人工打标多用英文有关，因此模型对中英文混杂的遵守效率更高。这一发现有助于投研人员更有效地编写提示词。

如何制作Skill？分两部分走

殷超指出，Skill的制作并不复杂，只需两部分即可做好。

第一部分分为2步：第一步准备好足够材料；第二步将全部材料一波扔给AI。第二部分是得日积月累，殷超建议最好能有十几篇甚至两三万字的自有材料。他强调：“如果你不知道要做什么，就让AI自己去网上搜，结果通常比较粗糙，失去了Skill设计的初衷。”因此最好是以自有材料为主。

他总结，Skill的两种标准模式分别是知识类框架（纯文字）与工作流类（含附件、代码文件等），两者均包含“大纲”与“资源”两个模块。要做Skill并非难事，但难在对材料的积累以及人类对其改造和优化，并在Skill基础上能够发现问题，不断优化迭代。

RAG：实现研究的“暴力美学”

接下来是如何用好RAG。殷超比较推荐ima作为入门工具，便宜且好用，且已形成了一定规模的共享生态。然而，他也坦言手机端基本无法承载知识库功能，这也印证了他此前的观点：如果只用手机，谈不上真正用好AI。

殷超表示，手机运行不了程序，自然做不了高阶工作。想要使用高级功能，必须切换到电脑端。不过，现阶段的知识库工具并非万能。殷超特别提醒，ima目前对Excel的支持力度有限，若上传Excel表格，AI在内部找数时大概率不够精准。因此，目前仍以文章类知识库为主。

他直言，投研人员期待的“研究信息暴力美学”，即暴力上传、精准检索，目前实现起来还有点难度，“这是大家的一个美好想象。”不过技术上并不难突破，更多是在生态和应用层面的完善。预计今年下半年至明年上半年会有更多应用涌现，为投研人员提供更强大的支持。

给AI“挂装备”：MCP的应用

什么是MCP？殷超将MCP（模型上下文协议）比作打游戏的“外挂装备”。他以债券研究中的私域数据为例，如机构行为、机构配债、转债隐含波动率、行业因子等表明，即便是最聪明的模型，仅凭语料也难以答对。

因此，工程师通过MCP给AI“挂工具”，直接告诉它数据在哪里。这样，AI就能更准确地获取所需数据，提升研究效率。AI工具可分为两类：一种是本地工具，可理解为自建数据库；另一种是商业化工具，相当于付费租装备。挂上MCP后，便可从万得、同花顺的数据库中提取数据。

殷超提到，华泰证券目前已发布自研MCP，用户可随时获取首席最新观点、行业景气度数据等。这一举措将进一步提升华泰证券在AI投研领域的竞争力。

部署Openclaw的前提与使用逻辑

殷超还重点介绍了OpenClaw的落地前提与使用逻辑。他首先给在场听众划了一道“硬门槛”：想要部署OpenClaw，得先准备一台24小时不关机的电脑。

OpenClaw本质上是一套系统，用户手机上的界面只是向那台电脑发送和接收指令的终端，真正的运算和承载都在电脑端完成。在连接方式上，殷超介绍，国内目前主要可通过微信和飞书接入。两者各有优劣：微信通常只能绑定一个账号，若需多账号并行可能需要技术支持；飞书则支持连接多个账号，甚至可以组成群组协作。

他建议，大多数工作可以考虑将工作流移植到OpenClaw上，以提升工作效率和准确性。“基本上半年就会出一个大爆款应用。”殷超表示，未来将会有更多应用推出，值得期待。

盘点四类数据源平台，助力A股投研

谈及A股投研中的数据痛点，殷超表示，数据源获取难已是老生常谈。万得、iFinD等主流工具固然耳熟能详，但他也向听众另外推荐了一款相对小众却实用的平台：Tushare。

他介绍，这个数据源相比万得、iFinD更为自由灵活，数据量也比较丰富，完全能应对日常工作需要，对低频数据需求者更为友好。殷超透露，自己在实践中主要配置了Wind、iFind、Tushare等几类数据源，基本涵盖了新闻数据、个股数据、行业数据及突发新闻。

这些数据源为投研人员提供了丰富的信息支持，有助于他们更准确地把握市场动态和行业趋势。

如何开启AI“全功率模式”？

如何开启AI的“全功率模式”？殷超给出的答案是：得像老司机一样，把车的所有零件、模式和参数都搞懂。他以Cherry Studio为例，拆解了实操路径：第一步，写好系统提示词，2500至4000字较为合理；第二步，把能打开的工具全部打开；第三步，直接输入问题提问。

OpenClaw的操作逻辑则更为简洁，总共四步：第一步，给其加载好工具，越多越好；第二部，提前写好工作流，并保存为Skill；第三步，启动工作流，明确任务目标；第四步，Clawbot返回结果，如有需要则优化或返工。

他同时指出Openclaw的三大好处：一是有求必应，跟它对话时永远正在输入；二是没有情绪，不会觉得难做便不做；三是输出的结果可复盘，与研究员表述相似。这些优势使得OpenClaw成为投研人员的得力助手。

未来投研的理想状态：“Agentic- Research”

分享最后，殷超描绘了未来投资与研究将会呈现出的一个理想形态——“Agentic- Research”。他解释道，这可以理解为每个公司、每个团队围绕大语言模型搭建起一个符合自身工作流、专属的智能体集群。

这个集群把包括MCP、Prompt、Skill等配置齐全，最终形成一个“Agent Harness”。如果每个团队都能拥有这样一个集群，投研工作流将被重构：首先，由多个微智能体去取数据；第二步，校验数据；第三步，基于校验后的数据和知识库展开研究。每个环节都可由多个智能体并行完成，最终进入人类决策环节。

要么认为结论值得修改，进入传统主动管理流程，由人类把关并执行交易；要么直接认可AI结论，由它通过API接口自动交易。这种理想形态将大幅提升投研效率和准确性，为投资领域带来革命性的变革。