01:10-03:30 创业初心：传统投研的数字化痛点

1. 早年公募投研工作流极度离散，信息收集、整理、复盘全靠人工，大量重复低效工作；
2. 市面上金融软件仅做数据展示，无法串联完整研究逻辑，研究员存在大量信息处理负担；
3. 定位 Alpha 派：不是自动炒股工具，而是投研生产力工具，核心解决信息筛选、逻辑梳理、报告撰写等重复工作。

03:30-04:30 AI 工具迭代历程

1. 2023 初期仅单点功能：自动生成会议纪要，只能解决单一细碎工作；
2. 现阶段进化为完整 Agent 体系，封装标准化工作流，可覆盖 50% 以上常规投研任务；
3. 产品底层逻辑：不依赖用户复杂提示词，预置行业通用研究框架，大幅降低使用门槛。

04:30-06:10 很多人用不好 AI 投研的两大根源

1. 预期错位：分不清 AI 辅助定位，指望 AI 直接给出选股、涨跌结论，超出模型能力边界；
2. 使用方式粗放：仅一句简单提问，未拆分任务、限定信息来源，输出结果粗糙、失真；
3. 正确前置动作：先明确任务目标、界定交付标准，再交给模型执行。

06:10-09:10 核心产品案例：公司一页纸底层设计逻辑

1. 用户核心需求：快速看懂公司核心催化、业务逻辑，而非堆砌财报数据；
2. 三层设计逻辑：优先短期催化→拆解业务基本面→财务与估值校验；
3. 信息权重区分：公告、业绩会为高权重，网络传闻仅作参考，自动甄别无效信息；
4. 产品优势：极简入口，输入代码即可生成标准化分析，支持自定义行业研究框架。

09:10-14:00 如何沉淀专业投研认知给 AI

1. 早期方案：硬编码、长 Prompt 固化行业研究模板；
2. 当前更优方式：通过 Markdown 参考文档沉淀研究 Know-how；
3. 实操技巧：多次迭代交互，把优质分析流程抽象固化为通用 Skill；
4. 难点：产业逻辑抽象难度高，无法完全依赖模型自主思考，需要人持续校准约束。

14:00-17:30 AI 会不会替代研究员？分层解读

1. 无法替代工作：线下调研、上市公司访谈、人际信息交换、非共识深度推演；
2. AI 可承接：海量信息检索、公告梳理、纪要整理、基础数据汇总等标准化工作；
3. 行业变化：不会裁员，而是岗位升级，催生「AI 投研专项岗」，负责搭建团队标准化工作流；
4. 长期趋势：资产管理市场持续扩容，可覆盖标的变多，AI 是放大研究覆盖面的工具。

17:30-21:00 未来机构投研团队组织形态预判

1. 现状：各研究员 AI 使用水平参差不齐，团队无统一标准，整体效率提升有限；
2. 未来标配：每个研究小组配置 1 名 AI 流程负责人，沉淀团队专属研究框架；
3. Agent 团队化构想：公共中枢 Agent + 个人研究员 Agent，统一调度标准化任务；
4. 卖方 / 买方差异：卖方侧重批量产业梳理，买方侧重个股深度跟踪、催化捕捉。

21:00-25:00 AI 工具持续迭代的核心驱动力

1. 核心驱动：一线用户真实吐槽、高频使用中暴露的数据 / 逻辑错误；
2. 两大迭代方向：
   ① 底层 Agent 基建：提升结果稳定性、统一数据源、优化上下文管理；
   ② 上层标准化 Skill（日报、行业梳理、调研大纲），降低上手门槛；
3. 大模型能力≠全部，金融专属数据约束、任务流程封装才是工具核心壁垒。

25:00-30:1 普通人从零上手 AI 投研实操路径

1. 入门首选：每日市场 / 行业自动日报，高频、覆盖全市场，快速熟悉模型能力边界；
2. 进阶练习：拆解会议纪要完整工作流，区分原始录音、逐字稿、结构化核心洞察；
3. 实操技巧：复杂任务分步拆解，单次只解决单一目标，多轮对话优化后固化流程；
4. 上下文管理干货：新任务新开对话、明确信息数据源、精简无关历史内容，减少模型干扰。

30:1-33:00 深水区实操：自动化研究与多 Agent 协同

1. 适合自动化任务：事实类汇总（财报、催化、行业数据）；
2. 难以全自动：深度主观推演、产业非共识判断；
3. 多 Agent 使用思路：不直接跨模型对话，按需调用各工具专属能力组合使用；
4. 落地难点：模型输出不稳定，需要设置结果复核流程，规避数据幻觉。

33:00-37:00 行业终局：AI 时代 ToB 投研软件商业模式

1. 传统 ToB 软件痛点：客户需求非标，定制开发成本极高；
2. 大模型带来变革：通用泛化能力大幅降低定制成本，一套工作流适配多类研究需求；
3. 长期价值：工具不会被基础大模型吞噬，垂直金融数据、专业研究流程是核心壁垒。