如何用 Agent 搭建一套属于自己的投资研究流程？（SEARCH-R 实战版）
我做研究 Agent 两年多，越来越清楚一件事：真正拉开研究质量的，不是 Agent 多强，而是你有没有一套自己的研究流程。
很多人每天让 Agent 抓新闻、读研报、生成早报，看起来很忙。但信息越来越多，原来的问题还在那里：
- 一条新消息到底影响了哪个判断？
- 原来的投资逻辑还成立吗？
- 哪些是事实，哪些只是分析师的推测？
- 什么情况出现时，应该推翻当前结论？
如果这些问题答不上来，Agent 只是提高了信息摄入速度，并没有提高研究质量。
我自己做投资研究，用的不是现成的工作流模板，而是把我们团队这套 SEARCH-R 研究方法论 放进投资场景里做了一轮简化。
SEARCH-R 的七个阶段是：
Survey（观察问题）→ Explore（检索证据）→ Analyze（分析假设）→ Review（评审方向）→ Confirm（跟踪验证）→ Harvest（沉淀产出）→ Reflect（复盘迭代）。
把它落地到 Agent 投资研究里，就得到下面这套七步闭环。
【图片：SEARCH-R 投资研究七步闭环】
S｜Survey：先观察问题，别急着搜资料
大多数人的第一条指令是：
帮我全面分析一下这家公司。
这种问题几乎必然得到一篇面面俱到、没有决策价值的报告。
投资研究不是整理公司资料，而是回答一个具体的不确定性。
开始之前，我会让 Agent 先帮我填一张“研究任务单”，至少写清楚五个字段：
- 研究对象：公司、行业、产品还是某项技术路线
- 要支持的决定：买入、继续跟踪、调整仓位，还是暂时排除
- 时间尺度：看一个季度、一年还是三年
- 当前假设：我现在倾向于相信什么
- 关键不确定性：什么问题不解决，我就无法继续判断
比如研究一家新能源公司，问题不该是“这家公司怎么样”，而可以是：
未来两年，它的利润增长主要来自行业景气，还是来自自身竞争力提升？
问题一旦变具体，后面的资料范围、证据标准和跟踪指标都会跟着收敛。
Agent 在这一步最有价值的工作，不是直接给答案，而是帮你检查问题：范围是不是太大？关键概念有没有定义？一个问题里是不是混进了多个问题？
研究质量，往往在搜索开始前就已经决定了一半。
E｜Explore：把信息流改造成证据链
有了问题，下一步才是收集资料。
这里最容易犯的错，是把所有来源放在同一个篮子里。公司公告、财报、行业数据、券商研报、媒体报道和社交平台观点，证据等级完全不同。
我会让 Agent 给每条材料保留四类信息：
- 来源：原始公告、公司口径、第三方研究还是市场观点
- 时间：数据对应哪个周期，什么时候发布
- 事实与解释：原文说了什么，分析者又推导了什么
- 关联问题：它正在支持或反驳哪个研究假设
例如，“某产品销量同比增长40%”只是一个数据点。它可能来自低基数、渠道压货、降价促销，也可能确实意味着市场份额提升。
好的 Agent 不应该急着把它总结成“公司增长强劲”，而应该继续追问：
- 同期行业增速是多少？
- 销量增长有没有转化成收入和现金流？
- 库存、应收和渠道返利是否同步变化？
- 这个数据是公司披露，还是第三方估算？
所以信息层的标准，不是抓得多，而是能不能形成一条可回溯的证据链。
我通常要求 Agent 输出“证据卡片”，而不是长篇摘要：
- 证据内容
- 原始来源
- 支持的假设
- 可能的其他解释
- 可信度
- 待补证据
这样做以后，Agent 的每个结论都能追溯到原始材料。你不同意它的判断时，也知道该检查哪一步，而不是面对一篇两千字的报告从头找问题。
A｜Analyze：用研究卡片管理假设
资料收集到一定程度后，我不会立刻让 Agent 写完整报告，而是先建立一张研究卡片。
【图片：投资研究卡片模板】
一张卡片至少包括：
- 核心问题：这次研究到底要回答什么
- 当前假设：目前最可能成立的解释
- 支持证据：哪些事实支持它
- 反方证据：哪些事实与它冲突
- 关键不确定性：还缺什么信息
- 证伪条件：什么情况出现，就要推翻这个假设
- 下一步动作：继续查什么、等什么数据、观察什么事件
真正重要的是：不要让“事实—推断—结论”混成一句话。
比如：
公司研发投入增加，所以技术壁垒正在增强。
这句话看起来合理，实际把事实和结论直接焊在了一起。
拆开后应该是：
- 事实：研发费用连续三年增长
- 推断：公司可能在扩大技术投入
- 待验证：投入是否形成专利、产品性能或客户转化
- 当前结论：仅凭费用增长，暂时不能判断技术壁垒增强
Agent 很擅长生成顺滑的因果叙事。研究流程必须故意把这种顺滑拆开，否则文字越流畅，越容易掩盖证据不足。
R｜Review：人对核心假设把关
Analyze 阶段可以大量交给 Agent，但 Review 阶段不能省。
这一步不是让 Agent 给你“再检查一遍”，而是由人回答三个问题：
- 核心假设是否还成立？ 有没有出现 Agent 没识别出来的反例？
- 推断链条是否有断裂？ 哪些环节证据不足，却被包装成了结论？
- 研究问题本身是否需要调整？ 收集完一轮证据后，原来的问题是不是问偏了？
我会让 Agent 在这一步扮演一个“反对者”：针对核心假设提出竞争性解释，或者列出可能推翻当前判断的证据方向。
但这只是 Review 的一种方法，不是研究的目的。目的是让人对关键判断负责。
Agent 可以帮你把反对意见组织得更清楚，但接不接受、怎么修正，必须由人决定。
C｜Confirm：用触发器做持续验证
投资研究最耗时间的，往往不是第一次分析，而是后续跟踪。
很多人选择让 Agent 每天生成日报。结果是日报越积越多，真正重要的变化反而被埋在里面。
我的做法是围绕研究假设设置触发器。
假设你正在观察一家制造企业的高端化转型，可以跟踪：
- 高毛利产品收入占比是否达到某个区间
- 新产品是否进入核心客户供应链
- 毛利率改善是否被销售费用增长抵消
- 存货和应收是否出现异常
- 管理层口径是否发生明显变化
Agent 平时负责监控。只有触发条件发生、数据显著偏离，或者多个弱信号同时出现时，才生成更新。
一条有效的跟踪提醒应该回答四个问题：
- 发生了什么变化？
- 它影响了哪条假设或洞察？
- 影响方向和强度如何？
- 下一步需要验证什么？
【图片：新信息如何更新旧判断】
这样，信息采集才真正接上了研究体系。
H｜Harvest：把研究成果沉淀成洞察
多数人的研究成果都锁在一篇篇报告里。报告写完以后，这次研究也就结束了。
但投资研究是连续过程。今天对客户结构的判断，可能三个月后影响收入预测；对技术路线的认识，也可能同时影响多家公司的估值。
所以我会把研究过程中的关键结论单独沉淀成洞察，而不是只保存最终报告。
一条合格的洞察，至少应该写清楚：
- 洞察内容
- 适用范围
- 支撑证据
- 证伪条件
- 影响哪些判断
- 最后更新时间
例如：
某公司的客户集中度仍然偏高，但下降速度显著快于同行。如果收入质量没有同步恶化，渠道拓展能力可能被市场低估。
这条洞察可以连接多个后续任务：
- 跟踪新增客户结构
- 检查应收账款和回款质量
- 调整收入增长假设
- 对比同行渠道效率
Agent 深度参与过这些材料的整理后，就可以在新证据出现时主动提示：这条信息正在增强、削弱，还是推翻哪条旧洞察。
这比“每天给我推十条新闻”有用得多。真正需要推送的不是新信息，而是改变原有判断的信息。
R｜Reflect：复盘决定，修正整个流程
最后一步不是等投资结束才做，而是每次重大判断之后都做。
复盘时我会让 Agent 帮忙还原三张表：
- 判断表：当时做了什么决定，依据是什么
- 结果表：实际发生了什么，与判断差多少
- 差距归因表：是假设错了、证据漏了、解释过度了，还是约束条件变了
关键不是“这次赚了还是亏了”，而是：同样的研究流程，下次能不能避免同样的错误？
这一步的输出会回到第一步 Survey：修正问题定义、调整研究重点、更新证据标准。整套流程才真正形成闭环。
最小可行版本：一个 Agent，加五张模板
刚开始不需要搭多 Agent 系统，也不需要先学一堆自动化工具。
一个能联网、能读文件、能保存长期资料的 Agent，再加五张模板，就能跑起来：
- 研究任务单：定义问题和决定（Survey）
- 证据卡片：记录来源、事实和解释（Explore）
- 研究卡片：管理假设、反证和不确定性（Analyze / Review）
- 洞察卡片：沉淀可复用结论（Confirm / Harvest）
- 决策备忘录：记录最后动作及其依据（Reflect）
每周跑一次完整闭环：
- 新信息是否改变了原假设？
- 哪条证据的可信度需要调整？
- 哪条洞察已经失效？
- 还有哪个关键问题没有答案？
- 是否需要改变跟踪指标或触发条件？
先用一家公司跑四周。等你真的遇到信息过载、重复工作和跟踪遗漏，再增加抓取 Agent、财务分析 Agent 或行业监控 Agent。
不要一开始就搭一个看起来很完整的多 Agent 系统。投资研究系统的复杂度，应该由真实问题长出来，而不是由工具清单堆出来。
判断一套 Agent 投资研究流程是否有效，我只看三个结果：
新信息进来后，能不能知道它影响了哪个判断；结论发生变化时，能不能追溯到哪条证据；做出决定以后，能不能复盘当时为什么这样判断。
做到这三点，Agent 才不只是替你读了更多东西，而是在帮你形成一套可以积累、更新和复盘的研究系统。
更多 AI 时代研究方法论的实战经验，在我的公众号「SG AI实验室」，专注 AI 时代学习方法的一手记录。