1. 课程导入
欢迎进入《金融研究智能体任务规划与执行实战》。在动手写第一行代码之前，我们需要先建立一张清晰的“认知地图”：金融研究智能体到底是什么、它为什么在当下爆发、这门课要带你走到哪里，以及整条实战路线如何铺开。本章不涉及复杂实现，但它是后续29章的地基——地基没打牢，后面越学越乱。
一、什么是金融研究智能体
金融研究智能体（Financial Research Agent）是指以大语言模型为推理内核，能够自主完成“目标理解—任务拆解—工具调用—数据获取—分析推理—结论生成—自我校验”闭环的软件系统。它与传统金融分析工具最大的区别在于：传统工具是“人操作工具”，而智能体是“人给目标，智能体自己决定用什么工具、按什么顺序做”。
一个完整的金融研究智能体通常由五层构成：
- 感知层：接收用户自然语言指令、市场事件、定时触发信号。
- 规划层：把“分析某公司近三年现金流质量”拆解为可执行子任务序列。
- 工具层：财报数据库、行情接口、计算引擎、检索系统、代码执行沙箱。
- 记忆层：短期对话上下文、长期研究笔记、向量化知识库。
- 执行与校验层：调用工具、汇总结果、交叉验证、输出带引用的结论。
二、发展背景：为什么是现在
金融研究智能体的兴起并非偶然，而是三条曲线叠加的结果。
第一，模型能力曲线。大语言模型在长上下文、函数调用、结构化输出上的成熟，使“规划—调用—回填”循环变得稳定。早期模型无法可靠输出JSON参数，如今这已是基础能力。
第二，数据与工具曲线。金融数据接口标准化程度提高，财报、行情、宏观数据可通过API或MCP协议被程序化访问，智能体不再“无米下炊”。
第三，需求曲线。投研工作存在大量重复性信息收集与初筛，分析师真正稀缺的是判断力。智能体把人力从“找数据、对表格”中释放出来，聚焦于假设检验与决策。
| 阶段 | 典型形态 | 人的角色 | 主要瓶颈 |
|---|---|---|---|
| 工具时代 | Excel、Wind终端、Python脚本 | 全程操作 | 重复劳动多、难以规模化 |
| 问答时代 | 金融问答机器人、检索增强问答 | 提问与判断 | 不能自主执行多步任务 |
| 智能体时代 | 自主规划+工具调用的研究智能体 | 设定目标与审核 | 规划可靠性、成本与风控 |
三、核心原理：规划与执行的循环
本课程反复围绕一个核心循环展开：目标 → 规划 → 执行 → 观察 → 修正 → 输出。理解这个循环，比记住任何框架API都重要。
while not task_done:
plan = planner(goal, memory, available_tools)
action = select_next(plan)
result = execute(action) # 调用工具/检索/计算
memory.update(action, result)
if need_replan(result):
plan = replan(goal, memory)
task_done = verifier(goal, memory)
return synthesize(memory)
这段伪代码揭示了智能体与普通脚本的本质差异：普通脚本的执行路径在运行前已固定，而智能体的路径是在运行时根据观察结果动态生成的。这也带来两个必须正视的问题——规划可能跑偏，工具可能失败。因此“校验”和“重规划”不是可选项，而是智能体的生命线。
四、学习目标与整体课程框架
完成本课程后，你应当能够独立完成以下事项：
- 用自然语言描述一个金融研究任务，并把它转化为智能体可执行的规划结构。
- 接入至少两类金融数据源（如财报接口与行情接口），并处理字段缺失与异常。
- 实现带记忆的规划循环，使智能体在多轮任务中不丢失上下文。
- 为智能体加上校验与风控环节，避免“一本正经地胡说”。
- 评估智能体输出质量，并定位规划失败的具体环节。
课程框架按“认知—工具—规划—实战—协作—风控—综合”七段推进，每章都产出一个可运行的小模块，最终拼装为完整系统。
五、常见误区与复盘提示
误区二：一开始就追求多智能体协作。单智能体的规划循环都没跑通，多智能体只会放大混乱。
误区三：忽视校验。金融场景对数字准确性要求极高，没有交叉验证的智能体输出不可用于决策。
本章建立了三个关键认知：金融研究智能体的五层架构、规划执行循环的核心地位，以及30章由浅入深的实战路线。接下来，我们将从最基础的环境搭建与第一个可运行智能体开始，把这张地图一步步走成真实系统。