Deep Dive
Shownotes Transcript
特许金融街 Hello 大家好欢迎来到特许金融街本期播客剪辑自 CFA 北京协会线下活动 DeepSeek 赋能金融场景的方案与实践专题讲座
近期国产大模型 DeepSeek 因技术突破及应用场景适配性引发行业热议访问量激增本次活动我们邀请到矿科科技总经理管理合伙人郑汉涛先生与听众朋友们分享 DeepSeek 模型的接入模型接入后如何通过智能体平台快速赋能如何自主编排智能体以满足不同的业务场景需求希望听众朋友们可以从本期播客中获得启发
谢谢北京 CFV 协会的邀请也谢谢大为总那今天呢我会跟大家先分享一下我们在给机构服务的过程当中觉得大模型或者说 DeepSeek 吧也不仅仅是 DeepSeek 其实有还多其他的模型怎么在落地的时候的一些实践我想把更多的时间放在案例上所以前面的部分会稍微的这么简单一点好吧
现在其实大模型从二年底就是 OpenAI 出来之后到目前已经有快两年多的时间但是真正的让
大家或者说是普通的老百姓熟知其实还是在这个春节我们从 22 年底开始其实 23 年初吧就开始做 AI 的应用因为我们本身不是模型公司我们是应用公司然后在 23 年 24 年其实一直在机构层面去推广我们的服务但是明显的一个感觉是机构都不是那么着急
春节过后一个很明显的变化大家都很恐慌但凡没有接入 Deep-Seek 但凡没有在 AI 方面去有布局的都觉得已经落后了
其实我觉得 AI 其实不仅仅改变企业的竞争力它其实也改变个人的竞争力有几个问题我就先放在这一会儿可能最后的时候再跟大家聊一聊我的想法就是 AI 时代的到来其实已经不可阻挡这个如果在过去在春节之前跟大家说这个可能还有相当一部分人不太认同
但是在春节过后至少今天来到现场的我相信大家都认同这个观点就是说 AI 时代它的到来已经不可阻挡了在这么一个背景之下有几个问题第一作为普通的个人大家都会迷茫包括我自己也一样就是我的工作会不会被 AI 替代我们公司所有人的员工也是一样然后第二作为企业来说我在 AI 浪潮里头怎么样去保持我的竞争力
然后第三我是一个孩子的爸爸然后在座的应该也很多是家长那延伸到下一代的问题怎么样让我的孩子跟上时代的步伐这个其实因为我有三个角色第一我是一个员工第二我可能有企业的管理的职责存在第三我也是家长所以是我不断的在问自己的三个问题所以我也把它放在这个地方
然后第二点想跟大家分享的是 Anthropic 在两周之前发布的一个经济指数报告 Anthropic 就是 Cloud 的一家公司今天应该是刚刚发布了 Sonic 的 3.7 目前应该是代码能力最强的大模型这个是题外话他干了一件什么事情他把用他们家接口的所有的问题都做了一个分析
你可以识别到比如说这个问题是跟数学相关的那个问题是跟艺术相关的与此同时它跟美国的劳动力数据做了一个匹配它有这么就是左边对左边左边的这张图里头显示的就是说它所有的问题就橘色的这个和黑色的这个是可以不用管橘色的这个就是所有运用 Cloud 的模型或者接口去回答问题的占比
占比最高的领域是计算机和数学也就是说计算机和数学的这个职业是目前为止达到 37%大概用了 37%的 AI 的能力或者说比例那
进一步他们会去按照不同的职业去研究或者说是去分析发现几点很有意思的事情第一是只有极少数的职业在绝大部分的任务中使用了 AI 这个占比是 4%也就是说目前已经有 4%的职业在这项职业里头 75%的工作已经可以用 AI 来辅助或者替代
然后第二个是就是说这其实从目前看来比例就是说 4%这个比例是很小的但是适度使用 AI 也就是说在我的工作当中有 25%的任务可以使用到 AI 的这个已经是更普遍了有 36%的职业都处在这样一种状况之下
那这些使用是用来干什么的他们也做了统计说 57%的任务是被增强的也就是说我使用 AI 之后能够提高我的效率然后剩下 43%是能够自动化的也就是说我使用了 AI 之后我原来需要是人工介入的部分可以完全脱离人工的干预所以差不多是一半一半
那我们所这个报告好像最终形成的一个结论他说在我们能够看到的未来里头其实人机协同会在相当长的一段时间里头存在这个跟我们目前观察到的或者说是自己的体验也是一样的
其实绝大部分的工作是不太可能或者说在目前来看 AI 的能力是做不到完全替代但是呢是不是说 AI 在这些职业当中或者说在这些工作当中是没有作用呢并不是它能够在很大程度上去提高你的效率这是很关键的一点所以
再问大家一个问题就是说在人机协同的时代里头人跟人的差别大家是觉得会变小还是变大我的认知或者说是我的判断是人跟人的区别会变得越来越大原来可能百分之随便拍一个就是 60%是比较普通的员工 20%是出众比较优秀的员工剩下 20%是很出众的员工
那等到 AI 出现人机协同之后这个比例可能只剩需要 5%是极端优秀的员工剩下的 95%都将被替代它是一个效率它不是一个成数的关系它是一个指数的关系那企业跟企业之间呢也是一样的所以我觉得今天大家来这里其实都已经
多多少少都思考过这样的问题所以说接下去我们对于每个人而言还是对于企业而言应该去从哪些方面去入手这是我们目前正在做也今天想跟大家分享的地方这个算是进入主题因为有这场分享是从 DeepSig 开始的所以我也从 DeepSig 开始说但其实所有大模型都是一样的
对于一家机构而言因为我们提供机构服务最后最后也会说到个人你接入大模型的最终目的其实是需要去赋能业务或者说现在的考核是这么一个目标你要不然其他的玩花样都是不用干的
那你需要干什么事情或者说需要经过什么样的步骤我们觉得是四个步骤第一步是第一你得把模型接进来对吧你无论是云服务商的 API 也好还有说私有云部署或者本地化部署无论是哪一种方式你需要把模型接进来那第二步模型其实大家是看不见摸不着的你们用到的哪怕是一个聊天窗口它其实已经是一个应用了它不是模型本身模型本身对于
像我们这样的普通人而言根本是用不到的那这个应用是怎么来的它其实要有两种方式一种就是传统开发的模式通过工程的方式去走还有一种其实现在一个比较通用的办法就是有一个智能体的平台
智能体这个概念我稍微做一下解释它是跟大模型之间的区别是模型是一个基础设施发动机智能体的话就是一个应用或者说你可以理解它就是一辆汽车你能够使用它这个发动机安在车上就是一辆车安在飞机上就是飞机还能够什么除草都一样模型是一样的但是它可以在外面包一层应用之后就可以在不同的场景去使用它
所以第二件事情你需要有一个应用的平台去建应用为什么是有应用的平台要不如说用传统开发的方式一会我可以再多解释一下接入平台之后你还需要干什么对于机构而言很多机构都有自己的独特的数据或者说大家都觉得自己跟其他家机构有区别是因为我有独特的业务数据所以下一步的工作你就需要把自己的数据接入到模型里头怎么接它就是一个
就是需要机构去思考或者解决的问题那最后一步就是搭应用你把上面的基础设施都做完之后你需要做出真正能够赋能业务的产品出来而这个产品是直接面向用户的而这个用户可以是内部的员工也可以是外部的客户大概是这么四个步骤吧然后我一个一个说哈
第一件事情是模型接入本来我们觉得这个事情好像不太需要说你无非就是接个 API 然后私有云部署的话现在也有开源方案比较成熟的什么欧拉玛之类的都很成熟但是我们自己做了之后发现好像也不是那么一件特别容易的事情第一个就是说如果你是接云服务商的 API 因为春节过后差不多回来上班的第一天第二天几乎
50%以上的机构都说我已经接入了 DeepSeek 我相信他们接的都是这个东西云服务上的 API 这个是非常快速就能够接上的你去云服务商那边当然他官网也有就是官方也有去开个账号他要给你一个 API 的 key 你就能接上了他个人也可以基本上三五分钟就搞定
但是呢因为 DS 这个模型很吃算力无论是他训练不吃算力但是他在推理吃算力目前我们看下来大家刚使用的时候就是遇到什么那个服务器繁忙对吧请稍后目前也是所以目前能够相对来说比较稳定的我们现在看到的是英伟达的然后火山的以及归基流动的可能稍微就是
维护的会更好一点像它官方的其实目前稳定性还相对来说比较差所以这个里头我们是觉得对于大部分的企业和个人来说你去接它的 API 就足够了这是第一件事情就是你接 API 然后第二件事情对于金融机构而言接 API 始终不是回事对吧你要把你的数据丢到云服务上那
你合规就有上就有问题那怎么办你可以进行私有云的部署这是怎么一回事呢就是说我去云服务商那租卡租算力然后呢去布一个自己单独的模型这些卡这些模型就只供一家机构使用这里头我们原来觉得还挺简单的你就把卡一租把模型一布就结束了
实践起来发现也没有那么容易它就需要你有一些云架构的设计然后模型部署里头有很多坑它虽然是开源项目开源项目就意味着它只管把你模型放上去那你整个调度然后怎么样把你的卡的性能发挥到最佳其实还有非常多的工作要做而且它的成本也不低我们当时不是当时也就是前两天大概租的我们是租了
就是一个 R1 的满血模型我们是租了 8 张 A100 的卡这个价格大概是大几十万然后这么一 8 张 A100 的卡能够跑多少个并发呢 1.5 什么概念就是说你两个人用你就有可能要等大概是这么一个量级然后你经过一系列的优化措施之后我们算下来的价格基本上一个并发的价格是 10 万块钱
这是前两天的状况就是一个并发 10 万块钱什么意思我们金融机构里都有如果有做 IT 的基本上要求的并发量都是以数百数千来要求的然后你先算算一个并发 10 万块钱你再乘一下你就可以知道你需要的算力的成本这是就是部署的部分当然本地化部署也一样本地化部署你就去买卡那买卡呢又是另外一回事现在能够买到的
正规的卡叫 H20 就是阉割版本的像刚才说到的 A100 其实因为英伟达跟中国之间不是英伟达中美之间的一些奇奇怪怪的关系所以好多卡是买不到的我们又从比如说从外地背新加坡印尼就是人肉背卡的很多就是干这个事情的
那这里也一样就是如果涉及到硬件它就会涉及到就是模型压缩分布训练等等这些其实都都有专门的厂商在做厂商其实我刚才所说到的有最底层的硬件的厂商然后有模型的厂商然后有算力的厂商其实这些都有就是我算是我们的上游吧那但是呢还有一个基本的判断就是中国这么卷对不对
模型的接入的成本虽然目前来看很高但是它会快速下降就在昨天 DeepSeek 就开源了他说这周还是 DeepSeek 的开源周每天都会发布一个它核心的开源的内容昨天发布的叫做 FlashMLMLA 它就会极大的加速整个推理的过程整个部署的成本就会
下降很多能下降多少一面向性能我们也正在做这个事情一会我会说这个事情不一定是一个它对它的能力有影响我感觉一会看案例的时候大家可以感知一下第二件事情就是做智能体的平台智能体的平台我们的判断或者说我们想要给大家传达的信息是它是一个让所有的人轻松使用模型编排智能体的地方注意是所有的人
IT 在原来的就是传统的 IT 时代对吧你要做个应用一般流程就是 IT 部门找业务部门去了解需求了解完需求之后写个需求文档然后再找厂家或者做字眼这个周期流程大概以月计或者以年计但是智能体的开发不是智能体的开发应该是每个人都能干 IT 部门把基础设施搭好之后
业务部门他有个点子 5 分钟之后智能体就出来了一会再看看为什么我会这么说智能体平台其实这个也不是一个新概念就去年的时候推的最凶的就是火山引擎的机构端应该叫做 high agent 然后 2C 端是叫 code
应该是他们花了非常多的精力花了非常多的成本在做这件事情那它的本质是什么本质其实就是一个叫做工作流一个叫知识库一个叫插件一个叫模型就是说你在这个平台上你可以去调你接入平台的所有的模型这个右下角就是我们的能够调的模型当然我只截了一点点你可以看到 DS R1 就好多个版本因为都不稳定所以需要做各种版本之间的负载均衡
那第二个有了模型之后你需要把你做应用的时候你需要把你的业务逻辑放在这个应用里头的那这个业务逻辑的呈现形式是什么可以是提示词可以是工作流那工作流是如果你用过扣子它就是一个拖拖拽拽的东西就是左边这个应该是右边就右边的这个图的样子那插件是什么插件其实是你的数据
比如说你因为模型本身不带数据它带数据但是它带的数据是有截止时间的那你想为给它更新的数据或者说是你想为给它自己的数据那你就需要通过插件的方式给到它当然你可以通过训练的方式这个这是另外一回事然后还有知识库知识库也一样如果你是一些非结构化的数据没有办法变成插件的你可以知识库的方式给它
那总之它是一个能够让所有人去自己构建智能体的地方大家记住这一点就可以那第三个部分就是说怎么把数据给他这个其实是每一个人你如果做一个想做一个跟其他的人不一样的智能体不一样的应用的时候都需要面临的一个问题
机构也一样就是说 A 机构跟 B 机构在做同一件业务做同样的应用的时候它俩区别是什么它俩背后可能数据不一样当然其他的模型不一样工作流不一样都有可能但是最最核心的问题应该是数据不一样那数据怎么给模型从大的角度来说有两种方案一种方案是通过训练的方式就是我把每天
我就把因为模型现在的模型叫做大圆模型叫预训练模型它的意思是说我把某个截止日之前所有的数据位给他之后他就学习了这些信息我拿到这个模型之后我还可以对他进行再次给他进行训练还叫做微调这个过程当中我们可以把数据告诉他但是这件事情其实是我个人感觉是一件性价比很低的事情
为什么呢每次微调其实很花成本的无论是算力成本时间成本都得进去而且模型一更新这件事情就得重新做而现在模型的更新是以天甚至以半天的时间为周期的你早上跟下午的模型就不一样
所以你如果一直走这条模型训练或者说走微调这条路线的话永远有更好的模型在等着你去训练这件事情我觉得在目前看来是不是那么经济划算的事情那另一条路是什么另一条路就是通过插件或者说是知识库的方式扔给他
这是这个前提条件所以在智能体平台上我们就是通过这样的方式给它数据那给数据的方式又分为我画了三种第一种是叫做搜索加 IAG 的方式其实本质上是这些库那它比较适合这种非结构化的数据就是像机构里头的各种文档我之前写过的各种报告制度合规的 1234 的报告的文档都可以
然后第二种如果是结构化数据的话有两条路线第一是让他去查数据库只要如果比较理想的状况只要我数据存在数据库里头我都可以让大模型去写 Circle 语句查到对应的数据然后对这个数据做加工来输出给我这是比较理想的状况但是实际操作过程当中它问题比较多主要有这么几点第一
它对于数据库本身的要求很高这个要求并不是说是 IT 要求而是业务要求你的数据库得足够的清晰我们自己本身也是数据供应商我们是供应的是公募基金的数据像我们从 21 年开始做数据在 21 年做数据的时候我们其实挺注意对于我们数据就是表结构的设计以及每一个字段的注视
但是哪怕是在这样的情况下让 AI 去调我们的数据都会存在调错的可能性因为数据就是字段跟字段之间相近的可能性是挺大的而且数据越多这个问题就越严重
而且像比如说你如果是像机构一般很早就建数据库那数据库里头那脏的简直不要不要的你根本就没有办法用 AI 去写 Circle 语句来干这件事情而且它如果涉及到稍微复杂一点的业务逻辑需要多表的连查或者欠套的查询它的稳定性极差它的写识辨识辨都不一样都有可能那最后一种方式叫做函数调用 Function Call
这个是我们目前看下来最适合金融场景下结构化数据介入的方式综合考虑它的稳定性和准确性它是怎么一回事呢它是首先你得有一个接口这个接口里头就已经解决了我取数据并且加工数据的逻辑那我大模型去拿这个数据的时候我只需要把参数填对我就能够把这个数据正确的取出来举个例子我要取基金的我最熟基金啊最熟
的费率或者说持仓信息我把日期填对我把基金代码填对这个数据一定是对的或者说我要做一个基金的组合我把两个基金代码扔给他把起始时间扔给他结束时间扔给他他返回来的这条捏合好的曲线并且在这条曲线之上计算的结果一定是对的因为完成这个计算的过程是接口完成不是模型完成模型只是在用这个工具
所以这个部分是目前看来那个平台上也好包括我们给很多机构提供服务也好接结构化数据这看上去是唯一的方案因为没办法金融它就要求 100%正确你不能犯错那它的代价是什么它的代价就是你需要有接口如果没有那先得有接口才能有这种让大模型去调用工具的存在它会有更多的前置成本在
这就是我们的干的一些接口当然这个把这个数据插件化的这个过程它也有两种形式的插件一种我们叫做按照特定业务场景下的插件比如我就把所谓的股票数据按照一定的类别变成一个一个的股票数据的接口然后基金的也是一样客户的信息也是一样
然后比如说还有其他的什么类型就是什么理财代各种各样的但凡是按照一定的业务逻辑整理好的数据我都可以把它变成一个一个的小接口这是一种然后第二种这个是在刚才接口的基础之上我去开发一些智能体
那这个智能体在什么起什么作用呢因为我们最终的目的是让业务人员自己就能去调这些智能体去调这些数据来做自己的应用那如果我的接口比如说股票数据我要有 20 个甚至几十个数据接口每个接口我都要知道它的参数知道它的输入输出是什么这个其实对于业务人员来说是不现实的那怎么办我就把这些接口
按照一定的业务逻辑把它合在一起也就是说我要用股票数据那我就做一个股票的智能体这个智能体就能够返回所有跟股票相关的数据我在用这个智能体的时候我全部是自然语言进自然语言出我不需要知道它里头的
参数是什么我就说告诉我某只股票在某一个天的某个数据甚至可以让它完成一些做组合呀做诊断呀做这种比较的工作因为它通通是一些工具类型那像开发这种智能体就相对来说比较复杂因为这是我们干的第一件事情就是说模型刚出来的时候完全没有平台我们干的第一件事情就是把数据合在一起做一个智能体我快速往下翻啊大概长这个样子
就是说它是一个很工程化的方式就纯 IT 开发没别的就投入资源因为 IT 就是业务人员是没有办法干这件事情的它能够在你搭建好基础设施之后再往上去造房子但是水泥钢筋这些基础设施还是得 IT 来搭最后一步就是基础设施都搭好了在这些坚实的基础之上搭建应用那就很简单了
一句话概括就是应该是现有应用现有应用流程就说你的工作内容是什么然后和功能的有机结合而不是说你要去创造一件新的事物你自己干不到的事情你千万不要让大模型干它一定是你自己能干到的事情然后你觉得自己做的不够好你可以让他做的更好这是可能性的而不是说我自己对吧从来没有做到过甚至我不知道怎么做然后我让大模型去做这件事情大概率是行不通的那
怎么做做一个应用大概就是三个要素数据 模型和业务逻辑数据已经提过了就最下面这个部分无论是结构化的也好非结构化的也好非结构什么文档 图片 表 接口等等由 IT 部门
把这个基础设施搭好就是全部插件化最好是变成智能体插件就你不要让就是假如说有五个业务板块你就是五个智能体插件结束了任何数据你都可以用自然语言去从这五个智能体插件里头把这个数据取出来这件事情就够了当然这件事情并不简单它非常复杂然后第二步我选一个模型当然模型并不是说我用越好的模型效果就越好
模型跟模型之间他有他自己擅长干的事情需要大家去认清楚模型能力边界这个一会儿可以举例子然后最后一个就是你的业务逻辑那业务逻辑怎么样去放到你的应用里头有三种表现形式一种是通过工作流的方式工作流的话它高度可控你让他第一步干什么第二步干什么第三步干什么完全是按照整个流程来走的比如说写什么智能报告对
第一段要写看一看宏观数据然后写一段宏观的第二段看看市场写一段市场的第三段看一下某支基金今天的表现然后分析基金的时候第一段写业绩第二段写持仓第三段写写基金经理的言论那你就通过工作流的方式去约定你就分这么五步给我做 AI 不会出错的
他就会给你按照你的你设定好的逻辑去把这个报告交给你并且数据都该从哪取你都给他设定好那这种是高度可控的的一种方式那第二种提示词提示词现在其实很少会用到真正的应用里头就光是提示词提示词我们现在更多的是用来做能力测试他会有做一些个人助手
因为它跟你直接在网站上注册一个账号然后又写一段提示词的反馈效果是一样的它可以用来测试你各种想法但是最终你要把它固定成一个应用的时候比较少用并不是完全不用然后第三种就是模型推理之前其实不存在但是阿一出来之后有了这个可能性就是说你给这个应用设定一个目标然后你把它需要的内容准备好要素准备好中间的过程你完全别管
在有些任务上他会处理的很好比如说一些需要创意发挥的任务行销助手客户陪伴因为你自己脑子里本来就没有固定的套路而说你更多的是靠创意发挥的部分这个部分其实模型本身就能够做得更好那就可以用模型推理去你就不用告诉他业务逻辑你只告诉他目标然后给他他需要的要素大概是这么一个东西
最后就是说我们觉得你做 AI 应用是业务需求的单点爆破这个无论对机构而言还是对个人你在工作当中也一样不要想着去做一个大而全的智能体就是我要做一个超级应用这个应用什么事都能干你往往什么事都想让他干的时候他就什么事都干不好你还不如你把你自己的工作内容拆解了
然后部门也一样大到机构也一样拆解了之后你针对每一个小点的任务先把它先把它击破了然后之所以我们的智能体平台叫做套娃因为智能体是可以通过工作流的方式连起来的你如果把一件你的工作拆成 10 个小点每个小点先以一个非常小的智能体去解决
那当这十个点都解决得很好的时候你是可以把这十个智能体套起来的套起来之后它就能够解决一个大的问题这是一个在原来开发过程当中可能不太存在的这么一种现象原来的可能就是说我要做一件开发一个产品我得先想的大而全我把双方面面都想到之后才开始动手但是现在智能体开发我觉得不是它是一个你想到一个小点你就把这个小点做到极致然后
在所有的细节问题全部搞定之后你可以通过搭积木的方式把它们搭起来这个是蛮不同的一点好我就先讲到这儿下面给大家看例子当然我的分享内容后面还有但是我觉得到目前这个阶段给大家看一些例子会有一些更直观的感受我先举一个跟金融行业有点关系的例子这个例子是什么样的呢
这个基金投顾就是我们所做的一个智能体这个智能体就是我刚才所说的我把所有的跟基金有关的数据交给了他你就可以通过这个智能体去要到你所想要的所有的基金数据当然要数据只是他的其中的一项能力他还可以因为有了数据之后再加上模型他就能够完成
你能够想到的所有任务当然并不是所有任务都能完成的很好那我的这个任务是这样的说那我呢有一个客户 45 岁的中年男性我不针对任何人万一就有这样的人过去三年股票投资都亏钱了孩子呢刚上大学每个月需要生活费 3000 那他有一笔 100 万的资金需要买基金请你给出一个配置方案
这个案例可能不是那么典型这只是我脑袋里头想到的如果作为一线投户他可能面临的类似的场景就是我一个客户进来了我知道他大概的背景以及他可能之前的一些历史的信息我要给他一个方案这个是我们原来的产品也是我们现在的产品给出的方案
大家可以大概看一下这个感觉就是说配置方案他也给出了股债四六的比例然后债券基金推荐了一些混合基金推荐了一些然后给写了一些理由这个方案怎么说呢看着中规中矩就是他也给出方案了但是他总觉得好像缺点什么原来我们也不知道缺点什么后来发现他缺人情味
他就是给了一个很直白的方案然后虽然有一些推荐里我要求他写推荐里他也写了一些但是投顾拿了这个方案之后好像还要再干点什么之后才能够再给在任道客户面前阿姨出现之后呢这其实已经是
很好的模型了它背后用的是 GPD4O4O 本身为什么用 4O 因为 4O 的函数调用能力是最强最稳定的国内的目前哪怕是 V3 就是 DS 的 V3 好像也没有那么稳定稳定性会差一点因为金融行业它要求准确率 100%所以在调数据这一块目前看来只能是 4O 目前看来只能是 4O
那这个方案有没有办法做改进 DS 出来之后一种方一种马上的想到的一个点子我直接问 DS 行不行看看啊直接问 DS 在哪里 OK 这是我直接问的 DS 同样的问题基本上 OK 我有一个同样的问题然后 DS 也会给我出一个方案说你的什么客户的画像核心需求然后配置的逻辑然后数据的支撑这个方案看上去大家跟刚才的相比它其实
你说不上来它有什么不一样但是你总感觉它的无论是文字表达也好还是说你输出的逻辑也好它多了更多的人情味的在里头然后我看一下之前的那个案例这个就更明显这是我上次问的下面这个是今天问的它有区别这是上次问的它就是模型 DS 刚出来没多久我问它的
他写的就是写出花来了对吧核心配置理念三重防御应对人生阶段需求我反正写不出来这样的哈我相信 99%的投顾都写不出这样的话来对吧护航舰队温度化运作机制您的专属复航这种话呀一般人写不出来但是呢他有什么问题哈你可以看他里头所调的数据
这个可能不明显我看看上面的例子你看可以看到它掉的数据比如说可能字有点小不清楚你们看不看得清楚这个推荐理由是什么 2022 年熊市仅下跌-8.5 然后呢当前对 2023 年涨幅 56%最大回撤-4.32018 年大家知道问题在哪吗因为这个是我用 DSRE 的模型加上搜索
让他去出的方案所以呢他里头的数据是他搜来的他搜来的过程当中你就不知道他搜到了什么他可能就搜到了 18 年的数据他就把 18 年的数据放上来了我所要配置方案里头比如说他这里所列到的每一只产品并不是每一只产品的当前截止到今天为止的数据都能够在网上搜到对应的本本信息所以他出方案的时候搜到什么给什么信息并不最新的那怎么办有没有办法呢
我下头就做了一个就是这个一个最简单的方案方式是这个一个例子我又分两步走第一步我用调我们刚才的基金投顾就是 OE 那个版本不是 OE 就是 4O 那个版本把数据取出来我说还是我有一个客户但是我们公司的研究员出了一个配置方案这个配置方案是什么就是我把刚才贴过来了
这是我刚才贴过来的部分就是没有人情味但是数据是对的那个方案然后我说这个方案呢缺温度不容易让客户接受请根据客户信息重新组织这是阿姨能力的强的地方她可以把干巴巴的数据变成一个有温度的方案然后说明配置理由下面就是她干的事情这就是她后面编的那什么核心配置啊什么三重防御啊
方案还是原来那个方案但是这个方案的所有数据是对的因为我从一个能够取到正确数据的地方把数据给到了它放到了它的提示词里头这个是笨办法它不叫笨办法就是如果我用我只有基金投顾并且我只有一个模型的对话窗口可以这么干那它还可以怎么干它可以智能体平台好处就来了
我用三五分钟的时间就能把我刚才的流程串起来看得清吧这件事情是什么样的第一步用户的问题进来之后我把它丢给谁我把它丢给基金投顾的问答接口这个是这个框框是谁这个框框就是我刚才所演示的第一个智能体就是基金投顾那个智能体 4 欧那个版本只能给数据不能给有温度方案的他的那个东西
那数据给到他之后用户的问题嘛他就能够把我刚才让模型输出然后复制粘贴然后放到下一个结点上去的这个动作通过这种拖拉拽的方式连起来数据给到他然后他输出之后就给到了这个东西好这里我调谁我调阿姨这地方我是没有办法选的因为已经是一个插件了你可以他就是我所说的智能体插件
为什么这个东西有用因为你看我啥事也没有干问题进来问题出去我都不用管里头这个智能体插件里头它有什么样的参数我要调什么样的数据完全不用我只要把用户的问题直接丢给他他就能把我所要的数据拉出来你要做配置我给你一个配置方案你要做比较我给你比较的数据你要做组合我给你组合的数据那润色的这一步交给阿姨来干那我怎么写
我说你是一个一线头顾你会拿到一份研究员给出的配置方案这个配置方案就捡这个东西吐出来的但是这个方案缺温度不让客户接受请根据客户信息和在我司的历史情况等我多加了两个东西一会再说重新组织语言跟刚才的话术就是提示词其实是一样但是我干了一件什么事情呢我通过工作流的方式把它串起来了串起来之后
那省掉的是什么省掉的就是说我需要从一个地方输入拿到答案拿到答案之后粘到另一个地方再写一段提示词这个过程对吧就是它就跟开发不太一样它就可以通过这样的方式来把它组织起来那效果是什么样的我为了让这个应用看起来更洋气一点我给它设了两个
用户输入的地方就是说你进来之后呢我这个小应用只干一件事情就是给客户出配置方案然后当然我需要知道一些客户信息这个客户信息可以是
到任何信息你用文字输入就可以也可以输入一些客户在我私的历史情况买过什么亏了赚了等等之类的当然还可以加其他的我干的事情就是在这个地方把它加上就可以也就是一两分钟的时间就可以出这个东西这个东西你之前要在你的某个页面上找 IT 开发没有好几个星期是下不来的但现在就一分钟吧我再把它加上就行多提了一句你再去看效果
这个是 R1 就是我 DSR1 的版本你看它整个分析过程应该能看清楚里头有一些他想到的内容比如说数据都是第一个智能体给到的说我拿到了一份方案在哪呢我需要回顾提供的原始方案这就是我第一个智能体给到它的我确保数据不要改变然后这个方案里头配了一些什么货币存债雇收等等
然后他还考虑到什么之前亏损严重这可能会对主动管理有顾虑所以他需要考虑怎么去缓解客户的忧虑 anyway 他想得很好想得很好之后这是我今天测的结果这个方案给出来好像很一般这是他给到的方案这是今天的版本给到的方案跟我想象的有区别这是我今天专门为了今天网上分享下午问的
我百思不得其解我实在是想不明白他为什么会这样因为前两天我试的时候不是这样今天我试了很多下面你看我同样的问题问了好多次基本上他给到的答案没有让我特别满意的没有让我特别满意的有一些可能稍微好一点但是没有让我特别满意的我的猜测阿姨今天变笨了有可能跟昨天他发布的那个就是加速推理的东西有关系
但是幸好我的这个材料里头之前我是做过截图的你看一看就知道今天给到的这个答案比如说大家先看一看这是今天给到的答案对吧它也干巴巴的没有什么展开的内容就把这个配置方案给你当然比 4 欧还是要好一点但是你去看看我前两天截图的时候的结果简直惊艳到了我那问题是一样的问题我没有做任何的改变这是他给到我的方案你看看
配置方案不说了配置逻辑对吧防守反击的核心混合基金为何适合你基金亮点是什么债券基金家庭现金流的基石为什么适合你亮点是什么股票型长期增长引擎为什么适合你亮点是什么以及我等一两秒钟方案的模拟效果承诺的服务还有最后几段话什么债券基金是压仓时保证传声稳定
混合基金是主翻借风前行但不冒进股票基金是侧翻在风向有利时加速这几句话今天我试了无数次他就是出不来唯一的解释就是他变笨了因为前面我给他的数据一模一样我给他的问题一模一样但是他今天就是出不来同样是 RE 的模型我试了无论是英伟达的接口还是火山引擎的接口规矩流动的接口一模一样
就是出不来这个感觉出来的感觉就跟刚才看到的就是跟这个感觉是一样的我不知道为什么我猜测它就变笨了可能跟昨天发布的推理加速有关系但是你可以感知到如果它是一个满血的模型它能够出这样的效果这个我觉得对于我们当前来说已经够了因为现在推理成本下降模型进步它很快就会回到这个状态
虽然他今天我们分享的当天他变笨了但是他不影响他马上就会回到这个状态这是第一个例子然后第二个例子第一个例子大家
我想要传达的信息是如果你这个插件足够的智能基础设施足够的好你要在这个基础上去搭一个很个性化的应用其实非常非常简单然后这个个性化的应用其实我们因为对机构做服务机构往往会问你的应用场景是什么你的业务场景如何去满足
我们就是脑破了头因为我作为 IT 供应商我只知道基金这个领域然后也更多的是偏投研本身我们自己是投研出身然后做投研会多一点像一线投股我们接触的虽然也最近几年也广泛接触但是其实真正的业务细节上我们是不太了解的反而我们是觉得这些
了解业务细节的人应该就在一线我们需要做的事情是把这个能力交给一线你一个服务穿越地区 60 岁以上老太太的智能体跟服务长三角地区的中年男性他的话术逻辑有可能是完全不一样那你一个营业部里头只要有一个人知道这个套路你把这个东西变成一个画三五分钟变成一个智能体
其实这个事情是他们是能做到的但是我们是做不到的对吧所以不要问我业务场景我就把这个技能交给你然后你把让机构里头的所有人都会搭智能体你的业务场景就出来了
他并不在 IT 人员 IT 部门里头的脑袋里头他不应该是 IT 部门和厂商的单打独斗或者说是头脑风暴他应该就是触及到业务一线然后让所有人能够非常低成本的去建自己的应用然后慢慢的积累起来反正一家之言然后第二个案例就涉及到个人他是怎么一回事我们干了这么一件事情
做了一个叫做这个名字无所谓它本质上是一个错题的本就是说我的孩子今年是三年级八岁老师说你要去把你做错的题记下来然后呢记在一个本子里头到了什么期末期中的时候拿出来翻一翻这个事情小朋友其实不太愿意做的那我说行那咱们一起来做一个能够帮助你
更轻松完成这件事情的工具这个工具能够干什么呢它能够完成几项任务第一项任务是我拍个照我就能够把这个小朋友比如说写了一张作业数学题我拍个照就能把这个照片里头你做错的题给你摘出来然后分析一下你
放大把我提示字放大大家可以看得更清楚一点第一把你的错题识别一下然后第二个项目呢就把这个错题所对应的知识点指出来你是这个题没有错了是因为第几单元的哪个知识点没有掌握这个知识点的内容是什么然后第三点就结合这个知识点分析一下你这个题为什么做错了然后给出正确答案以及得出这个正确答案的这个过程我还给了他一个题库
说你分析完了之后给三个跟这个知识铁有关的题帮助这个学生去巩固一下然后如果题库里头没有合适的题你就自己编一些然后最后一个点是小朋友自己想的说他应该喜欢看一些有的没的说我搞完这个东西之后你给我一段扩展阅读这个内容可能要来自什么三国水火红楼之类的这是他的第一项任务确实是一个错题本的概念
然后第二项任务说那老师要求到期中或者期末的时候来复习可以因为你拍照你每天都拍每天都拍你累积了一定的错题量之后比如说到了期中期末了那你就
把所有的错题的知识点汇总一下就这么一件事情阅读一下这个错题的记录我给了他一个全局变量这是历史记录然后把这些那个知识点呢按照单元的顺序给我汇总一下输出了然后如果有你重复错的你就不要重复输出了你就给我输出一次就可以然后大概是好我把知识点给他那这是第二个功能然后第三点那知识点该复习的复习了你是不是该做做题啊
那就给你出些题一样的你读一下你的错题记录然后呢去出一些题大概是这么三个功能做完了之后第一小朋友他做完了他觉得挺开心的对吧心情也很好在班上就吹牛逼多厉害然后看效果这是我给他的测试题能看清楚啊这是三年级的题第一个是判断方向的第二个是就是做除法的第三个是算时间的
但是我给他设了个坑就是这一题我给他有个坑就是说你 95 朵花每 6 朵扎成一素最多可以扎成多少素 95 除以 6 是 15 于 5 剩下的 5 朵是扎不成一朵的扎不成一素的所以他的答案应该是 A 最多可以扎成 15 素因为剩下 5 朵扎不成一素了但是我选了 B 同时我给他打了个勾这是我给他设的坑
之前我一直没有办法解决这个问题我把所有的模型都试了就是 OpenAI 的也好或者 Cloud 也好境内的这些什么前文乱七八道都试了它解决不了这个问题但是总体效果还可以你看错题一二
但是同样你会有一个感觉它相对来说没有温度冷冰冰的我就把你交给我的任务完成这个是 4 欧一样的跟刚才那个基金投顾的东西是一样的他就这么给你当然他这个问题答错了就是第二题他说 17 我也不知道他咋算的第一他本来就算错了对吧 15 加 1 应该是 16 但是说 15 加 1.17 反正他怎么都不对分析过程也错了最后答案也错了
哪都错了这是下面这个题是错对的然后给出一些巩固的练习就是说我那个拍完错题之后马上出一个巩固练习然后一些扩展好那阿一出来之后马上我想到第一件事情我问阿一行不行还有一个阿一的版本因为节省时间我就直接下午问好的我有个阿一的版本你会发现一个很神奇的现象阿一虽然是很聪明的模型并且也支持读图但是他读图很不行
有多差呢一道题都没读对你看我三道题是什么第一题是方向第二题是处法第三题是算时间阿姨说她说一个房间的面积是 30 学生填了平方米反正哪哪都不对她说你看她的思考过程也一样的说我这么哪些题她说上来就什么混淆了平方米和平方分米哪哪都不对
所以模型并不是万能哪怕它是最先进的模型它也并不能在每一个方面做得很好它一定它有它擅长的地方但它也有它不擅长的地方那这种情况下怎么办呢工作流就又能派上用场一个很简单的思路我用 4 欧去读图读完图之后我把信息抓出来之后用 RE 去做下面的工作对吧改题然后出题然后做总结这些用 RE 去完成
那这件事情用工作流的方式同样它是一个五分钟的事情你可以想想如果我是用刚才比较人工的方式我就第一我把这张图传到 GPT 上让 GPT 把这个文字全部识别下来然后把这个文字粘到阿一上然后写一段同样的提示词它也可以完成这个工作那同样我用工作流的方式
把它串起来一个意思我做了一个叫做混合版味道是不是很像进来之后先干嘛先识别图你是一个图片识别专家你就告诉我这张图里的内容是什么其他事啥事也别干你就原封不动的把这张图的信息告诉我然后当然这是用的是 SO 啊 SOpro 他干的事情然后阿姨干嘛阿姨就干
跟刚才一样的事情就是我拿到信息之后做一二三四五六件事情那它的效果是什么样的这是它的效果这个图这个图出不来了无所谓它的思考过程先不看跳过思考过程其实蛮有意思然后这是它的正式回复对你不用看细节你就知道这个回复里头
他明显多了一些温度的感觉他更像是一个老师在给你改作业知识点然后错误原因正确答案并且这一题是对的他把这一题做对了然后下面的巩固练习啊越扩展阅读你可以感受到的是他跟 4 欧相比跟刚才的基金投顾的例子一模一样他就是多了很多
人情味这个味道到底我不知道是不是中外模型之间差在哪里当然我用什么千万它一样它就是那种机械式的回答但是阿姨因为推理模型她不知道为啥她就多了一些人味在里头这是第二个例子那这两个例子说明什么问题说明做智能体应用是极其低成本的事情所以我们有一个很想法
我们干了一件什么事呢做了一个培训为什么是这样的想法就是因为跟我们在机构里头去跟我刚才的逻辑是一致的就是说你真正的去做应用在现在这个阶段不要花太多的时间去讨论我做什么样的应用才能够赋能业务因为你讨论来讨论去讨论不出结果确实因为模型每天都在变模型变了你昨天讨论的内容就失去意义了
你今天不能做的明天可能就能做所以你按照传统的路线去走需求分析啊调研啊设计啊等你调研完的时候你这个需求就是一堆垃圾没有用的所以你应该怎么办你应该把基础设施打好然后呢你所有的 IT 部门的精力就是打基础设施没别的你把平台建好把智能体的插件做好
然后新的模型进来之后你把新的模型能力接进来那在最后一公里的时候让业务人员自己去打这个应用那它差在哪差在业务人员不会用啊在我们自己公司内部也一样我们公司大概七八十个人我们也试着让所有人都来搭智能机结果发现大家好像动力不是那么强所以我们就做了一件自己内部的人好像不太行的时候我们就往外走我们做培训
我们可能信心也不是太足培训但目标是什么目标是成人及青少年原来这上面是没有成人的只有青少年八岁以上因为我的孩子就八岁他就能够干这些事情所以八岁以上二十次课两次课讲一个智能体最终的目的是让大家能够第一像玩积木一样把这个智能体搭出来
然后在这个过程里头你去把跟 AI 有关的所有的知识点去输入一遍我们设计了这么 20 个 10 个案例可能有点小放大这么 10 个案例每个案例里头包含的技能有区别比如说做一个聊天窗口
然后做一个翻译聊天窗口可能只知道工作流和提示词就够然后翻译的话你需要知道什么是判断的部分因为你要完成多个任务的时候就像我刚才做那个错题本一样你有多个任务的时候你应该怎么去实现它
然后做游戏对吧做游戏的话你就需要视觉因为多模态嘛你需要去看然后去语音合成然后做绘本绘本的话就会涉及到一些插件的基础功能然后做编程编程的话你就需要做一些工具调用你需要去调对吧就是编程的插件你需要去调编程的环境
然后去做导购导购的话你需要接知识库接本地的这种文本信息然后做新闻播报就是你需要去提取复杂的内容然后做复杂工作流然后语文老师后面一些都一样那这个事情我们刚开始干的时候其实也没有一个特别明确的把握就是说孩子一定能掌握但是测试下来之后发现这还真可以
我们是刚刚上周去做了第一期的课程在厦门然后呢两天的课因为第一次就算做是对于完全零基础的然后一个试验的点两天的课程然后结束之后有一些学员做的他比我们公司里头好多人做的都好多了可以看一下这是学员做的一个早雷的
完全零基础他完全没有接触过代码你可以想象现在好多少儿编程课你学了好几年只能写 Hello World 大有人在你要给他搞你要他做一个扫雷的游戏大部分人都做不到包括我自己我要做一个我上学的时候也算是学过这种编程语言也自己做过一些金融方面的这种开发但是你要我做这个东西我做不到
但是这个玩意儿你一个没有基础的小朋友两天的时间就会做这个扫雷的这是一个所以回到刚才的论述就是说第一点做智能体其实并不是一件很复杂的事情任何人只要在你的工作领域里头你自己想要把某一部分的东西你要去提高效率或者智能化完全可以
它并不是把一件事情变简单了我觉得就原来可能大家想的是 AI 出来之后是不是编程就一下简单了有编程助手那现在我们发现其实根本不是你甚至完全不需要知道编程就是编程的工作你可以通过刚才我的案例里头你就干一个编程高手你先做一个智能体质的编程高手之后你所有跟编程有关的文字进东西出就结束了
所以这件事情它其实已经我们感觉它跟原来的这种模式已经发生了变化就你不再是那种需要去了解就是编程逻辑的部分而是更多的是什么你需要有一个目标你要做什么想清楚然后你需要为了达成这个目标去设计或者拆解你的任务更像是一个什么更像是一家
我这么说不太合适就是更像是一个公司的总经理你这个公司总经理你需要干的事情是我把任务分配好我把公司设定公司的目标然后我达成这个目标我需要什么样的部门每个部门需要什么样的人每个人完成什么工作然后再把这个工作串起来我就能达成这个目标你需要的是这样一种设计思维而不如说我需要去了解下渡的每一项实际业务大概是这么一个感觉那是不是所有的智能体都这么简单呢也不是
给大家看点复杂的这就是一个很复杂的工作流我都不放大了因为放大了就没有那个感觉叫做什么基金破冰住手这名字不是我起的就这么一个很复杂的工作流他干的一件什么事情呢跟这个基金销售脚本很像就是说我需要去当我需要去生成一个基金直播脚本的时候那我把这件任务完全自动化了
第一个就一样了就是跟我刚刚最开始提过的就是说我每一段需要写什么样的内容这个内容我需要去哪里取数然后如果我取到的数据之后我应该怎么分析这些全部都需要去去化界定清楚然后再把整个流程串起来这个东西有多长你的设计思路有多长智能体的编排就有多长或者就有多复杂
因为它可能涉及到比如说多层级的教验啊等等各种的内容都在那它的效果大概就这个样子对吧一长串的内容你每天如果要进来做一个一两个小时的播报你就给我生成生成今日基金直播脚本
然后代码是这个如果你要加一些分析逻辑也可以加进去它就变成这样一种思路所以我相信机构里头特别是这种个人工作可能也有但是很多的机构的工作流程里头就有这样需要涉及到比较复杂逻辑的任务
像我刚才提到的一些任务比较简单但也会涉及到这种比较复杂逻辑的任务但是同样它可以通过这种编排的方式去实现然后最后就一点点回到我们最开始的
这一页吧就是普通人企业和家长应该怎么样去跟上这个节奏我觉得作为个人而言我自己的体验就是说你需要尽可能高的在提高在工作中使用 AI 的比例不管是上任何方式你从用这种聊天工具开始然后当然还有一些什么像 Define 的平台都可以
当然如果机构购买我们产品当然我们很开心但并不是一定要在这个范围里头然后第二个就是你紧跟 AI 的能力边界就是你知道什么 AI 能干什么不能干然后作为企业而言一样无非是两点第一是尽可能提高使用 AI 的人员的比例这个比例在框架就是 100%所有人都得用
没有另外后台人员也得用人事的行政的都得用你只要涉及到写东西的都能用这是第一点当然这个对于打工人可能不那么友好 anyway 然后第二是尽可能提高各岗位中使用 AI 完成任务的比例就是刚才看到的只有 4%的岗位
75%的工作可以使用 AI 这个比例其实随着 AI 能力的扩展或者说是随着使用人能力的增长它是可以不断延伸的我是觉得未来大部分的工作还记得不是什么体力劳动你都可以在至少你 70%或者更高比例的任务当中让 AI 来介入
让 AI 来介入并不是说替代你的工作但是让 AI 来介入它可以让你的效率对吧非常快速的增长那第三是一个就是方向上的问题我觉得 AI 机构 AI 化这个过程里头它不应该是高精尖的人员的单打独斗对吧就是说我找很牛的人然后设一个什么专门的部门这个部门来负责设计我的这个什么 AI 的机构 AI 化的这个方向路线啊等等
它应该是就是大完基础设施之后让所有人都参与进来因为大家想一个很简单的逻辑一家机构里头如果所有人都会编程在原来的时代下所有人都会编程然后并且是编程的高手你可以把很多的任务都通过自动化的方式来完成那这家机构的竞争力对吧指数级上升这个事情在原来是不可实现的
但现在是可以的现在这个时间节点已经来了 AI 这个时代它让人人都能够做这种应用或者说是能够把 AI 赋能的方式用到自己身上这个时代已经来了一家所有人都用 AI 的机构和另一家只有 50%用 AI 的机构 50%人用 AI 的机构两家机构的竞争力可想而知所以
这个部分就是没别的尽快的让更多的人参与进来而不是说我先想明白做什么等你想明白做什么的时候人家已经全部用上了对吧然后第三作为家长做一个广告参加我们的培训当然培训班还没有开到北京所以你想参加也没有但等有的一天我记得可以来让小朋友们我是比较
真心的推荐小朋友真的是应该去跟上这个节奏因为我们现在都已经觉得再不跟上 AI 的节奏我就要落后了等小朋友长大的时候 AI 更不知道发展到什么状况你能够更早一步的去接触能够更早的去认识这个时代的变化肯定是有好处的然后至于这样的培训机构的话自从搞了培训我们好像觉得
再为整个社会 AI 渗透的做出一点点贡献反而觉得还蛮有成就感的就是参加培训这个事情然后最后还有一个案例因为有一个大家经常提到的问题因为之前有过调研好像说我看问的最多的就是怎么辅助投研我自己做投研我的第一想法是 AI 不能辅助投研
因为就 Anthropic 的报告里头其实有一项就是 AI 参与工作的程度跟你的工资之间的统计他发现什么呢工资特别低的和工资特别高的工作他都 AI 参与的比例都很低然后工资在中等的 AI 参与比例是最高的他是一个大概这么一个类似于震态分布的这么一个的情况那我觉得头颜就属于那部分觉得自己
很厉害虽然我觉得还行啊很厉害然后特别个性化的部分是不太适合用 AI 去介入的但是呢后来我又觉得一想其实你做投研的人你并不是你所有的工作都在做投研啊
你 95%的工作可能跟投研没有关系你只有 5%的脑子在做投研剩下的你跟刚才我所讲的用智能体去辅助提升效率的一模一样但是就是那 5%的投研也有一些可能性比如就这个例子马上要开两会了下周对吧如何利用 AI 分析两会的投资机会第一种直接问 DS 然后反正他有什么联网搜索什么深度思考
那就是利用 AI 自身的推理能力和搜索引擎收集信息的能力来给出你建议这种无脑输入就可以但是投研人他肯定有自己的特定的投研逻辑怎么样去把这个结合起来那也一样工作留下数据插件假如说很多我已经不做投研了这是我随便拍的一个逻辑就是说我看投资机会的时候我要看指数的机会和行业的机会
指数机我怎么看呢券商都会干一件事情就是说报告出来之后比一比今年跟去年的差别第一个我就比较一下今年两会报告和往年报告的一同分析一下今年的表述跟过去哪一年的表述变化相近我不是看表述相近因为投资总看的是边际变化就今年的跟去年的变化
跟过去哪一年跟上一年的变化会相近这是第一个事情那我第二个事情就计算一下指数在两会前期间之后的业绩的表现然后结合一二分析一下今年两会指数的投资机会这么一件任务这是我看指数机会的
然后第二个看行业机会逻辑也类似看看报告里头跟网言的一同关注一下对于特定行业的投资机会然后搜一搜行业的相关资讯分析一下投资机会然后最后跟上面两部是一模一样的那这个部分你要让 AI 直接去完成你把这个东西都丢给他好像不太现实他完成不了但是呢一样你用工作力把它串起来就行怎么串啊
那第一个是一个什么什么工具啊就文档比较我有两个文档对吧我把这个文档的信息提取出来之后比较这用一个插件就能够完成这个模型能力很强你选对模型就行啊别选别选不对模型文档比较第二步
这个可以是 AI 编程加数据导入就是说如果是我把指数数据导进去让他算这些时间的业绩指标都可以或者说你有好的基础设施的话你直接用一个 ETF 的智能体或者指数的智能体就可以搞定它然后第三个步就是 AI 的分析你把上面的信息和这个结合起来就可以做分析
跟我刚才所用的这种工作流的方式其实思路很相似我就把这个任务拆解了拆解成指数机会和行业机会然后指数机会的我又拆解成 1233 部下面这个也一样无非就多了一个 AI 的搜索因为跟上面相比第一个是文档比较第二个是搜索第三个如果有智能体的话智能体解决如果没有的话做一个 AI 编程加数据导入然后第四步用 AI 分析
所以这件工作其实它有通用的地方就但凡你是要出这种你要比什么文件什么然后分析投资机会它其实都是这个逻辑这个逻辑里头你所辅助投研的地方它好像不是那种因为好多人理解的所谓辅助投研都是把高精尖的我要什么出一个什么指标搞点什么量化的因子那个部分
我不太懂所以我也不知道怎么样去更好的去辅助那个部分但是我所理解的很多的这种投缘工作其实在这个层面上就是你让他去做一些带着你思维的基础性工作他本身每一项其实都是基础性工作但是他里头带着你的思维带着你的思路当然你可以把这个思路变得更复杂
它只是就融入了你的投眼逻辑并且把你的投眼逻辑变成了一个能够让你更高效完成的这么一个动作感谢大家的收听希望听众朋友可以从本期播客中收获启发和感悟本期播客节目涉及的所有嘉宾及观点仅代表个人意见不代表 CFA 北京协会及嘉宾所在机构的观点获取更多精彩内容欢迎关注特许金融界