科技超级周期中，金融人需要的不只是行情

A股自四月启动的中期行情进入区间整理阶段。

市场成交中枢依旧维持三万亿级别附近，科技成长、AI 算力、半导体等主线赛道轮动演绎。在市场震荡之下，行情分化之中，信息速度、数据准确度、研究效率直接决定投资与服务质量，普通个人从业者更需要可靠、专业、能落地的AI工具。

回溯本轮行情起点，3月底万得首次推出了万得AI个人版。

在过去二十多年间，万得终端几乎是国内券商、基金、银行等专业机构的标配，其服务始终与机构席位深度绑定。

这款由万得打造的AI原生金融工作平台，融合了万得本地精调模型和火山引擎的大模型能力，首次将服务机构多年的专业金融AI能力开放给个人使用者。

其中，豆包大模型2.0与万得本地精调模型协同配合下，负责精准理解复杂金融意图、智能规划与拆解宏观任务，并调度数百个专业金融MCP工具与Agent协同执行，调用万得平台数千个金融技能（Skill），让AI不再停留于对话助手，而是成为真正可靠的工作伙伴。

这几年来，AI在金融领域的热度持续升温。从行情解读到公司分析，从热点点评到策略展望，几乎所有通用模型都能说得头头是道。但大家都清楚，能对话不等于能干活，答得上不等于用得上。

万得信息首席战略官葛正琦在接受采访时直指问题核心，将通用AI在金融场景的核心痛点概括为“四不”：数据不可靠、任务不落地、过程不透明、结果不可用。

机构用户凭借高门槛、高成本的专业终端，尚可获取权威数据与专业工具的支持。但数量更为庞大的其他金融从业者，包括理财师、投资顾问、分析师、财经媒体人、投行顾问以及中小投资人，每日面临着研究、撰写材料、资产配置、工作汇报等繁重任务，却长期陷入两难境地，通用的AI工具不够专业，而专业的工具又难以普惠。

葛正琦指出，万得AI正是为了破解这一困境而生，其目标是将一个专业金融团队的能力，浓缩进一个个人账户中。这支“数字金融团队”所依托的，是万得沉淀二十余年的全球金融数据底座（覆盖市场、行业、公司、基金、债券、宏观、资讯等全维度权威信息）、各项金融业务流程的深度理解和强大的金融工具生态体系。这正是万得AI能够进行专业分析的底气所在。

“市面上很多通用模型和Agent还是往通用方向横向扩展，但在金融场景下，既需要横向能力，更需要纵向深耕与收敛，实现金融业务场景的Harness。”葛正琦表示。

为了直观对比，笔者对万得AI进行了实测，输入了“评估新能源汽车市场的进入和投资潜力”的指令。

图：通用AI的回答

图：Wind Alice个人版的回答

通用大模型的回答初看之下是真“漂亮”。说得像真的，内容不少，逻辑还自洽。但如果逐一核实资料来源，不难看出，依赖公开网络信息的通用模型，往往存在数据失真、时效滞后的问题；只能回答相对浅层问题，输出的零散文字更缺乏专业框架与合规支撑，根本无法直接用于投研报告、客户对接或上会决策。通用大模型的回答初看之下是真“漂亮”。说得像真的，内容不少，逻辑还自洽。但如果逐一核实资料来源，不难看出，依赖公开网络信息的通用模型，往往存在数据失真、时效滞后的问题；只能回答相对浅层问题，输出的零散文字更缺乏专业框架与合规支撑，根本无法直接用于投研报告、客户对接或上会决策。

两相比较，高下立判。

万得AI针对金融场景的高要求，致力于实现分析过程的高严谨性、全链路可追溯性与结果可审计性，这构成了其相对于通用AI的显著核心优势。在金融这个时间就是金钱，准确性就是生命的行业，如果使用一个工具后仍需投入大量时间进行人工核对与纠错，那么其价值便大打折扣。

万得AI从根本上免除这种为AI善后的负担，让AI真正成为可靠的生产力。

万得AI的本质，是以航母级的专业能力降维服务更广泛的金融从业人员。其在金融场景下优秀的表现可以归功于三层：

强大智能的通用模型与金融专业精调模型协作的智能大模型内核；

数百个为金融场景量身打造的MCP（模型上下文协议）工具与Agent（智能体）工具，负责真正执行数据调取、计算、回测、定价等专业操作；

数千个可复用、可自定义的技能体系，将金融人的工作方法封装为数字分身，实现经验复用与工作自动化。

当用户提出一个复杂任务或一个完整项目时，系统首先进行深度需求理解与分析，基于万得金融专业知识体系与投研范式，将任务拆解为一系列子任务，并可实时创建和分配多个专业领域的子智能体协作 执行，比如信息检索、财务建模、策略研究与回测、竞品对标、生成图表、PPT制作等。这些子任务被并发或依序分发给最合适的专业MCP工具或Agent执行，最终将结果聚合、校验，生成结构化交付物。这一过程还原了真实金融团队协同完成项目的流程。

图：Wind Alice个人版的回答

在此架构中，葛正琦特别提到一个关键概念“Harness Engineering”。

万得在整套AI系统设计时，在各个层级都施加了严格的约束与收敛机制，以确保最终输出符合专业场景要求。即便用户使用各类Agent去调用第三方数据商的MCP或API，其结果的端到端执行成功率与最终正确率，往往难以达到万得AI在完整体系编排和Harness Engineering机制下形成的产出水平。

技能广场（技能也就是我们常说的Skill）是另一个重要点。Skill是将金融专家的方法论、分析步骤与判断路径，封装成的可复用、可进化的数字分身。例如，一个优秀的债券交易员其研判利率走势的完整框架，可以被固化为一个“债券利率走势研判”技能，供所有用户调用。这实现了行业核心Know-How的沉淀与规模化复制。

这意味着用户拥有的不是入门级投研助手，而是一支高度专业的数字团队。

这套架构落地到实际工作场景中，正在彻底重构金融从业者的工作流。

葛正琦以基金经理这一角色为例说明。

一位基金经理的工作需要覆盖从底层研究、策略回测、产品包装到客户路演、业绩追踪的全链路。过去，这需要数据、投研、市场等多个团队支持。现在通过万得AI上的不同技能，一个人就能串联全链路工作，AI直接交付策略报告、回测结果、路演PPT等最终成果，把数周的工作量压缩到了30分钟以内。

连基金经理这样复杂的全流程工作都能高效支撑，其他金融岗位的日常任务自然更不在话下。

理财师不必再耗费大量时间筛选基金、比对业绩、测算回撤与整理持仓，只需输入客户的风险偏好、资金量与行业方向，系统就能自动生成结构完整、数据扎实的配置方案、话术与汇报材料，可直接用于客户沟通。分析师也无需手动搜集资料、搭建框架、绘制图表与反复校验，只需提出研究主题，AI便能自主拆解任务、调度智能体协同工作，快速输出十几页甚至几十页的深度研究底稿，大幅压缩研究周期。

图：万得AI推出专门的投顾助手模块

近期，万得举办了中国第一场影响力深远的《万得AI金融技能创作大赛》，金融行业各界人士参赛踊跃，共晒出了1,000多个各类金融场景下高价值的技能，涵盖买方投研、资产策略、行业研究、投行分析、宏观经济、财富管理、管理咨询等多维度技能赛道。

然而，将机构级能力下沉至个人并不简单，“普惠”二字背后，是海量用户并发、高频模型调用、大规模数据处理的严苛挑战。

在此次产品落地中，万得与火山引擎的深度合作，构成了支撑大规模普惠服务的关键技术底座。在豆包大模型2.0与万得本地精调模型协同配合下，结合万得近30年对于各项金融业务流程的深度理解，整个过程高效运转。

豆包大模型2.0深度适配金融行业对合规、稳定、精准、可追溯的高要求。在实际应用评测中，豆包大模型2.0在内容忠实性、金融摘要、事实遵循、Agent规划与工具调用等维度均处于业界第一梯队，可实现全流程操作留痕、结果可校验、数据可溯源，能很好地匹配金融行业严格的合规与审计标准，是高可靠性要求下金融业务的理想伙伴。

此外，火山引擎提供了弹性、高并发、低成本的AI算力支撑。面对海量个人用户同时发起复杂任务，云端算力可动态扩缩容，确保行情高峰期、报告密集期系统依然低延迟、不卡顿。同时，火山引擎依托字节跳动大规模业务锤炼的工程化能力，在安全性、稳定性、防攻击、内容合规上形成严密防护，从底层杜绝数据泄露与模型滥用，很好地契合了金融场景零容错要求。

二者合作，让个人从业者第一次真正拥有了与机构同等水准的AI投研武器。对金融个人从业者而言，这不仅是一次工具升级，更是一次金融工作操作系统的升级与能力平权。

葛正琦表示，万得AI个人版的价值，是让千万级个人从业者摆脱低效重复劳动，把时间真正留给判断、决策与思考，进而推动整个金融行业服务标准化、专业化水平提升。

万得AI个人版的亮相，在C端金融信息服务领域投下了一颗深水炸弹，可能引发显著的鲶鱼效应。作为行业核心标杆企业，万得在AI应用领域的突破，将推动行业竞争从传统的数据服务比拼，升级为数据与智能工作流相结合的综合能力竞争。行业内各类参与者都需要加快技术迭代与模式创新，以适应全新的发展格局。

未来，随着技术不断成熟，金融AI将更深度融入行业工作流程，将持续为市场注入新的活力，并为整个行业带来更加深远的变革。

免责声明：所有平台仅提供服务对接功能，资讯信息、数据资料来源于第三方，其中发布的文章、视频、数据仅代表内容发布者个人的观点，并不代表泡财经平台的观点，不构成任何投资建议，仅供参考，用户需独立做出投资决策，自行承担因信赖或使用第三方信息而导致的任何损失。投资有风险，入市需谨慎。