📰 研报摘要
查看全文 ➔本次分享重点介绍了大语言模型（LLM）的底层逻辑及其向 AI Agent 演进的趋势。首先分析了 LLM 作为概率生成模型的本质，探讨了通过提示词工程（Prompt Engineering）、RAG（检索增强生成）和 Tool Use（工具调用）解决幻觉问题、提升可靠性的方法。随后详细阐述了 AI Agent 的核心架构，认为 Agent 是以目标为导向、具备自主拆解任务和调用工具能力的系统，并提出了通过“Skill（标准作业包）”沉淀团队经验及利用“MCP（模型上下文协议）”统一工具接口的构建思路。在金融应用方面，文章指出 AI 将从单点工具转向流程协同（如 Trading Agent），特别是在固定收益研究领域，AI 可承担数据收集、代码编写、政策解读等标准化重复劳动，使研究员能更专注于逻辑推演和投资框架构建。结论认为，金融机构未来的竞争优势将取决于其沉淀的 Skill 数量及其构建的 AI 生态体系。