快速结论
通用聊天机器人擅长解释和写作；数据 API 提供原始输入而不是完整答案；终端拥有最深的数据覆盖；只有连接持牌数据并保留来源链路的 Agent 运行时，才适合持续产出可复核的金融分析。
| 类别 | 最适合 | 数据 | 引用 | 成本 |
|---|---|---|---|---|
| 通用聊天机器人 ChatGPT、Claude、Gemini | 解释概念、起草备忘录 | 网页搜索，无持牌行情源 | 不稳定，通常只有网页链接 | 每月 20–30 美元 |
| 原始数据 API FinancialDatasets.ai、Polygon | 自建数据管道 | 结构化、按接口返回 | 需要自行构建 | 按请求计费 |
| Agent 框架 Composio、LangChain | 连接和编排多种工具 | 取决于接入的数据源 | 需要自行构建 | 平台费加数据费 |
| 专业终端 Bloomberg、FactSet、CapIQ | 机构级覆盖与合规 | 覆盖最深 | 可追溯，但不便于 Agent 调用 | 每席位每年 2.5 万美元以上 |
| 带数据的 Agent 运行时 QVeris | 持续、可溯源的研究流程 | 价格、文件、基本面和新闻统一结构 | 数字可追溯到接口与期间 | 免费层，付费版每席位 79 美元 |
我们如何评估
让模型解释 WACC 并不能证明它能正确读取 10-Q。我们使用真实分析师工作流中的固定任务，并从以下四个维度评分。
- 事实准确性：所有数字与原始文件或交易所数据核对。
- 可追溯性：第二个人能否根据输出独立复现结果。
- 无需反复纠正：得到可用答案前需要多少次补充提示。
- 完成时间：从提问到获得可直接用于备忘录的结果，包括核验时间。
八秒生成、却需要九分钟核对的答案，比九十秒生成且带完整来源的答案更慢。无来源的速度只是把成本转移给分析师。
真正决定金融 AI 是否有用的五项标准
1. 是否连接持牌实时数据，而不是猜测？
最危险的错误是看似合理但没有来源的数字。先确认工具在查询时读取什么数据、延迟多久、超出覆盖范围时会拒绝还是编造。
2. 能否引用准确接口、期间和版本？
只给文件链接不等于引用。输出应包含报表项目、会计期间、单位、文件版本和检索时间。
3. 能否完成多步骤问题？
真实研究通常需要多次检索、连接和筛选。优秀系统应明确报告评估了多少对象、哪些数据缺失，而不是静默省略。
4. 每项完成任务的真实成本是多少？
不要只比较 token 或订阅价格，还要计算模型调用、数据调用和人工核验时间。
5. 能否审计并重新运行？
应检查运行记录、版本化提示词、稳定工具结构和时间点数据，确保下季度能够复现本季度的结论。
五类工具详解
通用聊天机器人
优势：解释、组织思路和起草文本非常出色。
弱点：通常没有持牌金融数据源，引用也难以追溯到具体项目。
结论：适合语言和推理，任何数字都应单独核验。
原始数据 API
优势：数字结构化、准确，规模化成本低。
弱点：团队需要自行完成标识符映射、重试、缓存、工具结构和引用层。
结论：适合工程团队，不适合希望立即获得答案的分析师。
Agent 框架
优势：编排灵活，可连接大量工具。
弱点：通用框架并不了解财政年度、重述或口径差异等金融语义。
结论：是优秀的连接层，但本身不是金融产品。
专业终端
优势：数据最深、治理完善，满足大型机构的合规要求。
弱点：数据主要授权给人查看，程序化与 Agent 访问受限且昂贵。
结论：有需求就保留，并在旁边增加 Agent 层。
连接数据的 Agent 运行时
这一类别把持牌数据、统一结构和类型化工具结合起来，并让每个数字携带接口、期间和检索时间。它可以拒绝超出覆盖范围的问题、标记重述，并完整报告成功与缺失项目。
权衡：覆盖通常不如终端广，购买前应使用自己的公司与市场进行测试。
六项真实任务横向对比
“优秀”表示无需修正即可使用；“一般”表示方向正确但需要核验；“较差”表示错误或无法验证。
| 任务 | 聊天机器人 | 数据 API | 终端 | Agent 运行时 |
|---|---|---|---|---|
| 提取一家公司的近八个季度收入和毛利率 | 一般 | 优秀 | 优秀 | 优秀 |
| 按三项基本面条件筛选 500 只股票 | 较差 | 优秀（需开发） | 优秀 | 优秀 |
| 比较两份 10-K 的风险因素变化 | 一般 | 不适用 | 一般 | 优秀 |
| 解释某股票昨日上涨 9% 的原因并附来源 | 一般 | 不适用 | 优秀 | 优秀 |
| 按统一会计口径制作八家同行估值表 | 较差 | 优秀（需开发） | 优秀 | 优秀 |
| 围绕数字起草投资备忘录 | 优秀 | 不适用 | 较差 | 优秀 |
按角色选择
股票分析师 / 基金经理
选择带引用的 Agent 运行时，并与现有终端配合使用。
金融科技创始人 / 工程师
如果数据管道就是产品，选择 API 自建；如果只是产品功能，选择现成运行时更快。
企业财务 / 投资者关系 / 战略投资
运行时适合同业比较与文件分析，聊天机器人适合起草，终端通常成本过高。
严肃个人投资者
用聊天机器人学习，用免费运行时核对数字，绝不让无来源数字直接影响仓位。
AI 仍会失败的地方
- 自信地给出错误数字：只接受附带来源的数字。
- 混淆重述、原始与调整口径：要求时间点数据并注明文件版本。
- 错误处理财政年度：输出必须带财政期间标签。
- 筛选中的幸存者偏差：回测必须使用历史成分股。
- 静默缺失覆盖：每次筛选都应报告已评估与缺失数量。
- 无法替代判断：管理层信誉、行业背景和责任仍属于分析师。
真实成本
以下示例假设一名分析师每周完成五次公司深度研究和两次筛选，人工综合成本为每小时 100 美元。
| 方案 | 软件 / 数据 | 每周人工时间 | 每周综合成本 |
|---|---|---|---|
| 人工处理 + 聊天机器人写作 | 约 25 美元/月 | 约 14 小时 | 约 1,400 美元 |
| 数据 API 自建 Agent | 约 300 美元/月 + 开发 | 约 5 小时 + 工程维护 | 约 570 美元 + 工程成本 |
| 连接数据的 Agent 运行时 | 约 79 美元/席位/月 | 约 4 小时 | 约 420 美元 |
| 专业终端 | 约 2,100 美元/月 | 约 8 小时 | 约 1,300 美元 |
30 天落地计划
- 第 1–5 天：选择上个月真实提出的十个问题并记录标准答案。
- 第 6–12 天：使用免费层测试两到三个工具，评分准确性、可追溯性和纠正次数。
- 第 13–20 天：让领先工具完成一次面向真实读者的完整研究，并诚实记录核验时间。
- 第 21–30 天：制定内部规则，明确哪些输出可直接使用、哪些必须复核，以及如何附加来源。
术语表
| 术语 | 含义 |
|---|---|
| 时间点数据 | 某一日期当时已知的数据，不包含之后的重述。 |
| 数据血缘 | 从显示数字回溯到来源记录、期间和检索时间的完整路径。 |
| 工具调用 | 模型使用类型化参数调用接口，而不是依靠记忆回答。 |
| 扇出 | 一个用户问题扩展为多个并行数据请求。 |
| 数据锚定 | 将回答限制在检索到的来源数据内。 |
| 原始口径与调整口径 | 企业实际披露的数字与数据供应商为可比性标准化后的数字，不应混用。 |
QVeris 的定位
QVeris 属于连接数据的 Agent 运行时：价格、文件、基本面和新闻使用统一结构，通过类型化工具提供给模型，每个数字都可追溯到接口和财政期间。筛选会报告已评估与缺失数量，重述带版本记录，运行结果也可以保存并在下季度重跑。