本着干中学的态度，我做了一个挺有意思的小项目：
用 DeepSeek 写一个金融研报智能体。
模型用的是国货之光的 deepseek-v4。
不是那种“你问一句，它答一段”的聊天机器人。
而是输入一个研究任务后，它能自己拆步骤、读素材、分析数据、生成图表，最后输出一份图文版研报。
这次我选的案例是英伟达。
原因也很简单：
英伟达本身就很适合做 AI 时代的研究案例。
它背后有 AI 算力、数据中心、CUDA 生态、云厂商资本开支、芯片竞争、估值压力这些变量。
信息足够多。
也足够复杂。
如果只是让大模型直接写一篇“英伟达研报”，当然也能写。
但那更像作文。
我想做的是另一件事：
让 AI 按照真实研究流程，把一份报告做出来。
普通问答，和智能体差在哪？
以前我也以为，智能体就是更聪明一点的 ChatGPT。
后来真正写项目才发现，不是。
普通问答是：
我问一个问题，模型回我一段内容。智能体更像是：
我给一个目标，系统自己安排一组步骤去完成。比如金融研报这个任务，如果交给一个真实研究员，大概不会一上来就开始写正文。
他会先看研究对象。
再找资料。
再整理数据。
再判断报告主线。
再做图。
最后才写报告。
所以我给这个智能体拆了几个角色：
Router 负责判断任务。
素材节点负责筛选研究材料。
分析节点负责提炼关键数据。
图表节点负责生成可视化。
写作节点负责输出长报告。
合规节点负责检查风险表述。
这个设计其实不复杂。
但它一下子把“模型写文章”，变成了“系统做交付”。
这就是我最近对 AI 应用最大的体感：
真正有价值的不是让 AI 多说几句，而是让 AI 进入一个可复用的工作流。
我让它生成了什么？
我给它的任务大概是这样：
请基于离线研究素材，撰写一份英伟达（NVIDIA / NVDA）深度金融研究报告。报告需要覆盖 AI 算力需求、数据中心业务、CUDA 生态、竞争格局、估值比较、情景分析与风险因素。最后它输出了一份完整的图文版报告。
整个生成过程用的是 deepseek-v4，所以中文长文组织、研究口吻和结构化输出的稳定性都还不错。
里面包括：
• 投资摘要 • 市场表现 • AI 基础设施背景 • 公司基本面分析 • 数据中心与软件生态 • 竞争格局 • 估值讨论 • 情景分析 • 风险提示 • 后续跟踪指标
还生成了几张图：
• 股价与指数表现 • 同业估值对比 • 核心指标概览 • 风险雷达图
下面是最终报告截图：
这份报告出来的时候，我还挺有成就感的。
因为它已经不像一段 AI 回复了。
它更像一个可以给别人看的交付物。
当然，我这里用的是离线样例数据，不是实时投研系统。
但这个框架已经跑通了。
如果后面接入实时行情、公告、新闻检索、财报数据库，它就可以继续往更真实的方向演进。
这个项目里，我觉得最关键的地方
第一，别让大模型一次性干完所有事。
一开始我也想偷懒：
直接把所有素材塞给 DeepSeek，让它一口气写完整报告。
后来发现，这样不稳定。
有时候重点会跑偏。
有时候图表和正文对不上。
有时候风险提示也比较敷衍。
所以我把它拆成多个节点。
每个节点只做一件事。
这反而更稳。
第二，能用代码做的事，不要都丢给大模型。
比如图表。
让模型“想象一张图”意义不大。
我更愿意用 Python 根据数据生成 SVG 图表。
模型负责解释图表。
代码负责画出图表。
这样结果更可控。
第三，输出一定要像一个产品。
如果最后只是在终端里打印一段文字，这个项目的感知会弱很多。
但当它能输出 Markdown、HTML、图表、日志的时候，整个项目就立刻不一样了。
这也是我现在做 AI 应用越来越明确的方向：
不要只做“模型能力展示”。
要做“AI 交付系统”。
从书到项目，我是怎么串起来的？
这个项目不是我凭空想出来的。
最近我在看《深入浅出AI智能体（基于DeepSeek的实战）》。
书里讲了很多智能体开发里绕不开的东西：
ReAct、工具调用、RAG、多智能体、工作流编排。
这些词单独看都挺抽象。
但当我把它们放进金融研报这个案例里，突然就顺了。
任务路由，对应的是“先理解目标”。
素材筛选，对应的是“别凭空生成”。
数据分析，对应的是“给结论找依据”。
图表生成，对应的是“调用工具完成确定性工作”。
合规检查，对应的是“输出前再自检”。
这时候我才真正理解：
智能体不是一个神秘概念。
它就是把一个真实任务拆开，让模型和工具协作完成。
书里讲述了很多实战方法，还配套的提供了实战源码。
自己实践一遍，这比单纯看概念要有用得多。
这套思路还能用在哪？
金融研报只是一个例子。
同样的结构，其实可以迁移到很多场景：
• 行业研究报告 • 竞品分析 • 公众号选题分析 • 短视频脚本生成 • 代码审查 • 项目周报 • 简历优化 • 合同初筛
你会发现，很多工作本质上都不是“问答”。
它们都有流程。
有输入。
有中间步骤。
有最终交付。
这类任务，才是智能体真正适合发挥的地方。
最后
这次做金融研报智能体，我最大的收获不是“写出了一份英伟达研报”。
而是意识到：
AI 应用开发，核心不是把 Prompt 写得多花，而是把真实任务拆得足够清楚。
拆清楚之后，大模型负责理解和生成。
代码负责确定性执行。
工具负责补足能力边界。
几部分组合起来，一个能干活的智能体就出来了。
如果你也想从“会用 AI 聊天”，进一步走到“会做 AI 应用”，我挺推荐读一读《深入浅出AI智能体（基于DeepSeek的实战）》。
它不是只讲概念，而是用 DeepSeek 做了一系列实战项目。
对初学者来说，这种“能跟着做出来”的路径，比单纯看定义要友好很多。
至少对我来说，它教会了我一件事：
智能体不是未来的概念，而是现在就可以动手搭出来的工具。
最后也给大家准备一个小福利。
如果你对 AI 智能体感兴趣，或者也想试着做一个自己的 AI 项目，欢迎在评论区聊聊：
你最想用智能体解决哪个真实问题？
我会从评论区抽一位朋友，送出《深入浅出AI智能体（基于DeepSeek的实战）》这本书。
希望这本书也能帮你少绕一点路，早点把自己的第一个智能体项目跑起来。
