20 分钟生成一份公司深度研报

一、一份公司深度研报，20 分钟完成
把一家上市公司研究透，基本面、估值、行业、资金、政策、舆情各个维度都梳一遍，再写成一份能拿出手的深度报告，要多久？

通常来说，这不是按"天"算的事，更接近按"周"。首次覆盖一家陌生公司，跑数据、读公告、调模型、写初稿、过内审，整套流程下来通常以数周为单位。即便只是后续跟踪报告，把所有维度梳一遍也很难压到一两天。

我搭建的深度研报助手，端到端跑完一份深度研报，20 分钟。输出结构化的：封面、目录、章节、财务预测表、行情图、分析师正文、风控结论一应俱全。

但这事不是"调一次 LLM、生成一份报告"那么简单。背后是多个分析师Agent并行、两轮辩论、最后收口决策的方案。

下面讲一下，研报助手的难度，以及怎么用FastGPT把它做出来。

二、研报助手的难度
2.1 把一个研究员的工作拆成一个组织

为什么传统研报慢？因为内容复杂且有专业性，研究员写基本面的时候，他是基本面分析师。到估值部分，需要做PE+PB-ROE建模。讲行业地位，他得是行业研究员，对照申万分类拉同业数据。再往下是新闻、舆情、政策、游资题材、限售解禁，每一项的思维方式都不一样。

这套助手为每个维度配一个专职 Agent：
- 基本面/估值/财务建模/公司画像：公司本身怎么样
- 市场/行业：价格走势与产业地位
- 新闻/舆情/政策：外部信息流入
- 游资/解禁：资金面与筹码结构
多个 Agent 并行跑，每个有自己的prompt、自己的数据工具、自己的输出。

但分析师各说各话还不够，得有辩论机制，否则模型给出的看多看空理由都漂亮、平衡。所以分析完之后，报告进入两层辩论：
- 多空辩论：同一份分析师产出，分别从看多/看空立场各写一稿。
- 风险辩论：激进、保守、中性三方风控对前述结论各自分析，最后综合给出投资决策。

2.2 输出为一份真的研报，而不是纯文本

券商发布的深度报告，都有一套标准的视觉规范。封面要有公司基本信息、评级、目标价、核心摘要。有目录页。每一章有统一的小标题样式。财务预测部分是工整的数据表（利润表、资产负债表、现金流量表），外加估值假设。有相对强度图、有同业估值对比图。有页眉页脚、风险提示、合规声明。这些东西凑齐了，才是一份可用的研报。

而LLM直接输出的是一段markdown格式文本或表格。哪怕内容写得再好，呈现出来也只是一份"AI 写作"的味道。

在"呈现"这一层，包括：
- 三段式封面：标题区、评级与目标价、核心摘要，独立排版，不和正文搅在一起
- 模板排版：章节、表格、图表的容器都走统一模板，控制分页、标题层级
- 图表风格化：所有图（K 线、相对强度、估值对比、财务预测）风格统一
此外财务预测三表和相对强度图都做成了独立组件，先输出结构化数据再渲染成研报样式。

三、为什么用 FastGPT，以及怎么搭起来的
3.1 为什么是 FastGPT

第二节的要求，落到具体编排平台上，会变成一份很挑剔的硬要求清单。

项目的硬要求：
1. 工作流复杂：多分析师 × 双层辩论 × 投资决策，主流程节点超过 50
2. 编排里要做的事情五花八门：LLM 对话、工具调用、文本提取、自定义代码
3. 想把"基本面分析师"这种子流程当组件复用，多处引用
4. 同一套能力还要再做一个对话式入口（股票分析助手）

FastGPT 提供的能力：
1. 工作流可视化编排，长链路画布操作流畅不卡顿
2. 内置基础组件齐全（LLM / 工具 / 文本提取 / Code 节点），开箱即用
3. 工作流嵌套，子流程可被多个父流程引用
4. 同一平台支持多种应用类型：工作流应用 + Agent 应用 + 知识库

3.2 工作流怎么搭

工作流分三层：顶层主流程、中层分析师子流程、底层 MCP 工具。

顶层：主工作流的骨架

主流程进来第一步是入口节点，做的事情很朴素但很重要，注入交易日上下文。A 股不是 7×24 市场，节假日、停牌、最近一个交易日是哪天，都会影响所有分析师的口径。

入口之后是 11 个分析师节点并行展开，每个分析师自己是一个子流程。并行结束，所有分析师的结构化输出汇总节点：先跑多空辩论，再跑风险辩论，由报告组装节点把所有内容渲染成 HTML 输出。

连同子流程一起算，整个工作流的节点数轻松超过 50。

中层：分析师子流程
每个分析师的内部结构相当一致，可以拿基本面分析师作为模板：

1. 拉数据：通过 MCP 工具调用拿数据（财务三表、关键指标……）
2. 系统提示：给 LLM 加载分析师的prompt，把分工边界、输出、写作风格全部约束清楚
3. 结构化输出：LLM 按要求输出关键结论、关键数字、关键风险点
4. 校验：单独一个校验节点检查必填字段是否齐全

底层：MCP 工具
分析师之所以能"分工跑数据"，是因为底下挂着一组独立部署的 MCP 工具，平台统一调用：
- 行情 K 线
- PE+PB-ROE + 同业相对估值
- 资金面
- 个股 vs 申万行业基线
- 其他各种基础数据

四、这套方案覆盖了什么
讲完了"怎么做"，回过头看一眼这套方案到底"做到了什么"，研报助手替研究员处理了哪些维度，输出又能落到几种产品形态。

4.1 分析师覆盖的视角

- 基本面层
- 基本面分析师：业务结构、营收质量、盈利能力
- 公司画像：管理层、股权结构、关键事件、定位标签
- 财务建模：三表一致性、关键指标趋势、结构化输出供下游引用
- 市场层
- 市场分析师：K 线走势、技术指标、相对强度
- 估值分析师：PE/PB-ROE 框架，叠加同业相对估值对比
- 资金层
- 游资分析师：题材归因，识别近期热股是被哪类资金驱动
- 解禁分析师：限售股解禁节奏与潜在抛压
- 信息层
- 新闻分析师：基于个股新闻的事件抽取与影响判断
- 舆情分析师：散户情绪与讨论密度
- 政策分析师：宏观与产业政策对个股的传导路径
- 行业层
- 行业分析师：个股 vs 申万行业基线对比，看是行业 β 还是个股 α
每个视角都是一个研究员写报告时绕不开的部分。

4.2 顺带说一句：股票助手

这套底层能力还有第二个出口：对话式股票助手。

同一组 MCP 工具，深度报告工作流在用，对话助手也在用。区别是深度研报调用是"按编排好的顺序拉一遍"，对话助手是"按用户自然语言意图按需拉"。用户可以直接问"宁德时代估值贵不贵"、"最近半导体板块的资金在流入还是流出"、"今天有什么个股值得关注"，助手识别意图、调用对应工具、生成回答。

五、看一份真实跑出来的报告
下面这些截图全部来自同一份报告：宁德时代（300750.SZ）。

1. 封面

2. 内容目录

3. 财务预测三表

4. 行情图表

5. 分析师正文

整份报告，章节、视觉风格、文字结构和券商深度报告基本一致。而从用户输入到生成完毕，只需要20 分钟。

六、写在最后
把一家上市公司从基本面、估值、行业、资金、政策、舆情各个维度研究透，写成一份能给人看的深度报告，研报助手只需要20分钟。
做下来最深的体会其实和模型本身关系不大。同一组 prompt，换不同模型跑，差距远没有"工作流设计得对不对"来得大。把工作正确地拆开、把每个Agent的职责边界画清楚，比反复调底层模型管用得多。
A 股公司的研究有特殊复杂度，把这事做到能用，比一开始想象的难得多。#我的Agent真的能提效#