技术知识库 · 技术指南 · · 国科智飞 Gavin
把一份高薪工作交给 Agent：XinGPT 的自动化工作流拆解
投研业务的 Agent 化三层架构——知识库沉淀经验、Skills 固化判断、自动化执行高频任务，以及一套可复制的业务诊断方法。
XinGPT 在 X 上发过一篇长文，讲他如何把自己的全部业务流程 Agent 化（原文：https://x.com/xingpt/status/2025219080421277813）。他做投研和内容两块业务，据作者自述，改造一周后系统跑通了接近三分之一，每天常规工作时间从 6 小时降到 2 小时，业务产出反而有大幅提升。
这些数字是作者自述，个体差异很大，不必照单全收。真正值得拆的是方法：把知识工作拆成知识库、Skills、自动化三层，再用一条内容生产线验证架构的可复制性。
起点：从「数据搬运工」回到判断者
转折点是一个很具体的场景：某个周五晚上 11 点，他还在整理当天的市场数据——看 50 多条新闻、分析 10 家重点公司、更新组合策略、再写一篇解读，至少还要 3 小时，而第二天早上 8 点又要重复同样的流程。
他意识到，真正需要人判断的决策可能只占 20% 的时间，剩下 80% 都是重复的信息收集和整理。这就是业务 Agent 化的起点：先诊断自己的时间花在哪里，再决定把哪部分交给系统。
按作者自述的成本核算，这套系统每天处理这些量级的工作，人力上需要一个 5 人团队，而他的支出是每月约 500 美金的 API 费用，外加每天约 1 小时的 review 时间。这也是他所说的「用算法复制判断框架，用 API 成本替代人力成本」。
三层架构：知识库、Skills、自动化
第一层，知识库。 作为 Agent 的记忆系统，他沉淀了三类内容：历史数据库（过去十年的宏观数据、重点公司财报、重大市场事件复盘）、指标与信源（关注的财经媒体、财报日历、社媒账号、行业研究），以及个人经验库（过去五年的投资决策记录和每次判断的复盘）。
据作者自述，这套知识库有超过 50 万条结构化数据、每天自动更新 200 多条，规模相当于两个全职研究员的工作量。
第二层，Skills。 这是最容易被忽视、但作者认为最关键的一层。多数人用 AI 的方式是打开对话框直接提问，问题是模型不知道你的判断标准。他的做法是把决策逻辑拆成独立的 Skills——价值框架、择时模型、情绪监控、流动性监控——本质是把个人判断标准显性化、结构化，让模型按固定的思维框架工作。
第三层，CRON 自动化。 定时任务是让系统真正转起来的关键。以晨间流程为例：7:50 起床时，隔夜市场摘要已经推送到手机；8:10 早餐时，当日策略分析已经生成，包含数据预期、关键变量和仓位建议；8:30 开始工作时，人只需要基于分析做最终决策——是否调仓、调多少。
三层的关系可以这样理解：知识库提供事实，Skills 提供判断标准，自动化提供触发时机。缺任何一层，系统都退化成一个更聪明的搜索框。
一个作者自述的预警案例
2026 年 2 月初市场暴跌，据作者描述，他的系统在暴跌前 48 小时发出预警，因为监控到了几个流动性收紧的信号：日债收益率跳涨、利差收窄、财政账户持续从市场抽水、交易所连续提高贵金属期货保证金。
更关键的是，他的知识库里有 2022 年 8 月日元套利交易平仓的完整复盘，系统自动匹配了历史模式，给出「流动性紧张 + 估值高企 → 减仓」的建议。作者称这次预警帮他避免了至少 30% 的回撤。
这个案例的方法论价值大于结论本身：预警之所以可能，是因为历史复盘被结构化存了下来，并在关键时刻被检索到。没有第一层的知识库，后两层的自动化就没有判断依据。需要强调的是，这属于作者的个人经验，不构成任何投资建议。
内容生产的 Agent 化
作者的第二个业务是内容。他复盘了人工写一篇文章的流程：找选题 1 小时、查资料 2 小时、写作 3 小时、修改 1 小时、发布与互动 1 小时，一篇 8 小时，而且质量不稳定。
改造分三步。先建立爆款内容知识库：整理过去一年平台上的头部文章，用 AI 分析标题结构、开头方式、论证逻辑和结尾设计，提炼可复用的公式。再搭人机协作的生产线：
- 选题：AI 每周推送 3–5 个建议，人做选择；
- 资料：AI 抓取整理，人补充；
- 写作：AI 负责结构与事实填充，人负责观点、案例和语气；
- 修改：AI 做可读性检查，人主导；
- 发布：多平台格式转换与发布时间优化。
最后是数据驱动的复盘：每周看标题收藏率、结构转发率和读者问题；硬性要求核心论点至少有 1 个数据支撑、至少 3 张图表，并标注数据来源。
分工原则可以概括成一句话：AI 负责收集、组织、起草，人负责判断、观点、风格。
从个人能力到可复制的服务
跑通自己的系统后，作者帮一位基金经理搭建投研 Agent，周期约两周：先访谈流程，再搭建知识库、Skills 和自动化。他随后发现咨询服务难以规模化，于是开始思考产品化，提出「Agent as a Service」——卖结果而不是卖工具，基础能力考虑开源、高级功能订阅收费。
这条路径能否成立还有待验证，但「先自用跑通，再帮别人复制，最后产品化」的顺序是合理的：自己的业务就是第一个客户，也是最好的测试环境。
可复刻的行动清单
- 业务诊断：把任务拆成重复性、判断性、执行性三类，先把重复性的交给系统；
- 建知识库：历史数据 + 指标订阅 + 个人复盘，自动更新、人工复核；
- 写 Skills：把决策标准显性化、结构化，并保留版本迭代；
- 上自动化：晨报、周报、事件触发，输出摘要 + 建议 + 证据链；
- 人机分工：AI 收集、组织、起草，人做判断；
- 反馈闭环：每周复盘，持续迭代。
边界与风险
- 文中所有效率与收益数字均为作者自述，个体差异大，不宜直接外推；
- 投研场景涉及真金白银，Agent 的预警和建议必须经过人的独立判断，本文不构成任何投资建议；
- 知识库和 Skills 的质量决定系统上限。把 AI 当「许愿机」、不用自己的判断框架喂养它，产出不会有本质区别；
- 从个人工具走到对外服务，会碰到牌照、合规与责任边界的问题，比技术实现复杂得多。