مراجعة WorkBuddy من Tencent لحالات أتمتة أبحاث الأسهم الصينية: مقارنة 40+ شركة، تحويل HTML إلى DOCX، وبناء قاعدة معرفة بحثية

إذا كان انطباعك عن WorkBuddy داخل فرق الأبحاث يقتصر على "كتابة تقرير" أو "تلخيص بعض الإفصاحات المالية"، فهذه قراءة ناقصة إلى حد بعيد.

راجعت من جديد المقال العملي المنشور في Tencent Cloud Developer Community بعنوان استخدام WorkBuddy لبناء خط أتمتة لأبحاث A-share. وبعد المراجعة، كان استنتاجي مباشرًا:

أكثر ما يستحق الانتباه هنا ليس قدرة WorkBuddy على كتابة خلاصة استثمارية، بل اقترابه من ربط سلسلة عمل بحثية كاملة: جمع البيانات، المقارنة الأفقية، إنشاء تقرير معمق، تحويل الصيغة، ثم ترسيخ الناتج داخل قاعدة معرفة.

وهنا حد مهم حتى لا نبالغ في تفسير الحالة المنشورة:

هذا لا يعني أن كل فرق الأبحاث تستخدم حرفيًا نفس الواجهة الأمامية لـ WorkBuddy أو نفس التدفق التشغيلي الظاهر في المادة العامة.

القراءة الأكثر تحفظًا هي:

الحالة العامة تُظهر كيف يمكن لقدرات Tencent في AI وAgent workflow أن تُطبَّق على مهمة تشبه بيئة إنتاج بحثية حقيقية، لا مجرد محادثة مع نموذج.

الخلاصة أولًا

• حتى 29 يونيو 2026، تبدو أقوى إشارة عامة لـ WorkBuddy في أبحاث الأسهم الصينية ليست "كتابة تقرير" وحدها، بل سلسلة من أربع مراحل مترابطة:

  1. جمع البيانات والبحث الأولي
  2. إنشاء تقرير بحثي معمق بصيغة HTML
  3. تحويل HTML إلى DOCX
  4. رفع المخرجات إلى قاعدة معرفة

• أكثر الإشارات التي تجعل الحالة أقرب إلى العمل الحقيقي تشمل:

  • 3 أشهر من الاستخدام الفعلي داخل الحالة المنشورة
  • مقارنة أفقية لأكثر من 40+ شركة أو أصل
  • مسار رفع إلى قاعدة المعرفة من 4 خطوات
  • إدارة ذاكرة عبر الجلسات
  • مشكلات عملية مثل تشوه الصينية في DOCX، انتهاء صلاحية Token، وانقطاع الموصلات

• إذا كان فريقك يعمل في:

  • أبحاث الأسهم الصينية أو الآسيوية
  • فرق buy-side أو sell-side research
  • المتابعة القطاعية
  • إنتاج تقارير بحثية بقوالب متكررة
  • بناء قاعدة معرفة للأبحاث

  فهذه الحالة المرجعية أهم بكثير من مقالات "الذكاء الاصطناعي يكتب تقريرًا لك" المعتادة.

لماذا تنجذب فرق الأبحاث سريعًا إلى الذكاء الاصطناعي القائم على سير العمل

ما يستهلك الوقت فعلًا في البحث الاستثماري ليس جملة الرأي النهائي، بل:

• جمع البيانات أولًا
• قراءة التقارير والإفصاحات
• إجراء المقارنات الأفقية
• كتابة التقرير وفق بنية ثابتة
• ثم حفظ الناتج بحيث يمكن العودة إليه لاحقًا

بمعنى آخر، الجزء المزعج عادة ليس "الاستنتاج" نفسه، بل:

تشتت خطوات البحث، وتعدد الصيغ، وصعوبة تحويل الناتج إلى أصل معرفي طويل الأمد.

ولهذا أرى أن ما تحتاجه فرق الأبحاث ليس مجرد نموذج "أفضل في الكلام"، بل نظام يستطيع:

• تفكيك العمل البحثي إلى خطوات قابلة للتكرار
• تثبيت مرحلة تحويل الصيغ
• جعل الذاكرة وقاعدة المعرفة تنموان مع الوقت

السيناريو 1: قيمة أتمتة أبحاث الأسهم ليست في التحليل فقط، بل في وصل التحليل بالتسليم

أهم نقطة في الحالة العامة أنها لا تتوقف عند سؤال "هل يمكن للذكاء الاصطناعي أن يكتب استنتاجًا؟" بل تقسّم المهمة مباشرة إلى أربع مراحل:

1. جمع البيانات والبحث الأولي
2. إنشاء تقرير HTML معمق
3. تحويل HTML إلى DOCX
4. رفع التقرير إلى قاعدة معرفة

وهذا قريب جدًا من الواقع.

فكثير من فرق الأبحاث لا تعاني من غياب الاستنتاج، بل من:

• تشتت الاستنتاجات عبر محادثات متعددة
• صعوبة إعادة استخدام المسار نفسه
• ضعف ترسيخ الناتج داخل أصول المعرفة الخاصة بالفريق

وهذه السلسلة المنشورة تحاول عمليًا معالجة هذه الفجوة.

السيناريو 2: مقارنة 40+ شركة تعني أن الحديث ليس عن كتابة تقرير واحد

من أهم التفاصيل في المادة المنشورة:

• مقارنة أفقية لأكثر من 40+ شركة أو أصل

وهذا مهم لأنه يشير إلى أن الحالة ليست مجرد "غوص عميق في شركة واحدة"، بل تلامس:

• المقارنة الواسعة بين عدد كبير من الأسماء
• البحث القطاعي المهيكل
• الإخراج القابل للقالب والتكرار

وفي أبحاث الأسهم، كثيرًا ما لا يكون الجزء المرهق هو كتابة تقرير نهائي واحد، بل:

• غربلة أولية لعدد كبير من الشركات
• ثم اختيار ما يستحق التعمق لاحقًا

لذلك فالقيمة هنا ليست بالضرورة أن WorkBuddy "يكتب مثل محلل أول"، بل أنه يبدأ بالتعامل مع:

العمل الأساسي المتكرر وعالي الاعتماد على القوالب قبل الوصول إلى التقرير النهائي.

السيناريو 3: تحويل HTML إلى DOCX يبدو تفصيلًا صغيرًا، لكنه الأقرب إلى الإنتاج

هناك نقطة قد يتجاوزها كثيرون في هذه الحالة، لكنها من أكثر الأجزاء أهمية في نظري:

• تحويل HTML إلى DOCX

لماذا؟

لأن الكثير من مشاريع "أتمتة البحث" تنتهي عند:

• نسخة داخل نافذة محادثة
• أو مخرجات بصيغة Markdown
• بينما يبقى التسليم الرسمي داخليًا أو خارجيًا معتمدًا على Word / DOCX

إذا بقيت هذه المرحلة الأخيرة يدوية، تنكسر السلسلة بالكامل.

ولهذا فإن المشكلات المذكورة في الحالة مثل:

• تحويل HTML إلى DOCX
• تشوه اللغة الصينية
• انتهاء صلاحية Token
• انقطاع الـ connector

تجعل الحالة تبدو أقرب إلى مسار تم تشغيله فعلاً، لأنها لا تتجنب أصعب الحواف التشغيلية.

وهذا يعني أن WorkBuddy هنا لا يقتصر على "توليد المحتوى"، بل يلامس:

آخر ميل في تسليم المخرج البحثي بصيغة قابلة للاستخدام الفعلي.

السيناريو 4: مسار رفع من 4 خطوات إلى قاعدة المعرفة يعني أن الهدف ليس تقريرًا لمرة واحدة

الإشارة الثانية التي أراها قوية في الحالة هي:

• مسار رفع إلى قاعدة المعرفة من 4 خطوات

وهذا يوحي بأن الهدف ليس إنهاء تقرير واحد ثم التوقف، بل:

• إعادة ضخ نتائج البحث داخل قاعدة معرفة
• تمكين البحوث اللاحقة من الاستفادة من المخرجات السابقة
• وصل ذاكرة الجلسات المتعددة بمخزن معرفة فعلي

وهذا مهم لأن كثيرًا من فرق الأبحاث لا ينقصها تقرير إضافي بقدر ما ينقصها:

ألا تضطر إلى إعادة بناء نفس البحث من الصفر كل مرة.

إذا لم تترسخ المخرجات، يبقى الذكاء الاصطناعي مجرد أداة كتابة مؤقتة. أما إذا عادت المخرجات إلى قاعدة معرفة قابلة للاستدعاء، فالمشهد يصبح أقرب إلى:

منضدة بحث تبني أصلًا معرفيًا تراكميًا للفريق.

السيناريو 5: الذاكرة عبر الجلسات هي شرط البحث التتبعي الحقيقي

الحالة المنشورة تذكر أيضًا:

• إدارة الذاكرة عبر الجلسات

وهذا جزء مهم لأن أبحاث الأسهم ليست مهمة تنتهي في جلسة واحدة.

الإيقاع الواقعي أقرب إلى:

• اليوم نراجع القطاع
• غدًا نضيف نتائج الشركة
• الأسبوع القادم نحدّث التقييم
• وبعد ذلك نلحق إعلانات أو سياسات أو نتائج جديدة

إذا بدأ النظام من الصفر في كل مرة، تتراجع قيمته كثيرًا.

أما الذاكرة عبر الجلسات، فقيمتها أنها تمنح النظام بعض القدرة على:

متابعة نفس سلة الشركات أو نفس الفرضية القطاعية على مدار الوقت.

السيناريو 6: لماذا تبدو هذه الحالة أقرب إلى WorkBuddy منها إلى نموذج محادثة عام

استنادًا إلى المادة العامة، تبدو قوة WorkBuddy في هذا المسار أقل ارتباطًا بسؤال "ما مدى قوة النموذج؟" وأكثر ارتباطًا بقدرته على:

• التعامل مع الملفات والمواد البحثية
• الإخراج عبر صيغ متعددة
• إعادة إرسال النتائج إلى قاعدة المعرفة
• الحفاظ على سياق البحث عبر جلسات متعددة

وهذا فرق واضح عن نموذج محادثة عام:

• النموذج العام: تسأل سؤالًا وتحصل على إجابة
• WorkBuddy في هذه الحالة: تطلق سلسلة بحث، ثم يساعدك على ربط البحث والتوليد والتحويل والترسيخ

ولهذا يبدو أقرب إلى:

منصة عمل بحثية

وليس مجرد:

صندوق دردشة يجيب عن أسئلة استثمارية

ما الفرق التي يجدر بها تقييم هذا المسار أولًا

فرق مناسبة للتقييم الآن

• فرق أبحاث الأسهم أو المتابعة القطاعية التي تنتج تقارير معمقة بشكل متكرر
• فرق تحتاج إلى مقارنات أفقية واسعة ومخرجات موحدة بالقالب
• فرق تريد ترسيخ نتائج البحث داخل قاعدة معرفة قابلة لإعادة الاستخدام
• فرق تضطر باستمرار إلى تسليم المخرجات بصيغ رسمية مثل DOCX

فرق يمكنها الانتظار

• الفرق التي تحتاج فقط إلى أسئلة وأجوبة خفيفة لمرة واحدة
• الفرق التي لا تستخدم قوالب تقرير ثابتة
• الفرق التي لا تحتاج إلى تتبع البحث عبر جلسات متعددة أو حفظه داخل قاعدة معرفة

إذا أردت بناء تدفق مشابه بنفسك

إذا كان اهتمامك العملي هو كيف تربط جمع البيانات، وكتابة الأبحاث، وتحويل الصيغ، وترسيخ المعرفة داخل سير عملك الخاص، فمن المنطقي أن تبدأ من:

• تسعير النماذج
• شراء الوصول إلى API
• الدروس التطبيقية

المهم هنا ليس حفظ اسم منتج واحد فقط، بل تقييم الصورة كاملة:

• قدرات النموذج
• تصميم سير العمل البحثي
• ثبات تحويل الصيغ
• طريقة ترسيخ المعرفة وإعادة استخدامها

وذلك من زاوية مشترٍ عالمي يريد المراجعة أولًا، لا من زاوية صفحة مبيعات تعد الجميع بنفس النتيجة.

رأيي النهائي

إذا أردت تلخيص هذه الحالة في جملة واحدة، فحكمي هو:

أكثر ما يستحق الانتباه هنا ليس أن "الذكاء الاصطناعي يستطيع كتابة تقرير بحثي"، بل أنه بدأ يقترب من السلسلة التي تستهلك الوقت فعلًا داخل فرق الأبحاث: البحث، والمقارنة، وإنتاج التقرير، وتحويل الصيغة، ثم ترسيخ الناتج داخل قاعدة معرفة.

وعندما تعمل هذه السلسلة جيدًا، تصبح القيمة أكبر من مجرد تسريع تقرير واحد:

إنها تحويل مخرجات البحث من تسليم لمرة واحدة إلى نظام معرفة يمكن للفريق إعادة استخدامه باستمرار.

المراجع

• Using WorkBuddy to build an A-share research automation pipeline