Kupasan kes Tencent WorkBuddy untuk penyelidikan A-share: perbandingan 40+ kaunter, HTML ke DOCX, pemendapan knowledge base, dan mengapa aliran kerja penyelidikan mula diambil alih oleh AI Agent?

Kalau anda memahami nilai WorkBuddy dalam pasukan penyelidikan hanya sebagai “membantu menulis satu laporan” atau “meringkaskan beberapa laporan kewangan”, itu masih terlalu cetek.

Kali ini saya sengaja menyemak semula artikel Tencent Cloud Developer Community, iaitu 《用 WorkBuddy 搭建 A 股投研自动化流水线（实战教程）》, dan membedahnya semula dari sudut pembeli global yang mahu melihat bukti aliran kerja, bukan hanya demo model.

Selepas habis baca, penilaian saya agak jelas:

Perkara paling layak diberi perhatian pada laluan penyelidikan A-share ini bukan sama ada WorkBuddy boleh menulis kesimpulan, tetapi hakikat bahawa ia sudah mula menyambungkan satu rantaian kerja penyelidikan yang lengkap: pengumpulan data, perbandingan mendatar, penjanaan laporan mendalam, penukaran format, dan pemendapan knowledge base.

Saya juga mahu tetapkan satu sempadan awal supaya artikel ini tidak dibaca secara berlebihan:

Saya bukan mengatakan semua pasukan penyelidikan kini menggunakan front-end WorkBuddy yang sama secara literal untuk menjalankan proses ini.

Rumusan yang lebih tepat ialah:

Kes awam ini menunjukkan keupayaan AI / Agent dalam ekosistem Tencent telah dimasukkan ke dalam tugasan yang sangat hampir dengan persekitaran penyelidikan sebenar.

Kesimpulan awal

• Setakat 29 Jun 2026, dalam bahan awam, perkara paling meyakinkan tentang WorkBuddy dalam penyelidikan A-share bukan satu aksi “menulis laporan”, tetapi satu pipeline empat bahagian:

  1. Pengumpulan data dan penyelidikan awal
  2. Menjana laporan penyelidikan mendalam dalam format HTML
  3. Menukar HTML ke DOCX
  4. Memuat naik ke knowledge base

• Isyarat yang paling hampir dengan persekitaran produksi sebenar dalam bahan awam itu termasuk:

  • 3 bulan pengalaman penggunaan sebenar
  • perbandingan mendatar 40+ kaunter
  • rantaian muat naik knowledge base 4 langkah
  • pengurusan memori rentas sesi
  • isu amali seperti aksara Cina rosak semasa HTML ke DOCX, token tamat tempoh, dan connector terputus

• Jika kerja anda sekarang melibatkan:

  • penyelidikan A-share
  • pembantu penyelidikan buy-side atau sell-side
  • penjejakan sektor
  • penyeragaman laporan penyelidikan mendalam
  • pemendapan knowledge base untuk bahan penyelidikan

  maka nilai rujukan kajian kes ini jauh lebih tinggi berbanding artikel biasa yang sekadar berbunyi “AI boleh bantu tulis laporan”.

Mengapa pasukan penyelidikan paling mudah tertarik dengan “AI berasaskan pipeline”

Bahagian yang benar-benar memakan masa dalam penyelidikan biasanya bukan menulis satu ayat pandangan, tetapi:

• kumpul data dahulu
• semak laporan kewangan dan laporan penyelidikan
• buat perbandingan mendatar
• tulis laporan mendalam mengikut struktur tetap
• akhirnya arkibkan hasil supaya pusingan penyelidikan seterusnya boleh disambung

Maksudnya, bahagian yang paling menjengkelkan selalunya bukan kesimpulan itu sendiri, tetapi:

terlalu banyak langkah kecil, terlalu banyak format, dan terlalu sukar untuk menukar hasil kerja menjadi aset jangka panjang pasukan.

Sebab itu saya rasa perkara yang lebih diperlukan oleh pasukan penyelidikan bukan model yang “lebih pandai bercakap”, tetapi:

• adakah proses penyelidikan boleh dipecahkan kepada langkah yang boleh diulang
• adakah penukaran format boleh dibuat dengan stabil
• adakah memori penyelidikan dan knowledge base boleh berkembang sedikit demi sedikit

Kes 1: kunci automasi penyelidikan A-share bukan “boleh menganalisis”, tetapi boleh menyambung analisis kepada deliverable

Perkara paling penting dalam artikel awam ini ialah ia tidak berhenti pada soalan “bolehkah AI memberi kesimpulan penyelidikan”, tetapi terus memecahkan tugasan kepada empat segmen:

1. Pengumpulan data dan penyelidikan awal
2. Menjana laporan penyelidikan mendalam dalam HTML
3. HTML ke DOCX
4. Muat naik knowledge base

Ini sebenarnya sangat realistik.

Kerana sakit utama banyak pasukan penyelidikan hari ini bukan “tiada kesimpulan”, tetapi:

• kesimpulan bertaburan di pelbagai sesi
• proses sukar diguna semula
• hasil penyelidikan sukar dimasukkan kembali ke dalam aset pengetahuan pasukan

Dan rantaian yang diberi dalam artikel awam itu pada asasnya sedang cuba menyelesaikan masalah ini.

Kes 2: perbandingan mendatar 40+ kaunter menunjukkan ini bukan penulisan satu artikel, tetapi kerja penyelidikan secara berkelompok

Salah satu butiran paling penting dalam artikel awam itu ialah:

• perbandingan mendatar 40+ kaunter

Mengapa ini penting?

Kerana ia menunjukkan kes ini bukan sekadar “mendalami satu syarikat”, tetapi menyentuh:

• perbandingan mendatar bagi banyak kaunter
• penyelidikan sektor yang berstruktur
• output berasaskan templat

Ini sangat penting untuk penyelidikan A-share, kerana banyak kerja yang benar-benar memenatkan bukannya menulis satu laporan mendalam, tetapi:

• mula dengan liputan yang luas dahulu
• kemudian tapis kaunter yang benar-benar layak dikaji lebih dalam

Maksudnya, nilai WorkBuddy di sini tidak semestinya terletak pada “adakah gaya tulisannya setanding ketua penganalisis”, tetapi pada perkara berikut:

ia mula menyerap kerja penyelidikan asas yang sangat berulang dan sangat bergantung pada format pada peringkat awal.

Dan penting juga untuk dibaca dengan betul:

angka 40+ dalam bahan awam ini ialah data kes, bukannya janji universal bahawa setiap pasukan akan mendapat throughput yang sama.

Kes 3: HTML ke DOCX nampak kecil, tetapi sebenarnya paling menyerupai persekitaran produksi

Ramai orang mungkin terlepas satu poin yang sebenarnya paling bernilai dalam kes awam ini:

• HTML ke DOCX

Tetapi pada saya, inilah bahagian yang paling menyerupai kerja sebenar.

Kerana banyak naratif “automasi penyelidikan” akhirnya berhenti pada:

• ada satu versi jawapan dalam chat
• ada satu versi output dalam Markdown
• tetapi untuk edaran rasmi dalaman atau luaran, format akhir masih perlu dalam Word / DOCX

Jika langkah terakhir ini masih perlu dibuat secara manual, keseluruhan rantaian sebenarnya masih terputus.

Sebab itu apabila artikel awam itu secara khusus menyebut:

• HTML ke DOCX
• masalah aksara Cina rosak
• token tamat tempoh
• connector terputus

saya lebih cenderung untuk percaya bahawa ini benar-benar laluan yang pernah diuji, kerana ia menyentuh juga bahagian “last mile” yang paling menyusahkan.

Ini menunjukkan bahawa dalam senario ini, WorkBuddy bukan hanya “membantu menjana kandungan”, tetapi sudah masuk ke bahagian:

kilometer terakhir sebelum hasil penyelidikan benar-benar boleh dihantar.

Kes 4: rantaian muat naik knowledge base empat langkah menunjukkan sasarannya bukan laporan sekali guna, tetapi aset penyelidikan yang boleh disimpan

Isyarat kedua yang sangat saya beri perhatian ialah:

• rantaian muat naik knowledge base 4 langkah

Ini menunjukkan matlamat artikel awam itu bukan sekadar menyiapkan satu laporan dan tamat, tetapi:

• terus memendapkan proses dan hasil penyelidikan ke dalam knowledge base
• membolehkan penyelidikan kemudian menggunakan semula penemuan terdahulu
• membenarkan memori rentas sesi benar-benar disambungkan

Mengapa ini penting?

Kerana ramai pasukan penyelidikan sebenarnya tidak kekurangan satu lagi laporan, tetapi kekurangan:

keupayaan untuk memastikan penyelidikan lepas tidak perlu diulang dari kosong setiap kali.

Jika hasil penyelidikan tidak boleh dipendapkan, AI akhirnya cuma menjadi alat penulisan sekali guna. Tetapi jika hasil itu boleh mengalir balik ke knowledge base, ia lebih menyerupai:

ruang kerja yang perlahan-lahan menumbuhkan aset penyelidikan pasukan.

Kes 5: pengurusan memori rentas sesi ialah syarat utama sama ada “penyelidikan susulan” benar-benar boleh berlaku

Artikel awam itu juga menyebut:

• pengurusan memori rentas sesi

Ini sangat bernilai kerana penyelidikan A-share hampir tidak pernah menjadi tugasan sekali siap.

Dalam persekitaran sebenar, rentaknya lebih mirip:

• hari ini lihat sektor dahulu
• esok tambah laporan kewangan
• minggu depan kemas kini penilaian
• kemudian tambah pengumuman baharu, dasar baharu atau panduan prestasi baharu

Jika AI perlu bermula dari sifar setiap kali, nilainya akan susut dengan banyak.

Dan nilai sebenar memori rentas sesi ialah ia mula memberinya sedikit keupayaan untuk:

menjejak kumpulan kaunter atau garis sektor yang sama secara berterusan.

Kes 6: mengapa laluan ini lebih menyerupai WorkBuddy berbanding model chat biasa

Dari kes awam itu, bahagian WorkBuddy yang paling “masuk akal” dalam penyelidikan A-share bukan semata-mata “modelnya sekuat mana”, tetapi hakikat bahawa:

• ia boleh menerima fail dan bahan rujukan
• ia boleh mengeluarkan hasil merentas format
• ia boleh menghantar hasil kembali ke knowledge base
• ia boleh mengekalkan konteks penyelidikan merentas pelbagai sesi

Perbezaannya dengan model chat biasa memang ketara.

Model biasa lebih mirip:

• anda tanya satu soalan
• ia beri satu jawapan

Sedangkan WorkBuddy dalam kes ini lebih mirip:

• anda memulakan satu rantaian penyelidikan
• ia membantu menyambung penyelidikan, penjanaan, penukaran dan pemendapan

Dengan kata lain, ia lebih dekat kepada:

ruang kerja penyelidikan

dan bukannya:

sekadar kotak chat yang menjawab soalan pelaburan.

Pasukan mana yang paling wajar meneliti laluan ini terlebih dahulu

Sesuai dikaji segera

• pasukan yang membuat penjejakan A-share, penyelidikan sektor dan output laporan mendalam
• peranan penyelidikan yang memerlukan banyak perbandingan mendatar dan laporan berasaskan templat
• pasukan yang mahu memendapkan hasil penyelidikan ke dalam knowledge base
• pasukan yang kerap perlu menukar bahan penyelidikan menjadi dokumen formal untuk diserah

Boleh tunggu dan lihat dahulu

• pasukan yang hanya melakukan soal jawab ringan sekali-sekala
• pasukan yang tiada templat laporan tetap dan tiada keperluan pemendapan pengetahuan
• pasukan yang tidak perlu menjejak konteks penyelidikan merentas sesi

Jika anda mahu membina aliran yang serupa sendiri, apa yang patut dilihat dahulu

Jika fokus anda lebih kepada: bagaimana hendak menyambungkan pengumpulan data, penulisan penyelidikan, penukaran format dan pemendapan knowledge base ke dalam perniagaan penyelidikan anda sendiri, saya cadangkan mulakan dengan:

• harga model
• beli API key
• tutorial penggunaan

Bagi pembeli global yang suka menilai dahulu sebelum memilih vendor, perkara yang lebih penting bukan menghafal satu nama produk huluan, tetapi melihat dahulu sama ada anda boleh menyusun empat lapisan ini dalam satu pandangan yang sama:

• keupayaan model
• aliran kerja penyelidikan
• penukaran format
• rantaian pemendapan pengetahuan

Pandangan akhir saya

Jika saya perlu merumuskan kupasan kes WorkBuddy untuk penyelidikan A-share ini dalam satu ayat, penilaian saya ialah:

Perkara yang paling patut diberi perhatian bukan “AI pun boleh menulis laporan penyelidikan”, tetapi hakikat bahawa ia sudah mula masuk ke dalam pipeline yang benar-benar memakan tenaga dalam pasukan penyelidikan: penyelidikan, penjanaan, penukaran format dan pemendapan knowledge base.

Sebaik sahaja rantaian ini berjalan lancar, apa yang dilihat oleh pasukan bukan lagi sekadar peningkatan produktiviti, tetapi:

bagaimana hasil penyelidikan boleh berubah daripada deliverable sekali guna menjadi sistem pengetahuan pasukan yang boleh diguna semula secara berterusan.

Rujukan

• 用 WorkBuddy 搭建 A 股投研自动化流水线（实战教程）
• 腾讯 WorkBuddy 金融行业案例拆解：投行尽调、多 Agent 风控、A 股投研为什么开始交给 AI Agent 了？