WorkBuddy A 股投研案例評測：40+ 標的比較、HTML 轉 DOCX、知識庫沉澱，AI Agent 是否真的開始接手研究流程？
如果你把 WorkBuddy 在研究團隊裡的價值，只理解成「幫你寫一篇研究報告」，那其實只看到了表層。
我這次重新拆解了騰訊雲開發者社群那篇《用 WorkBuddy 搭建 A 股投研自動化流水線（實戰教程）》，真正想回答的不是「它會不會寫結論」，而是另一個更實際的問題：
它到底有沒有碰到研究團隊真正最花時間的那條流程。
先把邊界講清楚，避免誤讀：
這篇不是在暗示所有投研團隊都在用同一套 WorkBuddy 前台介面，也不是把案例裡的數字寫成通用承諾。
更準確地說，這是一個公開案例，展示了 WorkBuddy 所代表的騰訊 AI / Agent 工作流能力，如何被放進一條很像真實研究生產環境的任務鏈裡。文中提到的使用經驗、步驟與數字，都是案例本身的公開資訊，不應外推成所有團隊都能直接複製的標準結果。
先說結論
-
截至 2026 年 6 月 29 日，公開資料裡，
WorkBuddy在 A 股投研最有說服力的，不是單點「寫研報」，而是把四段流程串起來：- 資料蒐集與初步研究
- 生成 HTML 深度研究報告
- HTML 轉 DOCX
- 上傳知識庫
-
這個案例最像真實研究作業的訊號包括：
3個月實際使用經驗40+標的橫向比較- 知識庫
4步上傳鏈路 - 跨會話記憶管理
- HTML 轉 DOCX 中文亂碼、Token 過期、連接器中斷 這些實際踩坑
-
如果你正在評估的是：
- A 股研究流程
- buy-side / sell-side 研究助理工作流
- 行業追蹤
- 模板化深度研究報告
- 研究資料知識庫沉澱
那這篇案例的參考價值，會比一般「AI 幫你寫報告」的展示高不少。
為什麼投研團隊特別容易被「流程型 AI」打動
研究真正耗時間的，通常不是寫一句觀點，而是：
- 先收資料
- 再讀財報和研報
- 再做橫向比較
- 再按固定結構整理深研
- 最後還要把成果存檔，方便後續延續研究
也就是說，最煩人的往往不是結論本身，而是：
研究動作很碎、格式很多，而且成果不容易自然沉澱成長期資產。
這也是為什麼我會先把這類產品當成 workflow 工具來看，而不是單純聊天模型。真正值得評估的點是：
- 能不能把研究流程拆成可重複步驟
- 能不能把格式轉換做穩
- 能不能讓研究記憶和知識庫持續長出來
如果你現在是在替團隊挑工具，這時候先看 /pricing、/buy、/tutorials 反而比只記產品名字更有用，因為最後比的不是單次回答，而是整條研究鏈能不能跑通。
場景 1：A 股投研自動化的關鍵，不是「會分析」，而是能把分析接到交付
這篇公開案例最重要的一點，是它沒有停在「AI 能不能給你一個研究結論」，而是直接把任務拆成四段：
- 資料蒐集與初步研究
- 生成 HTML 深度研究報告
- HTML 轉 DOCX
- 上傳知識庫
這其實很真實。
很多研究團隊今天最痛的，並不是「沒有結論」，而是：
- 結論散在不同會話裡
- 過程很難復用
- 研究成果最後不容易沉澱成團隊知識資產
而這條鏈，本質上就是在解決這個問題。
場景 2：40+ 標的橫向比較，代表這不是單篇寫作，而是批量研究工作
公開案例裡一個很值得注意的細節是：
40+標的橫向比較
這很重要，因為它說明這不是單獨深挖一家公司的 demo，而是在碰：
- 大量標的橫向比較
- 行業結構化研究
- 模板化輸出
對 A 股研究來說，真正耗人的很多時候不是寫一篇深研，而是：
- 先做一輪廣泛篩選
- 再從裡面挑值得深挖的標的
也就是說，WorkBuddy 在這個案例裡最值得看的地方，不一定是「寫得像不像明星分析師」，而是：
它開始接住前面那段高重複、高格式依賴的基礎研究工作。
場景 3：HTML 轉 DOCX，看起來小，實際上最像生產環境
很多人會忽略這個案例裡最值錢的一個點：
- HTML 轉 DOCX
但我反而認為，這一段非常接近真實工作。
因為很多所謂投研自動化，最後都停在：
- 聊天框裡有一版結論
- Markdown 裡有一版輸出
- 但正式對內或對外流轉，還是要 Word / DOCX
只要最後這一步還靠人工硬轉，整條鏈就沒有真的閉環。
所以案例裡提到的：
- HTML 轉 DOCX
- 中文亂碼
- Token 過期
- 連接器中斷
反而讓我更願意相信這是一條實際跑過的流程，因為它連最煩的交付邊角料都踩到了。
這表示 WorkBuddy 在這個場景裡，不只是「幫你生成內容」，而是已經碰到：
研究產物真正要交付出去的最後一公里。
場景 4：知識庫 4 步上傳鏈路，代表目標不是一次性報告，而是研究資產沉澱
第二個我特別看重的訊號是：
- 知識庫
4步上傳鏈路
這代表案例的目標不是做完一篇報告就結束，而是：
- 把研究過程和結果持續沉澱進知識庫
- 讓後續研究能復用前面的發現
- 讓跨會話記憶真正接上
這點之所以重要，是因為很多研究團隊真正缺的不是多一篇報告，而是：
讓過去做過的研究不要每次都重來。
如果成果不能沉澱，那 AI 最後只是一次性寫作工具。 但如果成果能回流到知識庫裡，它才更像：
一個會慢慢長出團隊研究資產的工作台。
場景 5：跨會話記憶管理，才是「持續追蹤研究」能不能成立的關鍵
公開案例還特別提到：
- 跨會話記憶管理
這個點很重要，因為 A 股研究從來不是一次性任務。
真實節奏更像：
- 今天先看行業
- 明天補財報
- 下週更新估值
- 再下一輪疊加新公告、新政策、新業績預告
如果 AI 每次都從零開始，它的實際價值就會被大幅打折。
而跨會話記憶真正有用的地方，就是讓它開始具備：
持續追蹤同一批標的、同一條行業線索的能力。
場景 6：這條線為什麼更像 WorkBuddy，而不是一般聊天模型
從公開案例看，WorkBuddy 在 A 股投研這條線最像樣的地方，不是「模型到底多強」，而是：
- 它能接住檔案和研究資料
- 它能跨格式輸出
- 它能把成果繼續送進知識庫
- 它能在多次會話之間維持研究上下文
這和一般聊天模型的差別非常明顯。
一般模型更像：
- 你問一個問題
- 它給一個答案
而 WorkBuddy 在這個案例裡更像：
- 你啟動一條研究鏈
- 它幫你把研究、生成、轉換、沉澱這些步驟串起來
也就是說，它更像：
投研工作台
而不是：
一個會回答投資問題的聊天框。
哪些團隊值得先看這條線
適合優先評估的團隊
- 做 A 股追蹤、行業研究、深研輸出的團隊
- 需要大量橫向比較、模板化報告的研究角色
- 想把研究成果沉澱進知識庫的團隊
- 經常要把研究內容轉成正式文件交付的團隊
可以先觀望的團隊
- 只做很輕量的一次性問答
- 沒有固定報告模板和知識沉澱需求
- 不需要跨會話追蹤研究上下文
如果你想自己搭類似流程，我建議先看什麼
如果你更關心的是：怎麼把資料蒐集、研究寫作、格式轉換和知識庫沉澱接進自己的研究業務，那我會建議先從三個地方倒著看：
原因很簡單。對海外買方或評估方來說，真正要比較的是：
- 模型能力和成本是否匹配
- 工作流能不能穩定接住研究任務
- 格式轉換和檔案交付是否可落地
- 知識沉澱能不能形成長期資產
比起把這篇案例直接當成產品承諾，我更傾向把它當成一個值得 reverse-engineer 的研究工作流樣本。
我的最終看法
如果只用一句話總結這篇 WorkBuddy A 股投研案例，我的看法是：
它最值得重視的，不是「AI 也能寫研究報告」，而是它已經開始進入研究團隊真正最花人的那條流水線：研究、生成、格式轉換、知識庫沉澱。
一旦這條鏈跑順，WorkBuddy 被看到的就不只是投研提效，而是：
研究資產怎麼從一次性交付，變成可持續複用的團隊知識系統。
參考資料
公開案例來源
- 騰訊雲開發者社群，《用 WorkBuddy 搭建 A 股投研自動化流水線（實戰教程）》