WorkBuddy 用了一个月，我判断它不该和研报生成智能体硬碰硬

最近刷到一篇讲 AI 自动做金融研报的文章，架构挺完整。Dify 做前端，FastAPI 做后端，用户输入“请撰写一篇宁德时代研报”，系统拆子任务，调 Akshare、东方财富等数据接口，进向量库检索，再由润色 Agent 生成图表，最后聚合成 HTML、Markdown 或 PDF。看起来像一个很漂亮的投研智能体流水线。

但我这边 WorkBuddy 用了大约一个月，又刚把慧博投研资讯、知识库、PDF、Excel 这些资料源串起来，我的判断反而更保守。金融研报真正难的地方，是生成之后来源、日期、发布状态、数据口径能不能被复核。我现在更愿意把 WorkBuddy 当成一个可审计的结构化工作台，别把它当成自动写研报的机器。

那篇资讯里的架构，本质上是在解决如何把一个研报任务拆成多个智能体。需求解析、数据查询、代码执行、知识库检索、内容润色、图表生成、报告聚合，每一步都有对应模块。这个思路当然有前景。人大高瓴那个 FinSight 获奖系统也类似，把数据、工具、智能体都抽象成可编程变量，用代码驱动可变内存，自主性很高。

我做金融分析，尤其在外企待了六年之后，越来越担心一种情况。系统输出了一篇格式漂亮、逻辑顺滑、图表齐全的研报，结果里面混进了两年前的旧闻，或者把发布日期、数据截止日期、机构观点来源搞混了。

我 8 月底写过一篇关于 WorkBuddy 复核流水线的帖子，当时核心观点是把来源、日期、状态这三件事卡死，提示词写得再花也补不上来源和日期错误。现在看那套智能体研报架构，我还是这个判断。

WorkBuddy 在这点上反而比较顺手。它更像办公工具，不能让我随便写 Python 去调金融数据 API，但对办公文件、表格、PDF、邮件、PPT 这类任务很熟。我的用法是先让它做字段抽取和复核表，写研报这步留给人。

我会给它一个固定模板，字段包括报告名称、发布机构、发布日期、数据截止日期、来源文件、核心判断、关键数字、数据口径、待复核项，以及能不能进入 morning call。这个模板看起来很笨，但很关键。它逼着 WorkBuddy 先不要聪明地总结，先把材料拆成可追溯的结构化字段。

我这边慧博投研资讯刚上手，用了一周不到，知识库用了两周，PDF 用了大约四周，Excel 和 WorkBuddy 都是一个月左右。时间都不算长，但最近一周我把几个工具串起来，确实让晨会准备流程变稳了。

上周三早上，我需要准备 8:30 的 morning call，覆盖策略月报、美债波动率、北交所中报、AI 算力几个方向。以前我的做法是打开慧博，下载几份 PDF，再用 Excel 对照客户持仓和行业观点，最后自己手写纪要。大概要 90 分钟。

这次我试着用 WorkBuddy 做。第一步，我在 WorkBuddy 里建了一个“9 月晨会复核”的项目文件夹，把慧博导出的几份 PDF、一个客户持仓 Excel、知识库里的两条笔记一起放进去。结果第一次翻车了。

WorkBuddy 确实能把内容整理出来，但混合数据源一多，它容易把字段搞混。比如某份报告正文里引用的是近期的数据，标题里又有当期策略，它差点把数据截止日期写成发布日期。还有一份 PDF 扫描件里的表格，字段抽得断断续续，最后导出的 Excel 日期列格式也不统一。这个坑我之前写过，WorkBuddy 处理混合数据源时，最好先拆解步骤，别一句话让它直接生成晨会报告。

后来我改了三步走。第一步只让它做元数据卡，每份文件输出文件名称、来源、机构、发布日期、数据截止日期、是否旧闻、是否可引用。这一步不看观点，只看事实来源。

第二步再让它抽取观点和数字。每份报告生成 5 到 8 个字段，包括核心判断、关键数据、支持逻辑、风险点、与上一期变化。我快速核对了一下，这一步输出比直接写摘要更稳定，因为它的任务边界更清楚。

第三步才是拼装。我把第二步生成的结构化结果丢回 WorkBuddy，让它按我的晨会模板输出行业、判断、数据、风险、待核实。最后它导出一版 Word，我再手工改十几分钟。

这套流程跑下来，我这边测下来，原始阅读时间从大约 3 小时压缩到 50 分钟初稿，再加 15 分钟人工复核。morning call 准备时间从 90 分钟压到大约 56 分钟，省了大概 37.5%。这个数字不一定严谨，是我自己估的，但流程确实更稳。更重要的是，我不再依赖 AI 的记忆力，改依赖它生成的可检查字段。

这也是我为什么觉得 WorkBuddy 适合金融分析师的日常，不适合直接替代研报生成智能体。它的价值是把一堆碎片资料变成一条可追溯、可复核、可复用的办公流，别指望它一口气生成一篇宁德时代研报。

说句不留情面的，WorkBuddy 的短板也很清楚。

它不像那篇资讯里的 Dify 加 FastAPI 架构，可以把金融数据查询、Python 代码执行、向量库检索、图表生成、报告聚合拆成多个智能体，再通过接口串起来。它也不像 FinSight 那样，把数据、工具、智能体都抽象成可编程变量。WorkBuddy 更偏办公场景，强项是文档、表格、PPT、邮件、文件整理这类任务，实时行情、财务数据接口、量化回测、监管披露这些基础设施它接不住。

我这边试过让它处理慧博报告里的多张 PDF 表格，如果表格嵌套复杂，或者扫描质量一般，字段抽取就会漂。它也能输出图表，但更像办公汇报图，不是投研级数据图。你要让它自动抓 Akshare、计算 ROIC、生成 DCF 敏感性分析，这不在它的强项里。

所以我的判断很明确，WorkBuddy 适合一线分析师、销售、财务、产品这类需要做信息整理和材料输出的人，不适合拿来替代券商研究系统。它更像办公场景应用阶段里的助手，能降低数据处理工作量，但跨环节复杂决策、实时数据链路、合规审计，还得靠专业基础设施和人工复核。

WorkBuddy 最该被放大的是结构化复核能力。如果团队把它当成一键研报机器，大概率会失望。如果把它当成资料拆解、字段归一、流程留痕的工具，投入产出比其实蛮不错。

我现在的习惯是，任何要进入 morning call 或客户简报的内容，都先经过 WorkBuddy 的结构化模板。旧闻、日期错配、口径不清，在人工阅读时很容易被忽略，但一旦变成字段，错误就会暴露出来。之前我觉得手机 AI 的记忆功能很重要，后来反而更看重任务执行率。现在对 WorkBuddy 也一样，我不关心它是不是记住了我喜欢什么格式，我只关心它能不能把每一步输出变成可检查的字段。