作者｜Hayward

原創(chuàng)首發(fā)｜藍字計劃

金融圈有個傳了三十年的笑話：

招最聰明的名校生，干最沒技術(shù)含量的Excel文檔整理活。

老板一句：“明早要一版某家公司的DD deck”，你就得去天眼查翻股權(quán)結(jié)構(gòu)，去官網(wǎng)確認業(yè)務(wù)，再打開年報、公告、新聞和訪談，把收入、利潤、客戶、供應(yīng)商、核心團隊、訴訟風險這些信息一點點摳出來。

等把散落在十幾個網(wǎng)頁里的信息拼成表、把非標準Excel清洗干凈，再整理成老板能看的版本，最后可能也不過三頁PPT。

大量的粗活、雜活、笨活，金融圈起了聽起來專業(yè)得多的名字：data collection、table cleaning、comps first draft、DD deck skeleton、news flow tracking。

但這些事情的本質(zhì)，都是信息搬運。每一個金融人都熟得不能再熟，因為這就是他們工作的日常。

這種狀態(tài)持續(xù)了太久，久到大家都覺得它就是金融業(yè)的常態(tài)：聰明人做笨活，忍著就好。

但隔壁的程序員已經(jīng)不用忍了。

Codex等編程Agent的出現(xiàn)，把查文檔、寫樣板代碼、補測試這些過去靠新人堆時間的環(huán)節(jié)全部承包了，也改變了程序員的工作格局。而現(xiàn)在，同樣性質(zhì)的變化輪到了金融行業(yè)。

近日，Kimi最新的K2.6模型帶來了一項叫做Agent Swarm（智能體集群）的能力，幾百個AI同時替你干活，干完直接交付文件。

在金融場景里，這項能力落到桌面端，就是Kimi Work這款工作臺。

終于，金融人的Codex時刻也來了。

300個AI員工住進桌面

提起過去我們常用的AI，本質(zhì)上就是一個聊天框，你問一個問題，它回一段話，你再手動復(fù)制粘貼到自己的Excel或PPT里。

Agent Swarm的變化在于，它是真的可以干活。

它可以把一個復(fù)雜任務(wù)拆成多條線。有的Agent查數(shù)據(jù)，有的Agent讀文件，有的Agent調(diào)用瀏覽器，有的Agent做計算，有的Agent整理結(jié)果。過去一條線串行推進的工作，現(xiàn)在可以拆開并行跑。

而Kimi Work，就是這種能力在金融場景里的桌面工作臺。

它內(nèi)置同花順、天眼查、Yahoo Finance、世界銀行經(jīng)濟數(shù)據(jù)庫等專業(yè)數(shù)據(jù)源，也能連接瀏覽器、本地文件、Excel、Word、PPT，讓Agent進入金融人原本就熟悉的工作流。

那么，它到底能不能干金融里的復(fù)雜活？

一個典型場景是量化研究。

在金融行業(yè)里，量化研究大概是技術(shù)含量最高的工種之一：用數(shù)學(xué)模型和海量數(shù)據(jù)尋找市場里反復(fù)出現(xiàn)的規(guī)律，業(yè)內(nèi)叫“因子”；找到之后再用歷史數(shù)據(jù)跑驗證，看它過去收益怎么樣、交易成本高不高、風險大不大。

這項工作聽起來核心是想出好策略，但研究員大量時間其實花在了別處：撈數(shù)據(jù)、清洗字段、寫回測代碼、調(diào)參數(shù)、等結(jié)果、整理報告。一輪迭代轉(zhuǎn)下來，幾天就過去了，真正留給策略邏輯本身的時間并不多。

在Kimi Work里，你可以直接給一個研究方向。

比如，“在A股找可解釋、低換手的alpha，優(yōu)先看價量反轉(zhuǎn)、波動率調(diào)整動量和流動性沖擊”。

接下來，Agent Swarm會把這個任務(wù)拆開。

一組Agent去金融數(shù)據(jù)源里查詢A股可用字段，確認哪些數(shù)據(jù)能用、覆蓋率多少；

另一組Agent把這些字段映射到WorldQuant BRAIN的語法規(guī)則上，生成候選因子表達式；再往后，每個因子被分配給獨立Agent跑回測，同步進行。

跑完之后，結(jié)果會匯總成一份研究報告。每個因子的收益率、夏普比率、換手率、最大回撤，都會列出來，還會配上收益-換手散點圖、風險條形圖和結(jié)果分布。

當然，8個因子全都達標這種事，在真實量化研究里本來也少見。

但這項任務(wù)真正消耗時間的地方，是“跑完一輪，發(fā)現(xiàn)哪些不行，為什么不行，下一輪該調(diào)什么”這個循環(huán)。

過去轉(zhuǎn)一圈可能要幾天，現(xiàn)在Agent一輪跑完，報告里已經(jīng)標出每個因子的處置建議，連Round 2的修改方向和優(yōu)先級都列出來。

研究員要做的，變成了判斷這些建議是否合理，然后決定往哪走。

另一個更普遍的金融場景，是DCF。

手動做一個完整的三表模型加DCF估值，光是從同花順導(dǎo)數(shù)據(jù)、配平資產(chǎn)負債表、寫清每一條假設(shè)，就能耗掉大半天。

在Kimi Work里，一個股票代碼丟進去，你能看到整個執(zhí)行鏈條。

先是一個Agent去同花順拉這家公司過去幾年的財務(wù)數(shù)據(jù)，同時另一個Agent讀取你上傳的補充材料；

數(shù)據(jù)到齊之后，下一個Agent開始構(gòu)建三表模型，配平資產(chǎn)負債表，預(yù)測working capital和折舊攤銷；模型搭好后，再跑DCF和sensitivity analysis。

最終輸出的是一份.xlsx，里面的assumption會逐條標注，預(yù)測邏輯也會寫清楚。

｜基于DCF skill，生成的老鋪黃金估值模型

量化研究和DCF看起來是兩類場景，一個偏策略研究，一個偏估值建模。

但它們背后的工作邏輯其實一樣：可以拆分任務(wù)，可以查驗數(shù)據(jù)，還可以自行讀取文件，搭建模型，最后交付結(jié)果。

這才是Agent Swarm和常規(guī)聊天式AI的根本區(qū)別。

這個區(qū)別，也正是后面所有變化的起點。

分水嶺提前到來

量化研究和DCF當然足夠硬核，但對大多數(shù)金融人來說，真正能改變?nèi)粘５模€是那些每天都在發(fā)生的普通工作。

特別是對junior analyst來說，Agent Swarm最顯著的價值，是解決了那些最耗時間的dirty work。

比如最開始提到的，做一份DD deck。

在過去，這項任務(wù)可不是打開天眼查看一眼就結(jié)束。要查公司股權(quán)結(jié)構(gòu)，看官網(wǎng)業(yè)務(wù)，翻年報和公告，掃新聞和輿情，再把company profile、ownership structure、financial snapshot、risk factors和red flags整理出來，最后塞進一份PPT里。

然而，Kimi Work的Agent Swarm，卻可以先把這條鏈路跑一版。

一部分Agent查天眼查和工商信息，一部分Agent看官網(wǎng)、年報和公告，一部分Agent追news flow，一部分Agent整理風險點，最后生成deck skeleton。

它給出的不一定是最終稿，但已經(jīng)是一份可以檢查、可以修改、可以繼續(xù)往下做的底稿，把活做完的時間大大縮短了。

在過去，“熬夜”本身就是競爭力。誰能扛事，誰的動作更快，誰能按時交活，誰就更容易被領(lǐng)導(dǎo)看見。

可當Agent Swarm能把一大塊基礎(chǔ)工作先跑出來，單純靠堆時間的優(yōu)勢就會被削弱。

老板不會問別人是怎么做到的，只會問你為什么還沒交。

另一方面，能從Agent Swarm中受益的，不止junior analyst。對senior analyst來說，Agent Swarm也能深刻改變他們的“覆蓋半徑”。

過去一個人想看清一個行業(yè)，必須一家家公司拉數(shù)據(jù)、看公告、做comps table。30家peer掃下來，光整理口徑就夠耗人。

現(xiàn)在，Agent Swarm可以先并行掃一輪，把每家公司的收入、利潤、估值、業(yè)務(wù)結(jié)構(gòu)、風險因素和關(guān)鍵news flow先整理出來，再生成comps table和sector map。

這時，senior analyst就不用再從零開始搬材料。他們可以直接開始檢查口徑、挑出異常、修正假設(shè)，再把這些材料變成真正站得住的investment thesis。

如果把研究對象換成一組持倉或主題資產(chǎn)，Agent Swarm可以把行情、流動性、技術(shù)指標、news flow和風險信號整合成一個類似個人版Bloomberg的股票觀察看板。

甚至，對基金經(jīng)理、投行老板、咨詢項目負責人來說，Agent Swarm也能帶來改變，而變化就發(fā)生在交付節(jié)奏上。

過去等junior做一份行業(yè)comps，可能要兩天；等DD deck第一版，可能要一個晚上；等預(yù)算表和實際數(shù)據(jù)對完，F(xiàn)P&A可能要來回改幾輪。

現(xiàn)在，Agent Swarm可以先把first draft跑出來。

比如預(yù)算差異分析，上傳預(yù)算表和實際數(shù)據(jù)之后，Agent可以先做variance analysis，拆driver breakdown，再生成management summary。

比如持倉復(fù)盤，輸入持倉列表，它可以先追蹤weekly news flow、催化劑和風險清單。

還有季報季，它可以批量讀取財報、提取關(guān)鍵指標、標記收入、毛利率、現(xiàn)金流、費用率和管理層表述里的變化。

這時，人要做的，就從重新搬一遍材料，變成復(fù)核來源、檢查口徑、修正假設(shè)，再決定這些信息到底怎么用。

而這也恰恰是Agent Swarm“用與不用”的分水嶺。

當所有人都能更快拿到一份像樣的first draft，真正見高下的地方，就提前到了底稿之后。

誰能發(fā)現(xiàn)問題，誰能修正假設(shè)，誰能看出revenue breakdown里哪個數(shù)字最值得追問，誰能判斷EV/EBITDA和P/E到底該用哪個，誰能把AI跑出來的材料改成老板、客戶、投委會愿意聽的觀點......

搶先一步做到的人，就意味著能更早地展現(xiàn)出自己的能力。

只不過，在過去新人想要進階到能做判斷的階段，可能要兩三年；到了現(xiàn)在，Agent Swarm把不少人的起跑線重新拉平了。

大家都能更快拿到底稿，底稿之后的環(huán)節(jié)，才是真正見高下的地方。

金融行業(yè)的Codex時刻

回頭看編程行業(yè)這兩年的變化，可能是理解Agent Swarm最好的坐標系。

Codex剛出來的時候，大多數(shù)程序員不當回事。不就是個自動補全工具嘛，寫幾行樣板代碼、補幾個測試用例，省點手工活，僅此而已。

但后來的發(fā)展超出了所有人的預(yù)期。

Codex和它催生的一系列編程Agent，給整個行業(yè)帶來了一次能力躍遷。

初級開發(fā)者不用再把大量時間耗在查文檔、寫CRUD、調(diào)格式、補測試這些重復(fù)勞動上，可以更快碰到架構(gòu)設(shè)計、性能優(yōu)化、復(fù)雜業(yè)務(wù)邏輯。

高級開發(fā)者也一樣受益，AI承接掉那些不得不做、但不值得親自做的部分，他們可以把精力集中在更難的工作內(nèi)容上。

程序員被淘汰了嗎？沒有。但整個行業(yè)的水位線上升了。

Agent Swarm對金融行業(yè)的沖擊，大概率是同一個劇本。

它不會替代真正的金融判斷，但會先改變判斷之前的生產(chǎn)方式。

當DD deck、comps table、budget vs actual、news flow tracking這些first draft越來越快地出現(xiàn)，金融行業(yè)對“正常交付速度”的定義就會被改寫。

最開始，它只是少數(shù)人的個人優(yōu)勢。

有人用Agent Swarm先把數(shù)據(jù)拉完，先把表搭好，先把memo寫出來，先把deck skeleton跑出來。

但只要這套工作流被越來越多人接受，效率紅利就不會停留在少數(shù)人手里。它會變成整個行業(yè)的新基準線。

也就是說，當別人都快了，只有你沒變，那就是變慢了——而這，才是金融行業(yè)的Codex時刻。

它帶來的沖擊，不會讓所有金融人都失去價值，但是那些低價值信息搬運的工作，將會被重新定價。

只會拉數(shù)據(jù)、清表、改格式、堆PPT，以后可能不再算真正的競爭力。能不能指揮Agent Swarm跑出底稿，再在底稿上做判斷、挑錯、修正假設(shè)，才會變成新的基本功。

這才是Agent Swarm對金融行業(yè)的真正價值；Kimi Work的意義，也正在于此。

它把Agent Swarm裝進金融人的桌面，把數(shù)據(jù)源、瀏覽器、本地文件、Excel、Word、PPT串到同一條工作流里，讓過去靠人肉一環(huán)一環(huán)推進的工作，開始有了另一種解法。

正如當前的程序員圈子，不會用AI寫代碼已經(jīng)算是基本功的缺失，金融行業(yè)也正處在常規(guī)工作流被改寫的前夜。

而前夜最大的特點是，大多數(shù)人還沒意識到天快亮了。