作者｜Hayward原创首发｜蓝字计划金融圈有个传了三十年的笑话：招最聪明的名校生，干最没技术含量的Excel文档整理活。

        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权结构，去官网确认业务，再打开年报、公告、新闻和访谈，把收入、利润、客户、供应商、核心团队、诉讼风险这些信息一点点抠出来。

        等把散落在十几个网页里的信息拼成表、把非标准 Excel 清洗干净，再整理成老板能看的版本，最后可能也不过三页 PPT。

        大量的粗活、杂活、笨活，金融圈起了听起来专业得多的名字：data collection、table cleaning、comps first draft、DD deck skeleton、news flow tracking。

        但这些事情的本质，都是信息搬运。每一个金融人都熟得不能再熟，因为这就是他们工作的日常。

        这种状态持续了太久，久到大家都觉得它就是金融业的常态：聪明人做笨活，忍着就好。

        但隔壁的程序员已经不用忍了。Codex 等编程 Agent 的出现，把查文档、写样板代码、补测试这些过去靠新人堆时间的环节全部承包了，也改变了程序员的工作格局。

        而现在，同样性质的变化轮到了金融行业。近日，Kimi 最新的 K2.6 模型带来了一项叫做 Agent Swarm（智能体集群）的能力，几百个 AI 同时替你干活，干完直接交付文件。

        在金融场景里，这项能力落到桌面端，就是 Kimi Work 这款工作台。

        终于，金融人的 Codex 时刻也来了。300 个 AI 员工住进桌面提起过去我们常用的 AI，本质上就是一个聊天框，你问一个问题，它回一段话，你再手动复制粘贴到自己的 Excel 或 PPT 里。

        Agent Swarm 的变化在于，它是真的可以干活。

        它可以把一个复杂任务拆成多条线。有的 Agent 查数据，有的 Agent 读文件，有的 Agent 调用浏览器，有的 Agent 做计算，有的 Agent 整理结果。

        过去一条线串行推进的工作，现在可以拆开并行跑。而Kimi Work ，就是这种能力在金融场景里的桌面工作台。

        它内置同花顺、天眼查、Yahoo Finance、世界银行经济数据库等专业数据源，也能连接浏览器、本地文件、Excel、Word、PPT，让 Agent 进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复杂活？一个典型场景是量化研究。

        在金融行业里，量化研究大概是技术含量最高的工种之一：用数学模型和海量数据寻找市场里反复出现的规律，业内叫“因子”；找到之后再用历史数据跑验证，看它过去收益怎么样、交易成本高不高、风险大不大。

        这项工作听起来核心是想出好策略，但研究员大量时间其实花在了别处：捞数据、清洗字段、写回测代码、调参数、等结果、整理报告。

        一轮迭代转下来，几天就过去了，真正留给策略逻辑本身的时间并不多。

        在 Kimi Work 里，你可以直接给一个研究方向。

        比如，“在 A 股找可解释、低换手的 alpha，优先看价量反转、波动率调整动量和流动性冲击”。

        接下来，Agent Swarm 会把这个任务拆开。

        一组 Agent 去金融数据源里查询A 股可用字段，确认哪些数据能用、覆盖率多少；另一组 Agent 把这些字段映射到 WorldQuant BRAIN 的语法规则上，生成候选因子表达式；再往后，每个因子被分配给独立 Agent 跑回测，同步进行。

        跑完之后，结果会汇总成一份研究报告。每个因子的收益率、夏普比率、换手率、最大回撤，都会列出来，还会配上收益-换手散点图、风险条形图和结果分布。

        当然，8 个因子全都达标这种事，在真实量化研究里本来也少见。

        但这项任务真正消耗时间的地方，是“跑完一轮，发现哪些不行，为什么不行，下一轮该调什么”这个循环。

        过去转一圈可能要几天，现在 Agent 一轮跑完，报告里已经标出每个因子的处置建议，连 Round 2 的修改方向和优先级都列出来。

        研究员要做的，变成了判断这些建议是否合理，然后决定往哪走。

        另一个更普遍的金融场景，是 DCF。手动做一个完整的三表模型加 DCF 估值，光是从同花顺导数据、配平资产负债表、写清每一条假设，就能耗掉大半天。

        在 Kimi Work 里，一个股票代码丢进去，你能看到整个执行链条。

        先是一个 Agent 去同花顺拉这家公司过去几年的财务数据，同时另一个 Agent 读取你上传的补充材料；数据到齐之后，下一个 Agent 开始构建三表模型，配平资产负债表，预测 working capital 和折旧摊销；模型搭好后，再跑 DCF 和 sensitivity analysis。

        最终输出的是一份 .xlsx，里面的assumption 会逐条标注，预测逻辑也会写清楚。

        ｜基于 DCF skill，生成的老铺黄金估值模型量化研究和 DCF 看起来是两类场景，一个偏策略研究，一个偏估值建模。

        但它们背后的工作逻辑其实一样：可以拆分任务，可以查验数据，还可以自行读取文件，搭建模型，最后交付结果。

        这才是 Agent Swarm 和常规聊天式 AI 的根本区别。

        这个区别，也正是后面所有变化的起点。分水岭提前到来量化研究和 DCF 当然足够硬核，但对大多数金融人来说，真正能改变日常的，还是那些每天都在发生的普通工作。

        特别是对 junior analyst 来说，Agent Swarm 最显著的价值，是解决了那些最耗时间的 dirty work。

        比如最开始提到的，做一份 DD deck。在过去，这项任务可不是打开天眼查看一眼就结束。

        要查公司股权结构，看官网业务，翻年报和公告，扫新闻和舆情，再把 company profile、ownership structure、financial snapshot、risk factors 和 red flags 整理出来，最后塞进一份 PPT 里。

        然而，Kimi Work 的Agent Swarm ，却可以先把这条链路跑一版。

        一部分 Agent 查天眼查和工商信息，一部分 Agent 看官网、年报和公告，一部分 Agent 追 news flow，一部分 Agent 整理风险点，最后生成 deck skeleton。

        它给出的不一定是最终稿，但已经是一份可以检查、可以修改、可以继续往下做的底稿，把活做完的时间大大缩短了。

        在过去，“熬夜”本身就是竞争力。谁能扛事，谁的动作更快，谁能按时交活，谁就更容易被领导看见。

        可当 Agent Swarm 能把一大块基础工作先跑出来，单纯靠堆时间的优势就会被削弱。

        老板不会问别人是怎么做到的，只会问你为什么还没交。

        另一方面，能从Agent Swarm 中受益的，不止junior analyst。

        对 senior analyst 来说，Agent Swarm 也能深刻改变他们的“覆盖半径”。

        过去一个人想看清一个行业，必须一家家公司拉数据、看公告、做 comps table。

        30 家 peer 扫下来，光整理口径就够耗人。现在，Agent Swarm 可以先并行扫一轮，把每家公司的收入、利润、估值、业务结构、风险因素和关键 news flow 先整理出来，再生成 comps table 和 sector map。

        这时，senior analyst就不用再从零开始搬材料。

        他们可以直接开始检查口径、挑出异常、修正假设，再把这些材料变成真正站得住的 investment thesis。

        如果把研究对象换成一组持仓或主题资产，Agent Swarm 可以把行情、流动性、技术指标、news flow 和风险信号整合成一个类似个人版 Bloomberg 的股票观察看板。

        甚至，对基金经理、投行老板、咨询项目负责人来说，Agent Swarm 也能带来改变，而变化就发生在交付节奏上。

        过去等 junior 做一份行业comps，可能要两天；等 DD deck 第一版，可能要一个晚上；等预算表和实际数据对完，FP&A 可能要来回改几轮。

        现在，Agent Swarm 可以先把first draft 跑出来。

        比如预算差异分析，上传预算表和实际数据之后，Agent 可以先做 variance analysis，拆 driver breakdown，再生成 management summary。

        比如持仓复盘，输入持仓列表，它可以先追踪 weekly news flow、催化剂和风险清单。

        还有季报季，它可以批量读取财报、提取关键指标、标记收入、毛利率、现金流、费用率和管理层表述里的变化。

        这时，人要做的，就从重新搬一遍材料，变成复核来源、检查口径、修正假设，再决定这些信息到底怎么用。

        而这也恰恰是Agent Swarm “用与不用”的分水岭。

        当所有人都能更快拿到一份像样的 first draft，真正见高下的地方，就提前到了底稿之后。

        谁能发现问题，谁能修正假设，谁能看出 revenue breakdown 里哪个数字最值得追问，谁能判断 EV/EBITDA 和 P/E 到底该用哪个，谁能把 AI 跑出来的材料改成老板、客户、投委会愿意听的观点......抢先一步做到的人，就意味着能更早地展现出自己的能力。

        只不过，在过去新人想要进阶到能做判断的阶段，可能要两三年；到了现在，Agent Swarm 把不少人的起跑线重新拉平了。

        大家都能更快拿到底稿，底稿之后的环节，才是真正见高下的地方。

        金融行业的 Codex 时刻回头看编程行业这两年的变化，可能是理解 Agent Swarm 最好的坐标系。

        Codex 刚出来的时候，大多数程序员不当回事。不就是个自动补全工具嘛，写几行样板代码、补几个测试用例，省点手工活，仅此而已。

        但后来的发展超出了所有人的预期。Codex 和它催生的一系列编程Agent，给整个行业带来了一次能力跃迁。

        初级开发者不用再把大量时间耗在查文档、写 CRUD、调格式、补测试这些重复劳动上，可以更快碰到架构设计、性能优化、复杂业务逻辑。

        高级开发者也一样受益，AI 承接掉那些不得不做、但不值得亲自做的部分，他们可以把精力集中在更难的工作内容上。

        程序员被淘汰了吗？没有。但整个行业的水位线上升了。

        Agent Swarm 对金融行业的冲击，大概率是同一个剧本。

        它不会替代真正的金融判断，但会先改变判断之前的生产方式。

        当 DD deck、comps table、budget vs actual、news flow tracking 这些 first draft 越来越快地出现，金融行业对“正常交付速度”的定义就会被改写。

        最开始，它只是少数人的个人优势。有人用 Agent Swarm 先把数据拉完，先把表搭好，先把 memo 写出来，先把 deck skeleton 跑出来。

        但只要这套工作流被越来越多人接受，效率红利就不会停留在少数人手里。

        它会变成整个行业的新基准线。也就是说，当别人都快了，只有你没变，那就是变慢了——

        而这，才是金融行业的 Codex 时刻。它带来的冲击，不会让所有金融人都失去价值，但是那些低价值信息搬运的工作，将会被重新定价。

        只会拉数据、清表、改格式、堆 PPT，以后可能不再算真正的竞争力。

        能不能指挥 Agent Swarm 跑出底稿，再在底稿上做判断、挑错、修正假设，才会变成新的基本功。

        这才是 Agent Swarm 对金融行业的真正价值；Kimi Work 的意义，也正在于此。

        它把 Agent Swarm 装进金融人的桌面，把数据源、浏览器、本地文件、Excel、Word、PPT 串到同一条工作流里，让过去靠人肉一环一环推进的工作，开始有了另一种解法。

        正如当前的程序员圈子，不会用 AI 写代码已经算是基本功的缺失，金融行业也正处在常规工作流被改写的前夜。

        而前夜最大的特点是，大多数人还没意识到天快亮了。主编: 袁明武  责编: 海沃德版式:伊妍历史文章Review