阿里云Qovest，把投研变成Agent工作台

阿里云在 11 月 2 日正式发布 AI 投研工作台 Qovest，把金融数据检索、财报与公告阅读、产业链分析、模型测算、报告生成和定时跟踪，塞进了同一个由 Agent 驱动的研究空间。

这不是又一个让用户“问问某只股票怎么样”的聊天机器人。Qovest 想解决的，是专业投资研究中更麻烦、也更值钱的问题：资料散落在不同数据库和文档里，数据口径需要反复核对，研究假设经常变化，而一份报告交付之后还要持续更新。

一句话概括，Qovest 是一个面向专业投资者、能够自主调用金融数据和研究工具，并持续保存研究过程的 AI 投研工作台。

目前，Qovest 已经向个人用户开放邀测。新用户注册后可获得试用积分，后续提供每月 99 元和 199 元两档订阅方案。

它不是回答问题，而是在执行研究任务

Qovest 最值得注意的变化，是把 AI 从“回答者”变成了“执行者”。

普通 AI 搜索或大模型对话的典型工作方式，是用户提一个问题，系统检索若干网页，再生成一份总结。问题得到回答后，这次会话基本结束；当财报、价格或产业数据发生变化，用户通常需要重新描述背景、重新上传材料，再重新跑一遍分析。

Qovest 则试图把研究过程做成一项可以长期运行的任务。用户可以用自然语言提出研究需求，系统随后自动完成数据查询、材料收集、分析计算、图表制作和报告生成，并把结果沉淀到一个持续更新的投研空间里。

例如，用户可以要求它研究人形机器人产业链。Qovest 不只是整理相关公司名单，而是进一步拆分减速器、丝杠、传感器、执行器等环节，分析各环节的单机价值、市场空间与国产化水平，最终生成可交互的产业链图谱。

用户也可以让它测算数据中心电力设施的投资规模。假设服务器功率、PUE、机柜数量或配电设备单价发生变化，Qovest 会根据新参数重新计算相关结果，而不是输出一段无法继续编辑的静态文字。

可计算、可修改和可追踪，是 Qovest 与普通 AI 投研问答最关键的区别。

这更接近一个初级研究员的工作方式：先理解任务，寻找所需数据，建立分析框架，完成计算，留下底稿，再根据后续信息更新结论。

Agent 在这里到底做了什么

AI Agent 是能够围绕目标自主拆解步骤、选择工具并执行多阶段任务的人工智能系统。

放到投研场景里，Agent 的价值不在于把报告写得更像人，而在于知道什么时候该查数据库、什么时候该读取公告、什么时候该进行计算，以及不同来源的数据能不能放在同一口径下比较。

一项看似简单的公司研究，背后可能包含十几个步骤：

• 确认公司证券代码、上市地点与财年口径；
• 调取收入、利润、现金流和资产负债数据；
• 阅读最新财报、临时公告与管理层表述；
• 拆分业务结构、地区结构和客户结构；
• 寻找行业规模、竞争格局与价格变化；
• 计算增速、利润率、资本回报率等指标；
• 将历史数据、市场预期和用户假设组合起来；
• 输出报告，并记录仍需验证的问题。

普通大模型很容易在其中某一步“看起来做完了”，实际却使用了错误的数据期间、混淆人民币与美元，或者把归母净利润和调整后利润放进同一张表。

Qovest 使用阿里云自研、面向金融场景的 Agent 工程框架 Harness，打通从数据调用到分析输出的完整流程。

Harness 是 Qovest 用来编排金融数据、研究工具和模型推理流程的 Agent 执行框架。

可以把它理解成研究任务的调度系统：大模型负责理解用户想研究什么，Harness 决定应该调用哪些数据与工具、按照什么顺序执行，以及怎样把中间结果组织成最终报告。

这类框架比单纯更换一个参数更大的模型更重要。金融投研的瓶颈往往不是模型能不能写出 5000 字，而是数据是否可靠、引用是否可核对、计算能否复现，以及任务失败后能不能定位到具体步骤。

投研空间是比聊天框更重要的设计

投研空间是用于保存研究材料、分析结果、用户笔记和后续任务的长期工作区。

Qovest 会把每次生成的报告、图表、操盘笔记和待验证问题保存在同一研究对象下。下一次继续研究时，系统可以沿用已有背景，而不是让用户从零开始解释公司业务和投资逻辑。

这个功能看起来不如“自动生成报告”抢眼，却更接近真实投研的工作方式。

研究从来不是一次性交付。分析师可能在一季度关注公司订单，到了二季度要验证收入确认，到三季度又要检查毛利率是否符合此前判断。真正有价值的不是三份互相独立的报告，而是一条可以连续检查假设的研究链条。

如果 Qovest 能够可靠保存研究假设、数据版本和结论变化，它就不只是提高写报告的速度，而是在建立一种新的研究资产管理方式。

传统研究资料通常散落在 Excel、Word、数据库终端、浏览器收藏夹和即时通信软件中。个人投资者的问题尤其明显：没有机构内部统一的数据平台，也没有研究助理负责维护底稿，研究过程很容易随着时间中断。

Qovest 的产品判断是，AI 不应该只回答“现在发生了什么”，还应该记住“上一次我们为什么得出这个结论”。

定时任务，让研究从一次性变成持续运行

定时任务是按照用户设定的时间和频率，自动重新执行研究流程的功能。

用户可以让 Qovest 每日、每周或按指定周期跟踪研究对象。系统到时间后自动更新数据、检查新公告和行业变化，再生成新的分析结果；任务执行失败后，还会自动尝试重新运行。

这一能力很适合高频变化、但又不值得每天手动检查的研究主题。

例如，研究黄金 ETF 时，用户可以定期跟踪国际金价、美元指数、ETF 持仓变化和央行购金数据；研究数据中心建设时，可以持续观察服务器出货、变压器价格、电网资本开支与海外云厂商支出；研究一家制造企业时，则可以跟踪原材料价格、出口数据和下游销量。

过去，这些工作通常靠分析师建立多个表格，再设置新闻提醒和日历事项。Qovest 想把提醒、取数、分析与输出合并为一个自动运行的流程。

对专业用户而言，真正节省时间的不是少写几段文字，而是少做几十次重复查询、复制粘贴和数据更新。

Qovest 与普通AI投研工具有什么不同

Qovest 的定位介于 AI 搜索、金融数据库和研究协作平台之间。它并不试图单独替代其中任何一类产品，而是希望用 Agent 将这些能力连成一条工作流。

| 产品形态 | 核心能力 | 是否支持持续研究 | 是否支持假设重算 | 数据可靠性 | 主要短板 | | --- | --- | --- | --- | --- | --- | | 通用大模型聊天 | 问答、总结、写作 | 通常不支持 | 较弱 | 取决于输入材料 | 容易失去上下文，金融口径不稳定 | | AI 搜索产品 | 联网检索、来源整理 | 部分支持订阅 | 通常不支持 | 依赖公开网页 | 擅长找信息，不擅长结构化计算 | | 传统金融数据库 | 权威数据、指标查询 | 支持数据更新 | 需要人工建模 | 较高 | 学习成本高，研究流程割裂 | | Qovest | 数据调用、分析、计算、报告与跟踪 | 支持定时任务 | 支持调整假设后重算 | 依赖金融数据库与引用机制 | 实际准确率和复杂任务稳定性仍待验证 |

这张表也说明了 Qovest 的机会：它不是靠某一项能力碾压现有工具，而是减少工具之间的切换。

但集成也意味着更长的故障链。任何一个环节出错——标的识别错误、数据期间错误、公告读取不完整、公式逻辑不合理——都可能让最终报告看起来完整，结论却不可靠。

因此，Qovest 能否真正进入专业工作流，不取决于报告页面有多漂亮，而取决于每个数字能否追溯到来源，每项计算能否检查，每次更新能否解释变化。

99元和199元，卖的不是答案而是时间

Qovest 后续计划提供每月 99 元和 199 元两档订阅套餐，具体权益差异尚未在公开信息中完整披露。

这个价格明显瞄准的是有独立研究习惯的个人投资者，而不是只想偶尔查询股票信息的普通用户。对于每天需要阅读公告、整理数据和更新观点的人来说，每月 99 元并不高；但如果输出只是公开信息的重新总结，它又很难比通用大模型会员更有吸引力。

Qovest 的商业价值取决于三个指标：节省了多少时间，减少了多少错误，以及用户是否会把研究资产长期留在平台上。

第一，取数必须可靠。金融数据最怕“差不多”，净利润、扣非净利润、调整后利润和经营利润之间不能混用。

第二，结论必须可核对。用户需要知道一项判断来自财报、公告、数据库，还是模型基于多个指标做出的推断。

第三，研究必须能延续。只有当用户积累了大量笔记、报告、假设与跟踪任务，Qovest 才会从一个工具变成工作台，并形成真正的使用黏性。

从这个角度看，99 元和 199 元不是在卖一份 AI 报告，而是在卖一个不会下班、可以重复执行研究流程的数字研究助理。

最难的不是生成报告，而是让数字可信

Qovest 面临的最大挑战，是金融研究对错误的容忍度远低于一般内容生成。

一篇营销文案写错一个形容词，影响有限；一份投研报告如果用错财年、币种或股本数据，后续估值可能全部失效。更麻烦的是，AI 生成的错误往往语气流畅、结构完整，用户不容易第一眼发现。

阿里云为 Qovest 接入权威金融数据库，并强调数据有出处、结论可核对，这是正确方向。但目前公开信息尚未披露具体数据库范围、不同套餐的数据权限、更新延迟、来源引用颗粒度，也没有公布金融评测的详细分数与测试配置。

因此，现在还不能仅凭产品演示判断 Qovest 已经达到机构研究员的可靠性水平。

专业用户真正需要关注的是：

1. 财务数据能否追溯到具体报告和报表项目；
2. 不同会计准则、币种和财年能否自动对齐；
3. 产业链数据是否标明统计范围与时间；
4. 模型计算是否展示公式、参数和中间结果；
5. 系统是否区分事实、估算、市场预测与模型判断；
6. 历史报告更新后，能否看到数据和结论的变化记录。

如果这些问题解决不好，Qovest 只是更专业的 AI 搜索；如果解决得好，它才可能成为真正意义上的投研操作系统。

阿里云为什么选择投研Agent

金融投研是 Agent 最适合、也最容易被检验的场景之一。

这个行业拥有大量结构化数据、标准化指标和重复性工作，同时又需要阅读长文档、进行跨来源核验和多步骤计算。Agent 擅长的信息搜索、文本解析、工具调用与任务编排，在这里都有明确用途。

更重要的是，投研用户愿意为效率付费。一名专业投资者每天可能需要处理数十份公告、财报与行业材料，只要工具能够稳定节省一两个小时，订阅成本就很容易被覆盖。

但金融也是最容易戳破 AI 幻觉的场景。模型说一家公司的收入增长 20%，用户可以立刻打开财报检查；模型说某个产业链空间达到 1000 亿元，也必须解释产量、单价和渗透率假设。

这意味着 Qovest 的竞争不只是模型能力竞争，更是数据工程、Agent 工程、产品交互和金融专业能力的综合竞争。

我们的判断：方向对了，胜负取决于可审计性

Qovest 选择了一个比“AI 选股”更务实的方向：不直接承诺预测涨跌，而是先替用户完成信息搬运、数据整理、初步分析和持续更新。

这是一个更合理的产品边界。投资决策包含风险偏好、仓位管理和主观判断，现阶段让 AI 直接给出买卖结论，既不可靠，也难以建立长期信任。让 AI 承担研究流程中的脏活、累活和重复工作，反而更容易形成稳定价值。

Qovest 真正值得观察的，也不是它能不能生成一篇看起来专业的报告，而是能不能把一次研究变成可复用、可修改、可追踪的长期资产。

如果数据来源透明、计算过程可检查、任务运行足够稳定，Qovest 每月 99 元的起步价格会很有竞争力；如果用户仍然要逐个核对所有数字，它就只是把“自己查资料”变成了“检查 AI 查的资料”，节省的时间可能没有想象中多。

对阿里云而言，Qovest 也是一次从底层模型和云服务向垂直应用深入的尝试。相比再做一个通用聊天入口，投研工作台的用户规模可能没那么大，但需求更明确、付费能力更强，也更能检验 Agent 是否真的会使用工具、处理数据和持续工作。

Qovest 已经把投研 Agent 的产品骨架搭了出来：权威数据、任务编排、研究空间、动态计算和定时跟踪。接下来决定它能否进入专业用户日常工作流的，不是功能列表，而是每一个数字背后的证据链。

Qovest 是研究工具，不是收益保证工具。AI 可以降低信息处理成本，但不能替代投资者对数据、假设和风险的最终判断。

参考来源

• IT之家：给专业投资者配上“AI 研究员”，阿里云发布 AI 投研工作台 Qovest — 介绍 Qovest 的正式发布时间、核心功能、应用案例、邀测状态及 99 元和 199 元订阅方案。