中泰证券与财跃星辰共建多智能体投研平台，券商工作流将如何被重构？

【软盟资讯·新闻导读】9月10日，财跃星辰在2026 Inclusion·外滩大会披露，与中泰证券共建“星璇”多智能体投研平台，并通过Skill Hub技能库整合现有投研工具。此次合作的关注点，不只是增加一个AI助手，而是让金融智能体进入券商投研工作流。公开信息目前主要涉及合作方向与平台建设，实际效率提升、应用范围及业务结果尚未披露。

财跃星辰与中泰证券披露多智能体投研合作

在2026 Inclusion·外滩大会“AI重塑金融范式：可信AI与金融智能体前沿论坛”上，界面财联社与阶跃星辰联合孵化的金融垂类大模型公司财跃星辰集中披露了金融AI方面的三项布局：发布金融智能体产品矩阵，与中泰证券共建多智能体投研平台，以及联合上海交通大学开源Alpha-R1金融推理模型。

其中，与中泰证券的合作最接近券商核心业务流程。公开资料显示，今年7月，中泰证券科技研发部发起“多智能体技术在投资研究领域的应用研究”课题，并与财跃星辰联合打造“星璇智能体平台”。双方计划围绕技术攻关、场景落地、成果转化和人才联合培养等方向展开合作。

“星璇”的公开定位并不是单一问答工具，而是面向投研工作流的多智能体平台。平台将财跃星辰旗下“小财神”智能资讯、Finwork投顾助手等垂类能力嵌入中泰证券投研工作流，并通过Skill Hub技能库对接、整合中泰证券现有投研工具系统。

这意味着合作重点从“给员工提供一个AI入口”，转向“让多个具备不同能力的智能体参与业务流程”。不过，截至目前，公开资料没有披露平台已经覆盖中泰证券哪些具体部门、采用何种权限机制、接入了哪些内部工具，也没有公布使用规模、响应速度、研究产出质量或成本变化等实际效果。

从单点助手到工作流协作，变化在哪里

传统的AI应用通常以单点功能出现，例如检索资料、生成摘要、辅助撰写或提供问答。使用者提出问题后，系统返回结果，后续如何核验、加工和放入工作流程，仍然由人工完成。这类应用可以改善某个环节，但未必改变业务链路。

多智能体平台的不同之处，在于它试图把任务拆分为多个相互协作的能力单元。以投研工作为例，一个完整任务可能涉及资料搜集、信息整理、行业跟踪、观点生成、数据核对和研究成果加工。公开信息并未说明“星璇”具体采用了怎样的智能体分工，因此不能据此断言平台已经实现上述全部流程自动化。但从“多智能体”“投研工作流”和“Skill Hub技能库”等表述看，合作方向显然不再局限于单一功能调用。

Skill Hub的价值，也不只是增加技能数量。对券商而言，真正重要的是把技能与业务权限、数据来源和现有工具连接起来。一个智能体即使能够生成流畅的文字，如果不能调用合适的内部系统、无法追溯资料来源，或者无法按照机构规则完成审核，它就很难进入投研核心环节。

因此，技能库更像是连接模型能力与业务系统的一层组织机制。它可能承担能力封装、工具调用和流程编排等作用，但目前公开资料尚未披露Skill Hub的技术架构、技能定义方式、调用权限和审计机制。对外界而言，现阶段能够确认的是“对接整合”的合作方向，而不是已经完成的系统效果。

券商为什么会关注投研核心链路

券商内部的AI落地大致面临两类问题。第一类是通用效率问题，例如办公协同、信息整理和日常内容处理；第二类是专业生产力问题，即AI能否进入研究、投顾等对数据准确性、推理过程和风险控制要求更高的业务环节。

通用型智能体往往覆盖面较广，部署和使用门槛相对较低，适合处理跨部门办公任务。但投研业务需要面对金融数据的时效性、研究口径的一致性、资料来源的可信度以及输出内容的可复核性。一个能够写出完整段落的模型，并不等于能够承担研究判断。

财跃星辰在相关活动中强调金融垂类数据的准确性和输出结果的可控性，并将这些能力视为金融机构落地AI的重要前提。其产品矩阵包括面向个人用户的“小财神”智能资讯助手、CashClaw场景化智能工具，以及面向金融机构的Finwork投顾展业助手等产品。

从产品布局来看，财跃星辰试图形成从个人端应用、机构端工具到底层模型能力的组合。此次中泰证券合作，则把这种机构端能力进一步放到投研工作流中检验。需要强调的是，“进入核心链路”描述的是合作定位和应用方向，并不代表平台已经替代研究人员，也不代表其输出已经可以直接用于投资决策。

对投研团队来说，工作方式可能如何变化

如果多智能体平台能够与内部投研工具顺畅连接，研究人员的工作重点可能会从重复的信息搬运，逐步转向任务定义、资料甄别、结果校验和观点判断。

过去，研究人员往往需要在多个系统之间切换，分别查找资料、整理数据，再把信息汇总到研究文档中。工作流平台希望把这些操作串联起来，让不同技能根据任务需要被调用。研究人员提出研究主题后，系统可以按照预设流程协助完成资料整理和内容加工，人员则负责确认研究问题、判断材料是否充分，并对最终结论承担专业责任。

这种变化的关键并不在于“生成一份报告”本身，而在于报告形成过程能否被拆解和复核。对投研团队而言，以下问题比文字是否流畅更重要：资料来自哪里，数据采用何种口径，哪些内容是原始事实，哪些内容是模型推断，调用了哪些工具，谁完成了最终审核。

如果平台只能把多个模型能力叠加，却没有清晰的来源标注、过程记录和人工确认机制，那么多智能体可能只是增加复杂度。相反，如果每个技能都能明确输入、输出、权限和责任边界，平台才有机会从“聊天工具”转变为可管理的生产系统。

已公布的内容，与尚未披露的效果要分开看

目前公开信息可以确认的内容包括：中泰证券与财跃星辰联合打造“星璇智能体平台”；合作由中泰证券科技研发部发起相关课题；财跃星辰旗下部分金融智能体能力将嵌入中泰证券投研工作流；平台计划通过Skill Hub技能库整合中泰证券现有投研工具系统；双方还将围绕技术攻关、场景落地、成果转化和人才培养展开合作。

但下列内容仍不能从现有公开资料中得出结论：平台是否已经全面上线，已经有多少投研人员使用，覆盖了哪些研究品种和业务环节，是否减少了人工操作时间，是否提升了研究准确性，是否降低了合规风险，以及平台能否稳定处理高频、复杂或跨部门任务。

同样，财跃星辰在其他场景中提到的产品验证，也不能直接等同于“星璇”在中泰证券内部的实际表现。不同机构的数据体系、权限设计、业务流程和合规要求存在差异，个人端产品或通用场景中的效果，不能直接推导出券商核心投研流程中的结果。

这一区分对于观察金融AI尤其重要。金融机构的AI项目往往需要经历试点、接入、权限配置、内部评估和持续迭代等阶段。合作发布说明了双方的建设意图，但不等于项目已经完成商业化验证。只有当机构进一步披露使用范围、应用结果和风险管理安排，外界才能判断平台到底改变了哪些工作环节。

对券商数字化负责人的启示

中泰证券与财跃星辰的合作，给券商数字化建设提出了一个更具体的问题：AI项目究竟应该以“模型上线”为终点，还是以“工作流重构”为目标。

如果目标只是部署一个模型，项目通常围绕算力、接口和用户入口展开；如果目标是重构投研工作流，则必须同时考虑数据治理、工具连接、业务权限、过程审计、人工复核和责任分工。模型能力只是其中一环，能否嵌入组织流程，往往比单次问答效果更决定项目能否长期使用。

企业数字化负责人还需要关注技能库的治理方式。技能不是越多越好，关键是能否被明确管理。哪些技能可以访问公开资料，哪些技能可以调用内部数据，哪些操作必须经过人工确认，哪些输出只能作为参考，均应形成清晰规则。对于投研场景，技能调用过程是否可追踪、结果是否能回溯，也会影响内部审计和风险管理。

另一方面，多智能体并不意味着所有工作都应交给AI完成。研究判断、风险识别和对外发布等环节仍然需要专业人员参与。更现实的路径，是先从资料整理、信息归纳、研究流程中的重复环节切入，在可控范围内积累使用经验，再根据实际效果决定是否扩大到更复杂的任务。

金融智能体竞争将从“会回答”转向“能协作”

财跃星辰此次还披露了与上海交通大学安泰经济与管理学院相关团队联合开源Alpha-R1动态资产配置推理框架的消息。公开资料称，该框架将大语言模型的逻辑推理能力与强化学习的动态优化能力结合，用于动态资产配置推理。

这一技术布局与“星璇”并不等同。前者更偏向底层研究框架，后者面向券商投研工作流。两者共同反映出金融AI竞争正在从单纯的文本生成和问答能力，延伸到金融数据、推理过程、场景工具和机构流程的组合。

对于券商而言，未来考察金融智能体，不能只看模型参数或演示效果，还要看它是否能在真实业务环境中稳定协作。一个平台需要同时处理数据来源、业务语境、工具调用和结果审核，才能真正承担机构级生产任务。

目前，中泰证券与财跃星辰的合作仍应被理解为一次面向投研核心流程的建设性尝试。它释放出明确的行业信号：券商AI应用正在从外围办公场景向专业业务内部延伸。但这条路径能走多远，最终仍取决于平台的实际部署、数据治理、人员使用和风险控制结果，而不是发布会上的产品概念。

【软盟观察】

中泰证券与财跃星辰共建多智能体投研平台，值得关注的地方不在于“多智能体”这一概念本身，而在于AI开始被放入券商投研工作流中重新安排。过去，金融机构部署AI往往先从搜索、问答、摘要和办公提效等相对外围的环节开始；此次合作则把技能库、垂类智能体和现有投研工具连接起来，触及了数据整理、研究协作和业务流程组织等更深层问题。

不过，合作方向与落地结果必须分开判断。当前公开信息证明的是双方正在建设平台、整合能力并探索应用场景，还不足以证明研究效率、判断质量或合规水平已经得到改善。金融投研对数据来源、逻辑链条、权限控制和人工审核都有较高要求，模型能否生成内容只是起点，能否让内容可追溯、可复核、可管理，才是机构真正关心的指标。

对券商和企业数字化负责人来说，这一案例的参考价值在于方法，而不是结论。AI项目不宜停留在“接入一个模型”或“上线一个助手”，更需要围绕具体流程定义技能、工具和责任边界。未来如果“星璇”进一步披露平台覆盖范围、使用方式和实际效果，行业才能更准确地判断多智能体究竟是增加了一个新入口，还是确实推动了投研生产方式的变化。