当前AI技术正以“指数级”速度重塑各行各业的底层运行逻辑。泰康资产大力践行数字金融，推动AI智能化转型，前瞻布局AI人才与技术体系，并将智能体体系构建作为AI建设的关键抓手，赋能研究体系升级，支持业务持续创新。

　　通过智能体体系构建和投研能力建设的双轮驱动，泰康资产力图逐步形成人机协同、人机共生的“人+Deep Research Agents”的投研新范式，提升整体投研能力，进一步夯实公司核心竞争力。

　　前瞻布局AI人才与技术体系 打造泰康特色深度研究智能体

　　面对AI技术浪潮，泰康资产前瞻布局AI人才与技术体系，组建了包括业务专家、数据科学家、架构工程师和产品专家的专业AI研发团队，搭建了覆盖应用层、算力层、数据层、模型层和研发层，完整对标科技型公司的AI技术体系。基于公司实际情况，泰康资产将投研体系作为AI建设的最佳切入点，将智能体体系构建作为AI建设的关键抓手，在公开市场投资领域探索打造了一个覆盖多品种、具备全技能、依托完善数字知识治理体系的自有深度研究智能体（Taikang Deep Research Agent，以下简称TKDR）。

　　TKDR具有区别于外部通用产品的独特优势。一是面向主动投研，运行逻辑高度符合主动投研范式，匹配主动投研人员的思维方式和研究方法，以澄清-规划-执行-评估-生成五大核心环节为基础构建算法框架，实现对复杂问题的综合研究与回答；二是积累大量内外部数据、研究框架与模型、外部专家问答及搜索资源，打造了高时效、高质量、海量、多源异构、泰康特色的数字研究资源体系；三是坚持“体系胜于判断”，持续打磨投研体系，强化互动和反馈，支持智能投研体系的持续迭代升级。

　　AI幻觉已成为当前AI技术发展的一项重要挑战。对此，TKDR着重强化幻觉控制，通过检索增强生成、提示词工程、引用/参考、原则校验、交叉验证等技术方法，做到对AI幻觉的提前控制和事后检验。未来将引入信息溯源机制，进一步提升结果的可信度和可用性。

　　初步实现深度赋能投研 双轮驱动打造投研新范式

　　对比传统的投研模式，TKDR显示出了诸多优势，目前已经初步实现深度赋能投研，显著提高了投研人员工作效率。

　　以一个典型的投研分析场景为例，当用户要求分析某标的公司的投资价值时，人类研究员通常需要开展研究规划、搜集资料、处理信息、撰写报告等工作。在这个过程中，研究员面临诸多困难，包括研究目标发散、信息源多且分散、处理效率低、缺乏成熟的知识框架和研究方法、小众高价值资料获取困难、定量与定性分析技能要求高、报告撰写耗时长、格式调整繁琐等等。这些问题导致研究效率低、输出质量难以保障。

　　TKDR能够迅速梳理并确定核心诉求，即时调用内外部资源，构建起全面的研究分析框架，涵盖基本面、行业环境、估值水平等多维度分析。然后通过快速检索、评估并识别高价值信息，通过高效处理海量数据快速整合信息，进行分析、总结和提炼，形成结构化的研究结果。在报告撰写阶段，TKDR可以通过智能算法生成层次清晰、可读性强的输出报告，并支持事实核查、数据溯源等。此外还能根据用户的反馈自动优化研究流程，实现研究范式的递进式深化。

　　“通过智能体体系构建和投研能力建设的双轮驱动，泰康资产将逐步建设人机协同、人机共生的‘人+Deep Research Agents’的投研新范式。”泰康保险集团执行副总裁、首席投资官兼泰康资产首席执行官段国圣表示，TKDR将推动智能体不断学习和进化，逐渐打造投研人员个人专属、具备自我进化能力的“研究助理”。中短期内可以拓展人类研究员的工作效率、管理半径与能力圈，长期内在策略研发、复杂情景分析等领域引领投资，提升整体投研能力。

　　AI智能化转型同样有望改进资产管理行业发展模式。段国圣表示，打造保险资产管理领域的AI应用，可以全面赋能投研决策、财富管理、风控合规、运营经营等场景，能够重塑资产管理价值链，推动形成从“人力驱动”转向“人类智能+机器智能双驱动”的新范式。

　　深化AI全价值链应用 推动行业高质量发展

　　目前泰康资产已开发超过60个AI大模型应用，包括对内的通用AI工具，以及面向投资研究、产品销售、客户服务及法律合规等业务场景的垂直AI应用，并积极探索智能体（Agent）在核心价值链的应用落地，驱动业务模式、业务逻辑的重塑与再造。

　　为确保AI智能化转型可持续，段国圣建议，在组织保障上，必须转变传统的“科技主导、业务配合”的建设模式，建设“业技共研、共创、共建”的协同机制。一方面，要以业务价值为导向，打破部门壁垒，建立由业务专家、技术人员、数据分析师等组成的敏捷团队，实现需求、开发、测试、运营的全流程管理；另一方面，必须同步建设业技融合的决策与责任机制，提升资源调配的弹性，在流程上推行小步快跑与持续迭代，形成“业务驱动技术、技术赋能业务”的良性生态。同时，必须高度重视数据资产管理，保障AI应用的安全性与合规性。

　　“AI的进化速度日新月异，我们必须紧跟前沿，紧跟大模型与智能体相关的最新技术进展，选择社区生态良好、落地效果可验证、可维护性高的主流技术，平衡好技术创新与技术风险的关系。同时，伴随算法创新、工程架构优化、产品设计提升、协作模式革新等智能化范式的产生，实现AI研发应用始终与业务实际需求紧密结合、共同进化，持续提升资产管理综合能力和竞争力。”（刘欣然）