智能体（Agent）概念及运行机制 [page::0][page::4][page::5][page::6]

• 智能体定义为“大语言模型 + 规划 + 工具 + 记忆”四要素组合，具备感知、规划、行动的闭环能力。

- 利用大语言模型强推理与泛化能力，实现从简单问答向多轮自主思考转变。

• 记忆功能通过缓存长期信息，保障多轮任务的连贯执行。

- 多样化动作模块拓展智能体能力，如调用代码工具补足模型运算弱项。

典型智能体部署示例AutoGPT [page::7][page::8]

• AutoGPT通过任务拆分与多轮推理决策，实现高度自动化任务执行，依赖完善Prompt模板规范指令格式。

- 执行流程包括任务构建、模型调用、命令执行及记忆缓存四步，具备自我反思与调整能力。

• 当前瓶颈包括模型输入长度限制对长期记忆的影响及计算成本问题。

产业链梳理的挑战与智能体方案 [page::9][page::10][page::11]

• 产业链梳理需细致分析上下游产品结构与重要性，传统过程耗时且需经验积累。

- 采用智能体分步推理上下游关系，结合成本占比判断产品重要性，自动打点末端产品。

• 行动模块支持新闻检索和数据持久化，增强产业链动态更新能力。

产业链智能体初步推演结果对比Wind产业链图谱 [page::12]

• GPT4基于完善Prompt模板梳理的手机产业链整体结构合理，重要节点排序与Wind官方产业链结构高度一致。

- 智能体可导出结构化json及网状产业链图谱，支持进一步自动化应用。

新闻检索增强产业链生成，提高动态识别能力 [page::13][page::14][page::18]

• 利用RAG机制，基于FAISS向量数据库完成新闻文本语义检索，补充模型外部知识。

- 比较不叠加、叠加不同时间段新闻数据的产业链节点发现：新闻丰富度提升带来更细致且更贴合市场动态的结构调整。

• 新增新闻使关键细分产品识别更准确，如区分TFT-LCD和AMOLED显示技术。

基于产业链梳理实现投资标的推荐 [page::15][page::19]

• 通过新闻文本中的上市公司实体识别及标的匹配，将产业链产品与具体个股关联。

- 对“智能手机-显示屏”等产业链节点匹配对应上市公司，构建涵盖超过70只投资标的的覆盖范围。

• 推荐标的覆盖华为供应链核心业务板块，与Wind“华为平台概念指数”成份股有60%以上重合，表明筛选有效。

投资主题拆解与多产品产业链汇总示范——以“华为供应链”为例 [page::16][page::17][page::18]

• 智能体通过业务关联识别“华为供应链”核心业务（智能手机、5G基站、云服务）精准聚焦。

- 分别梳理各核心产品上下游结构后汇总生成完整产业链图谱。

• GPT4与GPT3.5（叠加新闻）对比显示后者对专业领域细节掌握更丰富，结构更合理，但末端判定稍逊。

- 体系虽有局限，但为快速有效的主题投资分析开辟新方向。

结论与风险提示 [page::20]

• LLM-Based Agent实现了产业链智能化梳理、新闻扩展知识与投资标的自动推荐，显著提升产业链研究效率及动态性。

- 目前结果存在不稳定性、结构冗余及新闻挂载效果不均等问题，需持续优化Prompt设计与数据质量。

• 本报告结论仅供参考，模型随机性及迭代升级风险需重点关注，投资需审慎决策。

国金证券报告《追上投资热点——基于LLM的产业链图谱智能化生成》详尽分析报告

---

1. 元数据与报告概览

• 报告标题：追上投资热点——基于LLM的产业链图谱智能化生成

- 作者及机构：国金证券金融工程组 高智威（执业证号S1130522110003），联系人胡正阳（邮箱：huzhengyang1@gjzq.com.cn）

• 发布日期：未明确具体日期，结合内容节点为2023年下半年左右

- 研究主题：探讨如何利用大语言模型（LLM），特别是结合智能体（Agent）技术，实现产业链结构梳理和投资标的推荐，聚焦金融投资领域的人工智能创新应用。

• 核心论点与结论：

- 本文是国金证券围绕大语言模型的第八篇深度前瞻研究，聚焦智能体技术在产业链梳理中的应用。
- 通过构建“产业链 Agent”，结合新闻检索等工具，实现对复杂产业链的递归梳理与分析，并整合投资标的推荐。
- 产业链梳理赋能投资决策，帮助投资者快速捕捉新兴产业及主题投资机会。
- 尽管当前技术已初见成效，但仍存在产业链结构不稳定、结果冗余以及新闻数据叠加效果不稳定等问题，未来智能模型发展将促进其实际落地。

• 报告主要目标：介绍基于LLM的智能体构建原理，解释产业链自动化梳理方法，展示“华为供应链”主题案例，体现智能体赋能投资领域的潜力与未来展望。[page::0, 3, 20]

---

2. 逐节深度解读

2.1 从大语言模型到“智能体”

• 关键论点：

- 大语言模型应用广泛，但直接面向复杂任务时存在局限，智能体技术弥补了这一不足。
- 智能体（Agent）的定义为“大语言模型 + 规划 + 工具 + 记忆”，实现感知-规划-行动的闭环。
- OpenAI首次引入GPTs功能，自主化执行多步任务，标志着智能体进入实质应用阶段。

• 支持依据：

- 图表1展示了OpenAI Data Analysis案例，GPT自主拆解复杂任务、结合代码工具执行，实现多轮思考给出结果。
- 智能体进化路径回顾（图表4）从符号智能到强化学习智能体再到LLM智能体的优势对比和劣势。
- 智能体运行流程精简为感知（输入转结构化）、规划（推理做决策）、行动（执行与反馈）三大模块（图表5、6）。

• 数据和技术点：

- 多模态感知扩大输入信息范围（文字、语音、图像）。
- 规划模块利用思维链（CoT）加强推理。
- 行动模块通过API、脚本等丰富工具支持，支持复杂环境交互。
- 记忆功能使智能体能进行多轮迭代学习，实现反馈利用。

• 解释复杂点：

- 智能体可理解为“自主执行模块”，基于大语言模型推理但不仅停留于问答。
- 类似AutoGPT项目样例，智能体能不断调用不同工具解决子任务，整合执行。
- 记忆不是模型参数训练，而是对历史行为的缓存，辅助后续推理。

• 结论：

- 大语言模型为智能体提供强大的“智能核心”，赋能更多实际应用场景，其泛化能力强、支持zero/few-shot学习。[page::3-6]

2.2 LLM-Based Agent的应用与实践

• 关键论点：

- LLM智能体目前应用有三大方向：单一智能体、多智能体交互、人与智能体互动。
- 单一智能体如AutoGPT通过模块调用和长短期记忆实现全自动任务完成（图表7、8、9）。
- 多智能体交互未来潜力巨大，可分为协作型和对抗型交互，促进系统能力提升（图表10）。
- 人与智能体交互仍是主流，借助人类反馈优化模型行为。

• 技术细节：

- AutoGPT核心流程包括任务构建、Prompt标准化、调用模型解析执行命令、结果缓存。
- Prompt中明确命令集、输入约束、性能评估机制、统一输出格式，可提升模型稳定性与效率。
- 当前限制包括Token长度限制导致长期记忆不足及成本问题。

• 理解说明：

- 多智能体交互优势在分工与专业化，不同Agent分工协作，提升整体效率与表现。
- 人类反馈回路是保证模型行为“合规”和“目标导向”的关键。

• 结论：

- LLM智能体正由单一向多智能体系统发展，未来具备更强协作能力，正逐渐从理论走向多领域实际应用。[page::7-9]

2.3 利用LLM-Based Agent快速梳理产业链，捕捉投资热点

• 背景与挑战：

- 主题投资的关键是快速梳理产业链及定位投资标的，信息量大且专业知识壁垒高。
- 传统人工梳理耗时且滞后，量化侧亦受限于产业链信息的准确性及时效。
- LLM虽掌握产业链知识，但无法一次性输出完整细节，需实现任务拆解与迭代。

• 方法框架：

- 产业链结构拆解至多个产品节点，递归获取上下游产品及重要程度。
- 定义末端产品条件（原材料或无进一步拆解价值）。
- 构建产业链Agent，流程包括感知模块输入产品信息，prompt构建任务，LLM推理获取上下游及重要度，判断末端，保存结果，重复迭代（图表12、13）。

• 关键数据点和案例：

- 以智能手机为例，展示基于ChatGPT(基于GPT4)对产业链节点的拆解并按照成本占比赋予重要度（图表11、14）。
- 结果与Wind产业链数据（图表15）整体结构相符，说明Agent推导能力与实证数据吻合。

• 补充手段：

- 引入新闻数据进行“检索增强生成（RAG）”，通过新闻语料库给LLM提供最新、详实信息，辅助产业链细节丰富和动态变化捕捉。
- 嵌入技术（Embedding）、FAISS向量检索提升相关文本查找效率。

• 结论：

- 产业链Agent将大语言模型基础能力与专业语料结合，形成迭代自动梳理平台，为投资者提供精准且及时的产业链结构洞见。[page::9-14]

2.4 产业链梳理细化及相关投资标的推荐

• 投资标的筛选逻辑：

- 通过产业链Agent梳理产业结构，并从新闻文本中抽取上市公司相关实体，完成标的推荐。
- 重点抓取新闻开头或指定格式中出现的股票代码、公司名，结合NLP实体识别技术。

• 案例展示：

- 智能手机显示屏及其上游相关投资标的推荐示意（图表20），清晰对应产品和投资标的关系，类别和层级明确。

• 投资主题产业链拆解：

- 针对更宽泛投资主题（如“华为供应链”），利用模型业务关系映射，拆解相关业务板块（通信设备、智能手机、云服务等），进一步展开产业链梳理（图表21）。

• 具体案例：

- 使用GPT4智能体梳理“华为供应链”产业链（图表22），涉及智能手机、5G基站设备、云服务三大主链。
- 结合新闻增强的GPT3.5模型补充完善产业链结构（图表23），细节更丰富、业务分类更合理。

• 投资标的覆盖与验证：

- 系统梳理72支关键标的，约60%涵盖于Wind“华为平台概念指数”（共205只成份股），体现自动推荐结果与人工筛选高度一致。

• 结论：

- 产业链Agent不仅能明确产业链节点，还能高效挖掘投资标的，助力主题投资研究与决策，加速投资者反应速度。[page::14-19]

2.5 总结及风险提示

• 总结：

- 本报告系统介绍了基于LLM的智能体技术，及其在金融投资领域特别是产业链梳理的创新应用。
- 构建了以GPT为内核、集成新闻检索形成知识增强的“产业链Agent”，实现了产业链结构自动推导、动态更新及个股推荐。
- 通过“华为供应链”等案例展示了模型实际工作能力及投资洞察力，兼顾了广度与深度。
- 当前模型仍存在随机性输出、结构冗余和新闻数据依赖波动等问题，未来随着模型能力提升，智能体金融应用前景广阔。

• 风险提示：

- 大语言模型回答随机性带来的风险；
- 迭代升级和功能变更导致结论变化的风险；
- 人工智能结论仅供参考，可能包含错误。

• 结束语：

- 产业链Agent是金融科技与人工智能结合的典型代表，辅助投资者拓展视角和提升研究效率，关注后续智能体升级尤为重要。[page::20]

---

3. 图表深度解读（部分重点图表解析）

图表1 — OpenAI Data Analysis应用案例（page 3）

• 展示大语言模型通过自动调用代码工具，对本地数据文件进行复杂计算的全过程。

- 包含数据字段解析、Python代码示例、分步任务拆解及结果输出。

• 说明GPTs如何通过“分解任务+调用工具”策略自主完成复杂分析。

图表4 — 智能体技术演变（page 5）

• 回顾了智能体技术发展历程：

- 符号智能体：依赖逻辑规则与抽象符号，擅长表达清晰推理；
- 反应式智能体：强调快速实时外部环境交互；
- 强化学习智能体：通过交互学习最优决策，应用于如AlphaGo；
- LLM智能体：通过强大预训练模型泛化能力，支持多模态感知和自适应思维链推理。

• 突出大语言模型带来的核心优势：模型泛化、推理灵活、多模态感知、工具调用自由度高。

图表6 — 智能体运行流程示意图（page 6）

• 简练展示智能体执行闭环：感知—规划—行动—反馈—再次感知。

- 显示智能体的多轮迭代思考机制。

图表8与9 — AutoGPT逻辑流程及Prompt模板（pages 7-8）

• 图表8：显示AutoGPT的模块划分及内部数据流转，分别为感知模块Task输入，规划模块LLM调用、命令解析，行动模块命令执行，记忆模块缓存结果。

- 图表9：展现了标准化的Prompt模板设计，包括允许的actions、输入约束、模型行为规范及统一输出格式（JSON），是确保模型稳定执行复杂任务的关键。

图表12 — 手机产业链推导示意图（page 11）

• 展现了智能手机产业链由核心产品向上游原材料和组件递归扩展的层级结构。

- 体现产业链拆解至合理末端的设计思路。

图表13 — 产业链Agent运行流程示意图（page 11）

• 具体化产业链Agent的三大技术模块：感知、思考（LLM核心+记忆）、行动（工具调用与数据写入）。

- 通过任务拆解和多轮执行，实现复杂产业链完整梳理。

图表14与15 — 产业链Agent梳理与Wind手机产业链对比（page 12）

• 图14：Agent给出手机主要组成产品及重要程度的JSON格式输出；

- 图15：Wind产业链标准图，涵盖丰富的公司和产品节点。

• 二者结构一致性证明了智能体的准确性。

图表16-19 — 新闻数据引入及显示屏产业链动态调整（pages 13-14）

• 通过新闻文本对应相似度排名，展示了基于RAG技术的产业链知识更新机制。

- 叠加不同时间段新闻数据，智能体给出更加细化的显示屏上游结构与分类（区分TFT-LCD与AMOLED等）。

• 明显改进模型认知与产业链动态追踪能力。

图表20 — 显示屏上游投资标的推荐（page 15）

• 结构化图示产品各细分部件与对应上市公司代码的映射关系。

- 实现投资标的与产业链节点的直观关联。

图表21-23 — 华为供应链投资主题拆解及上下游产业链图谱（pages 16-18）

• 21：大语言模型基于业务视角给出的主题拆解，涉及通信设备、智能手机、云服务等关键组件；

- 22：GPT4智能体搭建的华为供应链产业链结构网，涵盖CPU、显示器、存储等；

• 23：引入新闻数据增强的GPT3.5产出，更详细且业务导向的层级节点，避免不必要的分类冗余。

图表24 — 华为供应链投资标的梳理结果（page 19）

• 汇总核验投资标的共72只股票，覆盖华为业务核心领域。

- 约60%个股与Wind华为概念指数重叠，验证智能体筛选的有效性。

---

4. 估值分析

本报告主要聚焦于技术路径与应用示范，对传统定量估值部分（如DCF、市盈率等）未作展开，故无估值模型描述。

---

5. 风险因素评估

• 模型随机性：LLM输出结果具有不确定性和随机性，导致产业链结果可能不稳定，影响决策实时性和准确性。

- 迭代不确定性：模型版本升级、训练数据更新、工具能力变化等，均可能引起分析结果的明显波动。

• 错误结论风险：人工智能模型结果仅供参考，不排除错误或片面情况，投资决策需结合多种判断。

- 数据质量风险：特别是在依赖新闻数据进行补充的情况下，若挂载数据质量不佳或相关性不足，会影响产业链完整性和标的选择合理性。

报告没有明确指出具体的缓解措施，但已有尝试：

• 通过标准化Prompt和多轮反思减少随机性；

- 结合高质量新闻和专家手动校验补足不足；

• 可能采用多模型协同（GPT4与GPT3.5结合）提高结果稳定度。

---

6. 批判性视角与细微差别

• 模型依赖性较强：报告显示依赖GPT4和GPT3.5模型质量，特别是GPT3.5在末端判断表现较弱；模型的知识库依赖新闻数据，若数据覆盖不足影响结果可信度。

- 结构冗余问题：大语言模型有时产生不接地气的抽象分类，导致产业链图谱结构臃肿，尚需后期人工梳理减少噪音。

• 随机性与稳定性限制实际应用：产出结果不稳定、不同运行间有差异，影响工业化应用的准确度和一致性，尤其在深层链条梳理时。

- 案例数据范围有限：新闻补充阶段时间窗口仍偏短（数个月），动态产业链更新敏感性高，部分细节可能波动较大。

• 多智能体协同潜力未完全释放：报告虽提及多智能体交互，但产业链Agent实际运行主要为单一模型迭代，未来可改进。

- 投资标的筛选仍较粗糙：以新闻实体识别为主，未全面结合财务、估值、市场行为等多维度指标，投资决策辅助能力尚有限。

---

7. 结论性综合

国金证券本篇报告围绕大语言模型和智能体技术，深入探讨了如何运用这些前沿人工智能技术，构建产业链Agent，实现复杂产业链结构的自动梳理及投资标的的精准推荐。

报告首先系统阐述了智能体的核心构成（感知-规划-行动闭环），细致介绍了AutoGPT等单智能体框架的任务拆解、工具调用、记忆管理与行为循环机制。随后，报告将此类智能体方法具体应用于产业链梳理任务，通过拆解产业链节点、判定产品重要性及末端条件，结合多轮推理，逐步构建产业链全貌。

实际操作中，报告以智能手机为主要示例，利用GPT-4模型输出了产业链关键产品分解与重要程度评估，验证了智能体输出与行业标杆Wind数据的高度一致性。此外，通过引入检索增强生成技术，挂载新闻文本库，并基于GPT3.5对产业链细节和动态变化敏感度明显提升，模型对显示屏等细分产业的解构更为细致和精准。

进一步报告针对主题投资需求，示范了“华为供应链”主题的产业链拆解，融合智能手机、5G基站设备、云服务等细分业务，完成上下游产业链结构搭建，结合新闻强化生成丰富节点细节。投资标的抽取功能实现了72只股票的聚合筛选，其中超六成成份股与人工编制的“华为平台概念指数”重合，显示高度准确性和实用价值。

本报告充分揭示了大语言模型及智能体技术在金融领域产业链分析的新视野及突破，同时也坦露了模型随机性、结构冗余、动态数据依赖与实际落地的挑战。其核心贡献在于提出并实现了一套经过实证验证的产业链智能自动化方案，展示了未来智能体金融应用的潜力。

综上，国金证券团队通过详实的案例和系统的技术剖析，为投资者及研究者提供了掌握产业链智能化分析方向的重要参考。预计随着更强模型和多智能体组合的成熟，智能体将在捕捉投资热点、提升研究效率及辅助决策中发挥关键作用。

---

备注：所有引用均按页码标注，如 [page::3,6]。

附：全文关键图表请参见报告对应页码。

---

本分析报告至此完结。

报告