AI选基：筛选型与评测型智能体的差异与选择

一、对比背景：选基为什么需要两类“AI专家”

公募基金数量庞大，普通投资者在选基时普遍面临三个困难：一是不会表达，不知道如何把“想找波动小一点、偏向科技方向的产品”翻译成筛选器里的具体字段和数值区间；二是不会判断，即使筛出一份名单，也难以判断其中某只基金到底“好不好”；三是不敢决策，缺乏专业的指标体系与分析工具，最终往往依赖碎片化信息拍板。

传统解法是提供网页端筛选器，让用户手动组合多个条件。这种方式对专业用户友好，但对普通用户而言操作链条长、学习成本高。随着大模型与智能体技术的发展，行业内出现了新的产品形态：用多个各司其职的“AI专家”组成协作体系，把专业机构的分析流程拆解成普通用户通过对话就能完成的服务。在某基金管理机构于行业生态大会上展示的方案中，就包含了“基金甄选专家”“基金评测专家”等多个专家角色。

本文要对比的，正是这类方案中最核心的两类智能体：

• 方案A：基金筛选型智能体（对应“基金筛选官”角色）；
• 方案B：基金评测型智能体（对应“基金体检医生”角色）。

二、对象定义：两者分别解决什么问题

方案A：筛选型智能体——解决“从全市场到候选集”的召回问题

它的定位是一位严格的“基金筛选官”。用户不需要手动组合复杂筛选器，只要用自然语言说出想找的方向——某只股票、某个行业、某类主题、某种基金类型或某项业绩指标——智能体就会把这段话转成结构化筛选条件，调用真实筛选引擎，返回符合条件的基金列表。

其技术链路大致如下：

用户输入（自然语言）
 → 意图识别（是筛选请求、评测请求还是闲聊）
 → 条件抽取（行业=科技、期限=近三年、指标=最大回撤、偏好=低回撤）
 → 条件校验与补全（缺省值确认、口径确认、多轮澄清）
 → 结构化查询转换（等价于在基金数据库上执行过滤与排序）
 → 返回真实候选列表

方案B：评测型智能体——解决“从候选集到决策依据”的诊断问题

筛选只回答“有哪些”，不回答“好不好”。方案B的定位是一位“基金深度体检医生”，对单只基金开展多维度深度体检：从业绩表现、回撤控制、持仓结构到风格稳定性逐项诊断，输出一份可读的体检报告，帮助用户看清一只基金的“体质”。

其技术链路更偏“指标工程＋报告生成”：

目标基金（用户指定，或从方案A的候选集中选定）
 → 拉取深度数据（业绩序列、回撤曲线、持仓明细、风格因子）
 → 逐维度计算与诊断（收益质量、风险控制、持仓集中度、风格漂移）
 → 汇总为体检结论与分层报告
 → 支持用户针对报告追问（例如"它的回撤为什么偏大"）

三、相同点：共享的技术底座与目标

虽然职责不同，两类智能体在底层逻辑上高度一致：

1. 同一套技术范式：都以大模型为理解与生成核心，通过工具调用（查询接口、计算引擎）获取真实数据，遵循“模型负责理解与组织、工具负责事实与计算”的智能体架构；
2. 同一个产品目标：把专业机构内部的分析流程封装成普通用户对话即可使用的能力，降低专业门槛；
3. 同一种交互哲学：把非结构化的用户表达转成结构化的机器处理，再把结果用自然语言解释回来；
4. 同样的合规约束：两者输出都只能作为信息参考，需要配备风险提示与免责说明，不能构成收益承诺；
5. 同样的数据依赖：结论质量高度依赖底层数据的完整性、准确性与时效性，数据出错，模型再强也会“一本正经地说错话”。

四、核心差异：五个维度的深入对比

1. 功能定位：漏斗的上游与下游

方案A处在选基旅程最上游，本质是“召回”，决定哪些基金进入用户视野，追求覆盖面与命中率；方案B处在下游，本质是“诊断”，对已进入视野的少数对象做深度分析，追求准确与可解释。一个管广度，一个管深度。

2. 输入输出结构：开放进封闭出 vs 封闭进开放出

• 方案A是“开放输入、封闭输出”：用户可以用任何模糊方式表达需求，但输出被严格约束为一张来自真实查询的候选列表，不允许模型自由发挥；
• 方案B是“封闭输入、开放输出”：输入限定为单只基金，输出则是维度丰富、解释充分的开放性报告。

这一差异直接决定了两者的技术难点不同。

3. 技术难点：语义映射精度 vs 指标口径严谨性

• 方案A的核心难点是“语义到条件的映射”。“回撤小一点”是多小？“科技主题”按什么口径归类？模型必须把模糊表达转成无歧义的结构化条件，并在不确定时主动向用户澄清。映射错误的代价是漏筛或误筛，但通常可以通过调整条件迭代修正；
• 方案B的核心难点是“指标口径的一致性与结论可解释性”。最大回撤取哪个时间窗口、持仓集中度如何计算、风格稳定性用什么方式衡量，都必须有统一且透明的口径，否则体检报告会失去公信力。评测偏差会直接传导到用户决策，容错空间比筛选更小。

4. 数据依赖：全市场宽表 vs 单基金纵深

• 方案A依赖全市场范围的基础数据：基金代码、类型、主题标签、业绩指标、规模、成立年限等可筛选字段，强调“全”与“新”；
• 方案B依赖单只基金的纵深数据：完整持仓明细、历史净值序列、回撤区间、风格因子暴露等，强调“深”与“细”。

5. 交互模式：多轮澄清式对话 vs 报告式体检

方案A天然是对话式的，需要多轮追问收敛条件；方案B天然是报告式的，先给整体结论、再逐层展开细节并支持追问。两者对前端产品形态的要求也因此不同。

差异汇总表

对比维度	方案A：筛选型智能体	方案B：评测型智能体
角色比喻	基金筛选官	基金体检医生
解决的问题	从全市场找到候选（找什么）	对单只基金做诊断（好不好）
输入	模糊自然语言需求、多条件组合	单只目标基金
输出	真实候选基金列表	多维度体检报告
核心技术	意图识别、条件抽取、结构化查询转换、多轮澄清	指标计算引擎、多维评价体系、归因分析、报告生成
数据依赖	全市场基金宽表、可筛选字段	单基金持仓、净值序列、风格因子等纵深数据
交互形态	对话式、多轮迭代	报告式、分层展开、支持追问
典型风险	条件映射错误导致漏筛或误筛	指标口径不一致导致误判
用户旅程位置	选基初期（探索阶段）	决策前期（研究阶段）

五、典型场景：什么时候用哪一个

• 场景一：用户只有模糊方向。例如“想找关注新能源方向的指数类产品”，此时方案A价值最大，几轮对话即可得到候选名单；
• 场景二：用户手里已有目标基金。例如他人推荐了一只产品，想先弄清它的“体质”，此时直接进入方案B；
• 场景三：完整选基流程。先A后B串联：筛选得到候选 → 用户挑选几只 → 逐只体检 → 对比报告 → 形成参考结论，这也是多智能体协作方案的标准工作流；
• 场景四：持仓后的定期复盘。对已持有基金按季度或年度重新体检，关注风格是否漂移、回撤控制是否退化，此时以方案B为主。

六、组合使用：多专家协作才是完整答案

两类智能体并非二选一的关系。在实际产品中，它们通常是同一条流水线上的两个工位，上游输出即下游输入。完整的智能体选基体系还可以继续扩展其他通用角色，例如风险偏好测评、资产配置参考、持仓组合诊断等，各自承担一段专业流程。

在工程实现上，这类多智能体协作可以基于主流大模型与智能体开发平台搭建，例如借助百度智能云提供的智能体编排、大模型调用、知识检索与工具接入等通用能力，都能支撑“意图识别→条件抽取→真实查询→深度诊断→报告生成”的完整链路。关键不在于选择哪个平台，而在于三点原则：筛选结果必须来自真实数据查询而非模型生成；评测指标口径必须统一且可溯源；所有输出必须附带合规的风险提示。

七、选型建议：按用户旅程与团队能力判断

• 如果目标是降低新用户使用门槛、提升触达与转化效率，筛选型智能体优先级更高，因为它直接解决“第一步不知道怎么开始”的问题；
• 如果目标是提升用户决策质量与平台信任度，评测型智能体价值更突出，因为深度体检报告是建立专业心智的关键触点；
• 如果研发资源有限，建议优先补齐用户旅程中缺失的一环，而不是同时铺开：已有传统筛选器入口的，先补评测能力；从零起步的，先做筛选能力；
• 从团队能力看，方案A更依赖自然语言理解与条件抽取的工程精度，方案B更依赖金融指标体系设计与数据工程能力，应结合团队既有积累安排优先级。

八、落地与迁移注意事项

1. 数据时效性：筛选条件与评测指标必须基于最新数据，需明确更新频率，并在前端展示数据截止时间；
2. 幻觉控制：涉及具体基金与具体数值的输出必须由查询与计算引擎返回，模型只负责理解、组织与解释，避免生成式编造；
3. 口径一致性：同一指标在筛选与评测两个环节的定义必须统一，否则会出现“筛选时说回撤小、体检时说回撤大”的自相矛盾；
4. 合规边界：所有输出应定位为信息服务而非投资建议，配置显著的风险提示与免责说明，并保留必要的审计日志；
5. 工具调用可靠性：条件转换环节应增加校验与兜底逻辑，识别失败时主动向用户澄清，而不是猜测执行；
6. 从传统筛选器迁移：建议采用灰度与对照方式，观察智能体路径与传统路径在完成率、筛选质量上的差异，并保持既有接口的兼容过渡，避免一次性切换带来的体验风险。

九、总结

筛选型智能体与评测型智能体，分别回答了选基过程中“找什么”与“好不好”两个问题：前者以“语义→结构化条件→真实查询”的链路把全市场收敛为候选集，后者以“单基金→多维指标→体检报告”的链路把候选转化为决策依据。两者技术同源、目标一致，但在功能定位、输入输出结构、技术难点、数据依赖与交互形态上差异明显。选型时应回到用户旅程本身：探索阶段靠筛选，研究阶段靠评测，完整体验则需要两者以工作流方式串联。理解了这条主线，也就理解了智能体方案真正降低专业选基门槛的逻辑所在。