一名加密投研 KOL 分享称，他在一周内完成了个人业务流程的部分 Agent 化改造，目前系统已串接近三分之一，每日例行工作时间从 6 小时压缩到 2 小时，业务产出提升 300%，每月 AI 成本���为 500 美元。这套系统覆盖投研分析、内容生产和自动化执行，目标是把重复性信息处理交给 Agent，人只保留最终判断。
三层架构：知识库、Skills 与 CRON
按照这名作者的拆解，个人 Agent 系统由三部分构成。第一层是知识库，用来沉淀历史数据、重点新闻、宏观指标和个人决策记录；第二层是 Skills，也就是把个人判断标准写成结构化规则，让 AI 按既定框架工作；第三层是 CRON 自动化任务，负责定时抓取、整理、推送和执行。
在投研场景中，他称系统每天可自动处理 20,000 条以上全球财经新闻、50 家以上公司财报动态、30 个以上宏观数据指标，以及 10 份以上行业研究报告。按其说法，若完全依靠人工完成同等工作量，至少需要一个 5 人团队，而现在只需 API 调用费用和每天 1 小时人工复核。
投研场景中的预警与减仓建议
文章举了一个市场预警案例。作者称，2026 年 2 月初市场大跌前 48 小时，系统已经根据日债收益率跳涨、US2Y-JP2Y 利差收窄、TGA 余额高企，以及 CME 连续 6 次提高金银期货保证金等信号，识别出流动性收紧风险，并给出“流动性紧张+估值高企→减仓”的建议。他表示，这次预警帮助自己避免了至少 30% 的回撤。
其知识库规模也被量化描述为超过 50 万条结构化数据，并以每天 200+ 条的节奏自动更新。作者认为，核心不是让 AI 替代判断，而是先把自己的判断标准显性化、结构化，再交给系统执行。
内容生产从 8 小时缩短到流水线协作
在内容业务上，这名 KOL 也把流程分解为选题、资料收集、写作、修改和发布。改造前，一篇文章通常要花 8 小时；改造后，资料收集阶段从 2 小时降到 30 分钟，修改阶段从 1 小时降到 15 分钟。Agent 会先分析热门内容结构，再自动提出选题建议、抓取资料、生成初稿框架，并在发布前完成可读性与互动要素检查。
他还提到，自己曾抓取过去一年 X 平台财经和科技领域 Top 200 热门文章，总结标题结构、开头方式和论证逻辑，再整理成“内容框架库”供 AI 调用。复盘结果显示，数据密集型文章的收藏率比纯观点文章高 40%，最近 5 篇文章平均收藏率则从 8% 提升到 12%。
从咨询走向 AaaS 的设想
在服务层面，作者称自己曾用两周时间，为一名管理 5 亿规模私募基金的基金经理搭建简化版投研 Agent。项目拆分为工作流访谈、知识库搭建、3 个核心 Skills 配置和自动化任务设置。该经历让他判断，这类 Agent 化改造并非个例，而是具有可复制需求。
不过，他也指出纯咨询模式存在时间瓶颈和难以规模化的问题，于是提出从 SaaS 走向 AaaS（Agent as a Service） 的设想：客户不再主要购买软件工具，而是直接购买 Agent 提供的结果与服务。按其规划，成熟后的系统可先做成开源项目，面向有商业化需求的机构客户，再提供高级功能订阅或按使用量计费。