百度搭子金融套件实测体验

2026年，AI领域最大的变化是Agent化，AI从回答问题进化到了可执行复杂任务并交付结果，最受关注的是各种AI coding，它们已经可以很大程度上替代程序员写代码，Anthropic与OpenAI最近半年多ARR狂飙到合计超千亿美金，就是这股浪潮的最佳注脚。但这只是Agent在各行各业应用的起点，实际上，在更多垂直领域，各类专业Agent都已经开始融入人类工作流程，发挥越来越重要的作用。

比如8月份刚发布的百度搭子金融套件，就是一款专门针对投研领域的专业Agent，可以解决从看市场、读事件到分析标的、跟踪持仓和复盘交易的一整套投研工作，让投资者从多渠道、碎片化琐事中解放出来，专注于关键的投资决策与研判，系统内部已接入同花顺iFind金融数据库。8月27日举行的产品升级发布会上，官方披露百度搭子近半年完成150次迭代，据AI产品榜显示，其最新月活达到674.3万，环比增长1063.79%，位列AI办公智能体增速第一。

最近两周，笔者对这款投研Agent进行了长时间的实测，根据个人投资研究习惯，我将它融入到了自己的日常投资工作流程，来评估它的真实表现，一个直观的感受是，这款投研Agent在信息搜集、跟踪、投资分析与交易决策方面可以扮演不错的辅助角色，当然，我也不觉得它是尽善尽美的。

本文主要内容包括：如何操作金融套件；它解决了哪些问题；它在持仓分析、个股研判、事件追踪、盘前提示、盘中跟踪、盘后复盘六个方面具体表现如何。以下是详细内容，希望为你提供一些参考价值。

一、如何使用金融套件

金融套件是内置在百度搭子里面的一个专业功能，你可以点击对话框中的“+”按钮来唤醒金融套件：

也可以采用最直接简单的方式，什么都不用做，只要问的问题本身是金融相关，系统自动会识别并路由到金融套件，然后触发金融套件相关技能。

二、金融套件解决了什么问题

在测试金融套件之前，我的投资日常基本上是这样的：无论盘前盘中盘后，我都会看看交易软件；然后看看交易软件上持仓个股相关新闻、评论，我目前的主力交易软件还是在长桥，但有些评论我还要去雪球、富途看一看，因为这两个平台的KOL和散户互动更丰富；接下来，我还会去X、Reddit、Substack、SeekingAlpha看看海外KOL和分析师们的点评；除此之外，我还会去TradingView上看看长短债收益率、BTC、油价、金价、美元指数等等宏观数据。

这套投资跟踪的工作流程，有一个比较明显的缺陷，就是信息获取渠道碎片化，复杂的信息缺乏系统有效地串联起来，同时，有些信息还很难获取，比如不同板块轮动状况、资金流入流出趋势、个人持仓结构与仓位管理健康度、未来关键节点提示等等。

百度搭子金融套件就可以有效地解决上述种种问题，无论是个股、板块还是整体盘面的趋势、资金流入流出，只需向它咨询一下，几分钟时间就能得到一份完整的报告。

三、哪些场景适合使用金融套件

根据最近两周的使用体验，我发现百度搭子金融套件在持仓分析、个股研判、事件追踪、盘前提示、盘中跟踪和盘后复盘方面非常有用，下面我将结合自己的个人体验，来说说它在这些领域是如何发挥作用的。

1.持仓分析

真正使用百度搭子金融套件的第一步，我建议是让它为你做持仓分析，因为这样做的第一个好处，是让系统了解到你的持仓结构、仓位管理、风险偏好。

同时，百度搭子的长上下文记忆功能可以记住你的持仓，这样你后续再问问题，得到的答案是更个性化的。

此外，他还会根据你的持仓情况、市场行情、风险偏好给你的持仓一些建议。

以我个人为例，我将个人持仓截图发给了百度搭子，它给出的组合建议包括：

持仓集中度风险，虽然我的持仓看起来分散，有19只个股仓位，但接近80%的持仓都集中在AI产业链硬件板块，本质上仍然暴露在单一风险因素下；单一标的风险，且个股波动性太高；美股风险敞口极高。

同时，它有建议我增加与AI关联度低的板块持仓，分散风险，而且建议我将浮盈较高且仓位重的MU、NBIS适当减仓20-30%，还建议尽快减仓带有杠杆属性的海力士双倍做多（07709）。

回过头来看，它给的这些建议目前看都是正确的，如果我在前两天根据系统建议同步操作，就可以避开最近两天的AI硬件二次回调。

不过，我并没有因为没有执行它的建议避开损失而后悔。

一方面，我仍然坚持认为包括百度搭子金融套件在内的AI分析只能作为我们的投资辅助，最终的决策应该由自己做出。

另一方面，我对AI硬件的持仓周期基于长线产业判断，而百度搭子的分析与建议是基于中短线走势做出的建议，我并没有那么在乎短线的得失。

除了整体的持仓结构分析，百度搭子金融套件还对我持仓的每一只个股给出了大致的分析，由于篇幅原因，这里就不一一展开了。

2.个股研判

8月24日，美股AI硬件板块大幅回调，我仓位最大的MU和NBIS均大跌，NBIS盘中一度跌近10%，要搁在以往，我通过交易软件的新闻、社交媒体评论也能搞清楚大概的原因。

但是这种方式一方面效率比较低，另一方面可能获取的信息不全面。

当天我花了点时间咨询百度搭子金融套件，几分钟后就得到了一份非常全面的分析报告。

大致说的原因包括：可转债57.5亿美元发行落地过程引发的卖空对冲，空头詹姆斯・查诺斯的观点引发“股权稀释无止境”叙事，大空头迈克・巴里做空消息继续发酵，AI云乃至硬件赛道整体回调。

8月25日美团大幅回调，且与港股走势背离，百度搭子金融套件给出的解释，是恒科指数调仓被动减持+空头沽空+财报前避险+阿里配股与外围科技股回调传导引发动量资金破位。

对于个股高波动的原因归纳，这样一份完整的分析实际上已经可以帮助95%的用户答疑解惑，短时间内你很难找到比这更专业的分析了。

除了分析个股盘中异动，你也可以用它来分析个股日常趋势，或者财报解读，比如对于最近发布财报的阿里巴巴，百度搭子的解读报告就很全面且精准。

它的核心判断是，阿里正在用电商的利润和现金流，为全栈AI战略加码下注——云赚56亿，千问烧掉138亿，我认为这个判断是很精准的。

同时，它的报告涵盖核心盈利指标、业务分部拆解、现金流与资本开支、成本费用变化、管理层展望、亮点与风险提示、市场反应七个层面，解读得非常全面。

3.事件追踪

说回到NBIS 8月24日大跌的原因解析，百度搭子金融套件在说到第二个原因时，有一段引用数据是错误的，见下图标红部分：

这里面它转述空头詹姆斯・查诺斯的观点时，引用的是“公司实现多头模型ARR（150-165亿美元）需要6000-8000亿美元新增资本开支”。

低至1/40的投产比匪夷所思，我当时就很疑惑，于是继续追问“查诺斯真的说了NBIS创造150-165亿ARR需要新增6000-8000亿美金资本开支吗”？

结果得到的事件追踪报告如下：

这段解释说白了很简单，就是AI在翻译“150-165B”时忽略了那个“B”，说成了150-165亿美金，实际上B是Billion的缩写，也就是10亿美金的意思，应该是1500-1650亿美金，这种情况在AI里并不鲜见。

不过，我在看百度搭子金融套件这段事件追踪的报告时，倒是觉得它做得比预期好很多。

首先，它在第一段就把归因讲清楚了；其次，它在归因时直接抓取出了原始推文，使得结论无可辩驳；第三，它不仅用原始推文解释清楚了自己的“失误”，而且引申出了查诺斯的核心观点，这个观点他在过往的推文中有陈述；第四，可能也是这个报告最精彩的部分，它进一步系统性地暴露了查诺斯核心观点的荒谬之处：

也就是说，即便查诺斯的观点是“1500-1650亿美金ARR需要新增6000-8000亿美金资本开支”，也是站不住脚的，核心原因是：

过度夸大的资本开支口径忽略了客户预付款；算力定价快速提升带来经营现金流加速，从而驱动每1美元ARR所需资本开支边际快速下降；1500-1650亿美金ARR属于多头设置的远期目标，不应该用过去高强度的资本开支标准简单乘积；多重因素倒置背景下，结论就是荒谬的。

4.盘前提示

作为投资者，我们除了特别关注个股、持仓，对整体盘面的变化和趋势也很关心，我在8月25日盘前询问百度搭子金融套件，“你现在已经知道我全部持仓了，请结合我的持仓，告诉我今天盘前要注意哪些信息，今天美股走势如何，未来一个月有哪些关键节点需要留意”，得到的回应如下：

首先，它整理了道指、标普500、纳指和费城半导体指数24日收盘走势。

然后，它将我的美股持仓按风险等级划分出了高、中高、中等、低四个类别，并分别给出了大致的归因与趋势预判。

接下来，他给出了影响25日盘面走势的三大因素：英伟达财报、软硬件风格切换、美联储主席沃什杰克逊霍尔讲话和PCE通胀数据等周内重大事件。

最后，它还给出了未来一个月需要注意的关键节点，以及不同情境下的操作建议。

从我个人的角度来看，我认为第一、第三和第四部分明显是有价值的；至于第二点，整体上我会持保留意见。

一方面我认为有一定道理，比如AI软件确实是风险较低的，NBIS和ARM的分析我也认为合理，另一方面，我认为这些判断整体上聚焦的是短线，比如将MU和MRVL列为高风险，将AMD列为次高风险等级，我个人认为存储目前阶段存在显著的预期差，短线很难讲，长线明显低估了，MRVL则和AMD类似，都属于长线来看是典型的高赔率同时高胜率标的，从它对MRVL的归因分析，也能看出来这些分析是短线视角。

所以，第二部分我会当做一个参考，但不会当操作指引。

5.盘中跟踪

8月25日美股盘中大涨，尤其是隔夜大跌的AI硬件板块大幅反弹，我问了百度搭子金融套件这样的问题，“今天美股盘中有哪些突出的变化值得关注，请结合我的个人持仓重点分析一下”，它先是描述盘面走势：纳指7连阴后今日盘中出现明显反弹，半导体/AI硬件板块领涨，与隔夜大跌形成鲜明对比。

然后给出了整体的走势归因和重点标的提示，认为半导体强势反弹是空头在英伟达财报前夕回补加上抄底资金介入，MRVL表现强劲得益于英伟达带动和自身财报前乐观预期，NBIS反弹关键看能否站稳50日均线，MU趋势不明，需等待英伟达财报指明方向。

整体上，他认为今晚的反弹更多是英伟达与MRVL财报预期驱动，因此短线需要格外关注两场财报的表现，同时周四和周五需要重点关注杰克逊霍尔讲话和PCE数据。

这个分析我认为是合理的，实际上本周美股确实主要就四件事需要重点关注，两场财报（英伟达+MRVL）、一场讲话（杰克逊霍尔）和一份数据（PCE）。其余如油价、霍尔木兹海峡、美债表现目前市场都已经price in。

6.盘后复盘

相对于盘前提示与盘中跟踪，其实盘后复盘是更大的应用场景。

因为收盘后市场走势的复盘本身更具参考价值，而且也隐含着指引后市怎么走的预判。

24日开盘前，我问过百度搭子金融套件对于上周五（8月21日）美股盘面和趋势的分析。

当时，他告诉我，上周五市场温度是42（满分100），市场偏冷，防御为主，趋势震荡偏弱，风格上价值大于成长，风险偏高，VIX恐慌指数是15.13。

从本周一的走势来看，百度搭子当时的这个判断是靠谱的。

接下来，它回溯了三大指数当日和周内的表现，并具体分析了市场内各版块的表现和驱动因素，以及领涨和领跌个股的表现。

然后，它又整理了美债表现、对冲基金再平衡、金融能源超配以及市场驱动因素：美债、地缘、资金和情绪。

最后，它还提示了后续需要重点关注的注意事项、机构观点和风险清单。

看完这样一份图文并茂的报告，你对市场短线走势、趋势和未来核心关注指标其实已经清晰，而从市场短线走势来看，这些判断准确率还挺高的，说明百度搭子金融套件不仅没出现幻觉，而且专业水平不错。

同时，如果你本身就是高频交易者，这些判断对于你做交易决策会非常有价值，因为它里面的判断结合了宏观（美债、地缘）与微观（资金流向、市场风格、风险偏好），短线判断胜率较高是有原因的。

随着时间的推移，AI越来越深入地融入人类生活，我越发觉得它在创造更多不可替代的价值，在投资领域尤其如此。

在现实世界里，很多投资真正的风险其实都不是专业度问题，而是它们本身就是故意设置的陷阱。

过去20多年，中国经历过非常疯狂的地产黄金时代，当时有些中介会专门筛选认知不高的大爷大妈，包车去买临海小别墅，回过头来看，那样的房子不仅没有居住价值，风吹日晒潮汐侵蚀，巨高的维护成本，房子都不知道能存在多少年，转售价值基本为0。

这样的陷阱在地产黄金时代比比皆是，在金融投资领域又何尝不是呢，一些打着价值投资名义的荐股群、AI选股、买卖点位提醒，背后可能是设计好的杀猪盘。

像百度搭子金融套件这类Agent，至少它们不可能是来骗人的，现在它们不仅专业，还真能替你干活。

短短两周体验下来，实际上我有一种感觉，如果我是一个高频交易者，真的将交易决策完全交给百度搭子金融套件，收益率很可能会超过我自己独立做决策。

这种感受不仅来自回看它过去为我做的操作建议准确率，更来自内在逻辑，因为很明显，它能掌握的信息维度远远超过了我日常跟踪的范畴。

退一步说，今天我们实际上也面临很多选择，像ChatGPT之类的AI聊天应用实际上也可以辅助投资，但比较下来，百度搭子金融套件还是有它的优势：

最核心的区别，是普通AI聊天应用做到的是回答问题，而百度搭子金融套件可以完成任务。

比如我要求“帮我整理过去9个季度阿里巴巴的核心财务数据”，ChatGPT给到的答案仍然是一篇文本内容答案，百度搭子金融套件给到的则是一个实打实的表格：

如果我让ChatGPT帮我整理上周五美股的盘面走势和未来趋势，他也会给我一份标准的文本答案，里面也有专业分析，但百度搭子金融套件给到的是一份包含图表的专业报告，部分内容见下图。

普通AI聊天负责思考、搜索、回答，百度搭子金融套件上升到了拆解、搜索、调用工具、执行；前者输出模式主要是文字、图片、代码，后者还包括了文档、PPT、Excel表格、图表、操作结果；普通AI聊天软件像我们的投资顾问，而百度搭子金融套件扮演的是投资助理和执行者角色，前者帮我们节省思考时间，后者帮我买节省整个投资的工作流。

可能因为有搜索的基因和底子在，加上接入了同花顺等专业金融数据库，百度搭子金融套件在低幻觉率方面的表现非常出色，使用两周下来，除了发生过一次将150-165B翻译成150-165亿美金这样的AI常见失误，没有遇到过任何其它低级幻觉失误。

不过，百度搭子金融套件并不天然比普通AI聊天软件更有优势，这取决于我们需要什么。

如果我们只是需要一个快速的答案，普通AI聊天软件通常可以更快速地给我们结果；等待百度搭子绕一圈去操作网页、抓数据、生成图表，反而显得笨重。

如果我们需要的是一个更深入、专业、可视化的报告，那么等上几分钟，交给百度搭子金融套件这类Agent去处理是再合适不过的。

百度搭子胜出的部分，可能不是他回答问题有没有比ChatGPT更好，而是当用户提出一个复杂目标后，它可以将这个目标变成一个令人满意的最终成果。