从 0 到 1 搭一个金融研究 Agent：我踩过的那些坑
QVeris · 产品实践
上周我在带一个企业客户 POC，对方的需求很明确：
"能不能让我用自然语言问，分析一下苹果和谷歌的研发投入对比，然后 AI 自动把数据跑出来？"
这个需求听起来不复杂，但实际上横跨了好几个技术环节。借着这次 POC 复盘，把踩过的坑整理出来，供做 Agent 开发的产品和商务同学参考。
第一个坑：Prompt 写得再好，也抵不过"数据调不通"
一开始，我们把重点放在了 Prompt 优化上——怎么写指令让 AI 输出更稳定、格式更清晰。
结果一接真实数据，问题全暴露了：
FMP 的"income statement"接口返回的字段名，和文档里写的不一样。
财报年化数据有的按财年算、有的按自然年算，需要二次处理。某个字段在免费版里没有，但 AI 不知道，还在继续调用。
Lesson 1：Agent 的上限不是 Prompt 决定的，是数据层决定的。
花三小时调 Prompt，不如花十分钟把数据接口校验一遍。
第二个坑：AI "以为"它知道的数据，其实它不知道
我们用的是 Claude + QVeris 的组合。Claude 的推理能力很强，它能根据公开知识给出一个看起来很专业的分析——但那不是真实数据，是训练数据的推演。
客户问："META 上一季度的资本支出是多少？"
Claude 自信地给了一个数字。我们在后台用 QVeris 调出真实数据——差了两个百分点。
客户说："如果你的数字是捏造的，我怎么敢用在研究报告里？"
Lesson 2：AI + 真实数据 = AI 的价值。AI - 真实数据 = AI 的风险。
这两件事必须同时成立，一个都不能少。
第三个坑：接入不是终点，而是起点
数据接通了，不代表 Agent 能稳定运行。
第一版上线后，遇到的实际问题：
-
某天 FMP 返回速度从 200ms 变成了 3s，Agent 超时了
-
某天某个字段突然变成了 null，AI 把它当 0 处理了
-
某天免费额度用完了，Agent 直接报错，但没有任何告警
这些问题靠 QVeris 的 discover/inspect/call 三层结构解决了一部分：
inspect 阶段，QVeris 会告诉 Agent：这个接口的稳定性评级、是否有rate limit、当前是否可调用；
call 阶段，QVeris 处理了重试逻辑和超时熔断
Lesson 3：接入只是 20%，剩下 80% 是运维和稳定性。
Agent 开发者不需要懂金融 API 的每一个细节，但需要有一个基础设施层帮他们兜底。
第四个坑：合规不是事后想起来的，是设计阶段就定好的
客户是做 B2B 金融服务的，他们的内容面向机构投资者。
在我们最初的设计里，Agent 的输出是直接给到用户的——包括 AI 给出的分析结论和信号判断。
客户法务说：不行。AI 给出的结论如果被理解为"投资建议"，在他们的监管框架下是不合规的。
最后我们调整了定位：Agent 输出的是"数据分析辅助"，不是"投资建议"。一个词的区别，决定了产品能不能合规上线。
Lesson 4：做金融 AI 的产品，合规是功能需求，不是加分项。
从一开始就要想清楚"这个 Agent 告诉用户的是什么、不是什么"。
这次 POC 让我重新理解了 QVeris 在 Agent 开发里的真实位置：
不是说 QVeris 替代了谁的工作，而是**
**
QVeris 把那些本不应该让开发者花时间去处理的事情，自动处理掉了——找数据、验数据、接数据、管稳定性。
开发者的时间应该花在"这个 Agent 要解决什么问题"上，而不是花在"这个 API怎么接"上。