FINANCIAL AGENT PRODUCT SYSTEM · COMPETITIVE ANALYSIS · 2026-08-06

当金融能力开始
由用户自由组合。

Longbridge 提供了较完整的端到端路径：用户既可以使用官方场景 Agent，也可以选择模型、配置提示词、添加金融工具、挂载 Knowledge 和 Skill、调用 Subagent，并通过 Agent 探索页和开发者协议进行分发。

核心判断

它提供了一个高密度参照：用户不只消费平台预设的 AI 分析，还可以定义自己的研究方法，把模型、工具、Knowledge 与 Skill 组织成可反复运行的 Agent。

CHAPTER 01

Longbridge 在竞品能力版图中的位置

20 项能力覆盖研究洞察、个性化决策、策略执行、Agent 基础设施与业务延展。

八家竞品的 20 项 AI 能力版图 · 数据截止 2026-08-06 · ✓ 支持 / ◐ 部分支持 / — 未发现充分依据 · 默认聚焦 Longbridge

八家竞品的 20 项 AI 能力版图；数据截止 2026-08-06。✓ 表示支持，◐ 表示部分支持，— 表示截至核验日未发现充分官方依据。
能力 / 平台 BinanceCEX OKXCEX BitgetCEX Robinhood传统券商 Interactive Brokers传统券商 Public传统券商 moomoo传统券商 Longbridge参照对象
C01行情 / 技术面分析研究与市场洞察✓支持✓支持✓支持✓支持◐部分✓支持✓支持✓支持
C02财报 / 公告解析研究与市场洞察—未验证—未验证◐部分◐部分◐部分✓支持✓支持✓支持
C03新闻摘要与溯源研究与市场洞察—未验证◐部分✓支持◐部分◐部分◐部分✓支持✓支持
C04市场情绪与资金流研究与市场洞察✓支持✓支持✓支持◐部分—未验证◐部分✓支持✓支持
C05AI 市场简报研究与市场洞察✓支持✓支持✓支持✓支持◐部分✓支持—未验证✓支持
C06持仓日报与主动提醒个性化投研与决策◐部分◐部分◐部分◐部分—未验证◐部分—未验证◐部分
C07组合诊断 / 持仓 X 光个性化投研与决策◐部分◐部分✓支持✓支持✓支持✓支持✓支持◐部分
C08对话式投研问答个性化投研与决策✓支持✓支持✓支持✓支持✓支持✓支持✓支持✓支持
C09AI 选股 / 选币个性化投研与决策✓支持✓支持✓支持✓支持✓支持✓支持✓支持✓支持
C10个性化策略推荐个性化投研与决策—未验证◐部分✓支持—未验证◐部分—未验证◐部分◐部分
C11自然语言生成策略策略与交易闭环✓支持✓支持✓支持✓支持✓支持✓支持✓支持◐部分
C12策略模板 / Playbook策略与交易闭环✓支持✓支持✓支持—未验证—未验证✓支持—未验证◐部分
C13回测 / 模拟盘验证策略与交易闭环✓支持◐部分✓支持—未验证—未验证◐部分✓支持✓支持
C14AI 生成订单并确认策略与交易闭环✓支持✓支持✓支持✓支持✓支持◐部分✓支持◐部分
C15持续监控 / 自动执行策略与交易闭环✓支持✓支持✓支持✓支持—未验证✓支持◐部分◐部分
C16Agent 权限与交易风控Agent 基础设施✓支持✓支持✓支持◐部分◐部分✓支持✓支持◐部分
C17MCP / Skills 接外部 AgentAgent 基础设施✓支持✓支持✓支持✓支持✓支持✓支持✓支持✓支持
C18自建 Agent 与分发Agent 基础设施—未验证◐部分—未验证—未验证—未验证◐部分—未验证✓支持
C19多模型与第三方 ConnectorAgent 基础设施◐部分◐部分◐部分◐部分◐部分◐部分◐部分✓支持
C20跨资产统一投研与交易业务延展◐部分◐部分◐部分◐部分✓支持✓支持◐部分◐部分

CHAPTER 02

值得借鉴的，是组织方式

Longbridge 为什么是一个高密度的金融 Agent 产品参照？

Longbridge 最值得关注的，不只是官方 Agent 覆盖了多少金融场景，而是它把“如何分析”也交给用户配置。

常见的场景化 AI 分析嵌在 K 线或行情页面：系统已经知道用户正在看哪个标的，并用平台预置的技术面、基本面或资讯方法快速生成分析。它的优势是即开即用，用户主要改变标的、问题和追问条件。

Longbridge 在此之上增加了用户定制层。用户可以选择模型、配置 Prompt、组合金融工具、挂载自己的 Knowledge 与 Skill，并调用 Subagent 或 Workflow。完成配置后，这套分析方法可以被保存为 Agent，在不同标的和后续任务中反复运行。

USER-DEFINED ANALYSIS

从“分析当前页面”到“定义自己的分析方法”

两种形态解决不同层次的个性化

场景化 AI 分析与 Longbridge 用户定制化分析的产品差异
维度场景化 AI 分析Longbridge 用户定制化分析
分析起点K 线、行情或资讯页面中的当前标的用户定义的研究目标、标的范围与任务流程
分析方法平台预置的技术面、基本面或资讯框架用户配置 Prompt，并挂载 Knowledge 与 Skill
能力组合系统按场景调用预设数据与工具用户选择金融工具，并可加入 Subagent 与 Workflow
持续使用围绕当前页面即问即答、连续追问保存为 Agent，让同一套方法跨标的、跨任务反复运行

PRODUCT STRATEGY VALUE

把能力组合权交给用户，平台获得什么？

从增加功能，转向放大平台能力的长期价值

Longbridge 用户自由组合金融能力所带来的产品战略价值
战略价值形成机制对平台的意义
扩展长尾场景供给用户根据资产、策略、周期和研究偏好，自行组合数据、工具、知识与方法。降低平台逐个定义和建设场景的依赖，使同一套能力进入更多个性化任务。
放大既有能力杠杆模型、行情、账户、工具与 Skill 不再绑定单一入口，可以被不同任务反复调用。提高既有能力的复用率与场景覆盖面，把分散功能转化为平台级供给。
沉淀用户工作资产用户的资料、规则、分析框架和工具选择被保存为可持续迭代的 Agent。产品关系从一次性内容消费转向个人金融工作资产的长期积累，增强持续使用动机并形成更高的迁移成本。
重塑平台竞争边界竞争维度从单次回答质量，延伸到数据、账户、工具、组合自由度与运行可信度。通用模型提供推理，金融平台凭借专有能力决定任务能否真正进入业务场景并持续运行。

STRATEGIC JUDGMENT

Longbridge 的产品战略价值，是把金融平台从“提供标准 AI 功能”推进为“让用户利用平台能力定义自己的金融任务”：平台扩展长尾场景并提高既有能力的复用效率，用户则把方法沉淀为可持续使用的个人资产。

CHAPTER 03

用户能否把研究方法做成 Agent？

从官方任务到自建 Agent，分析方法可以被选择、组合、运行并保存。

01

Baseline

官方 Agent 已能把任务、工具和报告组织成场景化分析。

建立基线
02

Compose

用户把 Prompt、模型、工具、Knowledge 与 Skill 组装成自己的方法。

配置方法
03

Verify

运行轨迹与输出结构共同证明：配置不只被保存，也实际参与执行。

验证生效
04

Reuse

一次有效运行被保存为 Agent，并由工作台和市场形态承接后续使用。

沉淀对象

01 · BASELINE

先建立场景化 AI 的能力基线

平台预设的方法，已经能把一个金融问题推进到什么程度？

Longbridge 的官方 Agent 先把“行业分析、价值分析、技术分析、热点挖掘”等研究任务放到用户面前，再在后台调度相应的数据与工具。用户不需要先理解模型或组件，就能从一个明确的金融问题开始。

FIG 01

先选择任务，而不是先选择能力

Explore 以投资场景、Agent 卡片和示例问题组织入口，把底层模型与工具折叠进用户熟悉的研究任务。

FIG 02

场景 Agent 会拆解任务并调度金融工具

问题被拆成增长、估值和催化剂等子任务，执行过程以可展开的工具节点呈现。

FIG 03

任务结果以研究报告而非单句回答交付

输出用分节结论、公司对比、数据依据和来源列表承接，形成可继续阅读和讨论的研究产物。

02 · COMPOSE

把个人研究方法写进 Agent

个性化从“回答偏好”推进到“分析方法”需要哪些组件？

Longbridge Builder 的关键不是多一个 Prompt 编辑框，而是让用户同时定义任务目标、研究框架、可调用的金融工具、私有资料和校验方法。这些配置共同归属于一个 Agent 对象。

Prompt 规定“如何分析”，金融工具决定“能获取什么”，Knowledge 补入用户自己的资料，Skill 固化证据核验等方法，模型与 Workflow 则承接推理和多步执行。于是，同一场景不再只有平台预设的一种分析方式，用户可以组装自己的研究程序。

METHOD ASSEMBLY

个人方法如何进入 Agent

不是功能堆叠，而是对一次研究任务的分工

Longbridge 自建 Agent 中不同配置项承担的任务角色
配置项在研究方法中的作用示例配置
Prompt定义分析框架、证据规则与输出结构事实 / 推断 / 未知三层表达
Financial Tools提供行情、财务、估值、新闻与预期数据选择六项非交易工具
Knowledge把用户私有资料带入任务上下文挂载到同一 Agent
Skill固化可复用的研究与核验方法verify-investment-evidence
Model / Workflow承接推理并把多步任务显式化模型可选，流程可生成并校验

FIG 04

自然语言与模板共同承接创作起点

用户可以直接描述研究需求，也可以从股票分析、报告生成和研究助手等模板起步。

FIG 05

Prompt、模型与工具被组织在同一配置面

Builder 把 Agent 的任务说明、工作方法、模型选择和金融能力组合成同一个可保存对象。

FIG 06

资料、方法与协作关系继续进入同一对象

Knowledge、Skill、人机交互、Todo 与 Subagent 被纳入高级配置，使 Agent 能承接私有资料和复杂协作。

FIG 07

复杂方法可以被展开为显式 Workflow

自然语言需求被转换为 Start → Agent → Answer 节点、DSL 与元数据，并在校验通过后提供应用动作。

03 · VERIFY

验证配置是否真正改变执行

配置页上的方法，是否在一次真实任务里留下可观察证据？

自建研究 Agent 选择六项非交易金融工具，挂载 Knowledge 与 verify-investment-evidence Skill，并用同一套证据规则研究 AMD。配置项、运行轨迹与输出结构形成一一对应关系。

TASK EXAMPLE · AMD.US

把证据规则直接写进任务

研究 AMD.US：用最新行情、近期新闻、最新季度财务、估值和一致预期，分「可验证事实」「合理推断」「未知与待核实」三层；每个关键数字注明时间和来源；指出至少一个冲突或无法核验项；列出风险和失效条件。不得调用交易工具或给买卖建议。
01

配置

六项金融工具、Knowledge 与 Skill 被挂载并保存到 Agent。

CONFIGURED
02

调用

运行轨迹明确出现私有 Skill，并继续调度行情、财务等金融工具。

OBSERVED
03

表达

答案按证据层级处理数据时点、来源、冲突、风险与失效条件。

REFLECTED

FIG 08

研究方法被完整保存到 Agent 配置

六项非交易金融工具、Knowledge 与私有 Skill 同时挂载，组成这次 AMD 研究的能力边界。

FIG 09

Skill 与金融工具进入真实运行轨迹

执行过程明确调用 verify-investment-evidence，随后继续组合金融数据工具推进研究步骤。

FIG 10

输出主动交代数据时点与冲突

最终报告把可用数据边界、时间口径和无法核验项显式写出，对应 Prompt 中的证据要求。

FIG 11

分析以风险与失效条件收束

输出没有停在方向性观点，而是继续列出主要风险和可能推翻判断的条件，完成用户设定的研究框架。

04 · REUSE

让一次方法沉淀为可再次进入的对象

运行结束以后，用户留下的是一段聊天记录，还是一个 Agent？

自建 Agent 把角色、Prompt、工具、Knowledge 与 Skill 从会话中抽离出来，并保存为独立对象。用户不必从零重写方法，可以从自己的工作台重新进入。

FIG 12

个人研究方法被保存为独立 Agent

自建研究 Agent 出现在工作台中，模型、Prompt 和能力组合不再依附于单次聊天记录。

FIG 13

官方与社区 Agent 进入同一发现界面

Explore 同时展示平台场景和用户创作，让 Agent 从个人工作对象进一步具备被发现和复用的产品表面。

PRODUCT JUDGMENT

Longbridge 做到的不只是让 AI 使用更多金融工具，而是让用户把自己的分析方法配置进 Agent、看到它真实运行，并将其保存为可再次进入的产品对象。

CHAPTER 04

对 Gate 的价值：让用户自由组合已有能力

借鉴重点不是继续增加能力，而是把能力的组织权进一步交给用户。

Gate 已经拥有对话入口、实时数据、账户能力、MCP、CLI、Skill、策略工具和 Agent 工作环境。下一步的关键，是把这些能力从平台内部的独立模块，转化为用户可选择、可组合、可保存和可反复运行的任务组件。

Longbridge 提供了一个具体参照：平台既提供官方场景 Agent，也允许用户选择模型、配置 Prompt、组合金融工具、挂载 Knowledge 与 Skill。对 Gate 而言，可迁移的不是股票场景，而是把能力的组织权交给用户，让用户围绕自己的 Crypto-native 任务形成个性化方法。

USER-COMPOSABLE CAPABILITIES

将 Gate 的已有能力变成用户可组合的组件

从平台预设组合，走向用户自主组合

Longbridge 的用户组合方式、Gate 已有基础与可迁移价值
Longbridge 的用户组合方式Gate 已有基础对 Gate 的价值
用户定义 Prompt 与研究框架对话入口、Agent 工作环境让用户决定任务目标、分析方法和输出结构。
用户选择数据与金融工具实时数据、账户能力、策略工具让不同能力按具体 Crypto 任务被自由组合，而不是绑定在固定页面。
用户挂载 Knowledge 与 SkillSkill、MCP、CLI 与对话上下文让个人资料、偏好和方法进入同一个任务对象。
用户将组合保存为 AgentAgent 工作环境与已有能力体系让一次有效组合沉淀为可复用、可持续迭代的个人任务。

NEXT-STAGE MANDATE

下一阶段的核心任务不是继续堆能力，而是找到少数相对传统界面具有显著优势、能够产生持续复用的 Crypto-native 任务，并将分散能力组织成清晰、可信和可衡量的产品闭环。