一村资本十一年：从效率工具到组织能力的AI之路

一桩典型的跨境并购，往往从一摞材料开始。

多国法律与税收监管政策、不同语言的项目文件、复杂的交易架构和主体，再加上繁杂的法律文本。过去，这些信息主要依靠人工整理和消化。一套完整的项目材料，常常要一个团队花上几天，才能梳理清楚、消化下来。

真正的投资判断，还在后面。

一村资本想解决的，正是判断之前那些繁杂而必要的工作——不是让AI替代人，而是让人有更多时间，去做真正需要判断力的事。

一村资本从事产业投资和并购已有十一年，业务主要沿着两条线展开：一条是硬科技领域的少数股权投资，项目数量多、决策节奏快；另一条是并购投资，单笔规模更大，交易架构和法律监管更复杂，投后周期也更长。

项目做得越多，材料会留下，数据会留下，许多判断却仍分散在项目、基金和团队的经验里。近两年，一个问题在公司内部变得越来越现实：如何把这些经验逐步沉淀为组织能力，在新的业务机会到来时，能够更快、更准确地被调用？

一村资本总经理于彤说，这不是技术部门单方面提出的问题，而是管理层逐渐形成的共识。在管理层看来，这件事也不只是“上一套软件”。系统仍在开发和迭代，真正要做的，是一项长期的能力建设：把过去十一年积累的判断逐步组织起来、传承下去，在一次次使用中复用、修正。如果说第一个十年，一村资本主要依靠人在产业投资和并购中积累判断，那么接下来，如何让这些判断慢慢成为组织的一部分，也应该成为公司持续建设的核心能力。

牵头的是一村资本副总经理王伟，具体落地的是AI总监金淼。一个从金融、法律和风控出发，业余学会编程；一个做过两次从0到1、再到退出的创业。技术和业务，在两人之间不必隔着一层翻译。

初步框架由他们搭起，真正让系统逐渐变得可用的，是投资、风控、财务、运营和市场等各条线同事的共同参与。大家一边使用，一边提意见，也一边修正。系统也就是这样，一点点磨出来。

统一能力，而不是各自找工具

目前，一村资本内部统一接入多个主流大模型，并根据不同任务选择适配模型。团队更看重不同模型在具体任务上的成本效益和适配度，而不是追逐单一模型的名义领先。这套能力让全员可以直接调用模型，不需要各自解决使用门槛。

• 风控、法务团队可以批量处理文件、完成合同脱敏；
• 财务团队可以将流程性、规则明确的工作交给系统处理。
• 团队内部的评价是，模型在这些场景里的判断已经基本越过“对不对”的阶段，剩下更多是颗粒度粗细的问题，人再加一道复核即可。

Agent登录页面图示

关于数据安全，目前一村资本所有的智能体均在公司自己的服务器上运行，文件和数据始终保存在自己的办公域内；大模型以Token服务的方式调用，只传输所需的局部数据片段进行交互，而不是把完整文件整体上传。一些明确的业务需求采用本地部署开源小模型进行处理（如法务合同脱敏工具等），但目前尚没有采用本地部署大模型，主要考虑是模型迭代速度快，本地部署难以持续跟进；同时如果硬件投入不到一定规模，本地模型的并发处理能力和响应速度会明显下降。

投资人如何使用Agent

• 管理信息流

一村资本副总经理刘晶使用AI，主要做两件事。

第一件，是把多年投资实践中形成的判断，变成Agent可以理解和调用的框架。并购有并购的尺度，股权投资有股权投资的尺度。新的项目或信息进来，先用这些尺子量一遍——是否符合方向，哪些条件已经具备，哪些问题还需要继续验证。

第二件，是处理日常的信息流。信息越来越多，人的时间却没有变多。刘晶会把自己感兴趣的内容交给Agent，由它先提炼要点，再与他既有的投资判断和长期关注的方向相互印证。信息仍然很多，但再回到他面前时，已经有了重点，也有了可以继续追问的线索。

• 节省整理和分析工作的时间

有了Agent的支援，一个投资人可以节省很多整理和分析的工作，把更多精力放在项目判断和与人沟通上。比如一年通常要看的两三百份商业计划书，Agent可以在项目初筛阶段快速拆解材料中的核心信息，做基础的交叉验证，从而降低初筛成本。在这个基础之上，团队也在尝试让智能体辅助做一些产业链层面的分析，帮团队更快看清一个细分行业里，技术趋势和竞争格局的大致朝向。

• 制作产业图谱

投资团队将Agent与Obsidian知识库结合使用：高质量数据源纳入上下文，由Agent分析，结论结构化入库。一次研究解决一个问题，一次次研究积累下来，零散的信息便逐渐连成一张产业图谱，让投研真正产生复利。

AI与行业知识库如何形成研究闭环

一次早于行业的自我训练

这套系统不是这一轮AI热潮之后才有的念头。

2017年，王伟开始尝试使用谷歌开源的深度学习框架TensorFlow。彼时，生成式AI尚未兴起，业内更多讨论的是“大数据”和机器学习。王伟尝试把一村历史投资项目的数据——投资金额、财务数据、风控措施、行业信息等多维度参数——输入自己搭建的模型进行训练，试图让模型拟合出一村资本历史决策里“投”或“不投”的权重逻辑。彼时由于技术生态还不成熟，技术门槛很高，这次尝试最终暂时搁置。但它留下一个后来反复被验证的判断：AI能不能真正被用起来，技术落地的门槛，往往比算法或模型能力本身更早成为瓶颈。

真正的转折点，是2025年初，DeepSeek的模型能力跨过“可当生产力”的门槛之后。王伟带着团队接触了不下十家供应商，想要搭建一村资本的知识库，把一村资本多年来形成的数据结构化、立体化、智能化。在经过多轮demo实践后，复盘很清楚：不做任何流程设计，仅使用大模型的情况下，知识库的准确率大约只有五六成；即便投入资源调到七成左右，仍远低于团队期待的九成以上基本可用门槛。这次探索由于成本投入及产出结果的不确定性也被暂时搁置，但也让王伟对大模型的能力和边界理解更深刻了。

此后，团队持续跟进模型的迭代。模型能力每上一个台阶，团队原本规划的时间表就会被压缩一次。金淼提到，“以前觉得需要几个月才能干完的数据处理工作，模型能力上一个台阶之后，可能几周就干完了。”目标本身没有变化——始终是把散落的经验组织起来——但完成这件事所需要的时间，一直在被持续压缩。

拆解与重组：自建Agent体系

在具体的搭建方式上，团队摸索出一套“总分总”的思路：先把一个完整的投研分析流程整体跑通一遍——从外部资料收集，到分析判断，再到最终成果输出；再把这个整体流程拆解成一个个独立的小环节，比如资料收集、行业分析、风控意见，分别打磨；最后再把打磨好的分环节重新组装成一个协同工作的智能体群。

运行在公司内网的协议脱敏工具

这个思路背后，是团队在实践中总结出的一个经验：AI完成一项任务的复杂度存在一个边界。在边界内，投入更多时间通常能换来更好的结果；一旦超出这个边界，效果的提升就不再是线性的——投入再多时间，结果也很难有本质改善。这也是为什么团队更倾向于把复杂的投研分析拆解成一个个边界清晰、可以独立打磨的小任务，而不是指望一步到位。

“二十多台设备，十余个Agent，五十四万行代码”

目前，一村资本内部运行的是一套自建的Agent体系：一个核心Agent负责任务拆解与调度，协同十多个专业Agent分别执行不同环节的工作。背后有二十多台设备持续运行。内部团队在持续开发与迭代，金淼个人累计完成的有效代码已约五十四万行。

采购的是基础模型与算力，真正自建的是调度逻辑、业务框架的嵌入，以及能持续吸收反馈的迭代机制。基于多次的项目开发实践、AI工具的选型及前沿的技术进展动态，王伟总结：一套智能体能不能真正跑出可信、可复用的结果，取决于三个要素——大模型能力、数据源质量、方法论。

大模型人人都能调用，公开信息人人都能检索，真正拉开差距的是机构长期积累的非公开数据源，以及“什么信息该信、什么信息不该信”的判断标准，以及如何处理分析这些数据的逻辑思考过程。这些方法论会被封装成可复用的“Skill”推送给全体员工的个人Agent直接使用，而员工在使用的过程中，又可以根据个人的理解不断完善Skill，平台判断有价值的修订会进一步迭代平台Skill，双轮驱动带来的催化效应是不可估量的。Agent本身不是壁垒。真正重要的是，它使用一村自己的投资框架，连接自身积累的历史项目、基金数据、投资案例和研究资料，并通过投资人员的持续使用反馈不断迭代。核心是：数据 + 方法 + 反馈机制。

并购业务的数据治理

这套方法论，也被用在了一村资本自己的数据治理上。

具体做法同样是三段论：建立数据定义方式，描述各原始文档的内容要素，对资料定期进行归集；定义成果目标：围绕并购与投资业务核心主体，建立“投资人—基金—管理人—项目主体”关系链路，将业务数据统一关联至相应主体，形成完整、可信、可追溯的数据视图；建立研发程序+智能体群：程序代码负责文件读取、格式转换、字段校验、去重等确定性重复任务；智能体负责文档理解、实体识别、关系匹配、冲突判断和异常发现，实现数据从源头到成果的持续治理闭环。特别是对于多处来源的差异数据，团队设计了交叉验证与冲突机制，在治理数据的同时，也发现原始数据本身存在的问题。

目前，公司核心业务数据的初步梳理与核心数据的关联关系图谱已建设完成，在做业务部门的内测与数据质量提升过程，同时也在不断纳入外部有价值的数据源。

对现有工作流，团队刻意做了最小干预设计：各部门不需要改变现在的工作方式，只需要把结果给到系统，AI负责结构化更新数据库。在投后管理环节，团队也在探索用类似的方式，帮助不同的LP自动生成披露报告草稿——这类格式和内容要求差异很大的事务性工作，过去主要依赖人工完成。

本地知识库

AI的能力边界

宏观及政策分析是目前Agent不及预期的领域之一。现在AI已经可以快速读取政策文本、追踪措辞变化、调取历史数据，并辅助完成跨时期比较，信息处理这一层的效率提升是真实的。

但真正困难的是判断"这个变化在当下意味着什么"。判断的难点，不只是信息量，更在于政治分析的背景，以及大量从未被显式写下来的判断规则，例如所谓的路线、方针等政策底座。特别是政治领悟力、政治判断力，和对政治规矩的理解。同样的几个字，在不同时点含义可能并不相同。模型能读出文字，却很难读出文字背后的信号。这块判断权，目前仍然完全在人这里。

对于最终的投资决策，团队的态度也很明确：AI可以让决策所需的信息尽可能完整、及时地呈现出来，但最终的判断仍然需要由人来完成。这不只是因为AI的分析能力有边界，也因为一个机构的决策本身承载着信任和责任，这是算法无法替代的部分。

也常有人问，AI接下来会不会迭代出完全不同的形态，进而颠覆整个投资行业？金淼的判断是：不同的模型不会改变目标，只会影响抵达目标的进程。投资行业的核心目标，始终是找到值得投资的项目、做出正确的判断——AI会持续改变实现这个目标的路径和效率，但不会重新定义目标本身。“AI目前是不能代替投资人的，”他说，“如果AI真的能够完全代替投资人，那大概已经是接近AGI实现的时刻了。”

第二个十年：让经验成为组织能力

一村资本第一个十年，积累了丰富的产业投资经验。第二个十年要回答的问题，是这些经验能不能被组织起来、被传承、被复用。

王伟在梳理这件事时，反复提到一句话：“想到和最后做到，是两个层面的事情。”很多机构都在讨论AI能做什么，但真正把一套知识库、一套智能体系统落地，中间有大量细节需要打磨——方法论谁都可以听懂，但落地能力和持续迭代的耐心，才是真正决定差距的地方。

于彤把这件事的逻辑概括得很朴素：“投资行业最核心的资产，永远是人与团队。AI不是为了替代谁，它只负责帮助人从琐碎的工作里解放出来，释放出更大的潜能。”这也是一村资本今年新提出的发展理念——happier, healthier, wealthier。人始终是排在第一位。

系统会继续迭代。数据会更完整，方法会更细，反馈会更密，规模效应会一点点显现。方向已经明确，无论它跑得多快，一村资本选择把AI建成自己的组织能力，并把最终的判断留给人。