> **来源：[研报客](https://pc.yanbaoke.cn)** # 房地产行业深度报告总结 ## 核心内容概述 本报告探讨了AI在房地产投研中的应用，重点在于通过优化流程和结构化方法，实现效率提升与成本降低。报告提出了一种新的效率评价方式——**质量调整后任务成本（QATC）**，强调效率优化应在不降低质量的前提下进行。同时，提出了**“三本账”**（Token、耗时与质量）作为衡量AI投研效率的维度，并识别了多种隐性成本来源，如重复读取、上下文膨胀、全文重写和口径返工。 ## 主要观点与关键信息 ### 1. 效率度量：从模型单价到质量调整后任务成本 - **任务级成本**应包括模型、工具、计算、人工、等待、返工及失败尝试。 - **QATC**是衡量效率的核心指标，计算方式为： $$ QATC = \frac {\mathrm{全部任务成本之和}}{\mathrm{通过验收的交付件数量}} $$ 其分母定义至关重要，不能仅计算成功运行的成本，还需考虑失败尝试。 - **Token账**需明确平台原生Token、分词器估计及字符代理等不同计量口径，不能直接将字符数等同于Token数。 - **耗时账**应区分模型独占、工具独占、模型—工具重叠、人工暂停和编排等待等互斥区间。 - **质量账**需涵盖事实正确性、关键事实召回、来源绑定、公式正确性、首次通过等指标。 ### 2. 工作流拆解：六阶段任务链与四类主要泄漏 - 一项研究任务应分为**问题定义、来源发现、证据提取、分析建模、内容生产、验证交付**六个阶段。 - **重复读取与上下文膨胀**是常见成本来源，需通过**目录—页段—证据卡**三级索引优化。 - **计算、写作与返工成本**需区分必要研究动作与流程浪费，避免局部修改触发全文重写。 - **验证泄漏与成功后的无效调用**应明确验证对象，避免重复研究。 ### 3. 从Prompt到Skill：将研究经验转化为可执行流程 - **Prompt**用于描述单次任务，**SOP**固化研究原则，**脚本**执行确定性计算，**Skill**连接任务路由、工具调用、证据规则、失败处置和终止条件。 - **Direct、Analysis与Report**三类Skill适用于不同任务复杂度与不确定性。 - **Skill的最小结构**包括触发条件、输入契约、模式路由、工具路由、输出契约、证据规则、失败边界、验证规则和终止条件。 ### 4. 证据型Skill：降低搬运成本，同时守住质量边界 - 证据型Skill通过**一次提取、多次引用**减少重复处理，避免语义漂移。 - 证据卡包含**声明编号、来源编号、原始文本、对象、数值与单位、数据时点、事实状态、来源定位、转换方法和冲突备注**等字段。 - **来源预算与证据门槛**应结合使用，确保材料支持结论强度。 - **口径冲突闸门**用于识别并处理不同数据时点、单位、状态等差异。 - **分层验证与硬终止**确保不同层级分别处理不同错误，质量达标后立即终止。 ### 5. 实验验证：正式48轮显示“难任务见差距、复杂度有边界” - 实验覆盖四类任务（T1-T4）和四种配置（A-D），结果显示： - **T1数据核验**中，D组首次通过率最高，但其他组表现相近。 - **T2长报告审阅**中，D组质量中位数显著提升，首次通过率100%。 - **T3估值模型**中，D组成本最低，但完成率较低。 - **T4深度报告**中，四组质量均达标，但结构化流程可能降低方差。 - 实验结果表明，**结构化证据和程序约束的边际价值**在复杂任务中更显著，而**简单任务**可能不需要复杂配置。 ### 6. 有效优化机制与常见误区 - **结构化读取与证据复用**可减少无目的全文重复读取，提升效率。 - **程序计算、有限预览与局部修改**应由程序处理，避免模型承担可复算的机械计算。 - **分层验证与显式终止**应区分错误类型，避免重复审阅。 - **并行Agent的双重效应**需检查子任务独立性、共享数据可复用性与最终合并需求。 - **模型分层路由与任务—Skill匹配**应根据任务特征选择模型与Skill。 ### 7. 组织落地：从个人技巧到研究团队Skill资产 - **Skill资产目录**包括检索、审稿、数据核验、模型、写作、文档交付和质量检查等七类资产。 - **创建、升级与回归测试**需评估任务的重复性、路径稳定性、错误代价和结果可验证性。 - **权限、安全与人机职责边界**需明确数据访问权限，确保敏感信息不被滥用。 - **30/60/90天落地路径**建议逐步建立日志、封装少量高频Skill、形成评测与治理闭环。 - **QATC Lab**是一个公开验证平台，提供实验对照、多模型测试、失败案例管理等功能。 ## 风险提示 - **实验样本数量及任务代表性不足风险** - **模型及平台版本变化风险** - **大模型幻觉及数据口径判断偏差风险** ## 总结 本报告强调，AI投研的效率提升需以**任务级成本**为单位，结合**质量调整后任务成本（QATC）**、**三本账**（Token、耗时、质量）进行综合评估。通过**结构化读取、证据复用、分层验证、显式终止**等机制，可有效减少隐性成本，提升任务完成效率。同时，**Skill资产化**是组织落地的关键，需建立统一日志、版本管理、权限控制与回归测试体系。最终目标是**将模型从证据搬运中解放出来**，形成可复用、可评测、可回滚的研究流程。