写完上一篇，我又去问了几个在金融行业工作的朋友：除了豆包，你们还用过什么 AI？
“DeepSeek。”
为什么两个都用？朋友的解释很直接：豆包有时候会一本正经地胡说八道，所以她会把同一个问题拿去问 DeepSeek，再校验一遍。
这个习惯倒很像金融从业者——遇到一个结论，先找第二个来源。大家已经发现 AI 不那么可靠，也给自己摸索出了一套办法。但两个 AI 都说对，这件事就算对了吗？如果它们都没看到关键材料，第二份回答究竟是在验证事实，还是把一个听起来合理的说法又讲了一遍？
我接着问，Kimi、ChatGPT、Claude 呢，试过吗？这几个朋友都说没有。至于大模型大概怎么工作，为什么能把一封邮件写得像模像样，却又会编出一个不存在的事实，大家也不太清楚。
这几次聊天不能代表整个金融行业。不过，它让我意识到，这个系列还需要补上前面的一步。
我的朋友们很懂业务，也愿意尝试新工具。但他们认识 AI 的路径，和很多人一样：同事推荐一个，下载下来用；遇到不满意的回答，再换一个试试。忙了一天，谁还有心情研究这些软件背后到底是什么关系。
于是，一边是行业里已经在讨论 Agent、AI Native，另一边是很多人还没弄明白：豆包是大模型吗？智谱是一个 App 吗？WorkBuddy 和元宝都是腾讯的，为什么要做两个？
这些问题值得认真解释。如果没分清自己在用什么，后面的学习很容易变成追名字。软件装了七八个，工作还是原来的做法。
这一篇先认认门。看看国内外的 AI 产品已经能做什么，再回到自己的工作里，找一件值得试的事。
01｜为什么说得这么像真的，还会错？
我们平时说“大模型”，范围其实很广。这篇先讲大家接触最多的大语言模型：它通过大量材料训练，学习语言和知识中的模式，再根据你给出的上下文生成回答。
其中一项基础训练任务，是预测接下来可能出现的文本片段，通常称作 token。之后还会有进一步训练，改善它遵循指令、推理和使用工具的能力。这个过程让它能写作、解释概念、分析问题，但不意味着它每说一句话，都先去一个经过审核的资料库里查过。IBM：大语言模型
这就解释了一个让人恼火的现象：它可以把错误说得非常完整，有标题、有论据，甚至还有一个看起来像真的参考来源。表达能力和事实准确性，是需要分别检查的两件事。
回到朋友用 DeepSeek 校验豆包的做法。这里是她的个人体验，不能据此给两个产品排准确率。换一个模型，可以帮助发现遗漏、比较解释，或者提出反对意见；但第二个回答要成为“核验”，也得拿出可检查的依据。
假设两个模型都没看到关键附件，或者都引用了同一篇过时文章，它们完全可能得出一致的错误结论。你以为请了两位专家，结果两位看的可能是同一张旧讲义。
金融从业者其实很熟悉这里面的道理。一个数字要找出处，一项计算要能复算，一段规则要看适用范围和版本。换成 AI，标准也不应该变。
可以让第二个模型对原始材料独立分析，再比较两份结果的分歧。如果只是把第一份回答贴过去问“它说得对吗”，却没有补充任何证据，得到的认可未必增加了多少可靠性。
*漫画为情境演绎，角色与对白均为虚构，不代表任何具体产品的实测表现。*
02｜先把公司、模型和产品分开
AI 行业有个让外行很累的地方：一个名字，有时指公司，有时指模型，有时又指手机里的应用。大家还没把对象认全，讨论已经开始了。
比如，智谱是公司，GLM 是它的模型系列，智谱清言是用户直接使用的助手产品。说“我用 DeepSeek 问了一个问题”，通常指应用；说“我们系统接入了 DeepSeek 模型”，说的则是底层能力。智谱官网、DeepSeek 官网
元宝、豆包 App、DeepSeek App、Kimi、ChatGPT，都可以放在用户直接使用的应用这一层。模型在背后提供能力，应用则把这些能力组织成你能使用的功能。
一个应用除了模型，还可能配上搜索、文件读取、计算工具和外部系统连接。同样是让 AI 分析一张表，它可能直接生成一段文字，也可能先运行代码、计算汇总，再把结果写出来。看起来都是聊天，背后做的事不一样。
那 Agent 又是什么？
Agent 通常译作“智能体”。在这里，我们采用一个实用的理解：你给它目标和允许使用的工具，它根据任务进展选择下一步，执行后查看结果，再决定继续、调整，还是回来向你提问。如果步骤全部提前写好，系统只是按顺序运行，更接近固定工作流。Anthropic：工作流与智能体
用一个模拟任务来区分。你可以问：“比较支付服务商的报价，要看哪些费用？”AI 给你分析角度，你继续自己找文件、填表。
也可以把三份模拟报价交给一个具备相应工具的系统，要求它提取费率、币种、固定费用和结算周期，生成比较表，并标记不能直接比较的项目。它需要读文件、组织数据、处理异常，最后交付结果供你检查。
后面这种用法，开始把一部分执行工作也交给了系统。但“最后生成了一份表格”，本身还不能证明它使用了 Agent；还要看步骤是预设的，还是由模型根据执行反馈决定。
WorkBuddy 也是应用产品，只是更强调多步骤办公任务的执行。元宝则以通用助手为主要定位，提供问答、搜索和文件阅读等功能。WorkBuddy 官网
不要把它们理解成“元宝只会聊天，WorkBuddy 才会干活”。同一个产品可以同时提供对话、研究和 Agent 功能，Kimi 就有专门的 Agent 入口。它们并不是一条从低到高的等级线。Kimi 官方说明
*漫画使用虚构报价说明概念；模型图标是示意，不代表模型等同于硬件芯片。*
03｜金融从业者的 AI 产品地图
下面这张表不需要背，也不是下载清单。金融人的电脑已经够忙了，不差这一排图标。它只是帮你认个门：问问题、找资料、读文件，或者委托一项工作，可以从哪里开始。
类别按主要用途划分，可以重叠。最后一列是练习建议，并非各产品已经通过的金融业务测试。
| 公司 | 产品或功能入口 | 主要类别 | 怎么用 | 可以尝试的金融工作 |
|---|---|---|---|---|
| 字节跳动 | 豆包 | 通用助手 | 交代背景、提问，持续追问修改 | 解释支付术语、修改客户邮件、准备会议问题 |
| 腾讯 | 元宝 | 通用助手 | 搜索、上传支持的文件、围绕材料提问 | 阅读公开报告、翻译海外材料 |
| 深度求索 | DeepSeek | 通用助手 | 给出问题、条件和限制，要求分析 | 梳理业务假设、提出反对意见 |
| 阿里巴巴 | 千问 | 通用助手，扩展任务执行 | 对话，并使用已开放的工具与服务 | 起草方案、整理产品说明 |
| 月之暗面 | Kimi／Kimi Agent | 通用助手＋研究与执行 | 提供材料、目标和交付要求 | 比较公开年报、整理竞品资料、制作汇报初稿 |
| 智谱 | 智谱清言 | 通用助手 | 提问、写作、讨论材料 | 起草 FAQ、梳理业务概念 |
| OpenAI | ChatGPT | 通用助手＋研究、数据分析等 | 对话、上传文件，按任务选择功能 | 分析模拟交易数据、整理带来源的研究初稿 |
| Anthropic | Claude | 通用助手 | 提供材料、读者和输出要求，迭代修改 | 整理访谈、审阅方案逻辑、起草业务需求 |
| Google | Gemini | 通用助手＋多模态与研究 | 提供问题、文件或图片 | 理解海外材料、解释图表、梳理研究线索 |
| Perplexity AI | Perplexity | 搜索与研究助手 | 提问、查看来源、打开原文 | 找产品公告、年报和机构报告 |
| Google | NotebookLM | 资料库型研究助手 | 放入选定资料，围绕来源提问 | 为公开规则、年报、培训资料建立问答资料库 |
| 腾讯 | WorkBuddy | Agent 办公工作台 | 指定目标、材料和操作范围，再验收 | 汇总模拟表格、整理文件、生成报告初稿 |
| Anthropic | Claude Cowork | Agent 办公模式 | 委托任务，提供所需文件或连接权限 | 合并文档、整理材料、生成比较表 |
| Microsoft | Microsoft 365 Copilot | 办公软件内嵌助手及 Agent 功能 | 在已开通的 Office 应用中使用 | 处理文档、表格、会议、邮件和演示文稿 |
*按截至 2026 年 9 月 3 日查到的官方介绍整理，非完整名录或排名。功能开放情况受地区、套餐、版本及机构设置影响。*
很多产品能做相似的事。不要因为某一行写着“研究”，就以为另一款不能研究；也不要因为产品名称里没有 Agent，就以为它只能回答问题。
挑工具时，先看手里的任务。资料已经齐了，重点可能是阅读和提取；资料还没找到，重点就是搜索和来源质量；需要改动文件、生成交付物，再进一步看执行能力和权限。
国内外产品都值得了解，但了解不等于必须使用。你所在机构允许哪些工具、哪些数据可以交给它，始终是选择的一部分。
04｜海外同行已经把 AI 接到了哪一步？
看一个金融机构里的例子，比继续讨论概念更直观。
摩根士丹利在 2024 年推出了 Debrief。根据其公开介绍，在获得客户同意后，这个工具生成会议记录、提取行动项，会后准备邮件草稿供顾问编辑和决定是否发送，并将记录保存到 Salesforce。摩根士丹利发布说明
会议内容接上了会后沟通和客户管理，顾问拿到的不只是一段文字，还有可以继续处理的工作材料。同一份公告里，休斯敦的顾问 Don Whitehead 表示，工具处理记录工作，让他每场会议节省约半小时。这是公司选取并公开的个人反馈，不能当作全体顾问的平均效果。摩根士丹利披露的顾问反馈
这里也不必急着给它贴上“完全自主 Agent”的标签。公开披露足以说明的是：几步原本分开的工作被接了起来，AI 准备材料，人仍然决定发给客户什么内容。
把同样的用法放回自己的机构，还需要考虑它能接触哪些会议、客户是否同意、记录存在哪里、邮件由谁发送。员工个人下载一个应用，和机构把 AI 接入客户管理系统，中间隔着这些具体安排。
但了解这类实践，会让人多想一步：自己每天手动搬来搬去的几步工作，有没有可能接起来？哪一步可以让工具先做，哪一步必须停下来找人？
*漫画为通用流程示意，非摩根士丹利实际界面或员工对白。*
最后｜先认识工具，再挑一件事
最初那位朋友已经做对了一件事：她没有全信 AI，知道多问一句、多找一个来源。接下来可以再往前走一点，分清第二份回答提供的是新证据，还是另一种说法；也看看除了回答问题，工具还能参与哪些工作。
这一篇不要求你学会十几个产品。选一个公司允许使用的入口，带一份公开资料，试着让它给出结论和对应原文；如果有合适的文件功能，再看看它能否把结果整理成你要的交付物。先用公开或虚构材料练习，不把真实客户资料、内部合同和未公开交易数据随手传进个人应用。
熟悉业务的人，往往最知道哪里不能含糊：某项费用没披露，某个口径不能混算，某句话不能替客户承诺。学习 AI，是把这些判断也带进新的工作方式里。
不用今天就宣布自己是 AI Native。先找一件每周都要做、又总觉得费劲的小事，看看它能不能接过去一部分。
下一篇，我们就从你的工作清单开始：每天忙的这些事，哪件可以先交给 AI？