国信证券：6个实用主义Skill背后的AI中台战略

2024年，国信证券营收重回200亿、归母净利润82亿、总资产突破5000亿——作为深圳国资背景的老牌综合券商，它的"基本盘"依然扎实。但在AI的赛道上，国信没有像广发那样高调展示127个Skill的生态版图，也没有像东方财富那样用亿级流量碾压式获客。它走了一条更少被讨论的路线：6个Skill对应6个个人投资者的高频需求，三平台覆盖，不追求技术参数的极致，却在「基金对比持仓重叠度」「渐进式多轮选股」这些细节上展现了超出头部玩家的产品洞察力。本文拆解的，正是这套"实用主义"打法背后的完整战略。

一、机构画像：5000亿总资产背后的"实用主义"底色

1.1 公司背景

国信证券总部位于深圳，是全国性大型综合券商、A股上市公司（002736.SZ），控股股东为深圳市投资控股有限公司，具有鲜明的国资背景。这家成立于1994年的老牌券商，传统优势集中在经纪业务与财富管理——营业部数量行业领先，珠三角地区根基深厚，股票基金成交额市场份额长期维持在4%以上，经纪客户数量超1500万。金太阳App是其C端核心产品，月活约300万，是观察国信AI能力的窗口。

1.2 2024年经营基本面：重回200亿营收

根据国信证券2024年年报（2025年3月披露），公司经营基本面在经历了连续调整后显著回暖：

数据来源：国信证券2024年年报。这份成绩单揭示了一个关键信号：国信的基本盘（经纪、代销）依然稳固，而投行、资管等新业务正在贡献增量。尤其是资管子公司规模突破4000亿、收入增长超30%，为后续公募牌照申请和主动管理转型奠定了基础——这也是观察国信AI布局时不可忽视的业务底色。

1.3 AI战略风格：稳健务实的"追赶者"

国信的金融科技战略可以概括为"稳健务实"四个字。它没有选择广发那种"自研大模型+生态开放"的激进路线，也没有走东方财富"流量+零配置"的普惠路线，而是把AI投入放在三个方向：客户体验的细节打磨、内部运营的降本增效、合规风控的稳健兜底。用一句话总结：国信在AI上的投入，多数是"让现有业务跑得更顺"，而不是"赌一个颠覆性的新赛道"。

这种风格在同行坐标系中清晰可见——与华泰的涨乐财富通相比，金太阳在月活和技术迭代速度上略逊；与东财相比，用户基数和流量变现能力差距明显；与广发相比，Skill数量和MCP中台建设不在同一量级。但国信用6个Skill证明：在头部玩家已经占据数量、平台、技术三个维度的先发优势后，中型券商突围靠的不是做得更多或更快，而是做得更懂用户。

二、Skill生态全景：6个Skill的实用主义矩阵

国信证券目前对外提供的C端Skill共6个，数量在行业中处于中上水平（广发8个C端经典Skill、东财7个、国泰海通6个、华泰5个）。但数量不是重点——这6个Skill恰好对应个人投资者最高频的6个需求：选股、选ETF、比基金、查宏观、看行情、读研报。

平台与安装

国信证券的Skill部署在三个主要平台：小信助手（金太阳App内置AI助手）、OpenClaw开发者平台、Coze智能体平台，同时在微信小程序渠道也有入口。其中，Coze的入驻让国信在AI开发者社区中获得了品牌曝光；微信小程序入口则是少数券商提供的低门槛触达渠道——对不常打开金太阳App的用户来说，微信小程序几乎没有使用门槛，甚至能触达到非国信客户。

安装方式为小信助手Skills中心一键安装，或通过官网链接获取安装指引。与东财"应用内一键绑定"的零配置相比，国信的安装路径多了一步，但比广发"官网注册领Key"的流程更轻。

三、Skill深度拆解：6个高频场景的产品洞察

1. 智能选股：渐进式多轮筛选，更懂普通人的交互

功能定位

国信的智能选股支持自然语言条件筛选，覆盖行业、财务指标、市值、技术形态等维度。交互设计上强调对话式选股——不是一次性给出所有条件然后返回结果，而是支持多轮追问：「帮我找一下新能源股票」「市值在200亿以上的有哪些」「其中ROE超过15%的」。这种渐进式缩小范围的体验，比华泰和东财的一次性输入条件更符合普通投资者的思维习惯。

技术架构

NL2SQL引擎 + 对话状态管理模块。对话状态管理维护了当前选股条件的上下文（如用户前面选了新能源，追问ROE大于15%时自动在新能源范围内筛选），避免了每次都要重新输入全部条件的重复劳动。

适用场景

非专业投资者做股票筛选——「先看看新能源有哪些」「再看看其中哪些比较便宜」。

优势与不足

优势：渐进式多轮选股体验优于同业一次性条件筛选模式。不足：不支持技术指标的组合条件（如MACD金叉且成交量放大）；选股结果没有回测功能。

2. ETF筛选：行业穿透，反向降低认知门槛

功能定位

支持按跟踪指数、基金规模、日均成交额、成立时间、费率等维度筛选ETF。国信在ETF筛选上的一个特色是按行业穿透——用户可以说「帮我找新能源主题的ETF」，系统会自动识别跟踪新能源相关指数的ETF，而不是让用户自己去想「新能源ETF的跟踪指数叫什么」。

技术架构

底层对接国信金融数据平台的ETF数据库，行业穿透利用了指数成分股的行业分类数据做反向映射。

适用场景

投资者想做行业配置但不确定买哪只ETF——「有哪些消费类ETF？规模大、费率低的帮我筛一下」。

优势与不足

优势：行业穿透反向查询降低了ETF筛选的认知门槛。不足：缺少广发ETF资金异动追踪那样的资金流维度；不支持ETF之间的横向对比。

3. 基金对比：持仓重叠度，小而美的护城河

功能定位

支持2-5只基金的多维度横向对比，覆盖收益表现（近1月/3月/1年/3年）、风险指标（最大回撤/波动率/夏普比率）、持仓结构（行业分布/重仓股重叠度）、基金经理（从业年限/管理规模/历史业绩）。对比结果以结构化表格呈现。这是国信6个Skill中最具差异化竞争力的一个。

技术架构

基金数据对接天天基金/好买等第三方数据库 + 国信自有基金评价模型。持仓重叠度计算需要获取每只基金的最新季报持仓数据，做股票级别的交叉比对。

适用场景

基民选基——「沪深300指数基金，易方达、华夏、南方这三家哪个好？」

优势与不足

优势：持仓重叠度分析是其他券商Skill没有的独特维度——「两只基金看起来收益差不多，但持仓重合度80%，那买哪只其实没太大区别」——这背后是对基金投资本质的深刻理解：基民最怕的不是没买到好基金，而是买了好几只基金结果持仓都一样。不足：对比维度缺少基金经理投资风格一致性分析（如换手率、行业集中度的历史变化趋势）；不支持自定义对比维度。

4. 宏观数据查询：不只给数字，还给解读

功能定位

支持GDP、CPI、PMI、社融、M2等核心宏观指标的一句话查询。与东财宏观查询类似，但国信增加了一个数据解读功能——不只告诉你CPI是2.3%，还会附带一段简短的「这个数字意味着什么」的说明，解读内容基于国信宏观研究团队的观点。

技术架构

数据源为国家统计局和央行公开数据 + 国信宏观研究团队的文字解读模板。

适用场景

财经媒体编辑和宏观研究员快速获取核心指标及其含义。

优势与不足

优势：附带数据解读降低了使用者的专业门槛，比东财只给数字更有价值。不足：数据解读偏向模板化，不够个性化和动态化；不支持历史趋势图。

5. 行情查询：三市场覆盖，秒级响应

功能定位

支持A股、港股、美股的实时和历史行情查询。覆盖基础行情（价格/涨跌幅/成交量）、盘口数据（五档买卖）、分时走势。查询响应速度在秒级，数据延迟在1-3秒。

技术架构

对接国信证券行情网关，实时数据通过WebSocket推送，历史数据从数据仓库拉取。

适用场景

日常盯盘和价格查询——「茅台现在多少钱？」

优势与不足

优势：三市场覆盖，查询速度快。不足：行情延迟（1-3秒）不如国泰海通的毫秒级；不支持Level-2逐笔成交数据。

6. 研报查询：三句话快读，对抗信息过载

功能定位

搜索国信研究所及合作券商的研报，提取核心观点。与国泰海通研报搜索的结构化摘要不同，国信的研报查询更偏向快读——给你一份研报的核心三句话（核心结论+关键数据+风险提示），其余内容可按需展开。

技术架构

NLP摘要引擎 + 研报知识库。摘要算法优先提取研报中的结论性语句（通常位于研报开头和结尾），辅以关键数据的数值提取。

适用场景

快速了解某只股票的最新机构评级和核心逻辑。

优势与不足

优势：三句话快读模式降低信息过载，适合非专业投资者快速了解核心信息。不足：摘要颗粒度较粗，缺少国泰海通那样的观点置信度打分和结构化呈现。

四、AI中台与大模型：RAG架构下的稳健路线

如果说6个C端Skill是国信AI能力的"前台"，那么支撑这些Skill运转的AI中台，才是理解国信技术路线的关键。与广发"自研1300亿参数大模型"的高调不同，国信选择了"接入国产大模型 + RAG私有化中台"的务实路径。

4.1 国产大模型接入：混元、文心、星火三线并进

据公开信息，国信证券已在内部测试环境中接入腾讯混元、百度文心一言、科大讯飞星火等主流国产大模型，应用方向聚焦三大场景：

• 内部知识库检索：法规查询、历史研报摘要——用RAG把大模型接到国信沉淀多年的研报库与合规知识库上，让模型"有据可答"。
• 办公效率提升：会议纪要生成、文档初稿辅助——面向中后台运营的降本增效。
• 合规风控辅助审核：合同、信息披露文件的合规点自动识别——这也是券商落地大模型最谨慎、但也最刚需的场景。

这种"多模型并存"的策略有现实考量：金融场景的合规红线决定了单一模型无法覆盖所有需求，按场景选型、按成本调度才是务实选择。同时，多模型并存的架构也避免了对单一供应商的依赖。

4.2 MCP与AI中台：谨慎的技术表态

截至本文发布，没有公开信息显示国信证券官方宣布支持特定的MCP（Model Context Protocol）协议。但作为行业头部券商，国信极大概率在构建基于RAG（检索增强生成）架构的私有化AI中台——这与MCP"解决模型与数据上下文连接"的核心逻辑是一致的。对读者而言，需要理解的是：MCP是协议层的技术选择，而AI中台是能力层的架构设计。国信目前的状态是"中台先行、协议待定"——先把数据管道、模型接入、场景编排做扎实，至于是否对外承诺MCP兼容，更多是合规与技术节奏的考量，而非能力缺失。

4.3 金太阳App的AI应用：智能客服、条款解读与精准推送

金太阳App作为国信的C端主阵地（月活约300万），其AI应用是观察国信"AI落地C端"的最佳样本：

• 智能客服（AI Chatbot）：覆盖开户、业务办理、产品咨询等高频问题，与内部大模型知识库联动。
• 智能选股与条款智能解读：将Skill能力内嵌到App流程中，降低专业门槛。
• 基于用户画像的精准产品推送：结合数据中台的客户360°画像，实现"千人千面"的产品匹配。

4.4 基础设施：云原生与网络安全

2024年以来，国信证券加大了在云原生架构和网络安全防御体系上的投入，以保障AI应用的稳定运行。核心交易系统、资产管理系统的云原生改造，实现"弹性扩容+快速迭代+低成本运维"；数据中台的深化则打通了客户、交易、产品、投研数据孤岛，为智能投顾提供精准的用户标签。这些"看不见"的投入，恰恰是AI能力能否在生产环境稳定运行的前提。

五、平台合作与生态建设：借力打力的务实选择

国信证券没有像广发那样自建开放的MCP中台生态，但它在平台合作上的布局同样值得关注——尤其是在算力、交易系统与人才三个层面：

5.1 腾讯系合作：从云到AI的深层绑定

国信与腾讯系的合作是观察其AI路线的重要线索：一方面，腾讯云为国信提供私有云、大数据与AI算力支持；另一方面，国信内部测试接入腾讯混元大模型——"算力+模型"的双重合作意味着国信的AI中台在基础设施层面与腾讯云深度耦合。这与广发"自研模型+腾讯云智研SaaS输出"的模式形成对照：国信是"用"，广发是"卖"。

5.2 资管业务：4000亿规模背后的公募野望

国信资管子公司2024年获批设立，资管规模突破4000亿元、收入同比增长超30%。2025-2026年的核心看点是其公募基金管理业务资格的获批进度——若公募牌照落地，国信资管将从"通道业务"正式迈向"主动管理+公募产品"的双轮驱动，AUM增长上限将被彻底打开。这既是业务事件，也是AI应用的新场景：公募产品的投研、风控、客服全链路都将成为大模型落地的高价值场景。

六、同业对标与2025-2026展望

6.1 竞争坐标系：国信的位置在哪里

6.2 三个结构性优势

1. 基本盘稳固，AI落地有"粮仓"：经纪净收入行业第3、代销行业第4、两融行业第4——稳定的零售基本盘为AI应用提供了海量的真实场景和数据资产，这是很多中小券商不具备的底气。
2. 细节产品力被低估：基金对比的持仓重叠度、渐进式多轮选股、宏观数据附带解读——这些功能在技术实现上并不复杂，但产品洞察力上的差距才是真正的护城河。
3. 国资背景+区域优势：深圳国资控股、粤港澳大湾区区位优势，使其在政企合作、机构业务拓展上拥有民营券商不具备的信任背书。

6.3 三个需要警惕的短板

1. C端声量与触达不足：金太阳月活约300万，与东财App+天天基金月活1.5亿相比差距悬殊。再好的功能细节，如果用户感知不到，价值就会被稀释。
2. AI技术叙事的"存在感"偏低：当华泰、广发、中金都在对外输出AI故事时，国信在公开传播上明显低调。这种低调在机构客户尽调时可能是减分项。
3. 国际化与高端机构服务偏弱：相较于中信、中金，国信国际化程度较低。2025-2026年是否有收购香港或东南亚小型券商的动作，是观察其打破地域限制的关键。

6.4 2025-2026年的三个关键观察点

1. 公募牌照落地节奏：国信资管已获批设立、规模破4000亿，公募基金管理业务资格何时获批，将直接决定其AUM增长上限，也是AI应用从C端Skill向资管投研纵深迁移的触发点。
2. 大模型应用的"升级版"：市场预期国信将在2025-2026年推出基于大模型的"智能投顾2.0"或"合规风控大模型平台"。能否缩小与华泰、广发在AI应用感知层面的差距，取决于此。
3. 佣金费率改革下的对冲策略：随着私募监管新规和佣金费率改革落地，经纪业务利润承压。国信需要通过提升高净值客户比例、加强投顾服务来对冲费率下降风险——而AI投顾正是这条路上的关键杠杆。

6.5 结论：实用主义者的长期主义

国信证券在AI Skill领域的地位可以这样概括：它不是数量最多的（广发）、不是流量最大的（东财）、不是技术声量最高的（华泰），但它是把"普通投资者的高频需求"做得最懂的一家。基金对比的持仓重叠度、渐进式选股、宏观数据解读——这些功能在技术实现上并不复杂，但产品洞察力上的差距才是真正的护城河。对于同级别的中型券商而言，与其试图追赶广发的Skill数量或国泰海通的技术参数，不如沉下心来研究：我的用户在使用金融AI时，最困惑的是什么？国信给出的答案，或许就是2026年中型券商AI突围最务实的范本。