“过去，一份客户定制的投资诊断优化报告需要耗费投研团队半天甚至两天的时间，为此我们只能为少数高净值客户提供服务。现在，借助 AI 大模型的能力和盈米且慢 MCP 的助攻，我们报告产出的效率提升了5 倍以上，能为所有有需求的客户提供持仓诊断和资产配置服务，且客户的开户和入金的比例也实现了翻倍的增长。”——盈米叩富投顾团队徐国兴。
作为一支由专业金融从业者组成的投顾团队，盈米叩富投顾团队希望用科学的多元化资产配置理念，帮助更多普通投资者解决理财难题。在传统的投顾服务模式下，受限于投研团队有限的产能、通用的报告模版和割裂的服务流程，难以满足互联网上不同客户的个性化需求。
这次我们和盈米叩富投顾团队的徐国兴聊聊，看他是如何利用AI大模型与盈米 MCP 的能力，将曾经专属于高净值客户的深度投顾服务，带给更多的普通投资者，并且提升了业务的有效转化。
01、传统的投顾服务流程存在哪些卡点?
徐国兴日常需要处理两大类客户诉求:一类是基金诊断，客户已持有一只或多只基金，出现亏损想卖出，或已经盈利不确定是否应该止盈，前来咨询;另一类是资产配置，客户手头有一笔资金，希望稳健增值却不知道该投资什么。
在业务与AI深度融合之前，他经常面临工作效率低下和客户信任难以建立的问题:
一是服务的效率低。一份客户的持仓分析诊断报告，需要我们的投研团队投入大量精力进行数据搜集、单只基金分析和撰写报告。“我们团队一天能做到一到两份报告就到极限了，”徐国兴说，“这种效率决定了我们只能设置门槛，比如为30万以上可投资产规模的客户提供服务，大量长尾用户的需求就无奈只能放弃了。”
二是客户信任难以建立。为了提升效率，之前徐国兴的团队给客户提供的报告难免会陷入“模板化”。这种模式化的报告难以灵活匹配不同客户的诉求和持仓情况。如果不匹配，客户看了接受度会降低，信任难以建立，最终就会影响转化的效果。
三是服务流程的“割裂感”。传统的服务流程往往“诊断分析”与“资产配置”脱节。投顾先分析客户的持仓，再推荐合适的投顾策略。整个服务过程在客户体验看来，有点像是“产品的推销”。“这种传统的服务方式较难立刻取得客户的信任，也不符合客户的真实投资诉求。”徐国兴说。
02、AI + MCP ，如何助力投顾破局?
拥有技术背景的徐国兴很早就将目光投向了 AI 大模型。但他最初的尝试并不顺利。
“之前单纯用大模型出的报告是没法给客户用的，”徐国兴说，“因为数据幻觉问题解决不了，它在网上搜集的信息真假难辨，看起来头头是道，但数据是错乱的，信息也不准确。”
转机的出现他在使用盈米且慢 MCP 之后。通过盈米且慢 MCP 提供的真实、准确的金融数据源接口，有效解决了 AI 的“幻觉”问题，让大模型的强大推理能力和内容生成能力“如虎添翼”。
在 AI 大模型+盈米且慢 MCP 的助力下，过去两个多月的时间里，徐国兴出具了上百份的客户报告，不仅效率得到提升，还有效解决客户认可和信赖的核心问题。
效率提升超5倍:从一开始1人1天最多能出1份报告，到现在1人1天能产出至少5份高质量、个性化的报告，效率提升了5倍以上。这使得客户服务报告从一个高时间成本和高人力成本的服务，转变为一个高效的获客和转化工具。
客户信任的建立:对客户服务前需要有足够的KYC，但客户初次接触投顾时难以马上建立信任，所以通常不愿提供完善的信息。而在信息不完善的情况下，传统的方式很难出具高质量的报告。
而有了AI之后，徐国兴就能根据客户的现有持仓进行全面的分析，基于分析的结果提供配置建议并与客户沟通，这一流程下来，可以更容易与客户建立信任感。
个性化服务的实现:AI能够快速理解并处理客户的持仓，结合盈米且慢 MCP 的精准数据，从而生成"千人千面"的持仓分析与优化方案，使每份报告都精准满足客户的个性化需求。
转化率翻倍:在团队5-6月的测试运营中，接收并认可 AI 生成报告的客户，其开户和入金比例是以为传统服务模式下的两倍。
03、工作流七步法，如何获得更好的输出效果?
徐国兴从4月25日开始应用盈米且慢 MCP 的能力来出报告，在这过程中迭代了十几个版本，到现在已经迭代出一套稳定、精细的工作流和方法论，让团队的投顾可以直接使用。
徐国兴选用的是 Cursor + Claude-4-sonnet的组合搭配。
为给客户做《基金投资诊断优化报告》，他设置的 Prompt 如下:
你参考上传图片样式进行回执报告，品牌名是:盈米叩富团队;
客户情况: 客户200000元买了1只基金，代码:009274，目前已经亏损50510元，目前持有894天，持仓成本价3.2819元;
从规模、历史业绩、持仓明细等方面分析下这只基金，然后给出是否继续持有、还是补仓、还是卖掉的的相应建议;
最后，都要用echart的可视化图表来展示，最终生成PDF。
一般情况下，一句话提示语给到AI大模型也能输出报告，但徐国兴并不止步于此。
“虽然一步到位的提示词也能输出报告，但最终落地到投顾服务的工作流上，你给AI大模型的提示词更明确、更详细，一方面能解决大模型幻觉和上下文窗口、计算能力边界的问题，另一方面也更方便报告的稳定产出。”徐国兴表示。以下是徐国兴探索出的一套训练 AI 生成报告的工作流和实操技巧，分享给大家:
1、获取基金信息
投顾指令: 向 AI 输入客户具体持仓的基金代码列表。
AI 动作: 通过调用盈米 MCP 接口，精准抓取每只基金的最新、最全的档案信息。
2、客观分析
投顾指令: 要求 AI 基于步骤1获取的数据信息，从持仓情况、历史业绩、收益率、估值等维度进行客观分析和视觉化图表呈现。
AI 动作: 生成清晰的表格与图表，在确保数据准确的同时，将复杂的数据可视化，可以让客户对自己的持仓现状一目了然。
3、主观诊断
投顾指令: 这是给 AI 注入团队投研能力的关键。徐国兴通过提示词，将团队关于基金的判断逻辑和投资价值观“喂”给 AI 。 AI 本身是没有价值观的，这需要人给的输入越多， AI 输出的质量就越高。
AI 动作: AI 化身为专业的“数字投研助理”，遵循投顾给定的专业框架，对每一只基金做出“持有”或“卖出”的初步判断。
4、调仓建议
投顾指令: 基于上一步的诊断结果，制定具体可执行的调仓方案。
AI 动作: 明确列出建议卖出的基金名称、代码及操作理由，根据投研的判定逻辑给出调仓方案。
5、金额计算
投顾指令: 要求 AI 精准计算调仓后的资金变化，必须调用相关接口验证。
AI 动作: 基于最新净值数据进行准确的计算。
重要经验:这是容易出错的环节——由于大模型数学计算的能力边界，这里需要人工进行细致的数据核验，有时候甚至需要投顾手动算出正确的答案告知 AI，以确保后续输出内容的准确性。
6、获取投顾策略
投顾指令: 调用盈米且慢 MCP 的接口，获取符合客户风险偏好的投顾策略列表及其详细的产品信息。根据客户的风险偏好，搜索不同类型的策略，做匹配客户实际情况的资产配置方案。这么一来，从投研分析到资产配置的全流程就很丝滑，不割裂。
AI 动作: 呈现可供选择的投顾策略产品池，根据客户的风险画像匹配不同类型的策略。
7、资金再分配
投顾指令: 结合上面所有的分析和内容，要求AI制定完整的资金再分配方案并生成最终报告。
AI 动作: 将前面的步骤再整体跑一遍，形成从“基金诊断”到“资产配置优化”再到“具体执行计划”的完整闭环，最后附上投顾团队的介绍，以增强客户的信任感。
“整个流程跑下来，大概需要和 AI 进行10轮左右的交互，”徐国兴总结道。“将工作流拆解后，一步步往下引导，才不会出现大模型的上下文遗忘的问题。这样我们最终交付给客户的报告，也不再像‘卖产品’，而是真正围绕客户现在的实际持仓情况去做资产配置的优化，给客户的体验也会更好。”
04、经验总结:分步骤拆解任务，让AI适配业务的核心逻辑
一是，提示词需要不断试错和优化。
1、与其写 “一站式” 提示词，不如将复杂的任务分阶段处理;同时，由于缺乏真实数据源时，模型易编造错误信息，接入盈米且慢 MCP 能很好地解决这个问题。
2、分步骤拆解你的任务，需要明确每阶段提示词的边界。可以将工作流拆分成为独立的模块，避免 AI 大模型上下文遗忘的问题。
二是，要让 AI 适配业务的核心逻辑。
1、提示词设计:任务的颗粒度越细越好。因为大模型的能力存在边界，我们给 AI 的每个提示词最好仅解决一个细分问题，避免多个环节、多个需求的叠加。
2、“人机协作” 思维:不追求 AI “全流程自动化”，在关键的节点（如数据校验、投顾策略的判断方面）仍需人工投顾的介入。可以用 “手动数据输入 + 分步校验” 弥补大模型在计算方面的短板。
对于未来，徐国兴很看好 AI 在投顾业务的运用和发展。他认为AI 可以解决工作效率和客观分析的问题，但投研团队的核心观点和投资哲学，以及投顾与客户之间基于信任的长期陪伴，这些“主观”和“感性”的情感链接，依然是人类投顾的核心价值。而 AI ，正在将投顾从繁重的重复性劳动中解放出来，回归到创造客户信任与传递价值的本源。
（推广）