分析师为一家上市公司搭建三表、完成 DCF 和可比公司分析，通常需要数天。官方金融财务建模智能体将取数、规范化、预测、估值和质检整合为标准流程，一次完整建模约需 45–90 分钟，即可生成可编辑的 Excel 模型。实际耗时取决于标的数据量和材料数量。
输入股票代码（ticker）或上传财务数据即可开始建模，生成公式可追踪、图表引用计算单元格的 Excel 工作簿。所有假设集中记录在 Assumptions 工作表中，修改假设后，全模型可联动重算。智能体仅用于财务建模，不执行交易，也不提供投资建议。
Agent 架构总览
一次建模任务的数据流如下：
调用方创建会话并提交任务，明确标的代码、模型范围和已有假设；如有财报原文，可先上传并挂载；
智能体通过机构金融插件的数据源路由获取历史财务、市场一致预期和可比公司行情等数据，并为每个关键输入标注来源和取数日期；
数据齐备后开始构建模型，依次完成报表规范化、盈利预测和估值建模，并将全部假设集中写入 Assumptions 工作表；
在沙箱中使用 openpyxl 构建
.xlsx工作簿，写入公式、创建图表并设置格式。图表引用计算单元格，而非静态图片；执行质检，检查表间勾稽关系，例如净利润计入留存收益、现金变动与货币资金一致；无法获取的数据在
Data_Sources表中注明原因；将成品写入
output/目录并登记为产物。调用方下载后，可使用 Excel 或 WPS 继续编辑。
| 层 | 职责 | 数据范围 |
|---|---|---|
| 智能体（kimi-k3） | 执行建模工作流：取数、规范化、预测、估值和质检 | 插件数据源、用户上传的财报文件 |
| 机构金融插件 | 提供建模方法和数据源路由 | Wind、同花顺 iFinD、S&P 等数据源 |
| 云沙箱 | 使用 openpyxl 构建 Excel 文件 | 会话文件系统，产物写入 output/ |
建模流程具有严格的先后顺序，数据获取完成后才能进入预测和估值，因此采用单智能体，以减少多智能体协调成本。插件负责提供建模方法和数据源接入，智能体按照固定流程执行建模任务。
核心设计
官方金融财务建模智能体由模型、系统提示词、机构金融插件和默认内置工具集组成，设计重点包括以下三方面：
可编辑的 Excel 产出：公式可追踪，图表引用计算单元格，假设集中管理且可修改，而不是静态截图；
关键输入可溯源：标注数据源和取数日期，无法获取的数据在
Data_Sources表中注明原因，严禁编造，缺失数据不得按零处理；固定的执行顺序：按照取数 → 报表规范化 → 盈利预测 → 估值建模 → 质检的顺序执行，不得跳步。
以下介绍各项配置的作用，以及自建时的选择。
系统提示词：固定建模工作流
建模中的常见问题包括执行顺序错误、假设依据不足和来源缺失。系统提示词通过明确工作流顺序和数据规范，减少这些问题：
固定流程：收到建模请求后，严格按照「取数 → 报表规范化 → 盈利预测 → 估值建模 → 质检」的顺序执行，不得跳步；数据获取完成后才能开始建模；
数据规范：所有数据均通过插件的数据源路由获取，每个关键输入标注来源和取数日期；无法获取的数据在
Data_Sources表中注明原因，严禁编造；缺失数据不得按零处理，除非明确声明相应假设；假设管理：WACC、永续增长率、预测期收入增速等假设集中记录在 Excel 的 Assumptions 工作表中，模型公式引用对应单元格，修改假设后全模型联动重算；
任务边界：仅用于财务建模，不执行任何交易，不提供投资建议；事实、计算和推断分别呈现；
输出规则：成品写入
output/目录，最终回复使用相对路径列出文件（如output/CATL_model.xlsx），客户端按约定取回。
插件：提供建模方法和数据源接入
机构金融插件（institutional-finance-kit）提供建模所需的方法和数据源接入，包括两部分：
建模技能：插件中的
institutional-financial-modeling技能定义了三表、DCF 与可比公司估值的完整工作流，包括工作表结构、公式设计和敏感性分析方法，为生成完整的财务模型提供规范；数据源路由：插件统一对接 Wind、同花顺 iFinD、S&P 等数据源。智能体通过「能力名」请求数据（如历史财务、市场一致预期），无需直接处理各供应商的接口差异。
工具：使用默认内置工具集
平台默认内置工具集提供文件读写、代码运行和联网检索能力，可直接使用。构建 Excel 时，通过代码运行工具（ipython）在沙箱中调用 openpyxl。插件已覆盖数据获取需求，通常无需额外接入 MCP 服务；如需接入，参见 接入 MCP。
配置选择
本案例选择 kimi-k3。建模需要同时处理长财报原文、技能规范和大量结构化计算，对长上下文和指令遵循能力要求较高；多轮搭建过程中上下文持续增长，kimi-k3 的长上下文能力和缓存计价有助于控制成本，详见下文「运行成本」。
各项资源的配置如下：
| 资源 | 用途 | 本案例的选择 |
|---|---|---|
| 智能体 | 执行建模工作流 | 单智能体，kimi-k3 |
| 插件 | 建模方法 + 数据源路由 | 机构金融插件（institutional-finance-kit） |
| 技能 | 财务建模工作流 | 插件中的 institutional-financial-modeling 技能，随插件挂载 |
| 执行环境 | 构建 Excel 与图表 | 云沙箱，config 声明 openpyxl、numpy、matplotlib 等 pip 依赖 |
| 文件 | 财报、券商研报、内部研究等原始材料（建议尽可能提供） | 上传后以只读副本挂载到会话 |
| 凭据库 | 数据源授权（可选） | 将凭据保存在凭据库，创建会话时添加到 resources |
| 触发器 | 当前不需要 | 按需执行建模任务，无需设置触发器 |
| 记忆库 | 当前不需要 | 每次建模使用独立会话，不依赖跨会话记忆 |
运行成本
在不计插件调用费用的情况下，建模成本主要来自模型 tokens。沙箱按运行时长计费，价格为 ¥0.072 / 小时；一次建模约需 45–90 分钟，费用约 ¥0.1。文件上传与抽取限时免费，详见 托管智能体定价。按 kimi-k3 的 公开单价估算，一次完整建模约需 ¥30–50，耗时 45–90 分钟。
上述估算基于 2026 年 9 月底至 10 月初的若干次生产会话，仅供参考，实际费用以控制台账单为准。费用和耗时会随标的数据量、财报篇幅、上传材料情况以及取数和返工轮次显著变化。数据完整的大型公司与数据较少的新上市标的之间，成本可能相差数倍。上传券商研报、内部研究等材料有助于提高历史数据口径的准确性并减少取数轮次，因此也可能降低成本、缩短耗时（见下文「第 3 步：准备原始材料」）。
一次完整建模需要多轮模型调用，每轮都会携带累积的上下文，累计输入可达上千万 tokens，其中约 95% 为重复前缀。命中上下文缓存后，这部分输入按缓存命中价计费，是控制成本的关键；如果同等输入量全部按未命中价计费，成本约为当前的六至七倍。输出主要为 openpyxl 构建代码和最终回复。插件调用按次数另行计费，不同插件分档定价，详见 托管智能体定价；上述估算不含插件费用。
建模质量在很大程度上取决于输入材料。平台无法直接提供受版权和合规限制的券商研报、私有数据、内部研究和历史财务原文，需要你自行准备并上传，或接入私有信息源（见下文「第 3 步」）。充分的材料有助于提高历史数据口径的准确性、为假设提供依据并减少取数轮次。
从最小版本开始搭建
最小配置为「单智能体 + 机构金融插件」。插件已包含建模技能和数据源接入，完成配置后即可运行。具体步骤如下：
第 1 步：创建智能体
以下是一个可运行的创建命令。该示例并非官方配置的逐字拷贝，当前官方配置以 GET /v1/agents 的返回结果为准：
cURL：
curl -X POST https://api.moonshot.cn/v1/agents \
-H "Authorization: Bearer $KIMI_API_KEY" \
-H "kimi-api-version: 2026-09-01-beta" \
-H "Content-Type: application/json" \
-d '{
"name": "我的财务建模助手",
"model": {"id": "kimi-k3"},
"system": "你是一个金融财务建模智能体，职责是把一家公司变成一份可编辑的 Excel 财务模型。\n- 严格按流程执行：取数 → 报表规范化 → 盈利预测 → 估值建模 → 质检，取数未完成不得开始搭模型。\n- 所有数据通过插件的数据源路由获取，每个关键输入标注来源与取数日期；取不到的数据在 Data_Sources 表注明原因，严禁编造。\n- 缺失数据不当作零，除非显式声明假设。\n- 所有假设（WACC、永续增长率、收入增速等）集中放在 Excel 的 Assumptions 工作表，模型公式引用假设单元格，改假设可联动重算。\n- 产出包含：三表、DCF（含敏感性分析）、Peer Comps、Football Field 估值区间图，图表引用计算单元格，不用图片贴片。\n- 只做财务建模，不执行任何交易，不出投资建议；事实、计算、推断分开呈现。\n- 成品写入 output/ 目录，最终回复用相对路径逐一列出。",
"plugins": [
{"plugin_id": "<机构金融插件 ID>"}
],
"description": "自建财务建模智能体：输入 ticker，产出可编辑 Excel 三表 + DCF 模型"
}'CLI：
kha agents create --file - <<'JSON'
{
"name": "我的财务建模助手",
"model": {"id": "kimi-k3"},
"system": "你是一个金融财务建模智能体，职责是把一家公司变成一份可编辑的 Excel 财务模型。\n- 严格按流程执行：取数 → 报表规范化 → 盈利预测 → 估值建模 → 质检，取数未完成不得开始搭模型。\n- 所有数据通过插件的数据源路由获取，每个关键输入标注来源与取数日期；取不到的数据在 Data_Sources 表注明原因，严禁编造。\n- 缺失数据不当作零，除非显式声明假设。\n- 所有假设（WACC、永续增长率、收入增速等）集中放在 Excel 的 Assumptions 工作表，模型公式引用假设单元格，改假设可联动重算。\n- 产出包含：三表、DCF（含敏感性分析）、Peer Comps、Football Field 估值区间图，图表引用计算单元格，不用图片贴片。\n- 只做财务建模，不执行任何交易，不出投资建议；事实、计算、推断分开呈现。\n- 成品写入 output/ 目录，最终回复用相对路径逐一列出。",
"plugins": [
{"plugin_id": "<机构金融插件 ID>"}
],
"description": "自建财务建模智能体：输入 ticker，产出可编辑 Excel 三表 + DCF 模型"
}
JSON创建成功后，从响应中保存 id 作为 AGENT_ID。通过 GET /v1/plugins 查询插件 ID，并按显示名「机构金融插件」查找，或在控制台智能体表单中直接勾选。可根据需求调整以下字段：
| 字段 | 调整频率 | 配置建议 |
|---|---|---|
system | 经常调整 | 固定市场范围（A 股/港股/美股）、会计准则、默认假设口径、产出模板 |
plugins | 按领域调整 | 替换为其他领域的工作流插件，或增加数据类插件 |
model | 通常保持默认 | kimi-k3 已适配长文档分析与结构化产出 |
| 工具集 | 通常保持默认 | 默认内置工具集即可满足需求，无需额外声明 |
第 2 步：创建执行环境
建模需要 openpyxl、numpy、matplotlib 等 Python 库来构建 Excel 和图表。创建云沙箱环境时，在 config 中声明 pip 依赖；如果数据源通过内网网关访问，请将对应域名加入网络白名单，详见 执行环境。从响应中保存 id 作为 ENVIRONMENT_ID。
第 3 步：准备原始材料（建议尽可能提供）
建议尽可能提供券商研报、私有数据、内部研究和历史财务原文等材料。与仅依靠插件检索相比，使用原始材料有助于提高历史数据口径的准确性和假设的可靠性。提供方式有两种：
第 4 步：创建会话并提交任务
快速开始 已介绍完整调用流程，此处仅展示建模任务的特有部分。创建会话：
cURL：
curl -X POST https://api.moonshot.cn/v1/sessions \
-H "Authorization: Bearer $KIMI_API_KEY" \
-H "kimi-api-version: 2026-09-01-beta" \
-H "Content-Type: application/json" \
-d '{
"agent_id": "'"$AGENT_ID"'",
"environment_id": "'"$ENVIRONMENT_ID"'",
"title": "宁德时代 DCF 模型"
}'CLI：
kha sessions create --agent "$AGENT_ID" --environment "$ENVIRONMENT_ID" --title "宁德时代 DCF 模型"从响应中保存会话 id 作为 SESSION_ID，订阅事件流（见 快速开始），然后提交任务：
cURL：
curl -X POST https://api.moonshot.cn/v1/sessions/$SESSION_ID/events \
-H "Authorization: Bearer $KIMI_API_KEY" \
-H "kimi-api-version: 2026-09-01-beta" \
-H "Content-Type: application/json" \
-d '{
"events": [
{
"type": "user.message",
"data": {
"content": [
{"type": "text", "text": "帮我搭建宁德时代（300750.SZ）的 DCF 模型：规范化最近三年三张表，预测未来三年，给出 DCF 估值（含敏感性分析）、可比公司分析和 Football Field 估值区间图。所有数据标注来源与取数日期，假设集中在 Assumptions 表，产出可编辑的 .xlsx。"}
]
}
}
]
}'CLI：
kha sessions send "$SESSION_ID" "帮我搭建宁德时代（300750.SZ）的 DCF 模型：规范化最近三年三张表，预测未来三年，给出 DCF 估值（含敏感性分析）、可比公司分析和 Football Field 估值区间图。所有数据标注来源与取数日期，假设集中在 Assumptions 表，产出可编辑的 .xlsx。"任务描述会直接影响产出质量。编写任务时，建议遵循以下原则：
提供证券代码。 先明确市场（A 股 / 港股 / 美股）和标的，并提供证券代码以避免同名歧义。例如，使用「宁德时代（300750.SZ）」，而不是「帮我看看宁德」。
明确模型范围。 默认产出包括三表、DCF、Peer Comps 和 Football Field；如果只需要部分内容，请明确说明，例如「只要三表和 DCF，不要可比公司」。如需情景分析（乐观 / 中性 / 悲观），也应在任务中注明。
提供已有假设和原始材料。 如有既定假设（例如公司指引中的收入增速、投资委员会确定的 WACC 区间），请直接写入任务，智能体会将其填入 Assumptions 表，而非使用默认值。也应尽可能提供财报原文、券商研报和内部研究（见上文「第 3 步」），以提高历史数据口径的准确性和假设的可靠性。
第 5 步：取回产物
会话状态变为 idle 后，先列出该会话的产物，找到 Excel 文件对应的产物 id：
cURL：
curl "https://api.moonshot.cn/v1/artifacts?session_id=$SESSION_ID" \
-H "Authorization: Bearer $KIMI_API_KEY" \
-H "kimi-api-version: 2026-09-01-beta"CLI：
kha artifacts list --session "$SESSION_ID"再下载成品：
cURL：
curl "https://api.moonshot.cn/v1/artifacts/$ARTIFACT_ID/content" \
-H "Authorization: Bearer $KIMI_API_KEY" \
-H "kimi-api-version: 2026-09-01-beta" \
-o CATL_model.xlsxCLI：
kha artifacts download "$ARTIFACT_ID" --out CATL_model.xlsx如果产物列表为空，或需要查看中间文件，可使用 GET /v1/sessions/$SESSION_ID/filesystem 浏览会话文件系统，详见 文件。
产物为 .xlsx 工作簿，可使用 Excel 或 WPS 打开并编辑，包含以下工作表：
Assumptions：集中记录全部假设，包括 WACC、永续增长率、预测期收入增速和利润率假设。其他工作表的公式引用此表单元格，修改假设后，全模型联动重算；
三表：包括资产负债表、利润表和现金流量表，涵盖历史三年规范化数据、未来三年预测及五年 DCF 延展期；表间勾稽关系包括利润表净利润计入资产负债表留存收益，以及现金流量表现金变动与资产负债表货币资金一致；
DCF：包括自由现金流预测、折现、终值，以及企业价值至股权价值的桥接计算，并附 WACC × 永续增长率的敏感性矩阵；
Peer Comps：同行业可比公司的估值对比表，包含 PE-TTM、PB、前瞻 PE 等指标，数据来自插件的数据源路由；
Football Field：对比不同估值方法（DCF、可比公司、历史区间）的估值范围，图表引用计算单元格，而非静态图片；
Checks：包含资产负债表平衡、现金流与资产负债表衔接、收入衔接等检查，逐期列出差额和 PASS / REFERENCE 状态，便于核对模型是否配平。
假设来源和校准依据记录在 Assumptions 表的「依据 / 来源」列；全部数据均在 Data_Sources 表逐条登记，包括来源、定位、期次、取数时间和使用位置。无法获取的数据也在该表中注明原因。文件保存在会话的 output/ 目录，可通过产物接口下载并继续编辑。
运行监控
取数和建模通常需要 45 分钟至 1.5 小时；需要重试时，耗时可能更长。建议通过事件流持续查看运行状态，直至任务完成。可以通过以下字段判断运行是否正常：
session.status：running表示正在运行，变为idle表示本轮完成，可以下载产物；agent.tool_use：可查看每次数据获取使用的数据源和口径；数据异常时，可优先检查此项；session.error：任务失败时出现，包含错误类型和信息。
订阅事件流的连接可能中途断开，用断开前最后一帧 SSE 消息的 id: 字段作为 cursor 重新订阅即可续读，详见 事件流。
建模场景还需关注以下事项：
| 观察项 | 检查内容 | 排查用途 |
|---|---|---|
agent.tool_use 的取数调用 | 数据源、口径、取数日期 | 历史数据口径异常时，优先检查数据获取是否有误 |
| ipython 执行记录 | openpyxl 构建代码是否报错 | 产物未生成时，检查构建代码是否存在异常 |
| 最终回复的文件清单 | 是否列出了 output/ 下的 .xlsx | 仅列出中间文件，通常表示质检未通过或流程未完整执行 |
可扩展方向
批量建模：为每个标的分别创建会话并并发执行，按会话取回结果，避免相互影响；
嵌入自有系统：将托管智能体 API 集成到自有投研平台，由业务系统创建会话、订阅事件流并取回 Excel，分析师可在自有界面中获取并继续编辑模型；
多智能体拆分：将取数、建模和质检拆分为专职子智能体，并在
multiagent字段中配置委派，详见 多智能体编排。建议先验证单智能体与插件的组合，再评估是否拆分。
相关文档
使用机构金融建模插件：插件的引用方式、版本固定与数据源路由。
上传财报与研究材料：上传财报材料、挂载会话与取回 Excel 产物。
配置 Excel 构建依赖：云沙箱的 pip 依赖声明与网络白名单。