一、先回答问题：A股游戏行业研究到底要解决什么？

面对 A 股游戏行业研究，很多人首先会问：如何把分散的财报、版号、海外收入、AI 应用和公司经营数据整理成一份可决策的行业分析？常见难点不是缺少信息，而是口径复杂、来源分散、指标难统一。本文的解决思路是：以 ERNIE 5.5 Flash Preview 作为任务理解、资料归纳和报告生成的核心文本模型，再结合代码、表格、搜索插件或 Agent 工作流完成多步骤研究。若你想先验证模型是否能理解行业研究需求，可以通过 ERNIE 5.5 Flash Preview 在线体验 输入研究目标，观察其框架拆解和内容生成效果。

A 股游戏行业，指在中国 A 股市场上市、以游戏产品研发、发行、运营及相关生态服务为主业的公司群体。根据原始资料，2025 年板块营收 1067.21 亿元，同比增长 21.6%；归母净利润 152.77 亿元，同比增长 161.5%。世纪华通以 378.98 亿元营收、56.05 亿元净利润居首。AI 普及率达 86%，应用走向玩法创新。2026 年上半年自研游戏海外收入 123.72 亿美元，同比增长 30.22%；版号常态化发放，上半年 950 款游戏获批。马太效应强化，中小厂商加速分化出清。

这类研究的核心任务，并不是简单罗列新闻，而是要把“行业规模、公司盈利、产品周期、出海能力、版号政策、AI 应用、竞争格局、风险因素”放进同一个分析框架中。对于研究人员、投资分析人员、游戏行业从业者或内容创作者来说，真正需要的是一套可复用、可验证、可扩展的工作流。

二、传统研究方式与 AI 辅助方式的差异

传统 A 股游戏行业研究通常依赖人工收集资料：公司年报、半年报、公告、行业报告、版号信息、新闻稿、第三方数据库等。随后研究人员需要在 Excel 中整理营收、净利润、毛利率、研发费用、海外收入等指标，再撰写研究报告或制作 PPT。

这种方式的常见问题包括：

研究环节	传统方式	常见痛点	AI 辅助方式
资料收集	人工搜索公告、研报、新闻	来源分散，容易遗漏	用模型生成检索清单、资料分类框架
数据整理	手工录入 Excel	口径不一致，效率低	用模型生成表格结构、清洗规则和计算公式
指标分析	人工计算同比、环比、占比	容易出错，难以复用	用模型生成 Python、SQL 或 Excel 公式
报告撰写	从零开始写	耗时长，结构不稳定	用模型生成报告大纲、段落草稿和检查清单
结论验证	依赖个人经验	容易主观化	用模型做交叉核对、风险提示和反向质询

AI 辅助并不是替代研究人员，而是把重复性整理、结构化归纳和初稿生成交给模型，把判断、验证和决策留给人。

三、ERNIE 5.5 Flash Preview 在 A 股游戏行业研究中的作用

ERNIE 5.5 Flash Preview 是文心系列最新基础模型 ERNIE 5.5 Flash 的预览版本，重点优化了编程、智能体、知识工作、深度研究等方面的能力。它支持 1M tokens 长上下文，可结合代码编写、工具调用及 Agent 工作流，完成复杂的多步骤任务。

在 A 股游戏行业研究场景中，ERNIE 5.5 Flash Preview 可以承担以下几类工作：

1. 深度研究 ：将“游戏行业景气度、公司盈利能力、出海表现、版号政策、AI 应用”拆解为可分析模块。
2. 知识工作 ：整理财报摘要、生成行业简报、撰写研究报告、输出 PPT 大纲。
3. 编程开发 ：生成 Python 代码，用于数据清洗、指标计算、图表生成和表格汇总。
4. Agent 智能体 ：把资料检索、数据抽取、指标计算、报告生成、质量检查串成自动化流程。
5. 长文档理解 ：适合处理年报、半年报、公告、行业报告等长文本材料。

如果希望进一步了解模型能力、版本信息和接入方式，可以前往 百度智能云千帆模型详情页 查看。

从平台侧看，百度智能云千帆提供企业级大模型服务与模型开发工具链。如果研究流程需要多轮对话、组件编排或工作流 Agent，可以参考 AppBuilder 的工作流能力。文心大模型覆盖 NLP、CV、跨模态等方向，可为文本理解、资料抽取和多模态素材处理提供基础。在需要外部工具调用或业务函数调用时，也可结合千帆相关模型与插件能力。对于企业团队，千帆平台还提供模型资源包、认证与培训等配套，便于评估接入成本和人员能力。

需要注意的是，ERNIE 5.5 Flash Preview 本身是文本模型。若任务涉及 Excel 文件生成、PPT 制作、图表渲染、数据抓取或外部数据库查询，需要结合代码解释器、Python 环境、办公自动化工具、搜索插件或 Agent 工作流执行，而不是将文件生成、渲染或抓取能力直接理解为模型原生能力。

四、场景实践：搭建一个 A 股游戏行业研究助手

下面给出一套可落地的研究方法，适合用于行业研究、公司对比、投资分析、内容选题或游戏行业观察。

1. 明确研究目标

在开始之前，先把研究问题拆清楚。A 股游戏行业研究可以从以下维度展开：

研究维度	关键问题	可用指标
行业规模	游戏市场收入是否增长？	实际销售收入、同比增速
用户规模	用户是否仍在增长？	游戏用户规模、同比增速
盈利能力	上市公司是否赚钱？	营收、归母净利润、净利率
公司格局	谁在领跑？	营收排名、净利润排名、增速
出海能力	自研游戏海外表现如何？	海外收入、同比增速
政策环境	版号供给是否稳定？	获批版号数量、发放节奏
AI 应用	AI 是否真正影响业务？	AI 普及率、AI 玩法、降本增效案例
风险因素	哪些变量可能逆转趋势？	政策、买量成本、产品周期、汇率

研究目标越清楚，模型输出越稳定。例如，“分析 A 股游戏行业 2025 年至 2026 年上半年的景气度”就比“分析一下游戏行业”更容易执行。

2. 建立数据清单

行业研究的第一步不是写报告，而是建立数据清单。建议把资料分成五类：

数据类别	示例指标	常见来源	注意事项
上市公司财务数据	营收、归母净利润、毛利率、研发费用	公司年报、半年报、公告	注意合并报表口径
行业总量数据	中国游戏市场收入、用户规模	音数协、游戏工委、行业报告	注意统计口径差异
版号数据	获批数量、国产/进口版号	版号公示信息	注意是否含变更
出海数据	自研游戏海外收入	公司公告、行业报告	注意美元与人民币单位
AI 应用数据	AI 普及率、AI 玩法、研发工具	公司公告、新闻、产品资料	区分事实、案例与宣传

原始资料中给出的关键数据可以作为示例输入：

指标	数值	同比变化	说明
2025 年 A 股游戏板块营收	1067.21 亿元	+21.6%	板块整体表现
2025 年归母净利润	152.77 亿元	+161.5%	盈利修复明显
世纪华通营收	378.98 亿元	-	居板块首位
世纪华通净利润	56.05 亿元	-	居板块首位
2026 年上半年自研游戏海外收入	123.72 亿美元	+30.22%	出海保持增长
2026 年上半年国内游戏市场收入	1884.5 亿元	+12.17%	国内市场增长
2026 年 6 月游戏用户规模	6.84 亿	+0.82%	用户增长趋缓
2026 年上半年获批版号	950 款	-	版号常态化发放

实际研究中，应把每个数据都标注来源、统计周期和口径。例如，“2025 年 A 股游戏板块营收”和“2026 年上半年中国游戏市场实际销售收入”不是同一个统计对象，不能直接混用。

3. 数据清洗与指标计算

如果已经整理出公司财务数据，可以用 Python 进行清洗和计算。以下代码需要放在 Python 环境或支持代码执行的解释器中运行。ERNIE 5.5 Flash Preview 可以帮助生成、解释和调试代码，但代码执行本身需要外部运行环境。

假设 CSV 文件包含以下字段：

company, revenue, revenue_last_year, profit, profit_last_year

可以使用如下代码计算营收和净利润同比：

import pandas as pd
df = pd.read_csv("a_share_game_companies.csv")
df["revenue_yoy"] = (df["revenue"] / df["revenue_last_year"] - 1) * 100
df["profit_yoy"] = (df["profit"] / df["profit_last_year"] - 1) * 100
result = df.sort_values("revenue", ascending=False).head(10)
print(result[["company", "revenue", "profit", "revenue_yoy", "profit_yoy"]])

如果需要进一步生成图表，可以结合 matplotlib 或 pyecharts。例如，让模型生成柱状图代码：

import matplotlib.pyplot as plt
top10 = df.sort_values("revenue", ascending=False).head(10)
plt.figure(figsize=(10, 6))
plt.bar(top10["company"], top10["revenue"])
plt.title("A股游戏公司营收TOP10")
plt.xlabel("公司")
plt.ylabel("营收")
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

这类任务的关键是：模型负责生成逻辑和代码，运行环境负责执行代码，研究人员负责检查数据和结论。

4. 建立行业分析框架

A 股游戏行业不能只看营收，还要看盈利质量、产品周期、出海能力和政策环境。可以使用以下分析框架：

分析模块	核心问题	输出内容
行业景气度	收入和用户是否增长？	行业规模、增速、用户变化
盈利质量	利润增长是否可持续？	净利润、利润率、费用变化
竞争格局	头部公司是否强化？	营收排名、利润排名、集中度
出海表现	海外市场是否成为第二增长曲线？	海外收入、增速、重点公司
政策与版号	产品供给是否稳定？	版号数量、发放节奏
AI 应用	AI 是否从工具走向业务创新？	AI 普及率、玩法创新、降本增效
风险因素	哪些因素可能破坏增长？	政策、成本、产品周期、竞争

在这个框架下，模型可以帮助生成每一部分的分析要点，但研究人员仍需要核对原始数据。

5. 公司对比分析

原始资料显示，2026 年上半年，26 家 A 股游戏上市公司已披露半年度报告，其中巨人网络、世纪华通、恺英网络、吉比特等 12 家公司实现归母净利润同比增长。研究时，可以把这些公司放入统一对比表。

建议字段包括：

字段	说明
公司名称	证券简称
报告期	2025 年报、2026 半年报等
营业收入	单位统一为亿元
归母净利润	单位统一为亿元
营收同比	百分比
净利润同比	百分比
海外收入	如有披露
AI 相关表述	公告或新闻中的 AI 应用
数据来源	公告、年报、新闻等

如果缺少某家公司数据，应标记“未披露”或“待核验”，不要让模型自行补全。

6. 可直接复制的 Prompt

下面这段 Prompt 可以直接复制到 ERNIE 5.5 Flash Preview 在线体验 中使用。你可以根据实际资料替换“输入信息”部分。

你是一名资深 A 股游戏行业研究分析师。请根据以下输入信息生成一份结构化行业研究简报。
任务目标：
分析 A 股游戏行业的景气度、盈利表现、公司格局、出海情况、版号政策、AI 应用趋势和主要风险，并形成可用于投资决策或行业观察的研究简报。
输入信息：
1. 2025 年 A 股游戏板块营收 1067.21 亿元，同比增长 21.6%；归母净利润 152.77 亿元，同比增长 161.5%。
2. 世纪华通以 378.98 亿元营收、56.05 亿元净利润居首。
3. AI 普及率达 86%，应用走向玩法创新。
4. 2026 年上半年自研游戏海外收入 123.72 亿美元，同比增长 30.22%。
5. 版号常态化发放，2026 年上半年 950 款游戏获批。
6. 2026 年上半年国内游戏市场实际销售收入 1884.5 亿元，同比增长 12.17%。
7. 截至 2026 年 6 月，我国游戏用户规模 6.84 亿，同比增长 0.82%。
8. 2026 年上半年自研游戏国内市场实际销售收入 1633.56 亿元，同比增长 16.31%。
9. 马太效应强化，中小厂商加速分化出清。
10. 行业盈利逻辑从“规模扩张”转向“效率驱动”。
执行要求：
1. 严格区分事实、推断和建议。
2. 不要编造未提供的数据。
3. 如果某项数据缺失，请标注“待核验”。
4. 统一金额单位，明确“亿元”和“亿美元”的区别。
5. 区分“A 股游戏板块”“中国游戏市场”“自研游戏海外收入”等不同口径。
6. 输出必须包含表格。
7. 结论要给出依据，不要只给空泛判断。
预期输出：
一、核心结论
二、行业规模与增长
三、盈利表现与利润质量
四、公司竞争格局
五、自研游戏出海分析
六、版号政策与产品供给
七、AI 应用趋势
八、主要风险
九、待核验数据清单
十、适合进一步研究的公司列表

7. 报告生成后的质量检查

模型生成初稿后，不能直接使用，需要进行质量检查。建议检查以下项目：

检查项	检查方法
数据口径	是否混淆板块营收、市场收入、自研游戏收入
时间范围	是否混淆 2025 全年、2026 一季度、2026 上半年
单位	是否混淆亿元、亿美元、人民币、美元
同比口径	是否把不同基期数据直接比较
来源	每个关键数据是否有来源
事实判断	是否把模型推断写成确定事实
公司数据	是否遗漏“未披露”或“待核验”
结论逻辑	是否从数据推出结论，而不是先有结论再找数据

一个实用的检查方法是让模型进行“反向质询”：

请以审慎研究员的角色，检查上文报告中的数据口径、单位、时间范围和结论逻辑。列出所有可能误导读者的地方，并给出修改建议。

agent-">五、进阶：用 Agent 工作流自动化行业研究

如果需要处理大量公告、新闻和财报，可以把研究流程交给 Agent 工作流。一个典型的 A 股游戏行业研究 Agent 可以拆成以下节点：

1. 任务规划 ：确定研究目标、时间范围和输出格式。
2. 资料检索 ：搜索公司公告、行业报告、版号信息、新闻资料。
3. 资料抽取 ：从长文本中提取营收、净利润、海外收入、AI 表述等字段。
4. 数据清洗 ：统一单位、补齐字段、标记缺失值。
5. 指标计算 ：计算同比、环比、占比、排名。
6. 分析生成 ：生成行业分析、公司对比和趋势判断。
7. 质量检查 ：检查口径、来源、单位和逻辑。
8. 成果输出 ：生成报告草稿、表格、PPT 大纲或图表代码。

在平台实现上，可以参考 AppBuilder 的工作流 Agent 能力，将节点编排为多步骤流程。如果需要接入外部搜索、业务函数或自定义模型，也可以结合插件机制。

Agent 工作流中常见的异常包括：

异常类型	处理方式
数据缺失	标记“未披露”，不要猜测
来源冲突	保留多个口径，并注明来源
单位不一致	统一转换为亿元或亿美元
时间范围不一致	按报告期分组，不混合比较
模型输出无依据	要求补充来源或重新生成
工具调用失败	切换备用数据源或人工复核

六、示例输出：A 股游戏行业研究简报框架

基于原始资料，可以形成如下研究简报框架。实际使用时，应补充更多公司数据和来源。

1. 核心结论

A 股游戏行业在 2025 年表现出较强的盈利修复能力。板块营收达到 1067.21 亿元，同比增长 21.6%；归母净利润达到 152.77 亿元，同比增长 161.5%。头部公司世纪华通在营收和净利润方面均处于领先位置。

2026 年上半年，行业增长继续体现结构性特征：国内市场收入保持增长，自研游戏海外市场增速较高，版号发放趋于常态化，AI 应用从降本增效工具逐步走向玩法创新。

2. 行业规模与增长

指标	数值	同比	说明
2025 年 A 股游戏板块营收	1067.21 亿元	+21.6%	板块整体增长
2025 年归母净利润	152.77 亿元	+161.5%	利润修复明显
2026 年上半年国内游戏市场收入	1884.5 亿元	+12.17%	国内市场保持增长
2026 年上半年自研游戏国内收入	1633.56 亿元	+16.31%	自研产品贡献提升
2026 年上半年自研游戏海外收入	123.72 亿美元	+30.22%	出海增长较快

3. 公司格局

原始资料显示，世纪华通以 378.98 亿元营收、56.05 亿元净利润居首。2026 年上半年，巨人网络、世纪华通、恺英网络、吉比特等 12 家公司实现归母净利润同比增长。

研究时应进一步比较：

• 营收规模排名；
• 净利润规模排名；
• 营收与净利润增速；
• 海外收入占比；
• 研发费用率；
• AI 应用落地情况；
• 产品储备与版号获取情况。

4. 出海与版号

2026 年上半年自研游戏海外收入 123.72 亿美元，同比增长 30.22%，说明出海仍是行业重要增长点。版号方面，2026 年上半年 950 款游戏获批，版号常态化发放有助于稳定产品供给预期。

但需要注意，版号数量增加并不等于每家公司都能同等受益。头部厂商通常拥有更强的产品储备、发行渠道和资金能力，因此马太效应可能进一步强化。

5. AI 应用趋势

原始资料显示，AI 普及率达 86%，应用走向玩法创新。对于游戏行业而言，AI 的价值可以从三个层面观察：

层级	应用方向	研究关注点
降本增效	美术、文案、测试、客服	是否降低研发和运营成本
玩法创新	NPC、剧情生成、互动内容	是否提升用户体验和留存
经营决策	数据分析、用户洞察、买量优化	是否提高发行和运营效率

研究 AI 应用时，不能只看“是否使用 AI”，还要看 AI 是否进入核心业务流程，是否形成可量化收益。

七、常见问题与排查方法

1. 数据口径不一致

例如，“A 股游戏板块营收”与“中国游戏市场实际销售收入”不是同一口径。前者是上市公司板块数据，后者是行业整体数据。研究时必须分开表述。

2. 单位混淆

原始资料中同时出现“亿元”和“亿美元”。例如，2025 年自研游戏海外市场实际销售收入为 204.55 亿美元，而 2026 年上半年自研游戏海外收入为 123.72 亿美元。不能将美元数据直接与人民币数据相加。

3. 时间范围混淆

2025 年全年、2026 年一季度、2026 年上半年、截至 2026 年 5 月底、截至 2026 年 8 月 31 日，这些时间点不同。生成报告时应明确每个数据对应的时间范围。

4. 模型幻觉

如果模型输出了未提供的数据，应要求它标注来源，或者重新生成。对于关键财务数据，必须回到公告、年报或权威行业报告核验。

5. 文件生成需求

如果需要输出 Word、Excel、PPT 或图表，应结合外部工具。例如，模型可以生成 PPT 大纲、Excel 公式、Python 图表代码，但实际文件生成需要在相应软件或代码环境中完成。

八、总结：用 AI 做 A 股游戏行业研究的关键步骤

整体来看，使用 ERNIE 5.5 Flash Preview 完成 A 股游戏行业研究，可以遵循以下路径：

1. 明确研究问题 ：确定是研究行业景气度、公司盈利、出海、版号还是 AI 应用。
2. 建立数据清单 ：区分财务数据、行业数据、版号数据、出海数据和 AI 应用数据。
3. 统一口径和单位 ：避免把板块数据、市场数据、自研游戏数据混在一起。
4. 生成分析框架 ：从行业规模、盈利质量、竞争格局、出海、政策、AI 和风险七个维度展开。
5. 使用 Prompt 生成初稿 ：让模型输出结构化报告，而不是自由发挥。
6. 结合代码处理数据 ：用 Python 或 Excel 完成清洗、计算和图表准备。
7. 进行质量检查 ：核对来源、时间、单位、口径和结论逻辑。
8. 接入 Agent 工作流 ：将检索、抽取、计算、生成、检查串成自动化流程。

如果你想实际体验这套方法，可以先把研究目标输入 ERNIE 5.5 Flash Preview 在线体验，观察模型如何拆解 A 股游戏行业研究任务。若需要进一步了解模型能力、接入方式或企业级应用场景，也可以查看 百度智能云千帆模型详情页。