我印象最深的一次效率震撼发生在去年底帮一位做投资的朋友处理一批上市公司业绩说明会的互动记录。几十家公司的文件堆在一起纯文本加起来估计好几十万字。搁在两年前我至少得安排一个研究员连续干两三天整理纪要、抽数据、标重点。那次我用大模型批量做了摘要、关键数据抽取和风险点分类加上中间调试的时间一个下午全部跑完。也就是从那天起我彻底想明白了一件事AI在投资领域带来的变化早就不是要不要用的问题而是用它的人已经把手伸到哪一步的问题。今天这篇我不打算讲什么宏大AI愿景只想把一个投资从业者实际在用的AI工具链、提示词、Agent工作流以及踩过的坑一次性拆开讲清楚。无论你是个人投资者、研究员还是做资产配置的都应该能从里面找到直接能用的东西。1. 投资行业正在经历的不是工具升级而是吞吐量洗牌1.1 投研的竞争本质从信息差变成了吞吐量差投资圈喜欢说认知变现。认知从哪来拆开看其实特别朴素谁先看到信息、谁能看得更多更快、谁能在同样时间内完成更深度的比较。早年信息稀缺大家拼的是信息渠道谁有独家消息谁赢。后来互联网把信息的获取拉平了拼的变成了分析框架和纪律。现在情况又变了。公开信息已经多到一个人根本看不完。A股加港股一天可能就有几十份公告、十几篇研报再加上电话会纪要、行业动态、政策文件、海外公司财报……一个人一天的有效工作时间就那么多你能覆盖多少信息直接决定你看问题的颗粒度。而大模型恰恰是把覆盖量这个变量拉得天翻地覆的东西。我没有夸张——同一份两百页的招股书传统读法从翻目录到重点章节精读四小时起步读完之后还要自己做几张表才能消化。现在我的流程是先让长文本模型做全局结构摘要再针对业务、财务、募投项目三个模块定点提问最后用我固定的表格模板让它输出关键指标。一小时左右能完成而且缺了什么、哪里存疑它会主动提示。省下来的三小时我可以多读三份材料。这就是吞吐量的改变。1.2 同样的晚上两种研究员的差距是叠加的这里做个更直接的对比。假设今晚给你两个任务第一把十家公司的三季度财报核心变化整理成对比表第二找出这十家公司里应收账款增速明显高于营收增速的那几家并给出判断逻辑。传统做法打开十个PDF一家家复制粘贴到Excel再手工算增速、做对比。快的人也要三四个小时慢的人一个晚上搭进去。AI做法把十份财报PDF丢给支持长文档的大模型先批量提取核心科目到统一表格框架再用一个筛选维度的提示词让它挑出符合条件的公司并列出每家的数据依据。半小时是常态。这半小时里你还能顺手让它写一版为什么应收账款增速快于营收需要警惕的简报框架。我不是在贬低传统研究员的辛苦。我想说的是从今往后能不能熬夜把十份财报啃完这个技能越来越不值钱了。值钱的是你能不能判断哪些数据值得深挖、哪些信号是噪音——恰好这种判断力是不怕AI抢活的。未来投资圈里被加速淘汰的不是某一种岗位而是那些把自己定位成数据处理节点的人。因为单纯的数据处理AI做得更快、更便宜、更不知疲倦。2. 把我实际在用的AI投研工具链按环节拆开讲2.1 信息获取与清洗让AI先替你读一遍我日常最高频的动作是把公告、研报、纪要统一扔进一个材料池。用什么工具不绝对关键是流程我把所有材料按照标的日期类型重命名放进本地文件夹然后用长文本模型做批量处理。目前主力是DeepSeek的接口和Kimi这类长文档工具配合开源的向量库搭了一个本地知识库方便随时做某公司去年对某事项的表态前后有没有变化这种回溯性问题。为什么要搭本地知识库因为聊天式的AI窗口再大也有上下文限制而且投资材料里的关键信息需要跨日期追溯。把材料向量化存下来之后问这家公司近两年关于分红的说法变过几次就变得非常简单。这一步很多散户朋友容易忽略以为把材料丢给AI聊天就直接问就行。实际体验是单篇抽问可以跨文档做对比没有索引的聊天窗口会明显力不从心。2.2 分析与研判让AI产出一份可批注的草稿我从来不让AI直接替我下投资结论。我让AI做的事是先把人要做判断所需的材料准备好。比如帮我从某公司年报中提取所有与产能扩张相关的内容按时间线排列并标出延期或变更事项这个任务AI做得又快又准。再比如把某行业过去三年政策文件里对细分赛道的支持力度做一个对比这种文献梳理以前靠人肉爬文档累得要命现在AI几分钟出框架我去核对来源就行。AI产出的东西我称之为可批注的草稿。意思是它不可能直接用但已经帮你完成了90%的体力活你只需要把剩下10%的判断性工作做完。这10%包括数据出处是不是可靠、逻辑链有没有断点、结论和你对行业的理解是否冲突。把精力花在这些地方产出的质量是完全不同的。这里我整理了一张表是团队内部做工具选型时常用的参考投研环节传统方式耗时AI辅助耗时工具建议单份财报关键科目提取40-60分钟5-10分钟长文档模型固定模板十家公司横向对比3-4小时30-40分钟批量提问统一表格框架政策文件梳理半天到一天30-60分钟本地知识库RAG检索电话会纪要二次压缩1-2小时10-15分钟专门的纪要提取提示词持仓池每日跟踪手动刷公告易遗漏定时脚本全自动Python大模型接口推送2.3 跟踪与风控把重复劳动交给定时任务很多人以为AI只在研究阶段有用其实跟踪阶段更省心。我会用脚本每天定时拉取关注池的公告标题和核心摘要只要命中我设定的关键词组合比如计提减值诉讼回购就自动推送到手机上。这个用简单的Python加大模型接口就能跑数据源用公开财经数据接口比如Tushare或AKShare这类量化圈常见的库就够了成本几乎可以忽略。在风控侧我也会用AI做反向核查——把一份财务数据扔给大模型问如果我想找出这家公司隐藏风险的线索你最想追问哪20个问题得到的追问思路常常比我团队里年轻研究员列出来的要全面。这不是说AI比人聪明而是它没有情绪、没有路径依赖不会因为这家公司我看了三年就放松警惕。这一点在投资决策里非常珍贵。3. 从会问到会拆提示词决定AI输出的天花板3.1 三套可以直接抄走的投研提示词模板同样的模型有人问出来的是百度百科式废话有人问出来的是带数据、带结论、带置信度的初稿差距全在提示词。分享三套我打磨过很多轮的模板框架核心结构是角色对象范围输出格式存疑标注。第一套财报对比提示词。举例你是一名有八年经验的财务分析师。请阅读下面这X份财报PDF提取营业收入、归母净利润、经营现金流、应收账款、存货、毛利率这六个科目做成一张可比表格。每家公司一行每个数字后面标注数据所在的页码。如果有数据明显异常比如增速超过100%或由正转负单独列一段说明并给出可能的原因假设假设需要标注是推测。若某些数字在文件中找不到不要编造写未找到。这套模板最关键的收尾是不要编造写未找到。它给了模型一个明确的安全出口能大幅降低幻觉概率。第二套电话会纪要提取模板请阅读这份会议纪要输出三部分1管理层对下季度业绩指引的原文引用及语气判断2所有分析师提出的质疑问题汇总3管理层回避或未正面回答的问题清单。语气判断请基于措辞推断不要脑补情绪。很多纪要动辄几十页前半段是行业回顾后半段才是有效问答。AI做二次压缩的能力远超人工尤其是管理层回避了哪些问题这个角度人工整理时很容易因为惯性思维漏掉。第三套行业比较模板请比较A、B、C三家公司的新能源储能业务。从产能、订单、客户结构、毛利率趋势、技术路线五个维度展开。每个结论后面必须标注信息来源或推理依据。如果你觉得某些维度没有公开数据直接支撑请明确说明。这套模板的核心是竖切维度而不是让AI按公司逐一介绍。按公司介绍出来的东西是三个独立的小报告横向可比性很差按维度横向切才真正服务于投资里的比较研究。3.2 一个把回答从泛泛而谈打磨到可交付的真实案例最近我让一个刚用AI的新同事试着总结某家消费公司的年报。他第一次的提示词是帮我看看这家公司怎么样。模型给了一篇四平八稳的通用分析通篇具有一定的竞争优势面临行业竞争压力放哪儿都能用放哪儿都没用。我让他改成这样请分析XX公司2024年年报中的经销商结构变化。你的目标是帮助一位基金经理判断公司渠道改革是否出现改善迹象。请先列出2023和2024两年经销商数量和平均单商收入的对比再分析前五大客户的变动最后列出三个你认为最关键但年报中没有充分披露的疑点。每个判断需附数据出处页码。同一个模型后一种问法输出的东西已经可以直接进投资备忘录初稿了。差别不在于模型本身而在于你给它定义的任务边界和工作标准。这是我在带团队时最喜欢强调的一点AI不是问你这公司行不行的算命先生而是帮你把判断公司行不行需要的材料整理清楚的高级助理。你给的指令越接近一个明确的交接单它交付的东西就越接近可用的半成品。4. 从单点AI到Agent流水线我跑通的个人投研工作流4.1 为什么单点工具不够用我最初接触AI辅助投研时也是点状用法看公告用一下、写纪要摘要用一下没有流程观念。几个月后我发现一个尴尬每个单点都省时间但总流程没被真正改写。问题出在上下文交接上——这一步分析完的中间结果下一步还得重新解释一遍给另一个模型转述本身就是信息损耗。直到我开始按Agent工作流的思路把各个环节串起来效率才真正出现质变。4.2 一条能跑通的五步Agent流程我现在日常用的流程大概是这样的分享出来供参考采集层Python脚本每天定时拉取关注池的公告、新闻、价格数据自动保存为结构化文本。这一步不涉及大模型纯粹体力活但它是整个流水线的入口。清洗层大模型把原始公告和新闻按统一模板抽取发生了什么、时间、金额、相关主体、可能的利好利空方向。输出JSON格式便于后续程序化处理。分析层把清洗结果和持仓池、关注池做交叉匹配一旦命中就触发一个专门的分析Agent去本地知识库检索该标的历史公告和纪要生成一份变化说明。复核层把分析Agent的产出交给另一套提示词完全不同的模型做反向审查。审查重点是数据是否与原文一致、结论是否有过度推断、有没有遗漏重大风险表述。输出层所有内容汇总成一份当日关注报告推送到终端。我每天起床后看报告而不是在几十个文档里翻。这套流程听起来复杂实际拆解下来核心就是多个角色分工协作。最近我也看到DeepSeek公开了AI智能体训练的新方法思路跟这个很像——把复杂任务拆解成可复用的子技能然后让模型在子技能之间编排调度。我不是说我这套流程就是那种前沿水平但从设计理念上说确实是一个方向。对普通投资者来说按这个思路用现成工具搭一套简化版完全可行。4.3 多AI协作的三角验证机制在投资场景里单一模型容易存在系统性偏误。我的处理办法是三角验证针对同一个重要判断让两个不同模型独立分析再把两份结论同时交给第三个模型做交叉比对要求它只输出两个模型结论的分歧点并在分歧点上给出它的倾向及理由。听起来有点绕实际用起来很顺手。比如判断某份重组方案里是否存在异常定价模型A可能更多关注财务定价倍数模型B可能更关注标的资产的历史纠纷第三个模型则能把两者分歧摊开逼着我去看原始文件验证。这个机制帮我避开过不少单一视角导致的误判。多AI协作并不是什么神秘技术本质上就是让不同思维方式的助手互相挑刺挑到你不得不亲自去核实为止。而这恰恰是最安全的用法。5. 哪些环节我坚决不让AI碰翻车记录与边界判断5.1 一次AI幻觉差点让我出了事故必须坦白一件事AI幻觉在投资场景里不是小概率事件而是每天都会遇到的现象级风险。有一次我让它总结某公司的董事会决议公告它自动脑补了一条涉及关联交易定价调整的表述而我当时正要按这个方向往下做判断。如果不是顺手又翻了一下原文PDF这条莫须有的信息就会写进我的研究笔记。从那之后我立了两条规矩第一所有AI输出里涉及数字、日期、法律条款、金额的内容必须回到原文逐个核对第二凡是AI输出的疑似事实默认先当待验证线索处理上了验证台才算数。这两条规矩听起来笨但能挡住90%以上的问题。5.2 数据源污染AI会认真地编一个不存在的公告另一个更隐蔽的坑是数据源污染。AI训练语料里充满大量二手财经资讯其中不少是自媒体加工过的甚至直接就是错的。当你让它总结一下近期市场对某事件的反应它很可能把一篇标题党文章的核心观点当成共识写进去那一刻它的语气非常自信因为在它的世界里语料就是现实。我现在的处理方式是给AI限定的输入范围尽量让它基于我提供的原文运行而不是让它调用记忆里的公开信息。能用检索增强生成RAG挂原文的就不让它自由发挥记忆。我甚至会在提示词里刻意写一句只基于我提供给你的材料回答不要使用训练知识中的补充信息。这句话能挡掉大部分编造。在投资这种对事实精度要求极高的场景里永远别高估模型的记忆也别低估它的自信。5.3 合规与责任边界模型不背锅你也别想甩锅做投资的人必须清楚一条底线AI是辅助工具不是决策主体。不管AI输出的结论写得多完整、多漂亮最终拍板的人是你法律责任和投资亏损的承担者也是你。在公司或资管机构的合规框架里把未经验证的AI生成内容直接作为投资依据本身就是严重风险。所以我在这方面的原则很朴素AI可以帮我把决策所需的信息金字塔搭到八十层但封顶的那块砖一定是人亲手放上去的。这不是保守是责任边界的常识。你越是依赖AI的产出越要重视人工复核的机制设计——这跟团队越大越要重视审核流程是一个道理。6. 所谓被淘汰其实是技能栈被重塑普通人的应对路径6.1 淘汰机制不是炒人而是机会差回到题目那句话我其实不太喜欢淘汰这种末日说法因为它隐含某一天突然失业的意思。真实世界更像温水当周围一半的人已经用AI把信息量覆盖到你的三倍、五倍你会慢慢发现自己接到的机会在减少、能看懂的市场在缩小甚至在同一家公司里能拿到的资源也开始向那些出活更快更全的人倾斜。机会分配的变化才是淘汰的真实机制。它不是一次裁员而是连续十几个项目之后你发现自己被挤到了边缘。6.2 普通投资者和研究员的四项新基本功在我看来未来两三年里想在投资这条路上有竞争力这四样东西比单纯会看财报更重要会向AI提工程级问题把模糊需求拆成角色、任务、输出格式、验证标准。这套能力完全可以刻意练习每问一次就反思一次我的指令够不够像一个需求文档。能搭一套自己的知识库和流水线哪怕先用现成的工具也必须有把材料管起来的意识。知识库的价值在于可回溯这是聊天式提问替代不了的。会验证核对来源、复核数据、识别幻觉这些反AI技能反而越来越值钱。你想一下当人人都能快速产出漂亮的分析初稿时能把初稿里的水分挤干净的人就是稀缺资源。保持对市场的真实感知AI能处理文本但处理不了面对面产业交流、突发事件时的第一手体感。走访、调研、和产业链上的人聊天这些事短期没有被AI替代的可能。长期来看这也是人类在投资领域不可替代的底牌。6.3 我的个人建议把AI当实习生而不是预言家最后聊聊心态。我见过两种极端一种把AI当万能神器问一句买什么能赚钱就指望它给答案另一种坚决不用认为AI都是投机炒作。我的态度是把它当一个极其勤奋、知识面极广、但偶尔会一本正经胡说八道的实习生。你需要做的是给它明确的分工认真检查它的产出并且永远不为它的错误背锅。把位置摆对AI就是放大器放大的是你本来就有的判断力位置摆错它会放大你的懒惰和风险敞口。我自己跑完这套流程后的最大感受是以前我每天在跟文件较劲现在我在跟判断较劲——这才是AI真正带给我的东西。如果你打算开始不用一步到位搭复杂的Agent就先从把一份公告丢给大模型让它按固定模板提取信息开始。跑顺了再往上加环节工具是越用越顺的但前提是你得先把手伸出去。