泼完冷水，说说 AI 在投研里真正能帮上忙的五件事

前面几节把该泼的冷水都泼完了：不能指望它预测价格，它给的数字要一个个核，它嘴里的「现在」不是你的现在，同一个问题问两遍答案可能对不上。

于是很多人读完会走到另一个极端——那我干脆别用了。

这个反应可以理解，但它同样是偷懒。因为投研这件事里，真正需要「判断」的部分其实占比很小，剩下大量的时间你花在什么上面？找材料、翻页、抄数字、把一堆散文变成能对比的表格、查一个陌生词是什么意思、再把上个季度做过的活儿原样重做一遍。这些活儿又累又不值钱，但它们必须有人干，你不干就没有判断的原料。

这一节讲的就是这块。不是「AI 有什么用」的许愿清单，是五件我确认它做得好的活儿，而且每一件我都会告诉你它为什么做得好——因为只记住「它擅长这个」，下次遇到一件新任务你还是不知道该不该交给它；记住背后的道理，你就有了自己的判断力。

第一件：替你读那种你不想读的长材料

生活层。 你家里有一箱十年的水电费单据，你想知道「哪年夏天用电特别多」。你不需要一个更聪明的人，你需要一个愿意把一千张单子一张张翻完、把日期和数字挑出来的人。这活儿不难，就是没人愿意干。

投资层。 一份年报几百页，一份招股说明书更厚，一次业绩说明会的文字记录也能有几万字。你真正关心的可能就三件事：应收账款为什么涨了（应收账款就是货已经发出去、钱还没收回来的那部分）、这几笔关联交易是跟谁做的（关联交易就是跟自家人、自家关系户之间的买卖）、管理层对下半年的措辞和上季度比变没变。你为了这三件事，得把几百页翻一遍。

现在你可以把材料原文喂给它，让它做定位和摘录：「把所有提到应收账款账龄的段落原文列出来，标上页码或章节位置」。它给你八段原文，你花五分钟看这八段，而不是花两小时翻整本。

机制层：它为什么擅长这件事。 因为答案已经写在你给它的材料里了。它不需要凭空生成任何东西，它做的是在一大片文字里找出跟你的问题最相关的那几块——这是一个匹配活儿，不是创造活儿。更关键的是第二点：这件事错了你一眼就能看出来。它摘错段落，你打开原文一对就穿帮了；它要是敢摘一段原文里根本没有的话，你更是当场抓住。一件既不需要它创造、又能被你低成本验证的事，就是它的舒适区。

反过来说，同一份年报，你如果问的是「这家公司值不值得买」，那答案不在材料里，得靠它生成，而且你没法一眼验证对错——性质立刻就变了。

第二件：把散着的东西变成能对比的表格

生活层。 你要在三个小区里挑一个租房。中介发来三段微信，每段都写得挺热情：这个说「南北通透采光好，物业费不贵」，那个说「地铁十分钟，精装修拎包入住」。三段话你读完还是选不出来——因为它们说的根本不是同一组事。你真正要做的是画一张表：租金、面积、通勤分钟数、押付方式、有没有独立卫生间。表一画出来，谁好谁差自己会跳出来。

投资层。 一模一样。你手里有五家同行公司的年报节选，或者同一家公司八个季度的经营数据。它们全是散文形态，你脑子根本对比不过来。让它整理成一张表：行、列、单位、口径你来定，它负责填。

这里有个很多人没意识到的好处：表格会暴露空缺，散文会掩盖空缺。一段话里没提某项数据，你读过去毫无感觉；表格里那个格子空着，你一眼就看见了——而「这家公司偏偏不披露这一项」，本身往往就是最值得追下去的线索。

机制层：它为什么擅长这件事。 因为这是一次格式转换，不是内容生成。信息本来就在，它只是换了个摆放方式。而且表格这种形态天然限制了它发挥——散文里它可以写「增长态势良好」这种既不算错也没用的话，表格里那个格子只能填一个数或者一个「未披露」。你换一种输出形态，等于顺手掐掉了它一半的模糊空间。

当然，填进去的每个数字仍然要回原文核，它抄错行、串了年份、把「万元」当成「元」都是常见的。核对的力气怎么花在刀刃上，让它吐表格，别让它写散文 里有更细的做法。

第三件：当一个不知疲倦的抬杠对象

生活层。 你想辞职去开个咖啡馆，跟朋友讲了一晚上。真正帮到你的不是那个说「挺好的，支持你」的朋友，是那个一直问「你租金签几年」「隔壁那家开了三年，你比他强在哪」「淡季三个月没客人你撑得住吗」的人。他不需要比你懂咖啡，他只需要不停地问你没想过的问题。

投资层。 你已经有了一个买入理由——比如「某消费公司渠道下沉还有空间」。这时候你最需要的不是有人帮你把这个理由说得更漂亮，而是有人把它按在地上打。你可以让它站到对立面去：「假设三年后这家公司的经营明显恶化了，最可能的原因有哪些？按可能性排序，每条说清楚我现在能观察到什么早期迹象。」

它大概率会给你十条，其中六条是你已经想过的，两条不成立，剩下两条——你没想过，而且一查还真有点道理。这两条就是你付出这几分钟换来的东西。

机制层：它为什么擅长这件事。 这里的道理跟前两件不太一样，得说清楚。它擅长这个，不是因为它聪明，是因为它读过的反驳角度比你多。任何一种商业模式可能怎么崩、任何一个行业出过什么事故，这些在公开文本里被写过千万遍，它见过的排列组合远超你一个人的经验。

更重要的是第二层：这件事它产出的是问题，不是答案。问题错了成本极低——你去查一下发现不成立，扔掉就行，几分钟而已；答案错了成本极高——你信了，然后拿真钱去做。凡是产出「待办的核查项」而不是「可执行的结论」的用法，风险天然就低。

这里还有个隐藏价值：它不认识你，不用照顾你的面子，也不会因为你已经买了就替你说好话。人给你提意见时的那些顾虑，它一个都没有。

第四件：把行业黑话翻成人话

生活层。 你第一次去医院拿到化验单，上面全是缩写和参考区间。你不是笨，你只是没有那本词典。有个人肯用大白话给你讲一遍每项大概是什么意思，你就能带着问题去问医生了——注意，是去问医生，不是让这个人替医生下诊断。

投资层。 你读财报撞见「合同负债」「使用权资产」「股份支付」，读研报撞见「渗透率见顶」「产能利用率爬坡」，每个字你都认识，连起来就不知道在说什么。这时候查百科往往更糊涂，因为百科是写给已经懂的人看的。你可以让它用生活里的东西打个比方讲一遍，讲完你再去核权威定义。

这件事的价值被严重低估了。术语不通，你连自己不懂什么都说不出来，更别说提出像样的问题。把这层膜捅破，后面所有的学习效率都跟着变。

机制层：它为什么擅长这件事。 这是它最本行的活儿。前面讲过它训练时干的唯一一件事是「猜下一个最合适的词」，而术语的解释、术语和白话之间的对应关系，在人类写过的文本里被重复过无数遍——这是语言里最稳定、最不会自我消失的那类规律。它在这上面的表现，接近它能力的上限。想复习这套机制，回 AI 能不能预测股价，先看清它到底在算什么。

而且这件事的验证成本几乎为零：你拿它给的解释去对一遍会计准则原文或者权威教材，一分钟的事。能被一分钟证伪的东西，你放心用。

有个边界要划清楚：让它解释「这个词是什么意思」可以，让它解释「这家公司这项数据说明了什么」不行。 前者是通用知识，后者是对具体公司的判断，中间隔着一条你必须自己走过去的路。

第五件：把你已经想清楚的流程，固化成每次都一样的东西

这一件最不性感，但从长期看可能最值钱。

生活层。 你妈做菜特别稳，同一道菜十年味道不变。不是因为她每次都灵光乍现，是因为她有一套固定动作：先焯水、后下锅、盐分两次放。灵感不可靠，动作可靠。

投资层。 你研究第一家公司的时候，兴致勃勃查了十五个方面。到第五家的时候，你累了，只查了七个。到第十家，你看到一个喜欢的产品，直接跳过了负债那一段。你不是水平下降了，你是人——人的注意力天然会衰减，而且衰减的地方往往正好是你不爱看的地方，也就是最容易出事的地方。

所以真正的做法不是每次都重新想「我该看什么」，而是把你想清楚的那套标准写下来，固定成一份指令，每次原样用。比如一份去劣清单：这七条里踩了任何一条就直接排除，不用往下看了。比如一份财报精读的固定问题列表：每次都问这十二个问题，不管你今天心情怎么样。

机制层：它为什么擅长这件事。 因为它有一个人类没有的特质——不嫌重复，也不会因为烦了就变形。第一次和第一百次，它用的是同一把尺子。这不是智力优势，是耐力优势，但在投研里耐力优势往往比智力优势管用。

这里可以借用一个工程上的思路。开源量化框架 freqtrade 的整条流程是配置驱动的：策略参数、数据范围、评价方式全部写在配置文件里，改哪一项都落在文件上、因而可以被版本管理留痕，同一份配置换个时间跑，跑的仍然是同一套规则。做这套东西的人图什么？图的就是下次的结果和这次可比。你把研究流程写成固定提示词，本质是同一件事：让你今天的结论和三个月后的结论，是用同一把尺子量出来的，因而可以放在一起看。

顺带一个额外好处：一套写下来的流程是可以被批评的。你能拿给别人看，别人能指出「你这套里少了一条」。存在脑子里的直觉没法被批评，写在文件里的清单可以。

想直接拿现成的模板开始固化，去 投研提示词模板库；想看一份真正在用的排除式清单长什么样，去 先排除比先挑选省力得多。

还有一种情况是你昨晚偶然问顺了一次，第二天想复现却怎么也调不回来。这时候要存的不是那一整段话，而是把它拆成角色、材料边界、输出结构、核对清单四块积木——换家公司只改一块，问顺了一次不算会，把它拆成模块存下来 讲的就是这个拆法。

五件事背后是同一条线

把上面五件摆在一起，你会发现它们共享两个特征，缺一不可：

特征一：答案已经存在，它不需要无中生有。 年报里的字已经在了、术语的解释在公开文本里被写过千万遍、反驳的角度前人早就想过、你的流程是你自己定的。它做的全是搬运、转换、检索、复用。而「明天的股价」「这家公司值不值得买」不在这个范围里——那些东西还不存在，得凭空造，一造就容易造出听着很顺但压根没有的东西。

中间还夹着一类容易看走眼的活儿：让它读一堆评论区的帖子，给这只票的情绪打个分。文本是现成的，看着完全符合第一条特征，可打出来的那个数能不能拿去做买卖依据，是另一回事——让 AI 读评论区判断情绪，你能拿到什么 把中间隔着的几道坎逐条摆开了。

特征二：它错了，你能低成本发现。 摘错段落一对原文就穿帮，表格填错数一查就露馅，问题提得不成立你查一下就扔掉，术语解释错了一分钟能核。这条比第一条更重要——因为再擅长的事它也会错，你要的不是它不出错，是它出错的时候你不会被瞒过去。

这把尺子和 AI 替代分析师，替代的是哪部分 用的是同一把：那篇按工序拆，把分析师的活儿一道道摊开看哪道能外包；这篇按活儿拆，看哪件事值得交出去。角度不同，判据是同一条——错误暴露得越快越便宜，这件事越敢给它做。

这两条合起来，就是你以后判断新任务的尺子。下次你想让它干一件这里没提过的活儿，先过一遍这两问：

1. 这件事的答案，是已经存在于我给它的材料或者公开知识里，还是要它现造？
2. 如果它编了，我大概多久能发现？一分钟、一小时，还是要等到亏了钱才知道？

第一问答「现造」、第二问答「亏了钱才知道」的任务，别交给它——不管它答得多流畅。这两问也解释了为什么核对不能攒到最后一起做：它应该长在每一步动作里，这个位置怎么摆，核对这件事，放到最后做就已经晚了 讲得很细。

从这儿往哪走

祛魅这条线到这节就收口了。它的目的从来不是让你别用，而是让你用得准——知道它强在哪、弱在哪、错在哪，你才能放心把该给它的活儿给它，同时守住不该给它的那部分。

真正落地的部分在「AI 投研 SOP」那条线上。这五件事各自的下一站是明确的，按顺序接着走就是一条完整的研究流程：

1. 读长材料 → 先立规矩：让 AI 读原文，和让它凭记忆说，是两回事；材料多到一次塞不下时，几百页的材料怎么喂给 AI 讲三条路怎么选。
2. 变表格 → 让它吐表格，别让它写散文，把输出结构定死，让「没有」变得可见。
3. 抬杠找盲点 → 做投研为什么要让 AI 分角色，把「抬杠」从随口一问变成有独立立场的角色。
4. 翻译术语与读材料 → 财报精读：让 AI 干什么、你自己干什么，看一次完整的分工怎么落到具体文件上。
5. 固化流程 → 投研提示词模板库 给可直接抄走的模板，AI 投研的边界 给必须守住的那条线。

这条顺序本身就是可重复的：定材料规矩 → 定输出结构 → 加对抗角色 → 分工执行 → 固化成模板。每做完一轮，把这次调顺的提示词存回模板库，下一家公司直接从第五步开始。

小结

• 读长材料：让它做定位和摘录，不做总结。它擅长是因为答案就在材料里，且你一对原文就能验错。
• 变表格：格式转换不是内容生成，而且表格会暴露散文能掩盖的空缺——空着的格子往往是最值钱的线索。
• 当抬杠对象：它读过的反驳角度比你多，且产出的是待查的问题而不是可执行的结论，错了成本极低。要用就明确指派它做反方。
• 翻术语：这是它最本行的活儿，语言规律最稳定的一块，而且一分钟就能核对。但只解释词，不解释「这家公司这项数据说明了什么」。
• 固化流程：它的优势不是聪明，是不嫌重复、不因为烦了就变形，让你今天和三个月后用的是同一把尺子。
• 五件事共享两个特征：答案已经存在、它错了你能低成本发现。用这两问去判断任何一件新任务该不该交给它。

一句话总结：把「找、搬、整理、追问、重复」这类累活交给它，把「信不信、买不买」这类要负责的事留给自己，它就是个好帮手。