做投研这行最大的成本从来不是钱是时间。每个研究员手里同时转着五六个标的早上看隔夜消息、开盘盯行情、盘中约调研、晚上还要写报告真正能坐下来深度思考的时间被压得几乎不存在。我今年尝试把整套研究流程拆给 AI 去跑用的就是最近圈子里讨论很多的AI skill机制——把一套研究方法论固化成一个可复用的能力包让大模型按投研人员的思路去收集信息、拆财报、列逻辑、标风险。这套东西落地之后我的信息整理时间大概压缩了 60%而且报告框架基本不用从白纸开始搭。这篇就系统分享一下我怎么做投研 skill从设计思路到具体配置、再到实际踩过的坑希望能给正在折腾 AI 辅助研究的朋友一些参考。1. 为什么投研人员需要一套skill而不是一堆提示词1.1 投研日常工作里的三个效率瓶颈先说我自己的处境。我覆盖的行业跨度比较大从消费到制造再到部分科技赛道每天要处理的信息源包括公司公告、券商研报、行业公众号、政策文件、产业链数据、甚至社交平台上的草根调研。过去我的做法是早上花一个小时把重点信息过一遍晚上再花两到三个小时整理到自己的框架里。这种模式有很明显的三个问题。第一个问题是信息过载。A 股和港股加起来几千家公司哪怕只盯自己覆盖的几十家每天的公告、新闻、研报摘要也是几十上百条人工筛选很容易漏掉真正重要的信号尤其是那种藏在字里行间的风险提示。第二个问题是重复劳动太多。每个公司写跟踪报告的时候都要重新整理一遍财务数据、业务拆分、估值对比这件事特别机械化但恰恰是最占用时间的。第三个问题是我发现自己的框架不稳定。今天心情好报告写得很细明天时间紧可能就只写个流水账输出质量完全看状态。这三个问题其实指向同一个解决方案——把怎么研究一家公司这件事变成一套标准化的流程流程里每个环节有明确的输入、处理方法和输出格式然后让 AI 照着这个流程执行。这就是我心里对投研 skill的最初定义。1.2 skill 与普通提示词、Agent 的区别很多人会问我直接写一段长提示词让 AI帮我分析一下这家公司不行吗行但效果非常有限。一次性的提示词相当于你每次都在给一个新实习生重新布置任务他没有形成自己的工作方法论做得再多也不会积累。skill 不一样它更像是一本固定的操作手册AI 每次读到这本手册就知道该按照什么步骤来、每一步要注意什么、最后的报告长什么样。再说 Agent。Agent 强调的是自动执行整套任务会规划、调工具、自己决定下一步干什么但它需要处理的信息量很大容易在步骤里跑偏。skill 更强调专业知识的封装它把某个具体场景下的分析框架、判断标准、输出模板全部预装好。Agent 和 skill 不是互斥的好的 Agent 应该能加载多个 skill遇到对应场景就自动调用对应的技能包这也是现在 Claude、Codex、Cursor 这些工具普遍采用的思路。我理解的 skill 结构其实不复杂核心就是四块一是身份和描述让模型知道这个 skill 是干什么的、什么时候触发二是步骤指令把分析过程拆成明确的先后顺序三是参考资料把需要遵守的指标计算方式、行业常识、报告模板放进一个可以读取的目录里四是自检要求让模型在输出前检查自己的推理是否有漏洞。你能看出来这本质上就是把一个资深研究员的脑子里的方法论复制给 AI 用。2. 投研 skill 的整体设计我的选型思路与功能拆分2.1 先想清楚边界哪些事交给 skill哪些事必须人来定动手做 skill 之前最重要的一步不是写代码而是划边界。AI 能帮你处理的是信息收集、数据整理、初步分析、报告起草但它不能替你做投资决策。我在设计 skill 的时候就给自己定了几条原则。第一条凡是涉及客观事实整理的事尽量交给 AI比如这家公司过去三年营收、净利润、毛利率的变动情况或者公司最近一个季度的经营数据有哪些变化这些是有标准答案的AI 处理起来又快又不容易漏。第二条凡是涉及判断和观点的地方AI 只能做辅助不能做主导。比如这个公司的核心竞争力是什么AI 可以帮你列出几个候选角度但最终的结论必须由人确认因为大模型的理解基于公开信息它看不到你在产业链调研里获得的一手信息。第三条凡是可能涉及合规风险的内容AI 一律不碰比如内幕信息的推导、未来的业绩预测这些只能由我基于自己的研究来把握。这个边界意识一定要在前面就建立起来否则你会发现 AI 很容易越权。我见过有人让 AI 直接给目标价AI 就真的按一个简单的 PE 倍数算了个数字出来看起来很专业但实际上缺少了流动性折价、股本结构、大股东减持意愿这些关键变量这就是边界没划清楚的表现。2.2 技术选型现有 skill 机制还是自建 Agent当前市面上能用的大模型 skill 机制我实际测过几个各有各的优势。Claude Code 的 skill 是我用得比较多的它支持在项目目录下放一个 skill 文件夹里面的 SKILL.md 描述了技能的作用、触发条件和执行步骤Claude 在遇到相应任务的时候会自动读取并加载。Cursor 也支持 skill放在 .cursor/skills 目录下就能被 IDE 里的 AI 调用写代码类的分析特别顺手。Codex 也在推类似的 skills 机制整体思路大同小异。我个人的建议是如果你只是想先跑通流程直接用这些现成的机制就够了不要把战线拉太长去自建 Agent。自建 Agent 的好处是灵活可以自由接入数据源、写自己的调度逻辑但代价是你需要同时维护模型调用、工具链、上下文管理这一堆东西很容易陷入一直在搭框架、一直没真正用上的局面。我在实际使用中的做法是双轨并行日常的快速跟踪用现成的 skill 机制比如 Cursor 里加载一个小工具 skill在 Claude Code 里加载投研分析 skill遇到复杂的、需要多步骤联动的场景再写一个轻量级的 Agent 来调度这些 skill。这样既能保证单点质量又能处理复杂任务。2.3 功能清单一套完整投研 skill 应该拆成哪些模块很多人一开始会把 skill 设计得特别大恨不得一个 skill 解决所有问题。我吃过这个亏第一个版本我写了一个全能投研助手结果它既要做行业扫描又要做公司深度分析还要做事件点评最后每个场景都只做到了 60 分的水平。后来我把这套东西拆开了做成几个彼此独立、职责单一的 skill效果立刻就不一样了。我目前实际在用的投研 skill 有这几个模块。第一个是行业信息收集员主要处理行业新闻、政策、产业链动态的整理输出一份带时间线的摘要。第二个是公司财报拆解员专门负责把三大报表的关键科目提取出来计算同比、环比变化识别异常波动输出标准化的财务数据表。第三个是研报观点对比器把多家券商对同一家公司的观点拉在一起找共识和分歧点。第四个是风险信号扫描器盯公告里的减持、质押、诉讼、审计意见变动这些容易出问题的地方。这每个模块都不大但组合起来就是一套完整的投研工作流。这样做还有一个好处就是我可以单独优化某个模块比如财报拆解的效果不好我只需要改进那一个 skill 的参考文件和步骤说明不影响其他模块的正常使用。3. 从零搭一套投研 skill分步实操3.1 第一步定义 skill 的元信息和触发条件我拿最常用的公司财报拆解员这个 skill 来演示完整搭建过程。先说元信息部分也就是 SKILL.md 的开头这部分的作用是让大模型在读到文件时能判断要不要加载这个技能。--- name: financial_statement_analyst description: - 用于分析上市公司财报数据提取关键财务指标并识别异常波动。 - 适用于用户要求分析公司财务数据、点评业绩快报、解读年报/季报、研究财务质量等场景。 - 当用户提供公司名称、股票代码或上传财报文件时触发本skill。 ---注意 description 不要写得过于宽泛尽量写清楚触发信号比如分析财务数据点评业绩快报解读年报这些词出现时才会触发。触发条件太模糊的话模型会在不该用的时候也加载这个技能既浪费上下文空间又容易产生多余的动作。3.2 第二步设计分析步骤与输出框架这是整个 skill 的核心相当于给 AI 写一份详细的操作 SOP。我会把分析过程拆成五步。第一步是数据校验让 AI 检查拿到的财务数据是否完整是否包含报告期、数据单位等信息如果有缺失第一步就得指出来。第二步是结构梳理把资产负债表、利润表、现金流量表里的核心科目依次整理出来做成标准化的列表。第三步是趋势计算算出营收、净利润、经营性现金流等关键指标的同比和环比变化这里要明确告诉 AI 计算口径比如同比要和去年同期比不能和上一个季度比。第四步是异常识别让 AI 重点关注毛利率突变、应收账款增速远超营收增速、存货积压这些财务异常信号。第五步是总结输出按照一个固定的报告模板来写包含表格和文字说明。输出框架我设计成这样的格式## 报告期财务概览 - 营收XX亿元同比XX%环比X% - 归母净利润XX亿元同比XX% - 经营现金流XX亿元同比XX% ## 核心财务指标表 | 指标 | 数值 | 同比 | 环比 | 备注 | ## 异常项提示 - 列出AI识别出的异常波动及解释 ## 需人工复核的问题 - 列出财报中需要进一步阅读附注确认的项目这个输出框架很关键。如果不规定格式AI 每次给出的报告结构都可能不一样有的先写利润表有的先写资产负债表后面做对比分析的时候非常麻烦。统一格式之后我甚至可以同时让 AI 处理三家公司再把三份报告并排列出来效率高得多。3.3 第三步把数据源和判断标准固化进 references光有步骤还不够AI 需要对财务分析有基本的专业知识这些知识最适合放进 skill 的 references 目录里做成几个文档。我的 references 里有三个文件很常用。第一个是财务指标速查清单.md里面列了像流动比率、速动比率、资产负债率、毛利率、净利率、ROE、ROIC 这些常见指标的计算公式和分析含义。第二个是财务异常识别基线.md记录了一些容易被忽略的坑比如应收账款增速连续三个季度高于营收增速可能意味着收入质量下降、经营现金流连续为负但净利润为正往往说明利润是纸面的、商誉占净资产比重过高的公司要留意减值风险。第三个是行业估值参考.md里面按行业整理了常见的估值方法比如消费股看 PE 和 PEG、银行股看 PB 和 ROE、周期股看 PB 处于历史分位数等。这些参考资料的长远价值在于它会不断积累。我这几个月每发现一个新的财务陷阱就往对应的文件里补一条。时间越长这套 skill 分析得就越老练这是单纯的提示词完全做不到的迭代能力。3.4 第四步加入自检机制控制幻觉财务分析这个场景对准确性极度敏感AI 一旦编个数据出来造成的误导比没用 AI 还严重。所以我在 skill 里强制加了一个自检环节放在输出之前。自检的逻辑其实很简单我在 SKILL.md 里写了这么一段指令在输出最终报告之前检查所有关键数字是否来自用户提供的原始数据如果没有原始数据则必须标注数据来源用户未提供以下为推算值检查同比、环比计算是否用对了基数检查是否有把归母净利润和净利润、营收和毛利搞混的情况拿不准的地方不要猜测直接写入需人工确认。一段指令看起来比你要谨慎这种模糊要求有用得多因为它是可执行的检查项。我实测下来加上自检环节之后AI 在数字上的幻觉率大概下降了七成左右剩下的那些基本都能被自检环节里需人工确认的标注暴露出来我只需要盯那几个地方就好。4. 实际使用中的典型翻车现场与排查方法4.1 AI 一本正经编造信息所有用过 AI 做研究的人都遇到过幻觉但投研场景里幻觉的破坏力特别大。我的亲身经历是让某个模型分析一家公司的营收构成它写得很完整北美、欧洲、亚太的占比数字精确到小数点后一位看起来跟真的一样。我习惯性地去对了一下原始财报发现它居然把北美和欧洲的占比写反了而且亚太数据还自己编了一个出来。这个问题怎么治光靠不要编造这种提示词完全没用。我现在用了三个办法。第一在 skill 里强制要求每个数字后面标注来源页码或文件位置这样 AI 在编数据之前要过一道你能不能指出来源的关卡编造的成本变高了。第二我会让 AI 先把原始数据表格完整列出来再进行任何分析判断也就是说分析和数据是分离的。第三我养成了一个习惯AI 给出的所有数字我只把它当作索引不再当作答案关键数据一律回到原始财报里核对一遍。4.2 AI 给的建议太教科书缺乏产业深度用了一段时间之后我发现一个大问题AI 的财务分析做得不错但到了业务层面就开始泛泛而谈翻来覆去就是公司具备较强的技术实力和品牌优势未来有望持续增长这类废话。问题出在哪出在我的 skill 里缺少产业层面的知识和判断维度。我调整的方式是往 references 里加了更多行业相关的背景资料。比如分析某家汽车零部件公司我会放进产业链的结构说明谁是一级供应商、谁是二级供应商、利润在链条里怎么分配、下游整车厂的年降压力怎么传导这些信息 AI 如果没读到它就只能给出通用分析。换句话说skill 不只是给 AI 一套分析动作更是给 AI 一套分析语境。没有语境的 AI就是一个不知道行业水有多深的刚毕业的学生。4.3 上下文太长导致前后矛盾投研分析经常是很长的对话前后要处理财务数据、行业信息、研报观点好多轮内容。我发现当对话上下文超过一定长度后AI 会开始失忆前面归纳的观点后面就接不上了甚至会出现前后矛盾。这个问题在我早期用的时候特别明显一度让我想放弃这个方案。后来我找到了解法把 skill 的任务拆小。我不要求 AI 在一个对话里完成所有事而是让它分步输出中间结果。先让它输出财务数据表我确认没问题之后再让它基于这个表做分析分析完了之后再让它做竞品对比。每步都是独立的新对话只把上一步的结果作为输入带进去。这就像切菜、炒菜分开来每个人只负责自己的工序反而比一个厨师从头干到尾更稳定。4.4 多 skill 协作与多 AI 配合的实战经验最后说下怎么让多个 skill 之间配合。我现在最常用的一个流程是这样的先让行业信息收集员skill 把最近的行业动态整理出来再让公司财报拆解员skill 把手里的底稿数据分析一遍最后让研报观点对比器skill 把几家券商的观点汇总。三个 skill 独立运行结果由我来统一汇总到报告里。这里我踩过一个坑为了让 skill 之间传递数据更顺畅我给每个 skill 定了统一的输出格式全部用 Markdown 表格加特定标题的方式比如数据表统一以核心数据开头、风险提示统一以风险清单开头。这样后面一个 skill 在读取前一个 skill 输出的时候一眼就能找准需要的数据在哪里不会因为格式混乱而解析失败。目前我正在尝试用一个轻量级的 Agent 来编排这几个 skill让它们可以自动串起来跑但前面说过这个会放到流程稳定之后再做不能一上来就把自动化铺满。以我目前的实际使用体验来说这套投研 skill 最大的价值不是说它替我做了判断而是它把判断之前那些繁琐的整理、核对、对比工作几乎全部承担了让我能把有限的精力集中在真正需要产业认知和投资经验的地方。如果你也想在自己的研究流程里引入这套方式我的建议很简单从最让你头疼的单个场景开始做比如先把财报拆解做成一个 skill等你用习惯了、把 references 养起来了再逐步扩展到行业扫描和观点对比。步子不要迈太大但一旦开始积累它的复利效应会超出你的预期。 
长河君 · 2026/10/2 22:36:46 · 阅读 1.2k AI Skill赋能投研：把研究方法论固化为可复用能力包，压缩60%信息整理时间
做投研这行最大的成本从来不是钱是时间。每个研究员手里同时转着五六个标的早上看隔夜消息、开盘盯行情、盘中约调研、晚上还要写报告真正能坐下来深度思考的时间被压得几乎不存在。我今年尝试把整套研究流程拆给 AI 去跑用的就是最近圈子里讨论很多的AI skill机制——把一套研究方法论固化成一个可复用的能力包让大模型按投研人员的思路去收集信息、拆财报、列逻辑、标风险。这套东西落地之后我的信息整理时间大概压缩了 60%而且报告框架基本不用从白纸开始搭。这篇就系统分享一下我怎么做投研 skill从设计思路到具体配置、再到实际踩过的坑希望能给正在折腾 AI 辅助研究的朋友一些参考。1. 为什么投研人员需要一套skill而不是一堆提示词1.1 投研日常工作里的三个效率瓶颈先说我自己的处境。我覆盖的行业跨度比较大从消费到制造再到部分科技赛道每天要处理的信息源包括公司公告、券商研报、行业公众号、政策文件、产业链数据、甚至社交平台上的草根调研。过去我的做法是早上花一个小时把重点信息过一遍晚上再花两到三个小时整理到自己的框架里。这种模式有很明显的三个问题。第一个问题是信息过载。A 股和港股加起来几千家公司哪怕只盯自己覆盖的几十家每天的公告、新闻、研报摘要也是几十上百条人工筛选很容易漏掉真正重要的信号尤其是那种藏在字里行间的风险提示。第二个问题是重复劳动太多。每个公司写跟踪报告的时候都要重新整理一遍财务数据、业务拆分、估值对比这件事特别机械化但恰恰是最占用时间的。第三个问题是我发现自己的框架不稳定。今天心情好报告写得很细明天时间紧可能就只写个流水账输出质量完全看状态。这三个问题其实指向同一个解决方案——把怎么研究一家公司这件事变成一套标准化的流程流程里每个环节有明确的输入、处理方法和输出格式然后让 AI 照着这个流程执行。这就是我心里对投研 skill的最初定义。1.2 skill 与普通提示词、Agent 的区别很多人会问我直接写一段长提示词让 AI帮我分析一下这家公司不行吗行但效果非常有限。一次性的提示词相当于你每次都在给一个新实习生重新布置任务他没有形成自己的工作方法论做得再多也不会积累。skill 不一样它更像是一本固定的操作手册AI 每次读到这本手册就知道该按照什么步骤来、每一步要注意什么、最后的报告长什么样。再说 Agent。Agent 强调的是自动执行整套任务会规划、调工具、自己决定下一步干什么但它需要处理的信息量很大容易在步骤里跑偏。skill 更强调专业知识的封装它把某个具体场景下的分析框架、判断标准、输出模板全部预装好。Agent 和 skill 不是互斥的好的 Agent 应该能加载多个 skill遇到对应场景就自动调用对应的技能包这也是现在 Claude、Codex、Cursor 这些工具普遍采用的思路。我理解的 skill 结构其实不复杂核心就是四块一是身份和描述让模型知道这个 skill 是干什么的、什么时候触发二是步骤指令把分析过程拆成明确的先后顺序三是参考资料把需要遵守的指标计算方式、行业常识、报告模板放进一个可以读取的目录里四是自检要求让模型在输出前检查自己的推理是否有漏洞。你能看出来这本质上就是把一个资深研究员的脑子里的方法论复制给 AI 用。2. 投研 skill 的整体设计我的选型思路与功能拆分2.1 先想清楚边界哪些事交给 skill哪些事必须人来定动手做 skill 之前最重要的一步不是写代码而是划边界。AI 能帮你处理的是信息收集、数据整理、初步分析、报告起草但它不能替你做投资决策。我在设计 skill 的时候就给自己定了几条原则。第一条凡是涉及客观事实整理的事尽量交给 AI比如这家公司过去三年营收、净利润、毛利率的变动情况或者公司最近一个季度的经营数据有哪些变化这些是有标准答案的AI 处理起来又快又不容易漏。第二条凡是涉及判断和观点的地方AI 只能做辅助不能做主导。比如这个公司的核心竞争力是什么AI 可以帮你列出几个候选角度但最终的结论必须由人确认因为大模型的理解基于公开信息它看不到你在产业链调研里获得的一手信息。第三条凡是可能涉及合规风险的内容AI 一律不碰比如内幕信息的推导、未来的业绩预测这些只能由我基于自己的研究来把握。这个边界意识一定要在前面就建立起来否则你会发现 AI 很容易越权。我见过有人让 AI 直接给目标价AI 就真的按一个简单的 PE 倍数算了个数字出来看起来很专业但实际上缺少了流动性折价、股本结构、大股东减持意愿这些关键变量这就是边界没划清楚的表现。2.2 技术选型现有 skill 机制还是自建 Agent当前市面上能用的大模型 skill 机制我实际测过几个各有各的优势。Claude Code 的 skill 是我用得比较多的它支持在项目目录下放一个 skill 文件夹里面的 SKILL.md 描述了技能的作用、触发条件和执行步骤Claude 在遇到相应任务的时候会自动读取并加载。Cursor 也支持 skill放在 .cursor/skills 目录下就能被 IDE 里的 AI 调用写代码类的分析特别顺手。Codex 也在推类似的 skills 机制整体思路大同小异。我个人的建议是如果你只是想先跑通流程直接用这些现成的机制就够了不要把战线拉太长去自建 Agent。自建 Agent 的好处是灵活可以自由接入数据源、写自己的调度逻辑但代价是你需要同时维护模型调用、工具链、上下文管理这一堆东西很容易陷入一直在搭框架、一直没真正用上的局面。我在实际使用中的做法是双轨并行日常的快速跟踪用现成的 skill 机制比如 Cursor 里加载一个小工具 skill在 Claude Code 里加载投研分析 skill遇到复杂的、需要多步骤联动的场景再写一个轻量级的 Agent 来调度这些 skill。这样既能保证单点质量又能处理复杂任务。2.3 功能清单一套完整投研 skill 应该拆成哪些模块很多人一开始会把 skill 设计得特别大恨不得一个 skill 解决所有问题。我吃过这个亏第一个版本我写了一个全能投研助手结果它既要做行业扫描又要做公司深度分析还要做事件点评最后每个场景都只做到了 60 分的水平。后来我把这套东西拆开了做成几个彼此独立、职责单一的 skill效果立刻就不一样了。我目前实际在用的投研 skill 有这几个模块。第一个是行业信息收集员主要处理行业新闻、政策、产业链动态的整理输出一份带时间线的摘要。第二个是公司财报拆解员专门负责把三大报表的关键科目提取出来计算同比、环比变化识别异常波动输出标准化的财务数据表。第三个是研报观点对比器把多家券商对同一家公司的观点拉在一起找共识和分歧点。第四个是风险信号扫描器盯公告里的减持、质押、诉讼、审计意见变动这些容易出问题的地方。这每个模块都不大但组合起来就是一套完整的投研工作流。这样做还有一个好处就是我可以单独优化某个模块比如财报拆解的效果不好我只需要改进那一个 skill 的参考文件和步骤说明不影响其他模块的正常使用。3. 从零搭一套投研 skill分步实操3.1 第一步定义 skill 的元信息和触发条件我拿最常用的公司财报拆解员这个 skill 来演示完整搭建过程。先说元信息部分也就是 SKILL.md 的开头这部分的作用是让大模型在读到文件时能判断要不要加载这个技能。--- name: financial_statement_analyst description: - 用于分析上市公司财报数据提取关键财务指标并识别异常波动。 - 适用于用户要求分析公司财务数据、点评业绩快报、解读年报/季报、研究财务质量等场景。 - 当用户提供公司名称、股票代码或上传财报文件时触发本skill。 ---注意 description 不要写得过于宽泛尽量写清楚触发信号比如分析财务数据点评业绩快报解读年报这些词出现时才会触发。触发条件太模糊的话模型会在不该用的时候也加载这个技能既浪费上下文空间又容易产生多余的动作。3.2 第二步设计分析步骤与输出框架这是整个 skill 的核心相当于给 AI 写一份详细的操作 SOP。我会把分析过程拆成五步。第一步是数据校验让 AI 检查拿到的财务数据是否完整是否包含报告期、数据单位等信息如果有缺失第一步就得指出来。第二步是结构梳理把资产负债表、利润表、现金流量表里的核心科目依次整理出来做成标准化的列表。第三步是趋势计算算出营收、净利润、经营性现金流等关键指标的同比和环比变化这里要明确告诉 AI 计算口径比如同比要和去年同期比不能和上一个季度比。第四步是异常识别让 AI 重点关注毛利率突变、应收账款增速远超营收增速、存货积压这些财务异常信号。第五步是总结输出按照一个固定的报告模板来写包含表格和文字说明。输出框架我设计成这样的格式## 报告期财务概览 - 营收XX亿元同比XX%环比X% - 归母净利润XX亿元同比XX% - 经营现金流XX亿元同比XX% ## 核心财务指标表 | 指标 | 数值 | 同比 | 环比 | 备注 | ## 异常项提示 - 列出AI识别出的异常波动及解释 ## 需人工复核的问题 - 列出财报中需要进一步阅读附注确认的项目这个输出框架很关键。如果不规定格式AI 每次给出的报告结构都可能不一样有的先写利润表有的先写资产负债表后面做对比分析的时候非常麻烦。统一格式之后我甚至可以同时让 AI 处理三家公司再把三份报告并排列出来效率高得多。3.3 第三步把数据源和判断标准固化进 references光有步骤还不够AI 需要对财务分析有基本的专业知识这些知识最适合放进 skill 的 references 目录里做成几个文档。我的 references 里有三个文件很常用。第一个是财务指标速查清单.md里面列了像流动比率、速动比率、资产负债率、毛利率、净利率、ROE、ROIC 这些常见指标的计算公式和分析含义。第二个是财务异常识别基线.md记录了一些容易被忽略的坑比如应收账款增速连续三个季度高于营收增速可能意味着收入质量下降、经营现金流连续为负但净利润为正往往说明利润是纸面的、商誉占净资产比重过高的公司要留意减值风险。第三个是行业估值参考.md里面按行业整理了常见的估值方法比如消费股看 PE 和 PEG、银行股看 PB 和 ROE、周期股看 PB 处于历史分位数等。这些参考资料的长远价值在于它会不断积累。我这几个月每发现一个新的财务陷阱就往对应的文件里补一条。时间越长这套 skill 分析得就越老练这是单纯的提示词完全做不到的迭代能力。3.4 第四步加入自检机制控制幻觉财务分析这个场景对准确性极度敏感AI 一旦编个数据出来造成的误导比没用 AI 还严重。所以我在 skill 里强制加了一个自检环节放在输出之前。自检的逻辑其实很简单我在 SKILL.md 里写了这么一段指令在输出最终报告之前检查所有关键数字是否来自用户提供的原始数据如果没有原始数据则必须标注数据来源用户未提供以下为推算值检查同比、环比计算是否用对了基数检查是否有把归母净利润和净利润、营收和毛利搞混的情况拿不准的地方不要猜测直接写入需人工确认。一段指令看起来比你要谨慎这种模糊要求有用得多因为它是可执行的检查项。我实测下来加上自检环节之后AI 在数字上的幻觉率大概下降了七成左右剩下的那些基本都能被自检环节里需人工确认的标注暴露出来我只需要盯那几个地方就好。4. 实际使用中的典型翻车现场与排查方法4.1 AI 一本正经编造信息所有用过 AI 做研究的人都遇到过幻觉但投研场景里幻觉的破坏力特别大。我的亲身经历是让某个模型分析一家公司的营收构成它写得很完整北美、欧洲、亚太的占比数字精确到小数点后一位看起来跟真的一样。我习惯性地去对了一下原始财报发现它居然把北美和欧洲的占比写反了而且亚太数据还自己编了一个出来。这个问题怎么治光靠不要编造这种提示词完全没用。我现在用了三个办法。第一在 skill 里强制要求每个数字后面标注来源页码或文件位置这样 AI 在编数据之前要过一道你能不能指出来源的关卡编造的成本变高了。第二我会让 AI 先把原始数据表格完整列出来再进行任何分析判断也就是说分析和数据是分离的。第三我养成了一个习惯AI 给出的所有数字我只把它当作索引不再当作答案关键数据一律回到原始财报里核对一遍。4.2 AI 给的建议太教科书缺乏产业深度用了一段时间之后我发现一个大问题AI 的财务分析做得不错但到了业务层面就开始泛泛而谈翻来覆去就是公司具备较强的技术实力和品牌优势未来有望持续增长这类废话。问题出在哪出在我的 skill 里缺少产业层面的知识和判断维度。我调整的方式是往 references 里加了更多行业相关的背景资料。比如分析某家汽车零部件公司我会放进产业链的结构说明谁是一级供应商、谁是二级供应商、利润在链条里怎么分配、下游整车厂的年降压力怎么传导这些信息 AI 如果没读到它就只能给出通用分析。换句话说skill 不只是给 AI 一套分析动作更是给 AI 一套分析语境。没有语境的 AI就是一个不知道行业水有多深的刚毕业的学生。4.3 上下文太长导致前后矛盾投研分析经常是很长的对话前后要处理财务数据、行业信息、研报观点好多轮内容。我发现当对话上下文超过一定长度后AI 会开始失忆前面归纳的观点后面就接不上了甚至会出现前后矛盾。这个问题在我早期用的时候特别明显一度让我想放弃这个方案。后来我找到了解法把 skill 的任务拆小。我不要求 AI 在一个对话里完成所有事而是让它分步输出中间结果。先让它输出财务数据表我确认没问题之后再让它基于这个表做分析分析完了之后再让它做竞品对比。每步都是独立的新对话只把上一步的结果作为输入带进去。这就像切菜、炒菜分开来每个人只负责自己的工序反而比一个厨师从头干到尾更稳定。4.4 多 skill 协作与多 AI 配合的实战经验最后说下怎么让多个 skill 之间配合。我现在最常用的一个流程是这样的先让行业信息收集员skill 把最近的行业动态整理出来再让公司财报拆解员skill 把手里的底稿数据分析一遍最后让研报观点对比器skill 把几家券商的观点汇总。三个 skill 独立运行结果由我来统一汇总到报告里。这里我踩过一个坑为了让 skill 之间传递数据更顺畅我给每个 skill 定了统一的输出格式全部用 Markdown 表格加特定标题的方式比如数据表统一以核心数据开头、风险提示统一以风险清单开头。这样后面一个 skill 在读取前一个 skill 输出的时候一眼就能找准需要的数据在哪里不会因为格式混乱而解析失败。目前我正在尝试用一个轻量级的 Agent 来编排这几个 skill让它们可以自动串起来跑但前面说过这个会放到流程稳定之后再做不能一上来就把自动化铺满。以我目前的实际使用体验来说这套投研 skill 最大的价值不是说它替我做了判断而是它把判断之前那些繁琐的整理、核对、对比工作几乎全部承担了让我能把有限的精力集中在真正需要产业认知和投资经验的地方。如果你也想在自己的研究流程里引入这套方式我的建议很简单从最让你头疼的单个场景开始做比如先把财报拆解做成一个 skill等你用习惯了、把 references 养起来了再逐步扩展到行业扫描和观点对比。步子不要迈太大但一旦开始积累它的复利效应会超出你的预期。