从0到1搭建AI投研智能体
苔藓花园按：本文作者唐奕波，是一名私募基金资深研究员，知名公众号"奔波儿r"，播客"随处奔波"主理人。他于2018年进入公募基金，研究新能源行业；2021年进入美元私募基金，研究全球电力、制造、AI硬件。
奕波本硕都是金融专业，没有任何编程基础，但从去年12月开始，他利用Claude Code搭建AI投研智能体融入自己的工作流，并持续发现投资机会。
本文不仅详细拆解了奕波的AI投研智能体"小豆花"的搭建过程，还提出用“AI First”和“把智能体视为平等协作者”两种思维方式作为进阶的武器，并且抨击了不愿意学习和成长的老登思想。
如果把本文认真读完，我们相信，即便是零代码基础、零AI基础的读者，也能轻松上手搭建属于自己的AI投研智能体。
开场白
樊帅
欢迎大家来到《小苔花园》，我是今天的主持人樊帅。今天我们的主题是“从0到1搭建AI投研智能体”。我自己从本科到博士都是学会计的，属于零代码基础、零AI基础，但我们另一位主播就不一样了。
韦华
大家好，我是《小苔花园》的主播王韦华。虽然我是人工智能专业，但那是很多年前的故事了，现在工作也和专业关系不大，所以在AI智能体这块，我也是小白。
樊帅
所以我们今天的目标，就是让零基础的朋友也能听明白，学完也能上手。今天我们请到的嘉宾是奕波，私募基金资深研究员，微信公众号“奔波儿r”、播客“随处奔波”主理人，AI投研重度用户，围绕这个主题做过很多次内外部分享。欢迎奕波。
奕波
谢谢大家。我是一个工作八年的私募基金研究员。前三年在公募基金看国内新能源，赶上了新能源最好的几年；2021年来到一家美元私募基金，需要看的东西多了很多，包括全球的电力、制造里偏周期的部分以及硬件，覆盖A 股、美股、欧洲、日本、韩国还有中国台湾市场。如果还靠原来那套方式，肯定覆盖不住。我也是零代码基础，自己曾经尝试学过两次 Python，都停在 hello world阶段。
韦华
你学什么专业？
奕波
本科和硕士都是金融，没学过 C 语言，没学过 Python。
樊帅
这样我们心里压力就小很多了，也就是说奕波都能把 AI 用得这么好，那么我们大家都可以。
奕波
对，只需要用自然语言和大模型交流就可以搭建好投研智能体。
樊帅
那我们开始吧？
基础准备
奕波
今天我主要讲两件事：我的AI投研工作流是怎么搭的；怎么理解“AI+投研”这件事。
主要讲的是思路和原则，不在细节上过多啰嗦。
先谈一个基础知识，就是在开始搭建之前，你要准备什么。
韦华
我们现在只有一台可以上网的笔记本电脑，除此之外，还需要什么吗？
奕波
我们需要两个工具：Claude Code 和Obsidian，当然也可以用其他类似的工具替代，但这两个工具是我用起来最顺手的。
韦华
但Claude的大模型很容易被封呀。
奕波
如果只用Pro版本，封号风险其实还好，要点是有个“干净”的 VPN， “干净”是指节点不要落在数据中心里，要落在家庭IP上。
具体做法B站上有很多教程，也有专门查“节点对Claude Code友好度”的工具。
其实，只有用Anthropic的大模型才会有封号问题，用OpenAI或者其他家的大模型就不存在这个风险了。所以不想用Anthropic的话，用OpenAI的Codex和GPT也行，它们是一个级别的东西，尤其在GPT-5.5之后。
樊帅
能不能解释一下，Claude Code、Codex、GPT，我听得有点蒙？
韦华
这我会。大模型第一梯队有两家公司：Anthropic和Open AI，他们两家出的大模型分别叫Claude系列 和GPT系列，在自己家的大模型之上，又各自开发了自己的大模型操作工具，我们叫harness，有点像骑马需要的马辔，Anthropic的harness叫Claude Code，OpenAI的叫Codex。
樊帅
明白了。
▲ 前期准备
第一章 拆解投研工作流
奕波
如果真的从零开始用AI，第一步反倒不是去了解 AI，而是先了解自己的工作，因为目前大部分工作AI还没办法端到端地完成。能端到端完成的可能只有编程，因为编程的场景结果很明确、流程很短。
如果是投研场景，我自己的工作是可以拆成六个环节：
第一个环节，产生idea。朋友给你推荐一只股票，或者你自己通过看新闻、听播客发现一只股票，这都算一个idea。
第二步，基于idea收集信息。
第三步，深入研究。
第四步，对研究员来说，还需要给老板汇报。
第五步，决策——买不买？现在买还是等等再买？
第六步，如果买了，还要持续跟踪，不断反馈和修正——修正自己的假设、修正对这只股票的看法。
以上是一个完整的投研流程。
▲ 完整的投研流程图
AI First原则
奕波
把工作拆成不同环节之后，我们就可以和AI并肩作战了。在这里，我们首先要有一个理念，叫“AI First”——所有工作都先让AI做，它搞不定你再做，别只是把AI当作辅助工具。
我们要从“Human First”切换到“AI First”，要强迫自己去用它。不要总把自己放在主导位置，觉得AI只是帮自己收集一下信息。给AI的权重不够高的话，AI的能力就发挥不出来。
樊帅
这段甚至不是在讲AI，而是在教我们怎么当老板。手下有人的时候要先学会用人，给他的权重要高一些，不要总让自己冲在最前线。
奕波
对，怎么当AI的老板。其实AI的能力很强，只是有些关键环节没法打通而已。你想它的知识库、它处理的信息吞吐量，按“token/秒”来算，可能是人脑的一百倍。它能力超级强，如果你一直把它当辅助，就有点小看它，发挥不出它的威力。
樊帅
让AI先动起来，这一点很重要。
奕波
启动这件事很关键。有些人启动的时候特别兴奋，而有些人启动一下觉得也就这样，AI算错一个数就不用了。
第一个环节：Idea收集
奕波
有了 “AI First 原则”之后，我们再回到六个环节。
第一个环节是 idea的收集，这个环节还是人来主导、AI辅助。我让AI在这里干两件事：
第一件事情，做随机灵感日报。这是我看“影视飓风”的一个视频学的。我们没事会刷雪球，海外刷Substack或者Reddit，这些可以让AI替你刷。你跟AI说“我关注AI相关领域，也关注深度价值投资领域”，之后自己不用看，让它去帮你抓。
韦华
Substack是什么？
奕波
类似海外的知识星球。Reddit你知道吧？
韦华
Reddit我知道，海外的论坛，有很多人在里面讨论股票。
樊帅
这里有个小问题，如果听众只能投A股，信息收集效率会不会低一些？
奕波
A股的话可以让它搜股吧，但股吧的信息有没有价值我不知道。雪球我尝试过，不行，它反爬太严格了。不过不用担心，这个动作只是辅助，没事看看大家在讨论什么、有什么观点。我自己目前也没从这条路径收获过股票推荐。
韦华
除了这些，可以指定它看《华尔街日报》这种吗？
奕波
可以，只要是公开的、能搜到的就行。
韦华
那每个信息源的权重怎么调？需要调权重吗？
奕波
这需要你来判断，其实很简单，你不需要管它怎么实现的。你既是它的用户，又是它的打造者。我设定的是定时任务，每天晚上九点半推一下，想看就看，不想看就算了。哪天某个内容老是出现你不想看了，就跟它说“我不要看这类“；哪天想加什么，再说加什么。本质上跟刷抖音一样。一次推送不能太长，太长你也看不过来。这是第一件事，做灵感日报。
第二件事，idea收集的真正出发点肯定是你自己，每个人关注点不一样。我给你推一个股票，你说不够价值；你给我推一个股票，我说空间不够大。所以这一步，要先把自己的选股模式总结好，要想清楚自己赚什么钱，这是你自己的 Skill。这跟投资本身相关了。
韦华
樊帅，如果是你的话，你想让AI帮你找什么样的股票？
樊帅
我肯定和奕波一样，找深度价值的。
韦华
PB小于1？
樊帅
标准可能没那么死板，我会找更定性的标准，因为太精确的定量标准反而不需要AI做，用金融软件拉个数据就解决了。你呢？
韦华
我的提示词就特别简单了——黄仁勋最近提到过哪个公司？马斯克最近提到过哪个公司？（开玩笑）
奕波
关键就是要把自己的模式识别出来。这里要跟 AI 讨论，不是只说完“我要什么”就结束。你要让AI问你问题，让它了解你。你可以说“你问我几个问题，我们来讨论一下这个事，我们来设置几个标准”，然后把模式总结出来。
我举个例子，我总结了一套模式，这套模式包括几个要求。
第一个要求：“AI拉动传统制造业”。
去年研究过台股里面的台达。这家公司原来业务很差，十年没涨过，在中国大陆都快被赶出去了；但靠这一轮 AI，它的电源业务一下就起来了。我去复盘它怎么起来的、满足哪些标准。
第二个要求，“下游AI的占比不要高”。高了之后就变成AI股的定价了；占比低的时候，它才是一个传统制造业的估值、传统制造业的EPS预期。
第三个要求是竞争格局，最先进的永远只有它一家。
OK，总结完了，让AI拿这模板去套。如果是让我自己去套的话，我一天只能看一个，太慢了，AI一次可以看500个。当然结论是定性的，不会特别精确，但能给你提供方向上的信息，500个里面筛出十几个有潜力的。
这里会碰到一个数据源的问题。财务数据源需要你提供给它。网上有很多便宜的数据源，海外的可能一两百美金每月；A 股很便宜，200块钱一年。
所以这一步，需要给它提供数据源、给它总结模式、让它帮你筛选。这就是 idea 收集的第二件事。
第二个环节：信息收集
奕波
第二个环节是信息收集。播客、纪要、研报、公告都可以抓，抓不了的就人来辅助——把PDF、照片或者截图丢给它。
韦华
我用过你写的一个抓海外播客的Skill，我上次一用，把我Claude的所有token都耗光了。
奕波
因为播客太长了，三四个小时，字特别多。你跟它说“请用DeepSeek翻译和总结”。不要用Claude，不要让最牛逼的人干最苦逼的活。
韦华
明白了，杀鸡不要用牛刀。
第三个环节：深入研究
奕波
第三个环节，深入研究，这一步还是人主导。
AI可以帮你快速否掉一家公司。一家公司需要经过多个标准筛选，都满足才研究，不满足就pass。以前快速看一个公司可能要收集一天信息再看，现在AI十分钟就能帮你pass掉。否掉一个公司很容易，只要有一个标准不满足就可以否。
但买入一个公司的要求很高，不仅不能有瑕疵，还得有亮点。这个亮点就得自己来看，把不同的事件串起来，想清楚什么大趋势在发生，趋势里会发生什么样的事情？什么公司会变得更牛？这需要自己来组织结构。
结构很重要，怎么把一个公司真正理解清楚，做到这一步其实已经是在写研究报告了。结构的组织也很重要，而且必须自己来。
我尝试过让AI写整个PPT，不行，它没法很好地组织起一个结构。比如，这次的PPT是我一页一页跟AI讨论出来的，不是丢一个“假任务”，让它直接生成20页。直接生成的话，衔接有问题，重点也有问题。这里只能靠人，人的审美、品位在这里得到体现。
第四个环节：汇报
奕波
第四步是给老板汇报，肯定只能你自己来。AI负责帮你把PPT和报告里面的图表画好，但“锅”得你来背。
韦华
你跟老板汇报的时候，他有没有说你AI味太浓？
奕波
我讲的话，肯定AI味就不浓了。AI味太浓，那是在写公众号文章的时候会。
第五个环节：决策
奕波
第五个环节是决策，肯定还是人主导，但AI可以辅助。你事先给它一些决策原则，比如“我永不追高”。再设个标准，比如“一个月涨幅 100% 以上就不追”，而且“不要割肉”。
到了做决策的时候，可以跟 AI 讨论，比如我跟它说“我今天有点想推荐英特尔了”，它就会问“什么原因？为什么推荐？最近英特尔三天破新高、涨幅很大，你是不是在追高？”
它相当于你的一个挑战者、一个反方，因为AI的底色是比较保守的。让你跟它讨论，它有可能会摁住你。但下次你可能觉得还是自己正确，可以把这个记录下来，下次 AI 也会调整。它就相当于是你的一个辅助决策者。有时候你会忘记自己的原则，“不行了，太牛了，一定要买，每天涨十几个点，受不了了”，然后买了就被套，下次还这样。这就是因为没有人提醒你，你哪怕知道这事不该发生，到那个时间点还是会发生，因为人是情绪化的。
韦华
芒格说过，“如果我不能比这个世界上最聪明、最有资格反驳这个观点的人，更有力地证伪自己的观点，那我就不配拥有这个观点。”显然大模型是这个世界上最聪明的人。
奕波
是的，而且AI 还能帮你复盘——这笔交易对了，为什么对；交易错了，错了更宝贵，那为什么错？是买入时机错还是卖出时机错？是研究环节出错还是买卖时机不对？
韦华
你这里有个假设——AI 是保守和理性的。但我感觉某包就很激进，它会鼓励你追，“一定要追，怕高都是苦命人……”等亏钱了，它就说“不好意思，这次错了，下次改正”。
奕波
这就有个基础。一开始我会跟它先讨论一遍，告诉它我是什么样的人——我是二级研究员，我看哪些行业、是哪种风格。然后我把原来写的几十篇报告打包给它，告诉它“你读一遍，总结一下我是个什么样的研究员。
韦华
可以，它怎么评价你的？
奕波
比较中性，讲究数据、客观、绝对不瞎猜，类似这种。所以要用好AI，得让AI更了解你。
韦华
非常好。
第六个环节：跟踪研究
奕波
最后是跟踪研究。
我写了一个 Skill，专门让AI写日报、周报，因为跟踪研究很烦，我觉得每个研究员都不喜欢干。我总会被问一类问题——某只股票为什么跌了？某只股票为什么涨了？——我哪知道……我还不是去给你百度，不然我还能怎么办？
樊帅
我原来做卖方研究员的时候，也经常会被机构客户问这种问题。
奕波
AI可以帮你搜索，效率极高，还能搜论坛。比如你已经买了一个股票，告诉它这股票的关键点是哪几个?（当然关键点太多也不是好投资），例如，研究周期股时，需要关注“价格是不是涨了”，“产能利用率是不是开始爬升了”，告诉它“你帮我跟踪。”
因为在周期刚反转的时候，产能利用率即使爬升也没人关心；爬到一定程度价格开始涨了，大家才反应过来。AI可以帮你挖掘这些前瞻指标，做高频跟踪。
韦华
你怎么保证它的信息来源是真实的？
奕波
你让它给你标注来源和日期就可以了。
韦华
它会骗你吗？之前不是说AI会给你一个看起来很正经的链接，点开发现啥都没有。
奕波
这很简单，如果是能改变你投资决策的信息，你肯定要去检查。你不可能说AI告诉你“涨价了，快买”，你就买了，你肯定要点开看一下的，因为你才是“背锅”的那个。你不能跟老板说“不好意思，这个股票推错了，因为AI搞错了”，最终拍板的是人。
知识库
奕波
这套系统可以复利的关键在于有一个不断积累的知识库。
你所有的研究、讨论、播客、数据，都要存档。我也写了一个 Skill，做分层知识库。所有东西都要结构化之后存档，变成MD文件之后，AI才能更快去读。
随着语料越来越多，AI会越来越聪明。当然也要做减法，后面会讲这个系统怎么维护。
知识库为什么重要？因为AI没有别的渠道，它的记忆就是那些文档。
AI找文件的功能非常强，你跟它说哪一天我好像跟你讨论过什么股票，我不记得文件名了，你帮我找一下，它绝对能给你找出来。并且我的知识库还会贴一些标签，让它更容易找到。
以后利用AI产生的大部分输出，比如深度研究、写报告、画图表、日常跟踪、交易、验证假设，都要从知识库里面获得信息。可以说，知识库就是你的第二大脑。
韦华
如果我是一个刚入行的研究员，听完你讲这些，似乎很快就知道一个二级市场研究员应该怎么用这套流程框架搭一套体系，很快就能给领导推到很牛的股票，很快就能赚大钱。但前提是，你得把知识库复制给我一份，对不对？你们公司老板会要求你把知识库复制给其他同事吗？
奕波
没有。
樊帅
听完这期播客估计会让你这样做。
奕波
每个人是有差别的。我给你推荐一个很牛的股票，它涨了十倍，你说“牛逼”，但大概率你自己没买。90%的情况都是这样，所以还是很个性化的，只是说你怎么从里面搭出属于自己的体系。抄别人的知识库没有用，你把乔布斯“蒸馏”成skill了，你也不会变成乔布斯。
第二章 案例实践——MLCC
第一步：Idea从哪来
奕波
接下来是个实际工作中的案例，我用这个案例说说怎么筛选、怎么研究、怎么决策。
第一步idea 获取。
▲ Idea从哪来
先是人主导。我喜欢复盘牛股，复盘它如何一年涨10倍。这几年这种股票挺多，甚至三年涨10 倍的，现在都不算特别牛了。
去年我看了三个——台达、国内一个光纤龙头、日本的三井金属。你会发现AI从23年开始爆发，英伟达那些一直在涨，但这些股票在 25年5月之前是横盘的。25年5月之后，一年涨了10倍。
它们有什么共同特征？全是传统制造业，特别是老外的。大家会觉得，老外的传统制造业太垃圾了，被中国人各种低价竞争。原来大量的利基市场，中低端的中国人都能干，只有最高端的中国人干不了。但AI恰好就是最高端的，而且需求放量很快，AI的需求一年翻10倍以上，所以这些股票大概一年都涨了10倍。
我总结了模式：传统制造业AI占比不高、供给端只有一家最高端的公司、估值合理（启动前10倍到20倍PE）。比如台达现在还是20倍PE，但EPS能涨5到10倍，因为AI让它能直接涨价，现金流又很好。这个模式是要自己主观总结出来的。
韦华
那自己主观总结不会损失很多重要信息吗？
奕波
损失什么信息？
韦华
假如说这些股票走牛的本质并不是你总结的这个模式，错误归因了。这就损失了关键信息。
奕波
这就是人和人的不同，好研究员的经验在这起作用了。
韦华
那这套模式AI能识别出来吗？
奕波
识别不出来。AI找不到这个共性，它的注意力没法缩得很小。比如我这其实就两三点，AI会给你5点到10点。
樊帅
我们现在是找人工主观因子，不是让它机器学习自己挖。
奕波
不过研究员要总结出这套模式，需要给AI提供数据源，包括公司简介，财务数据什么的。海外公司用FMP，大概200美金一个月，类似海外的万得。
韦华
你做这个有点启发我，我应该去复盘一些熊股，一年跌90%到底怎么回事？找出几个特征来抽象出“失败模式”。
樊帅
再出本书叫《大败股》？
韦华
对，因为我们总读芒格的“反过来想”，我们更喜欢研究失败，刚好跟你相反。
第二步：信息收集
奕波
AI的好处是吞吐量大，可以一次处理很多信息。比如三月份的时候，我让它一次性扫描了300只日韩股票，我说不要纯AI的，什么英伟达、光模块那种，别人都筛过了。
韦华
要找做马桶的、做瓷砖的？
奕波
对。然后我说“你照这个标准筛”，它就大概筛出了十几只，根据AI 占比、供给格局、需求beta这些打分。筛出来的有日本电产、欧姆龙这种老龙头，还有安森美这种功率半导体，这些最近都涨得不错。其中有两只跟我之前看的重合，我就开始自己研究。
自己研究的第一步，也是要靠AI收集信息。你必须给它提供数据源。现在有很多第三方AI投研工具，提供API，里面有纪要、数据源、研报，直接接进去就行；它抓不到的，你手动丢进去让它总结。
然后进入快速研究，你可以设个模板，比如包含供给格局、需求逻辑等等，让它帮你写一篇报告，10分钟，可能5页到 10页，你看是不是满足你的标准，满足就自己再深入研究。
▲ 信息收集
韦华
除了这两家之外，那别的被AI筛选出来的公司为什么没进入你的视野？
奕波
我快速研究的时候get不到那个点，看不明白，或者太复杂，就pass掉。
第三步：深入研究
奕波
到了深入研究还得自己来，比如我复盘了MLCC的历史。简单说，MLCC就是陶瓷电容，手机里用、电脑里用、汽车里用，AI服务器也在用。产品是分层的，最高端的AI是1000层，汽车是500层，手机是200层。那么国产厂商能不能做 1000 层？答案是做不了，因为工艺、材料、设备不一样，所以没有快速的供给补充。
这个逻辑跟台达一样，有一个跳变，只是台达更下游，更早被感受到。MLCC更上游，更晚被感受到。所以有一个时间差的问题，台达去年5月开始涨，它今年3到5月开始涨，非常契合我们的标准。
▲ 深入研究
接下来，我把卖方做好的财务模型下下来，丢给 AI，说“你帮我改一下假设，改改价格假设、利润率假设”。这种模型几百行，特别复杂，自己做的话，你还要去找它假设的位置。我把模型丢给 AI，就不用自己看了，它把 Excel 变成一个 python 程序，我说“我觉得价格会翻一倍，你帮我算一下利润、ROIC、自由现金流是多少”。
樊帅
这个过程要多久？
奕波
模型这一步，几分钟。
韦华
关键是你信吗？
奕波
我信，因为我检查过两次，手动算的——打开 Excel；找到假设，自己改一遍；比较两个结果，大概2%-3%的差距。
韦华
那为什么会有这 2-3%？
奕波
我不知道，也不想知道。
韦华
那这次2-3%，下次也许20-30%，你得搞清楚为什么。
奕波
很简单，如果特别异常，你肯定get得到，你就会去检查；当你get不到这个异常，说明它在你的误差容忍范围之内。而且对我来说，2%跟20% 没区别，因为我看的空间足够大，一倍以上的我才愿意看。
第四步：汇报
奕波
MLCC的流程走完，你来写报告、组织结构，最后给老板汇报，AI出图表。
▲ 汇报
樊帅
你这一步不做更深度的吗？比如搜一搜讲MLCC的播客。
奕波
我会问问身边的小伙伴。MLCC几个月之前是没人看的行业。因为这是一家海外公司，国内的MLCC偏中低端，逻辑不一样。我问了很多人，包括看TMT的朋友，他们不知道、不了解，觉得没什么意思，弹性也不大。这种情况下，我觉得肯定是个更好的机会。问一圈大家都没看，我就更兴奋了，这绝对是个很牛的投资机会。
第五步：决策
奕波
然后写报告、讨论、决策。决策的时候我的思路是“当时股价 pricing 很有限，没有price in AI的预期，downside可控，upside 很大”。
▲ 决策
第六步：跟踪研究
奕波
买入之后并没有结束，我要跟踪这个事。我把它录入到大假设“AI硬件会持续短缺”里面，把股票加入 watchlist，日报开始监控产能利用率、相关股票的涨跌幅、有没有新闻说它涨价。
▲ 跟踪研究
我会把重要的监控变量录入到大假设里。然后我每天让监控日报跑一遍，监控我所有关注的股票。
比如：“MLCC 涨价节奏”，权重最高，频率按每周报价。关键信号“村田4月1号涨价”出现——这都是它自己抓的新闻。还有些内容包括“5月22号新信号”，“出现了新子赛道”等等。
韦华
监控日报也是灵感日报吗？
奕波
不，这是监控日报。两个不同的，一个灵感日报，一个监控日报。
监控日报更重要，因为涉及到你真实的持仓。它会根据你的假设不断补充新证据，挑战或者增强假设的确定度，你再根据确定度的变化调整你的决策——该加仓，还是减仓。
韦华
那确实太强了。之前你只靠Google是很难搜到这种信息的，而且你是 200只股票一起，每天扫，这能极大提高效率。
樊帅
这里还能体现AI的一个特点。我们人脑很难绕开注意力机制，可能这一阵子我关心这三个公司，过一阵子更关心另外三个公司，潜意识会把精力放在关心的公司上，但很容易漏掉这三个公司以外的信息。AI不一样，所有公司它都能一起跟踪，能弥补你潜意识漏掉的方向。
奕波
是的，这是AI对人很好的补充。就像樊帅说的注意力机制问题，火的时候大家都看得到，但它不火的时候没人讨论了，但其实还是有信息出来的。
AI在跟踪这一块非常强大，一定要用。我的GitHub里有一个日报体系，你把数据源喂给他，它就可以帮你跟踪。
韦华
好，一定要学会用你的GitHub。
六步骤总结
奕波
回到六个步骤，我们谈一谈人和AI的分工：
Idea 收集：我复盘总结模式、定标准；AI扫描了300只股票并评分。
信息收集：他来读纪要、总结研报，我帮它接数据源，AI主导；
深入研究：我主导，AI帮我快速研究供需格局、快速算账、改模型；改模型很烦，所以这里又有一个很简单的原则——当你做某件事情很烦的时候，就让AI去做，大概率它会做得比你好。
樊帅
其实搭模型和跟踪这两块，我觉得是研究员最头疼的。
奕波
是。
韦华
不然要研究员干嘛？都交给AI，那研究员就被替代啦。
樊帅
研究助理确实正在被替代。
奕波
但主导的事情，比如复盘历史的周期、connecting the dots、跟人聊获得更深入的信息，这些还是需要人来做的。
韦华
刚刚第二个词是什么？
奕波
Connecting the dots。我看到了很多事情，AI可能不会把它们联系在一起。比如，在我眼里，台达、三井金属、那个光纤龙头和MLCC，它们是同一类股 票，虽然行业属性不一样。这就是 connect the dots。
汇报：你来组织报告，AI帮你画图表；
决策：AI可以判断downside有限，做风险控制。
跟踪：决策完之后就让AI帮你跟踪。
这套流程有个好处，我从发现这个公司到买入，只花了一周时间。
▲ MLCC案例的6个环节
韦华
这是我之前非常反对的一种做法，我的起点是一年，但是你们的一周是不是相当于我们的一年？
奕波
对，而且我们的决策比较简单。我的起点是“MLCC是什么”，问AI的话，大概十几分钟，它就能告诉我MLCC是干什么用的。到我写完报告，一共花了一天半，再讨论一周时间就决策了。
AI时代，你看股价表现都是一周涨一倍，定价极快。第一个原因是，大家研究速度变快了；第二个原因是，知识星球、Substack替代了传统券商的角色。传统券商还有合规，发出来给机构汇报，再往外传播，可能一个月才轮到卖给你；但 Substack上面，今天有人讨论完，明天股价就涨 20%。海外的KOL能做到这样，上百亿美金市值的股票也能被影响，模式变了。
韦华
我现在就下载Substack。
奕波
所以你必须快。当然也有慢的玩法，但你想在风口浪尖冲浪，就得适应硅基时代的作息规律。
韦华
我这种碳基时代的老登怕扛不住了。
第三章 理解基本原则，从零开始搭建投研智能体
奕波
接下来进入本书最重要的章节。如果从零搭建，应该怎么做？我不讲细节、不讲模块具体怎么弄，关键是怎么理解这个系统、怎么搭建它。
▲ 智能体的蓝图
这是我的系统架构，还是基于刚才那个工作流——idea收集、信息收集、研究、决策、跟踪。
三个闭环
奕波
第一，我想强调的是，一个系统，一定要形成闭环。我这里写了三个闭环：
假设闭环（假设验证）：人提出一个假设——哪个行业发生什么事就可以买入——你让AI去扫，扫完它会有反馈（增强或反驳），你再回写这个假设。碰到改变决策的信息，要及时跟它反馈。
▲ 假设验证
知识沉淀的闭环：你投入的内容都要沉淀下来，比如它给你写的报告，都沉淀成未来可引用的知识库。
▲ 知识沉淀
规则的闭环（规则晋升）：经常发现一类股票涨了很多，你可以给AI设个自动提示，“这是第三只同类股票出现了，触发规则记录”，你把它记入规则库，成为一条规则。
▲ 规则晋升
整个系统要是一个能闭环反馈的系统。每个环节有各种各样的 Skill，像灵感日报、播客筛选、信息收集、研究，但一定要形成闭环。
外层元系统
奕波
第二，你还要有一个系统，去维护这个系统的运行。这就要把自己变成一个产品经理，或者一个架构师。
▲ 两层系统
在内层系统——研究工作流（idea、信息收集这些）外面，还要搭一层外层系统，我叫它元系统(meta)。元系统包括：你是什么样的人（这在CLAUDE.md里跟他讨论）、你有什么样的工具（你的Skill）、你的项目配置（比如我的研究项目和公众号项目的workspace不一样，写公众号文章不需要读取研究项目的内容）、还有定期清理。
▲ 元系统
奕波
系统越来越多就会越来越重。清理的时候怎么知道把蠢的那部分清掉、聪明的部分留下？我设计了一个skill叫“update”，很简单，扫描所有文件夹和skill文件的使用频率，区分哪些是一次性的（哪天我想起来要干个事，弄了个 skill后来再没用，删了）；哪些文件是孤岛，没连接到整个系统里的（比如一张图片不被调用），也清掉。
韦华
对了，你给大家解释一下什么叫 Skill，有些听众还不知道。
什么是 skill
奕波
简单说，skill 是一个固定模式的小任务、一连串动作：第一步看什么文件，再看什么文件，理解之后调用API或调用脚本去抓，再总结执行，最后写成一个文档。这整个流程就是一个 Skill，翻译过来就叫技能。
樊帅
其实就是能力说明书。
奕波
对，都是文字的，中文就行，告诉它第一步、第二步、第三步、第四步、第五步要干什么。
韦华
能不能举个生活中的例子？
奕波
比如抓播客，这是我的一个 skill：
第一步：确认关键词（这是你告诉它的，他写在 skill 里），比如黄仁勋、台积电、相关人参加的播客内容；限定时间范围，一周以内或一个月以内。
第二步：去找播客的内容，WebSearch或者其他工具。
第三步：把播客下载到本地。
第四步：转录成MD文档，这一步没变化，是给AI看的。
第五步：用DeepSeek把它翻译成中文。
第六步：用Claude总结成一篇有结构、适合人阅读的，全文或摘要都行，1000字、5000字还是全文可以，你来定制。
整个流程就可以固化成一个skill，以后你每次叫这个skill的名字，它就自己跑一遍。
逐层展开原则
奕波
但你想这里面有什么环节？这个任务是一步一步做的，里面涉及很多工具，包括一个从YouTube下载 mp3 的工具、一个把mp3转录成文字的工具。所以我们有一个原则叫“逐层展开”——用AI的时候你一定要记住，所有任务都是“逐层展开”。
不要一次性给它所有报告，或者把整个想法一股脑说给它听，要一步一步分步读取，比如我要抓中文播客，那我就不需要读英文播客那一边的说明书。
韦华
为什么？
奕波
节省他的上下文空间。上下文空间可以理解成它的脑容量，超出它就处理不了。AI上下文有限，这也是绝对优先的原则。AI的窗口一旦到上限——原来是20万 tokens，现在100 万——它会变得迟钝，开始忘记你之前给它的设定。
你要是一口气给它100个报告，它直接爆炸，没有任何智能；但你一篇一篇跟它讨论，或者批量处理、一篇一篇转换成摘要（摘要可以简单理解成索引，像图书馆的索引），先看到标题再决定点不点开它，而不是一次性把所有内容读完。这是非常关键的原则，系统设计就是为了让它能分层展开。
韦华
这种分层方法用到我们人类学习上面也一样，你一下子让我把百科全书背出来，肯定也背不出来，也得分层。
奕波
这里关键的问题是“知识管理”。AI可以帮你建立双向连接——这个主题和那个主题有关系——它是一个网状结构；人原本维护工作文档是散状结构——项目A、B、C、D，每个项目里再分 A、B、C、D，非常线性，没办法从项目A和项目B提取共性，但AI可以。
AI用Obsidian 或类似笔记软件，能直接把文件link起来，get到联系，实现还很简单。这是个非常重要的原则。
给 AI 加记忆
奕波
AI没有记忆，但你可以给它加一个。我手动加了一个叫Active Context，每当我跟他说“今天先到这，明天继续”，它就会把现在做的东西总结一下（大概写50个字），再放一个链接到我们这次讨论生成的文档。下次我一打开就说，“我们继续昨天的内容”，它就会先读这个Active Context。
如果你觉得哪里有问题，就可以问它：“咱能不能把这个改一下？”“你的记忆有问题，能不能帮我设计一个记忆机制？”“你的文件夹整理结构有问题，能不能帮我整理一下？”
韦华
这个是做成一个skill吗？
奕波
可以做成skill，但不需要“斜杠命令触发”，比如“我们继续昨天的内容”，它就自动触发，更简单。它会先读 Active 文档。
斜杠命令
韦华
刚刚提到一个词——斜杠触发，你给大家讲一下是什么意思。
奕波
这是调用skill的一种模式。有些skill可以通过自然语言触发，“帮我研究一下英伟达”，它会自动跑研究。你也可以更手动地触发，你说“帮我生成一个命令”，命令就变成“/research”，每次打“/research”，就跑这个命令。因为有时候你一句话比较长，AI可能不触发或者误触发，所以不如用斜杠命令。这有点像一个程序，然后点击让它去执行。
知识库的存档原则
韦华
我再问一下，你是把今天讨论完的所有东西都存成一个MD文档，保留在那里，以后每次都让它重新读这个文档？
奕波
不是。首先所有讨论都必须要存档，不然AI读不到，等于白讨论。你觉得有价值的、不是闲聊的就存档，“今天有价值的内容请帮我存档”，给他几句话就可以。判断由你来做，到底是不是废话、是让人读的还是让AI读的。
让它存档之后，它就能自己找；只要存了档，它一定能找到。就这么简单。
外层系统：摩擦记录与反馈
韦华
你怎么知道它脑容量爆了，或者忘了？
我之前看到一个笑话：每次AI跟你说话前，让它叫你“老公”，突然有一天它不叫你了，你就知道它把之前的都忘了。你有没有一个类似的“老公机制”？
奕波
它为什么会忘？是因为你让他读取的东西太多了。比如，CLAUDE.md是它的基础人设，你只要打开它，它一定会读，无论多长。
韦华
超过100万个token它也会读？
奕波
它也会读，然后就直接全忘了，因为你把它的大脑塞爆了。所以Claude Code的设置是一个分层架构：
CLAUDE.md：无论什么时候打开必读，你可以在这里设置一些原则，但不要啰嗦，要客观、公正、简洁。
项目工作文档：开始投研工作时，告诉它这个项目的基础设置：我是一个什么样的研究员、要找什么数据、关注什么公司；再告诉它报告存在哪、播客存在哪、什么东西存在哪，让它知道去哪找。
具体skill：比如我要用他来“research”，他就先读CLAUDE.md，再读你的项目工作文档设置，再读“research”skill。
这已经三层了，可能占了几万token。当你发现它忘记什么事情的时候，一定是这些必读文档太重了，导致它忘了。怎么办？——让他帮你精简，把废话删了、重复的删了。做加法的同时，持续做减法，保持系统可运行。
韦华
你怎么检测到它突然忘了？能不能巧妙设计一个我刚才说的“老公机制”？它只要不叫你老公，就知道它变蠢了。
奕波
其实你跟他它聊两句，就能发现它变蠢了。当你能发现它变蠢的时候，说明你受不了了；你没发现的时候，说明它还可以。
樊帅
这种办法肯定比看它叫不叫你“老公”更好。如果你的另一半出轨了，就算叫你“老公”，那也还是出轨了。但你跟它聊天的过程中是会发现不对劲的，这才更关键。
奕波
哈哈哈，这是需要一些工程师思维的，但咱们都不是程序员或工程师。不过也没关系，你不爽的时候就说“你是不是出什么问题了”，然后让它跑一遍全局检查，这是最简单的方法。不需要像软件公司的架构师那样每天查 bug，因为我是唯一的用户，当它有 bug 的时候我一定知道；没有的时候那我就无所谓了，哪怕有 bug，只要不影响我使用，就等于没有。
所以要有一套外层系统。当你觉得它有点不对劲的时候，一定要告诉它“我觉得这东西不对劲，怎么回事？”，它会帮你检查，你再跟它讨论，最后把这事记到一个错误文档里。
比如，我这里设了一个“四层自我进化”，记录一些我觉得不舒服、我觉得它出错了或它觉得我出错了的时刻。这些错误时刻、摩擦的用户反馈，记下来非常有价值。然后你再不断调整这个架构和系统。
▲ 四层自我进化
第四章 先建一个MVP（最小可运行架构）
▲ MVP原则
MVP 原则
奕波
怎么样启动呢？答案是MVP原则——最小可运行架构。其实你可以这样理解，系统很简单，就是输入、输出，再加上一个反馈，中间的存量就是你的知识库。
输入到知识库，输出，然后反馈，反馈再记录回知识库。这就是一个最小的可运行系统。
韦华
闭环系统。
奕波
对，这就是闭环。你看我前面那么复杂的系统，说白了就是这四个环节，输入、知识库、输出然后把反馈引入知识库，就结束了。从最小的架构开始用。
三级路由
奕波
你的系统是由“路由的md文件”和“文件夹结构”构成的，这里的“路由”有三级。第一个“CLAUDE.md”是全局路由，是最关键的文档，写清楚你的一些原则、到哪去找什么东西。
▲ 三级路由
韦华
这个CLAUDE.md是官方设定的，必须叫这个名字吗？里面的内容是你自己填的？
奕波
对，只有叫这个名字，官方的CC才一定会先打开这个文档，一定会读这个文档。这有点像它的灵魂。
我们先用CLAUDE.md把灵魂建起来，然后给这个灵魂增加skill和工具。
樊帅
有点像打游戏，先建立人物。
奕波
对。所以第一层是CLAUDE.md，你是谁，你怎么工作，你有什么原则不能被打破，都写在CLAUDE.md里。
第二层是Workspace，这是项目的agent。你告诉它文件夹结构是什么样的，以及项目路由（去哪找什么东西，就是索引）。
韦华
你怎么告诉它呢？
奕波
让它自己去看，它自己整理就知道了。这些都是它读的，又不是我读，它能找到就行。很多东西你不用管。
第三层就是具体的 skill。就这三层。
文件夹结构
▲ 智能体的结构
奕波
“ 文件夹结构”包括：
CLAUDE.md：刚才说的“根入口”，Claude Code每次新建对话，就会自动阅读该文档。
Inbox/：输入端 你给智能体的学习资料放在这里。比如，你看到一份几百页的 PDF报告，看标题觉得还可以，看内容很重要，但是自己又不想读，就可以丢进去，让它转成MD文档自己读，读完写个摘要。你想看也可以看，不想看就让它存到知识库里，之后需要用的时候都可以调出来。
kb/ ：知识库 把inbox里面的资料学习完，结构化成智能体喜欢的MD文档格式保存下来，构成智能体的长期记忆。
Output/： 输出端 这个文件夹的内容是智能体生成给你看的。你要看它生成的每日简报、研究报告都放在这里。这就是输出模块。
feedback/：反馈 整个系统的反馈都放在这里。
templates/ ：研究模板 你跟AI讨论出各种各样的模板都放在这，比如研究报告模版、日报模版。
Scripts/：比如各种工具脚本，这个你不用管，是AI读的。
MVP的本质：路由MD文件+文件夹结构
奕波
总体来说，构成这样一个系统的就是两点：
第一，路由MD文件：第一个CLAUDE.md，第二个workspace-config.md；都是MD文档，类似系统说明书，一层一层展开，干活也是一层层展开。
第二，文件夹结构。
就这两点构成你的系统。无论你用Claude Code、Codex，还是国产的，只要这个系统的文件在，用什么AI打开都可以用。比如说我要迁到Codex上，你跟Codex说“这是我原Claude的工作文件夹系统，你帮我转换成Codex的格式”，它就会把CLAUDE.md转成AGENTS.md。
韦华
有点像你重新生了个孩子，然后给孩子赋予各种各样的能力，一层一层。这个孩子一出生，脑力和体力都超级强大。所以你要告诉他，最高级的原则，就是“你要做一个勤劳的好人”，对吧？然后第二层，你对他说“你要会做家务”，第三层，“加载洗碗和拖地的技能”。
樊帅
你的孩子在家主要得洗碗和拖地是吧？
奕波
是的，一层层地赋予、定义工具。格式都不重要，AI可以帮你调整，你跟它说就行。这些加上你的文件夹结构，就构成了你的系统。至于外围包的是什么大模型、什么样的harness系统都OK。
韦华
为什么要用一个“文件夹结构”这种模式？为什么不直接全部用各种各样的文件就行了？这样不是更简洁吗？要找东西也方便。
奕波
因为这是人机协作的系统，文件夹是方便给人看的。哪天不用你来看了，AI从头到尾自己发现一个idea、最后买入赚钱，那就不需要这个文件夹结构。文件夹结构是给人看的，MD文档是给AI和人看的。两个加起来构成你的系统，而且这个系统是可以迁移的。
这个系统就是一个 agent。一个极度简洁的结构。实际上可以完成各种各样的工作，都归结到这几层、这几个文件夹的内容调用。
樊帅
这就像我们是老板，下面有个研究员，我只跟他说一句“你去把xxx研究一下”，他就好好干完给我。现在AI就相当于我的这个研究员了。
奕波
是的。
第五章 从MVP开始“做加法”
▲ 加法
输入端的拓展
奕波
建立了最小可运行系统MVP之后，你就可以在上面做加法了。
输入端可以让它抓播客（原来你是手动的，现在自动抓），外接财务数据源、纪要、研报，link到你的Gmail邮箱等等。
抓下来的播客文档，可以放在第三层文件夹里。比如在inbox/下面再放一个podcast/文件夹，因为它属于输入模块。
给它多一些输入，知识库自动就会积累，所有的输入都通过这个体系存下来了。
▲ 输入端拓展
知识库的拓展
奕波
然后，你的文件夹会分层。
▲ 知识库分层
一开始你的知识库只有一层。但我这里设了四层，分别是：关于行业和赛道级别的认知、股票或者公司档案、可复用的研究框架模板、我从错误和成功的经验里面提炼的原则。
整个知识库的搭建和分层，我都参考了Karpathy的LLM知识库那篇X文，大家也可以去学习看看他那篇文章。（https://x.com/karpathy/status/2039805659525644595）
韦华
Andrej Karpathy 我简单介绍一下，他是李飞飞的学生，毕业后最早在 OpenAI，后来被马斯克挖到特斯拉负责自动驾驶，几年后离职，变成 AI 教育领域最好的博主之一，最近有去了Athropic。他在今年4月份提出了这套如何搭建知识库的理念。
奕波
对，但他没做产品，只是描述了一下，说“可以用AI构建一个个人知识库”。我就把他X上的内容复制下来了粘贴给Claude，告诉它“按照这个帮我搭一套”。然后有意思的是，在这个过程中，AI会跟我说“Karpathy 是个程序员，但你是一个研究员，不需要xxx功能”，它就帮我删了，从而贴合到我的体系里。这就变成了我 GitHub里的个人知识库。
有了知识库，把你觉得重要的文档、图片、网页放在raw/里，然后让大模型学习完之后结构化到知识库kb/下面。这就是知识库的加法。也是这套系统复利的重要组成部分。
输出端的拓展
奕波
输出端的模板包括快速研究报告、深度研究报告、日报、周报、写公众号文章这几种。
韦华
这几种也是一步一步拓展出来的？
奕波
是的，根据工作的需要，一步步让它输出。有些它输出完之后，我拿着它的输出再去给别人输出，比如公众号写文章；有些到我为止，比如日报。
▲ 输出端拓展
反馈机制
奕波
还有一个关键，反馈机制，最好绑定一个周期性任务。
比如，我每天让它写日报、每周让它写周报，这样就把反馈绑在任务上了——日报和周报会提醒我“昨天你和AI有个事弄错了，你把它说了一顿”“昨天没解决这个问题，今天要解决吗？”“这一周总共有xx次摩擦，有xx个问题，要解决吗？”
▲ 反馈机制升级
反馈非常关键，但你会忘。某一天你跟他说“你这个搞得不好”，但你当时忙别的事就忘了，它也忘了，这事就过了。
反馈非常重要，错误非常重要，这是调整系统最关键的出发点。对的时候你是没感觉的，所以最好把它绑定到周期性任务里，让系统提醒你去反馈。
韦华
周期性任务的话，你每次看到不就反馈了吗？马上就给它反馈。
奕波
我的意思是说可以提醒你。比如之前出过错但你当时没处理，或许当时你在写报告、跟同事聊天，它突然报个错，你可能说“你这好像错了吧”然后就忘了，这就过了。但你可以设一个 skill：当我说“你错了”“你有问题““我觉得这不对”或类似这种关键词时就触发，把东西记到一个错误文档或者摩擦文档里。然后写日报周报的时候它自动读取，帮你记下来，提醒你“咱还有一个错”。
韦华
这样可以省很多精力。
拓展的原则：给人读的 vs 给AI读的
奕波
还有一个原则，因为这是人机协作，所以你要分清楚，这个东西是给你读的，还是给AI读的？
▲ 给人读 VS 给AI读
奕波
比如抓播客，下面这个是给AI读的。你看这英文连分段都不分，因为它是通过音频直接转过来的。但无所谓，反正我也不看，这只是给AI存档的。
▲ 给AI读的
韦华
那他为什么还要是英文的？为什么不直接转成“0101”这种就好？
奕波
也可以。这里下载下来是个音频文件，它再用转录工具转录出文字，然后存到一个文件。里面什么格式无所谓，0/1也可以，只要AI能读就行。AI读的你不会看，所以随便什么格式。
但是给我读的，就变成了下面SpaceX RT case这种，会调整大小写、格式，会有摘要、金句、和我的哪些研究假设有关联，这是给人读的，格式化了。
给AI读的多长都无所谓，反正它读得了；给人读的太长你读不了，就一样要分层展开——先看标题，有意思我再看摘要；看摘要有意思，我再让它写个5000字的结构化总结；5000字不够，我再看两万字的全文。所以给人看的，就要格式好、好读；层次浅、好找；给AI的随它放哪，无所谓。
▲ 给人读的
第六章 给系统“做减法”
▲ 减法
奕波
前面是加法。加法你想到哪加到哪，但减法就是刚才说的，每周让系统自减一次，特别是项目路由的文件，看有没有啰嗦、有没有冗余。
韦华
是你自己打开来看吗？
奕波
它看，比如它会帮你读一遍，说“好像有两条记重了”。
韦华
是不是凡是“.md”结尾的都是他看？
奕波
也不是，因为他输出的日报周报也是“.md”。在这个系统里，你就不需要用微软Office了。
韦华
我一般让AI把“.md”文件变成word格式给我看。
奕波
那你还停留在上个时代，你不觉得多此一举吗？可以直接看的，只要格式OK就可以。你可以下一个Obsidian，我公众号里有写，它还可以看图片。MD文档本来是个文本文档（.txt），Obsidian可以看文件，也可以把图片插进去看。所以我觉得就不需要外部工具了，PDF是给人看的，HTML人也可以看；给AI看的就是MD文档和HTML，然后定期清理。
定期清理
奕波
这就是我刚才说的外层“元系统”的价值，你必须定期清理，这个系统才能正常运行，不然它会坏。而且你必须要有耐心，因为它一定会坏。它坏的时候请你有耐心，它帮你干这么多活，你给它修一修也没问题。
▲ 及时清理
韦华
你能不能重新做另外一个 agent 给它修呢？
奕波
那你要修那个 agent。
樊帅
如何避免误删？误删或者误修改可能更麻烦。
奕波
很简单，设置个垃圾箱。删除时丢进垃圾箱，30天之内可以找回来。文件你都可以不用删，因为MD文档很小，一个MD文档可能才十几KB，比起一个 PDF就几兆，差100倍、上千倍。所以 MD 文档你都可以存着。
那让他清理是什么意思呢？你为什么要清理？是因为你要去看那个文件夹，文件夹东西很多，你找不到想看的东西，所以让它归档——不是删除，叫归档，按月归档、按年归档，或者直接放垃圾箱，可以随时回档。你要找的时候，它就可以找到。
那么要清理的是什么？是那些项目路由文件，就是你每次让它读的。因为你肯定会给它加规则，加一条规则多一条，加一个月就100条。关键是，规则多了之后就减、减了之后再加，是一种动态的过程。
CLAUDE.md和项目级路由MD文档很关键，因为它每次都要读，不修剪它就会变蠢。这就是他忘记叫“老公”的原因。这个很关键，不然有一天你会发现，这个系统用不了了。
第七章 进阶需要的两大思维
▲ 进阶的两大思维
思维一：AI First
奕波
首先是AI First思维。现在AI能力太强了，它会很多你不会的东西。所有事情都可以让它先干。比如，我从来没有上传过GitHub，我说“你能帮我把它变成一个GitHub项目吗？” 他说“可以，告诉我在GitHub上怎么操作”，我就听他的，就搞定了。
韦华
GitHub的注册不得你自己来？
奕波
对，我注册，然后它来。
▲ AI First 思维
什么是 GitHub
韦华
你先给大家讲讲什么是GitHub，很多人不知道。
奕波
GitHub是一个大家一起分享的开源代码库，原来是个代码库，按项目分享。你可以在上面找各种各样的项目（软件项目），可以直接把别人的复制下来，或者fork一下（把它放在自己的Github），因为是开源的，包括很多skill。还有一些开源大模型，不是在GitHub就是在 HuggingFace（类似的开源社区），你直接下载下来就能用。
韦华
把你的文件上传到GitHub有什么帮助吗？
奕波
我写了那些教程之后，发现大家其实还是不用。比如我的公众号现在有一万个关注，凭直观感觉，我GitHub的star（点赞）量只有50。看过我那些教程的人，我聊完发现他根本不用，他就是看看。但其实启动那一下很重要。
当你启动那一下，比如说连Claude Code的安装都搞不好，95%的人就放弃了，觉得太麻烦了。剩下5%的人，感觉“我靠，一个黑乎乎的终端”，又劝退80%。
韦华
所以我们今天主要想告诉大家，一旦你装上了，成功解决了那5%的问题，后面会有多爽。如果有后面的利益驱动你，你就会鼓起勇气把启动的问题解决了。
奕波
你会发现自己能力飙升。
韦华
怪不得每次见到你，感觉你都变得更强大、更阳光了一点。
凯利公式的例子
奕波
比如学习，就说凯利公式吧，我是学金融的，数学不好，不知道凯利公式，但可以和它对话：
“凯利公式是什么？”
“凯利公式是xxx，连续的凯利公式是xxx。”
“你帮我看看，我这几只股票按凯利公式应该下多少注？”
“你怎么下200%的注？这只股票涨了很多，根据短期收益率和波动率，你应该加杠杆！”
我觉得这个建议也不完全对啊，但我一下子就理解了凯利公式是什么。
韦华
既然凯利公式这么难的数学都能懂，那泛函分析也不过如此了，我觉得我都可以去问问。
奕波
是的，这让我们如此自信。再比如我想了解一下存储，它跟我说最早的存储是一支水银管构建的系统，让信息从一边流进来、再从另一边流出去，在泡泡里留下痕迹；一开始是用纸带，再变成水银管，再有其他进化。我觉得很有意思，就会追问“怎么有人从这东西构想出现在的存储系统？”，还有内存、硬盘、晶体、电容等等问题。这些都不需要你再去找资料，也不需要你去理解里面的逻辑，AI直接帮你解决了。
韦华
所以它从根本上改变了学习的方式，我有个朋友和我讲，以后读纸质书更多的是一种情怀和情绪价值，真正想要快速高强度的学习，都是利用智能体的陪伴。
奕波
所以你想到任何事情，你就让AI去干，AI干不了再说。AI干不了，要是你也干不了，这事咱就干不了；但很多事情它其实很能干，能延长你的能力边界，它可以把你原来零分的能力迅速拉到60分。
从研究员到组合经理的例子
奕波
还有一个例子。作为研究员，你一般在研究股票，对组合管理和交易其实没有任何概念。研究员就是“我靠这股票我研究了觉得牛，推荐买入”。但在组合经理眼里，这个股票可能跟另一个股票的 beta 是重合的；从组合管理上说，可能这个还不如那个。组合经理是这么想的，但研究员没这个思考。
AI可以帮你有这种思考，你让它构建一个组合，它告诉你这个组合的回撤怎么控制、什么时候交易、怎么止盈、怎么止损。原来研究员谁考虑这个？
韦华
所以你可以跟老板说，“老板我不需要你了，AI可以做老板”。
奕波
它可以帮你补习原来你根本不知道的工具。原来研究员要翻好多本书才能学会那些技能，但AI可以帮你实测，包括理解一些量化策略、回测,以及“为什么放宽回撤才能提高收益率？”。哪怕你没任何基础、没学过编程、不懂量化原理，它都可以帮你跑，跑完告诉你一个结果，你再不断修正。
还是那句话，AI First，想到就去干，AI干不了再说。
AI的局限：审美
韦华
它都能干吗？有没有什么你想让它做到，但它干不了的？
奕波
我想让它从“idea获取”到“推荐股票”全部自动完成，这个它干不了。
韦华
为什么？说不定也干得了。
奕波
干不了，我尝试过。
韦华
这个卡点主要在哪里？ 你做的不就是提取了个牛股模式吗？除了这之外你还做了啥？
奕波
这几个就很关键。我觉得总结下来吧，可能确实就是你的审美——什么是好东西——AI还是不太能理解。每个人对好的定义不一样，但什么是你觉得好的东西，他没办法完全get到。比如“这瓶茅台好”，但“这瓶农夫山泉也不错”，AI可能把它们都看作白色透明液体。
韦华
那是不是因为我们的语言能力，没办法表达心里的真实想法？如果AI能吸收到更多超越语言能力范围外的东西，是不是就更能理解审美？
樊帅
但审美其实是个复杂系统。
韦华
你有没有比较过他的组合和你的组合，哪个更好？
奕波
我尝试过，让它去跑、去回测过，不行。我给它提的要求很简单，“构建一个年化收益率50%、且最大回撤不超过25%的组合，假设你现在是在2020年”。我就想看它能不能把英伟达抓出来、一直拿着，不行。
韦华
英伟达回撤可不止25%。
樊帅
说的是整个组合的回撤。
奕波
我说“为什么英伟达拿不住？”，它说“英伟达xx时候跌了，当时止损了”，我再说“止损了后面有没有什么机制？你能不能把这个机制加上？”但它反复还是不行。
韦华
那我就放心了，咱们的工作还不会完全被AI替代。
奕波
我也想，如果他能干了，那咱就没用了。
韦华
或许已经能替代了，你故意不说出来，怕老板把你开掉！
奕波
如果真能替代，那我就不会出来分享了，在家里天天数钱多好。
韦华
有道理，逻辑自洽！
奕波
闭环了。
思维二：把AI当成平等的协作者
奕波
AI First 之外，第二个思维就是，你跟 AI 是平等的。
韦华
需要这么高级吗？
▲ 平等的协作者思维
奕波
你跟AI是平等的，你帮它（它出现bug或错误时你帮它），但你也要让它来check你——你在下决策是不是情绪化了？你是不是强行违反了某个原则？
然后AI可以帮你升级视角，从研究员升级到PM视角，交易原则、组合管理、跨界能力都是他帮你实现的。不只是说我原来一天读一篇报告，现在一天读一千篇，不只是提升效率，它能帮你补充能力圈，挑战你、帮你升级。它是个协作者，你帮它升级，它也帮你升级，是一种伙伴关系。
韦华
感觉有生命了。
奕波
对，反正你看你怎么想它，它就会怎么回馈你。我是这么理解的。你只把它定义为帮你读一千篇报告的助手，它就永远只会帮你读一千篇报告。
韦华
那你有没有给你的AI取个名字？
奕波
有啊，叫“小豆花”。我们家有两只猫，一只叫豆包，另一只叫黑花，所以我就叫它“小豆花”。
韦华
哇，卡哇伊。
第八章 研究员和AI智能体的关系
从“协助”到“相互加强”
奕波
我觉得“用AI做投研”会有几个发展阶段，第一个阶段是“AI协助你”；现在的阶段是 “AI和人互相加强”。
▲ AI和人的关系
它没办法端到端地搞通，单个环节能做一些决策，但有些时候单个环节的决策都做不了——一个是前面说的审美，第二个是结构。
AI 的局限：结构
奕波
你让他写公众号文章、写报告，会发现上下连接就是不舒服。
韦华
AI味？
奕波
也不是AI味，就是奇怪。
韦华
我认识一些老编辑，只要是AI写的，他们稍微看几百个字，马上就能识别出来。我不知道为什么，但我其实是识别不出来的。比如我看你的公众号文章，我就觉得是你写的，但你告诉我大部分是AI写的。
奕波
因为结构是我调整过的。
韦华
我确实看不出来。
奕波
症结在哪儿我也不知道，但AI就是在结构上不行。结构很关键，你想一篇文章的结构，你只要把它打乱一下，就是一篇狗屁不通的文章。展开的顺序、怎么衔接，这些AI真不行。包括工作环节之间的衔接，它也不太行——如果你让他端到端做一件事情，它中间就会乱。我也不知道为啥，可能得跟大模型厂商的人聊。
韦华
是不是因为是一段一段生成的，不是啪一下就生成的？
奕波
也不是。怎么说，就是归纳和探索的差别。如果我做个大模型能解决这个痛点，那这大模型肯定很赚钱。你想，写个公众号文章，假设2000字，这绝对在他的上下文范围之内，也是在一个上下文里生成的，但它还是连不上，读起来会很奇怪。可能这是AI自己的一种结构，你也理解不了它，它也理解不了你。也有可能它以前的训练，就有这个结构和审美。
“相互加强”例子：接受AI的意见，也要指出AI的错误
奕波
“相互加强”有一个例子。有一只股票已经涨了不少了，当时我应该移动止损了，但没注意；之前推荐买入的逻辑也兑现了，到目标价又开始跌了。突然有一天它的日报上说，“这股票开始跌了，从最高点跌了15个点了，你的逻辑好像也兑现了，为啥不卖/建议卖出？
韦华
它怎么知道你卖没卖？
奕波
买的时候你告诉它了，你推荐买了。
韦华
我以为他给了你的账号了。
奕波
那不可能。它相当于指出了你的盲点，因为你的注意力不在这里。
AI的局限：端到端
奕波
还有就是，你要指出AI的错误，如果它犯了一些 bug。终极目标肯定是端到端，但我不知道什么时候能实现，说不定明年能实现。
进一步成长
奕波
如果你还想在最简单的系统上再升级，有一些方式——比如关注我的公众号；别的用得好的，比如“刘小排”；还有 GitHub 的一些高 star 项目。不用你自己看，你就跟AI说“这个GitHub的高star项目是什么？”。
韦华
你的GitHub星有多少颗？
奕波
就几十颗，因为后面没太维护。
韦华
好，我们给你点两颗。
奕波
比如让AI读项目，反正我也读不懂，我也不是程序员，我就跟它对话：
“这个 Hermes Agent 为什么能有几万颗星？它的架构哪里牛？它有什么非常厉害的地方？”
“它有4层缓存读取的架构。”
“这个东西对我们的系统有什么借鉴吗？”
“4层缓存的读取我们可以抄，其他的跟你没关系”
“那你抄吧”，
然后我把它抄过来了，觉得不好用，又重做。
韦华
哈哈哈，不过我觉得你对小豆花的态度还有点趾高气扬，你该平等一点。你在命令人家，你要祈求它。
奕波
哈哈，是的。
韦华
你可以说，“谢谢你小豆花，谢谢你帮我，你又让我学会了更多，让我变成了一个更好的奕波。”
奕波
对。刚才聊到读东西和学习，你也可以自己去读，那是读本身带来的享受，比如读一本书。但如果你是抱着一个目的去学习的话，你不如直接用 AI——我只想知道结果或者逻辑；我不想知道1234567，我只想知道那个10。这时就用 AI，它可以帮你跳过 12345，然后用一个你能理解的方式让你跳到10。这个AI能帮你做到的。
第九章 如何摆脱不会构建AI智能体的焦虑
奕波
刚才也有朋友问到，觉得终端太麻烦了。其实我说的这些，并不适合所有人，因为还是需要花很大精力去维护这个系统，且你要高强度地用，这要求你得觉得这东西有意思。
没有人愿意面对Claude Code那样一个黑漆漆的终端框，在我原来认识里，我觉得那是修电脑才会打开的。本身这东西绝对不是一个终极产品。你看现在Codex为什么用的人那么多？它是一个应用程序了，更被人接受。所以大部分人是不愿意折腾这个系统的。
樊帅
我理解这个过程，就像当年从DOS系统到Windows系统，从代码到所见即所得界面的过程。现在还是 DOS 时代？
奕波
对，现在 Claude Code 可能就相当于我们还在 DOS 界面。
商品化的垂直领域智能体
奕波
如果你不愿意折腾，没关系，你就等，垂直领域会有人帮你做好。通用领域就 Codex；垂直领域，比如投研有像Alpha派、AlphaEngine等等。
他们会帮你包装成一个你可以用的产品。这其实是一个最后一公里的问题。垂直场景里，大部分人不会自己说我要构建一个系统，我还要维护它、给它debug，大部分人不会这么做，他觉得没意思就不这么做，这很正常。所以你就等，垂直领域会有人把它做好的。只要有高价值的场景，就会有人把它做出来。
樊帅
你用自己的小豆花去快速出一份报告，和你用Alpha派、AlphaEngine、Gantise这些现成的应用相比，体感上差别有多大？
奕波
如果你只是写报告的话，我觉得差别其实并不算大，而且人家写的还更好看，那个图做得多漂亮。但有一个问题——因为我用的不多，我大概试用了一下，写报告这个差别不大，因为模板他们都已经写好了——你的底层知识库，你愿意给它上传多少？
樊帅
明白。
奕波
差别会在这个地方。你愿不愿意把所有资料都上传给它？
第二个问题，它没办法做得很定制化。比如我就想抓播客，它肯定不会专门给你出个抓播客的功能；你可以建议它，它可能也会出一个，但很重、很慢，一个任务可能要跑五六十分钟，它那个软件能承受吗？所以它更偏标准化，我更偏定制化。比如我自己定制化的用习惯了，也就够了。
但我觉得我公众号关注者里面，自己弄智能体投研系统的渗透率可能不到 5%；但Alpha派在我认识的朋友里面，渗透率应该超过50%。
垂直领域会有人帮你做好，你不用太焦虑，用别人做好的东西就可以了。因为据我了解，纯做AI投研这一块的应该有十几家了。
韦华
差不多，有很多。万得在这块好像落后了。
奕波
万得最近也开放API了，给非机构客户免费去试用他的agent。
樊帅
我感觉比前一阵子好一点，聪明一点。
奕波
但据我所知，所有这些应用，只要用Claude模型的，绝对都是亏钱的，因为太贵了；用国产模型是挣钱的。
韦华
是客户亏钱还是应用亏钱？
奕波
应用亏钱，比如Alpha派是用不起Claude的，他只能用DeepSeek。我找朋友了解过，用Claude是亏钱的，用GPT可能稍微少亏一点，用国内模型是挣钱的。所以你比如说像Cursor，创业公司做编程的，20亿美金，它可以分开定价。
韦华
为什么？
奕波
因为太贵了，十几倍的价格。
韦华
你比我有钱十几倍，你就应该用十几倍的价格，才能显示你的身份。
奕波
理论上可以，但我感觉国内可能没有付费空间。我们个人用是订阅的，订阅价格大概是API的1-20%；但是当你变成一个机构，要把这东西给别人用，你的成本就是我的20倍。比如我现在一个月100美金的订阅，对应API就是2000美金，2000美金就是1万多块钱一个月，这付费标准就非常高，必须要下游足够高价值，你才能用得起。所以国内这个场景就受限，海外你看大家都抢着、求着、跪着去买Anthropic的token。
韦华
这也是一个区别。以后公司招人，都要用token吸引——给你多少Claude的代币。
总结：四大原则
▲ 四大原则（1）
奕波
总结来说，有四大原则
第一，理解自己的工作流，这是绝对的关键。你要把它拆解，然后在每个环节再去想，哪些能交给AI。因为你不拆，AI没办法端到端，你就会觉得它太蠢了。
第二，MVP，先用一个最小的架构跑起来再说。不要想着一上来就弄一个很复杂很牛、一次性搞1万只股票的，那不行，绝对会卡死。
第三，AI First，想到就用AI去做。不要再说“我不懂、我不会、我不知道”，你不懂、不知道的，AI都知道，你问它就行了。
第四，反馈系统，你要给AI反馈，AI也给你反馈，让它形成一个闭环、不断改。编程为什么能跑通？因为它反馈太明确了，程序能运行就是能运行，不能运行就 debug。
▲ 四大原则（2）
“开放”与价值投资
樊帅
所以价值投资最大的问题就在这，它的反馈系统太慢了，而且反馈也很复杂。
韦华
很复杂啥意思？
樊帅
一般投资反馈就是涨没涨、股价收益好不好，对吧？如果我们把过程缩减，不要等那么长时间来用股价反馈的话，反馈本身就很复杂——中间你怎么定义跟踪的对错、基本面判断的成功或失败？这是一个很复杂的判断，没有特别明确的判断标准。
奕波
投资我觉得确实就是这样。
韦华
非常有启发，四大原则：拆解你的工作流；MVP 原则，只要能运行，用最小的方式启动；第三个我觉得很哲学，AI First；第四个反馈系统。
奕波
还有最重要的一条，对AI要开放。不要说AI是泡沫就不看，是泡沫你也可以看一看。
韦华
你干嘛看着我说？
奕波
哈哈哈。
韦华
我们听众里虽然价值投资者比较多，但并不代表价值投资者不看AI。其实按价值投资的原则，价值投资者一定会看AI。你知道伯克希尔最近也增持了 100亿股票谷歌吗？
奕波
是的，这是与时俱进的。
韦华
你要把价值投资者跟“老登”分开来。
奕波
我是说不要以那个为借口，“我是价值投资，所以我不看”，有很多人是这么说的，我觉得不合适。我不是抨击价值投资者，我是说不应该成为某些人的挡箭牌。
韦华
对，我觉得这是一个非常值得反思必要的问题。你那篇文章太火了，好几个人转给我，我都想不通，“什么意思？为什么要转给我？我是个AI拥抱者啊！”。
把不想干的活丢给 AI
樊帅
AI确实可以帮助我们提高效率。像刚才提到的估值模型的问题、跟踪琐碎信息整理的问题。做这些事情时你投入的不只是时间，还有你一天最强的精力点。
奕波
是的。
樊帅
你能把这种消耗转移，就可以把最旺盛的精力放在更重要的问题上去。
奕波
这也是AI很强大的地方，把杂活、不想干的活给他干。我觉得这是最好的起点，啥事你干的特别烦、不想干，你就给它干。其实你想干的活也可以给他干，它可能干得比你更好。但让他干杂活，你会很有成就感，因为你很讨厌干这个活。比如说“XXX 为什么今天涨了”。
韦华
这种问题不需要让它干，是浪费token，这种问题在我们眼里就不该问。
樊帅
那是因为你们老板不问。
彩蛋：闲聊和问答
Mac 和 Windows 上构建 AI 投研智能体有啥区别？
樊帅
搭建这样的智能体，Windows和Mac这种硬件底层会有很大差别吗？
奕波
没有本质差别。Windows会报错多一点，它那个编码好像有问题，要再改一下格式，所以有时候会报错。Mac报错次数会少一点。但没关系，也可以自己修。我原来用Windows，换Mac是因为Windows太吵了。
樊帅
吵也是个很重要的差别。
韦华
得让小豆花生活在一个安静的环境里。
奕波
我家里有个Mac mini，每天给我推送日报到我的Telegram上面，我就可以直接看了，不用打开邮箱了。类似这种定期推送的话，电脑是不能关的，Mac mini是最好的，省电、省钱。
第一次亲密接触AI投研智能体的时间和过程
樊帅
你第一次开始搭智能体、走第一步，是什么时候？
奕波
去年的12月底，其实也就半年时间。
樊帅
跳变点在哪？
奕波
Claude 4.5 模型的出现，大概是去年10月份的时候。在那之前我就想用AI，其实我一开始只是想让他帮我做跟踪，因为我觉得跟踪太烦了。当时我去问我一个在百度工作的同学，他是程序员，他推荐vibe coding。我问他是用什么 Cursor 之类的吗？他说他现在都用Claude Code了，我说 Claude Code 是什么东西？他说你去看一下，还给我推送了一个链接。
一开始我还是用中转站，不是自己订阅，那时候中转站还没被封。上手一用，我说“我靠，这日报写得好”，之后我就直接看Claude写的日报，所有股票的涨跌我大概直接都有个概念了。这个对海外股票更适合，因为海外的公开信息质量更高。国内的，你要接入一些贴吧、券商纪要的API，去找这些原因。
奕波
所以最开始的痛点就是这个。很重要的一点是要有痛点，你有一个强烈需要的东西。
韦华
所以你要感谢你的老板让你做日报。
奕波
只是我不喜欢跟踪，我又想理解每天发生的什么事情、股价的涨跌，所以我就用它来做。
奕波
这点其实很重要。很多人为什么 AI 对他没有影响呢？因为他自己就是老板，他不知道要这样干啥。一般都是说老板让你做这个，然后作为牛马你要偷懒，自然就会想用 AI，你觉得自己赚到了。
樊帅
上次小黑给我讲个故事说，我们程序员现在怎么工作，就约个咖啡馆，两个人喝咖啡，旁边让 Claude Code 跑就好了。这是最好的一种工作。
奕波
所以现在第一批迫切使用他的，肯定是从里面能吃到甜头、能解决他工作和生活里最大问题的人。
AI 提升效率会不会让你工作更轻松？
韦华
那AI提升了你的效率，是不是你就可以有更多时间去玩？
奕波
不可能。我现在每天都12点都不想睡觉，
韦华
杰文斯悖论。
奕波
绝对是这样。就跟你玩游戏，原来你只能打一个5级的 boss，这时候突然给了你一个神兵，你会说OK。但我把这5级boss一刀砍死就睡觉了吗？肯定不是，你会拿这个神兵去砍5个50级的boss，然后你一直砍砍砍。
韦华
你是不是还在兴奋期？会不会这个时期会很快过去？
奕波
也有可能。但是游戏还是变得很快，所以反正就持续地用呗。
韦华
老板还怕说你用了AI之后偷懒就喝咖啡去了，没想到让你更努力工作了。
奕波
我觉得就是两种，一种用了你很兴奋，你会狂用；还有一种就是你就不用。中间态的，可能不是自己搭建这套系统。
因为有个兴奋点是，你可以说它是我的产品。我作为一个研究员，或者我原来纯学金融的，从来没有机会去创造一个东西，都只是完成一个被布置的任务。
韦华
那你有没有开始尝试着用它写什么代码，做一个 App或者小软件？
奕波
可以做啊，我有同事做，但我就是写我的 GitHub。我觉得我还是没有这个需求。
樊帅
你的需求在你自己的系统里就完成了，没有必要再去做一个对外的。
对于伟大企业家的研究：AI 帮你“做深”
奕波
我还有个思考，如果你是那种非常重视管理层、长期陪伴公司的，AI“做广”对你来说没有意义，当然可以作为参考。但它可以帮你“做深”。比如黄仁勋的生平、小时候是干啥的，你肯定要找很多资料。再比如我公众号最近写几篇复盘电气化、铁路的那些文章，它直接帮我找到1929年的股价，那是在论文里才有的、未公开数据；它帮我去读那篇复盘1929年的论文里面的数据，摘出来，再帮我把复权拆开，我才知道1929年的股市是什么样子的。如果没有AI，我自己去做这个事，要花多长时间？
复盘这事不管你是价值投资还是其他方式，都同样适用。所以跟你炒不炒AI股票没关系，这是一种工作方式，它能放大你的能力。
你的判断、审美更重要
韦华
我其实觉得AI将来会有更多一手的信息，比如通过卫星图像，它会先拍到哪里的农产品出现问题。
奕波
海外的对冲基金就已经这么做了，用卫星去看什么油从哪走、车场利用率，根据某个地方晚上开灯的频率判断，比如每天去看腾讯大楼几点下班。这些 方面，AI能更早地掌握信息。关键是数据源。
但哪些数据更重要，是需要你去判断的，这可以说是审美，品位，或者另一个维度上的经验。到底什么东西是好的、什么是好的股票、什么是好公司，目前AI还是没有办法知道的。
这么多牛的东西都是开源的，对吧？播客里黄仁勋说的绝对都是实话，马斯克他也没必要给你藏着掖着，都告诉你了，但大家就是有些人信、有些人不信。有些人会说黄仁勋他只是为了卖他的机柜，所以才说一定要放开对中国的限制，他只是担心竞争。这是每个人自己的认识。
我就算告诉你一个非常牛的股票代码，你也不一定买；买了不一定重仓；重仓了也不一定拿得住。所以其实都是基于你自己的认识，最后做的决策都是你自己负责的，这就是区别。所有公开的信息全都是这样。
播客是超高质量的，在海外你能去跟黄仁勋聊两小时吗？他不会，对吧？播客里人家问问题的水平还比你高。所以信息都是一样的，我觉得更关键的是，你怎么样基于同样的信息，做出一个更有价值的判断，是不是更前瞻，那个就是你的品位，或者是你的能力所在，AI现在还没办法完成。
韦华
哪一天他如果完成了，那这行业就不存在了。
奕波
也有可能。就比如说现在Anthropic的研究员，他们觉得自己的职业生涯还有一两年的时间——他们是训练模型的，但Anthropic 马上能够自己训练自己了（self-play），他们反而是最焦虑的。他们现在应该是全球工资最高的一帮年轻人，都觉得自己可能要被替代。所以就看什么时候你的场景会被打通，但有可能打通了之后，还会有别的行业出现。关键还是在于你自己的审美和能力。
韦华
所以现在要多培养小朋友的审美，我的审美已经定型了。
每天消耗多少 token？用中转站还是直接账户
韦华
你每天写的这些日报，token消耗大概是什么水平？
奕波
一个日报大概20万token。
韦华
用什么API中转？
奕波
我就是订阅，100刀。
韦华
有钱，100 刀。
奕波
现在这个情况是，你只要能订阅到，绝对是赚到了。你用得越多，绝对赚得越多，哪怕不是从钱上。
韦华
the more you buy, the more you make。
奕波
对，真的，这个ROI绝对是超级高的。比如说，我可以选择我不研究任何公司，一个小时把今天的工作干完了回家，也可以，去看书或者干嘛都可以。因为原来需要一天才能写出一个很快速的报告（就是定性的），现在5分钟。
韦华
我听到很多经管人跟我反馈，AI之后他们非常累，因为下面的研究员出东西的速度非常快，他们当老板非常累。
奕波
这个问题就在于你得做筛选。比如，我也会扫描很多公司，但大量的公司我一看就直接pass。
韦华
老板也可以用AI读啊。
奕波
对。最后的瓶颈是啥呢？
韦华
瓶颈就是老板的兴趣吸收能力？或者决策？老板的算力？
奕波
老板的带宽。如果他没有把自己做成一个平台让别人去管，那就是他的算力。所以做减法是非常重要的，你的注意力是稀缺的。这个做减法对应到你的审美，你的审美很差，你看所有股票都是牛股，就算你有个AI式的、100万token的脑子，但完全没有任何理智，肯定也选不出来牛的股票。
哪个研究员一天给我推10只股票，他的权重就是十分之一；有的可能一天给我推一只，权重就高一些。我的产量很低，几个月才出一只股票。
樊帅
感谢奕波的分享。听完今天的内容，相信不管是AI投研老手还是新手，应该都能收获很多。如果大家还想进一步汲取更多精神食粮，欢迎大家关注奕波的公众号“奔波儿r”，还有刚刚我们提到的GitHub仓库。欢迎大家继续挖掘、继续学习，搭建一个自己的AI agent工作助手。
韦华
我们今天就到这里。再次感谢奕波来到我们这里分享，非常精彩。