1. 先想清楚：AI投研到底解决的是"感觉"还是"麻烦"

做AI投资实战这几年，我自己最大的转变不是赚了多少钱，而是终于敢翻自己过去的交易记录了。翻完之后一统计，真的很扎心：凡是拍脑袋买的，基本都亏；凡是花了两天研究、把逻辑白纸黑字写下来的，至少拿得住。所以我一直觉得，个人投研系统这个事，核心价值不在"预测涨跌"，而在把投资这件事从"靠感觉"逐步搬到"有依据"的轨道上来。

这篇文章，我不打算讲什么玄乎的量化策略，就讲一个普通个人投资者，如何用大模型、知识库、一套顺手的工作流，把散落四处的碎片信息，整理成一套可查询、可追溯、可验证的投研闭环。你不需要会写代码，不需要有金融背景，只要你愿意花一个周末把流程搭起来，后面每天只需要花十几分钟维护。适合谁看？适合那种不想再被消息面牵着走、不想在恐慌和贪婪之间反复横跳、真心想把自己研究过程沉淀下来的投资者。

1.1 "靠感觉"最大的问题不是没依据，是没记录

我知道很多人一听"靠感觉"就嗤之以鼻，但说实话，散户的很多决策本质上都是感觉驱动。今天看到一个利好新闻，感觉要涨，买；明天看到一根大阴线，感觉要完，卖。问题是，这些"感觉"完全没有被记录、被校验过。

我2021年就干过一件特别蠢的事。当时某赛道连续涨停，我信誓旦旦跟朋友说"这个位置是黄金坑"，结果一个月后回撤30%。后来我翻聊天记录，发现自己当时给的理由其实只有一句"走势很强"。没有估值数据、没有业绩对照、没有风险预案，这就是典型的用感觉替代依据。

更隐蔽的问题是，人脑会美化记忆。你三个月前觉得"要回调"，如果市场真的回调了，你会觉得自己神机妙算；如果没回调，你转头就忘了自己说过这话。AI帮不了你预测，但它能帮你把每个判断、每一条依据、每一次事后检验都存下来。有了记录，你才知道自己到底有几斤几两，才知道哪类判断是靠谱的、哪类判断纯粹是情绪噪音。

1.2 AI不是帮你猜涨跌，是帮你把"依据"摆上桌

这里必须先泼一盆冷水：任何告诉你"AI能精准预测股价"的人，要么不懂AI，要么不懂投资。大模型的本质是语言理解和信息组织，它没有水晶球。但我用了大半年之后发现，它在个人投研里有一个不可替代的位置——一个不知疲倦、不带情绪、记忆力超强的研究助理。

你让它盯500家公司的公告，它不会累；你让它把某家公司最近五年的分红记录全部拉出来整理成一张表，它不会烦；你让它根据你定好的规则扫描风险信号，它不会因为"这只股票自己很喜欢"就手下留情。这就是"有依据"的第一层含义：把大量低门槛但耗时的信息整理工作自动化。

第二层含义是"可证伪"。AI给你一个结论时，你可以要求它必须附带证据来源；你的每个投资假设，都可以在系统里设置成"待验证"状态，等下一个季度财报出来再回头检验。这一套机制，本质上就是在对抗散户最容易犯的确认偏误——你只会看到支持自己想法的信息，而对反面证据视而不见。

2. 个人投研系统的四层架构：从数据到决策

想清楚目标之后，再说怎么搭。我比较推荐把整个系统拆成四层：信息接入、数据组织、分析引擎、决策支持。每一层解决一类具体问题，层与层之间职责清晰，后面出问题了也好排查。

2.1 信息接入层：让公告和新闻主动来找你

个人投资者最大的时间黑洞，就是信息获取。我见过不少人，每天花两三个小时刷各种资讯 App，刷完之后脑子里只剩一堆碎片。真正有效的做法是反过来的：把信息源固定住，让系统每天定时去抓取，然后只把"和你自选清单相关"的消息推给你。

具体做法可以分两步。第一步是订阅制信息源管理，把核心渠道列成一个白名单：交易所官方公告、公司投资者关系页面、行业协会动态、几个口碑比较好的深度研究来源。第二步是定时抓取，能用官方 RSS 就用 RSS，能导出 CSV 就导出 CSV，少依赖那种靠算法推荐的新闻流，因为算法推荐会放大情绪，而不是帮你接近事实。

这一层我不建议大家一开始就追求"全"。信息不是越多越好，是越准越好。我实测下来，50家公司以内的自选池，每天真正值得看的增量信息通常不超过20条。把这20条处理干净，效果远好于被动吸入上千条噪音。

2.2 数据组织层：让AI记住你关心的每一家公司

接入层解决"有没有"的问题，组织层解决"找不找得到"的问题。很多人的知识管理习惯是下载 PDF 丢文件夹、收藏文章吃灰，等真要用的时候，根本想不起来自己看过什么。这样AI再强也帮不上忙，因为它没有可检索的结构化记忆。

我的做法是给每家公司建一份"企业档案"，固定包含几个字段：公司名称与代码、所属行业、跟踪起始时间、核心投资逻辑（当初为什么关注它）、关键财务指标趋势、历史事件时间线、当前关注问题。这套档案就是AI的知识库底座。后续所有新资料进来，都会先归档到对应公司的档案下，打上标签和时间戳，再做摘要。

这一步做扎实之后，AI才能在你问"这家公司为什么值得关注"时，把三个月前的原始逻辑原封不动调出来，而不是靠训练数据里的过期信息瞎编。记住一句话：RAG（检索增强生成）时代，AI的输出质量，上限取决于你的知识库质量。垃圾进，垃圾出，这条铁律在投研场景里会体现得格外残酷。

2.3 分析引擎层：从"资料堆"到"结构化报告"

资料归档整齐了，接下来就是让AI产出结构化内容。我系统里跑的最多的，是三类报告：财报速览、事件影响评估、估值情景分析。每一类都有固定模板。

比如财报速览，模板固定为六个模块：关键财务数据表（营收、净利润、毛利率、经营现金流、资产负债率）、同比环比变化、和上一份财报相比的异常点、管理层讨论摘要、风险提示、下季度跟踪指标。模板的意义在于，它逼着AI每次都把视角对齐，这样你横向对比不同公司、不同季度时，才不会漏项。

这一步是最能体现"有依据"的环节。因为我在提示词里强制要求：所有数字必须引用原始来源的段落，不允许只给结论不给证据；如果数据缺失，要明确说"缺失"，而不是用估算值糊弄。这么设计之后，AI产出的每一份报告，本质上都是一份带引用的研究笔记，而不是一段漂亮但无法核验的叙述。

2.4 决策支持层：AI只当裁判，不当教练

最后一层，也是很多人容易走偏的一层。我的原则是：AI可以当裁判，给你摆事实、列规则、指风险，但绝对不让它当教练，替你喊"买"或者"卖"。

决策支持层的核心是一张动态的投资检查清单。清单上的每一条，都是你自己事先定义好的规则，比如"单只股票仓位不超过总资金20%""市盈率高于历史80%分位时不追高""连续两个季度经营现金流为负时自动标红"等等。AI在这个环节做的事，是把你当下的某个投资想法，拿去和清单逐条比对，输出一张"规则命中情况表"。

这个设计有一个心理学上的巧妙作用。当你想追一只股票时，让你自己一条条对照规则，你很容易给自己找借口；但让AI冷冰冰地列出来"这条违反了你的第三条规则"，你就很难装看不见了。它把"和自己的内心辩论"变成了"和系统里的规则辩论"，情绪浓度大大降低。

3. 落地实操：按这个顺序搭，半天就能跑起来

讲完架构，很多人会觉得工程量大。其实真落地起来没有想象中复杂。我给自己的学员反复强调一个原则：先跑通，再优化。不要一开始就追求完美系统，先用最简单的工具把闭环跑起来，后面再逐步加模块。

3.1 工具选型逻辑：为什么是这个组合

市面上的方案大概有四类，我列个表直接对比一下：

我个人推荐第三类，也就是大模型API加本地知识库。理由很直接：通用大模型聊天窗口最大的问题是"记忆"太差，你今天问完，明天它什么都不记得，每次都要重新交代背景，根本形不成积累。一体化平台虽然省事，但它的数据规则、提示词策略都是黑盒，你只能顺着它的逻辑走，很难把自己的投资体系嵌进去。本地知识库的好处是把数据所有权握在自己手里，AI只是随时调取和加工的角色。

前期如果完全没经验，可以先用一个折中方案：用一个笔记软件做知识库，AI负责在聊天里帮你整理，每次整理完手动把结构化结果粘回笔记。流程是笨一点，但能让先把"报告模板长什么样""数据字段需要哪些"想清楚，后面迁到自动化系统时就顺畅多了。

3.2 第一步：先圈定你的"能力圈清单"

我见过太多人搭系统时恨不得把全市场几千只股票都纳进来，结果就是系统臃肿、信息过载，最后弃用。正确做法是反过来，先做减法。

给自己圈一个30到50家的自选池，标准就两条：第一，你确实能理解这家公司靠什么赚钱；第二，你愿意未来至少一年持续跟踪它。每一家公司在系统里只保留一段"当初为什么关注"的逻辑陈述。这段陈述非常重要，它是以后所有判断的锚点。我自己的系统里，每家公司的档案第一行都是"关注理由"，后面所有事件、财报分析，都要定期回来对照这个理由是否仍然成立。

这一步看似简单，实际是整套系统里最难的一步。因为"你能理解它的商业模式"这个门槛，会自动帮你过滤掉90%的噪音票。能力圈小不可怕，可怕的是在一堆看不懂的公司里用AI强行研究，那是自欺欺人。

3.3 第二步：把研究资料按规则喂进去

自选池定好之后，就可以开始给系统投喂资料了。我一般按日频率维护：每天早上用抓取工具把前一天的公告、新闻汇总，过滤出和自选池相关的条目，让AI生成一句话摘要；每周做一次深度回顾，把当周重要资料归档进对应公司的知识库档案。

这里有一个很重要的细节：投喂资料之前要做清洗。AI最怕的不是资料少，而是资料乱。同一份公告如果被转述成三个版本的新闻，AI提取出来的数据就会有冲突，后面你根本不知道信谁。所以我的规则是：原始公告优先于媒体报道，一手数据优先于二手解读。凡是进入知识库的内容，都要打上"来源类型"标签，区分是公告原文、正规媒体报道还是个人分析。

资料投喂量也不用贪多。一家公司一个月能有两三份真正值得归档的资料，已经够了。你是在做投研沉淀，不是在攒硬盘容量。

3.4 第三步：把报告模板和提示词一起定死

这一步是整个系统能否长期用下去的关键。报告模板前面说过了，三类模板必须提前定好。提示词这块，我分享一个我用了很久的财报速览提示词骨架，你可以直接抄作业：

你是一名严谨的投研分析助手。请基于知识库中【公司名】的最新财报资料，按如下框架输出报告： 1. 关键财务数据表：列出营收、净利润、毛利率、经营现金流、资产负债率，并注明同比变化。 2. 异常点识别：对比上一报告期，指出变化幅度超过20%的科目，并引用原文作为证据。 3. 管理层观点摘要：归纳管理层对业绩变化的解释，注明哪些是事实、哪些是观点。 4. 风险提示：基于规则清单，列出本报告中命中"风险信号"的条目。 5. 跟踪指标：给出下一报告期需要重点验证的三项指标。 要求：所有结论必须附来源引用；数据缺失时明确标注"缺失"，不得推测。

这套提示词的要点在于"约束"。如果你不给AI立规则，它会写出一篇处处顺畅但处处没证据的漂亮文章。把引用、缺失标注、反方观点这些要求写死，AI的输出质量才会稳定到可以依赖的程度。

3.5 第四步：用一次完整复盘检验系统闭环

系统搭建完成之后，不要急着拿去分析新标的，先拿一家你已经跟踪很久的公司做一次完整复盘。把历史资料导进去，让AI生成过去四个季度的财报速览，再和你当时自己的判断做对比。

这一步极其有价值，你会发现两件事。一是系统帮你回忆起了大量你已经遗忘的细节，"原来这家公司上季度就预警过毛利率压力"；二是你会看到自己之前的判断哪些有依据、哪些也是拍脑袋，这种对比是建立"有依据"投资习惯最好的训练。

4. 核心模块拆解：财报、舆情、估值、风险

整个系统跑通之后，接下来就是把四个核心模块逐个做深。这四个模块对应了投研链条里最耗时的四块：财报解读、事件跟踪、估值判断、风险排雷。

4.1 财报拆解模块：让AI先读一遍，你再做判断

财报拆解我坚持一个原则：AI先做粗读和结构化，我做精读和判断。原因很简单，一份年报动辄上百页，里面最关键的信号往往藏在少数几个科目里。AI擅长的是快速梳理结构、找出异常科目、做同比环比对照；但"这个异常意味着什么"，需要结合你对行业和公司的理解来判断。

具体节奏是：财报发布后，先让AI出一份速览报告，把五项核心财务数据列成表格；然后我重点关注AI标注的"变化幅度超过20%"的科目；之后带着疑问去原文里核对关键段落。比如某家公司营收增长了30%，但经营现金流反而下滑了，这就值得警觉——说明利润可能停留在应收账款里，这属于典型的盈利质量信号。

这个模块用熟了以后，一家公司的财报初筛基本十分钟能完成。省下来的时间，我建议全部投到对"关键异常"的深挖上，而不是浪费在把数字抄来抄去上。

4.2 舆情事件模块：给新闻打上"影响路径"标签

舆情这块，很多人的误区是看多空的结论，比如"利好""利空"。但实际上，一条消息对一个公司的真实影响，取决于它作用的路径。AI在这个模块里做得最好的事，就是把新闻事件拆成"事件本身"和"影响路径"两步。

举个例子，某公司公告称"拟投资建设新产线"。粗暴的解读是"利好，要扩产了"。但让它走影响路径分析，AI会提示你考虑几个问题：投资资金来源是自有资金还是新增借款？建设周期多久？产能释放时行业供需格局预计如何？对短期现金流是压力还是改善？同样的公告，路径不同，性质完全不同。

我在系统里让AI把每条重要事件都输出成"事件定性+影响路径+关注时点"三段式笔记。事件定性用于归档分类，影响路径用于深度思考，关注时点则对应到下一个验证节点。这样一来，舆情从"今天的情绪刺激"变成了"持续的跟踪线索"。

4.3 估值区间模块：用情景表替代算命式目标价

估值模块是我踩过坑最多的地方。早期我也试图让AI算一个精确目标价，后来发现完全行不通——预测参数稍微变一下，结果能差出一倍。后来我换了一个思路：不让AI给一个点，而是让它给一个情景区间。

具体做法是设定三组参数：乐观情景、中性情景、保守情景，每组参数对应一组增长率和利润率假设，AI基于你的模型框架，输出三组估值区间。然后再结合当前市场价格，判断当前股价已经反映了哪种情景。

用情景表替代目标价，最大的价值是让你清楚地知道：你买入一只股票，实际是在为哪种情景买单。如果你在保守情景下计算出来的估值都还低于现价，那就说明安全边际不足；如果你愿意为乐观情景付费，至少你是清醒地在为乐观付费，而不是稀里糊涂地以为自己是"理性价值投资"。

4.4 风险信号模块：把排雷规则交给系统盯

风险模块是最能体现"机器比人强"的地方。人盯风险最大的问题是注意力有限——你今天可能只盯着股价波动，完全没注意到这家公司的高管刚出现了密集减持、审计机构临时更换、大股东质押比例攀升这些关键信号。

我把风险规则预先定义成一棵信号树，分成几大类：财务风险（现金流连续恶化、应收账款异常增长、存货周转下降）、治理风险（审计意见变化、高管异常变动、关联交易激增）、市场风险（估值分位过高、股东减持、质押比例过高）。系统每天扫描知识库更新，任何一条规则被命中，就自动生成一条风险预警记录。

这套机制跑起来以后，最大的感受是安心。以前持仓里某家公司突然暴跌，我要花一个晚上查各种资料才知道发生了什么；现在系统会在事件链形成的第一时间把相关信号推给我，而我往往已经在几周前就看到了预警记录。这就是从"事后惊慌"到"事中有数"的本质区别。

5. 从信号到动作：让"检查清单"当最后一道闸门

分析做了一大堆，最终还是要落到动作上。这一章我想聊聊从分析到决策之间，最容易翻车的那一段路。

5.1 把规则写进系统，把情绪关在门外

我常跟人说一句话：不要在情绪上头的时候做决策，因为你肯定会后悔；但更有效的做法是，从一开始就让你根本没办法在情绪上头时轻松操作。

我的做法是把所有交易规则都写进系统，作为决策支持层的强制校验项。规则不用多，五六条就够了，但每一条都必须具体、可校验。比如"单日跌幅超过5%时，禁止当天做出加仓决定，必须等到次日重新评估"，再比如"市盈率进入历史最低20%分位之前，买入仓位不得超过总仓位的10%"。规则越具体，执行越没有模糊空间。

当系统把"你准备的操作"和"你定下的规则"同时摆在一张表上时，你会发现一个很残酷的事实：很多你兴致勃勃想做的操作，其实一上来就违规了。这个信号比任何行情分析都更能拦住你。

5.2 一次完整的决策模拟：证据如何推翻直觉

我讲一个真实发生在我系统里的例子，公司信息和细节我做了脱敏处理。某家公司那天公告了年度业绩，净利润同比下滑15%，但股价当日只跌了3%。我的第一反应是"跌得不多，是不是利空出尽，可以抄底"。

我没有直接操作，而是打开了系统里的检查清单。AI基于知识库给我输出了一份评估：第一，这家公司净利润下滑的主要原因是海外业务一次性减值，主营核心业务其实是增长的，这条算中性偏正面；第二，检查清单里的"经营现金流"规则被命中，因为该公司虽然账面盈利，但经营性现金流已经连续两个季度为负；第三，机构持仓数据显示，两家长期持仓基金在上个季度已经减仓。

看到这份评估之后，我彻底冷静了。账面盈利但现金流持续恶化，加上聪明钱在减仓，这些信号叠加起来，"利空出尽"这个感觉就站不住脚了。我保持观察，没有买入。三个月之后，该公司因应收账款问题被交易所问询，股价又跌了20%。这次经历让我彻底相信：感觉给你的只是"它可能行"的直觉，系统给你的才是一份经得起追问的证据链。

5.3 最终裁决权永远留在人手里

说了这么多系统的强大，但我必须强调一句：AI永远是辅助，最终决策必须是人来做，而且要是一个人。

原因有两个。一是AI会犯错，幻觉问题后面我会详细讲，它输出的任何结论都可能存在事实性错误，这个风险只能靠人来兜底。二是投资决策本质上是对未来的判断，而未来判断里有大量无法参数化的因素，比如公司的企业文化、管理层执行力、行业竞争格局的变化，这些很难完全量化，需要人来综合权衡。

所以我在系统里刻意做了一件事：AI给出的任何"建议"，都必须是以"证据+规则命中情况"的形式呈现，永远不允许它直接输出"建议买入"这类指令性内容。这套约束，是这个系统最大的安全阀。

6. 跑了五个月，这些坑我替你们踩过了

最后一部分，聊聊实操中的真实教训。网上讲AI投研的文章很多，但真正把自己踩过的坑写出来的不多。我挑几个最有代表性的，希望你能绕开。

6.1 幻觉问题：AI说"财报显示"的时候，先问来源

大模型幻觉在投研场景里是致命的。它可能在引用一串数字时，把不同年度的数据拼接到一起；也可能在回答你某个问题时，脑补出一个根本不存在的公告。我早期就被坑过一次：让AI总结某家公司三年的营收趋势，它把营收和净利润混在一起，生成了一张完全错误的对比表，我当时差点在这张表的基础上做决策。

解决方案其实不复杂：在提示词层面强制要求引用来源，并且重要数字必须二次核验。我现在给自己的硬规矩是，AI报告里的任何关键数字，如果我要基于它做决策，必须回原始财报里找到出处。这个习惯会让效率稍微降低一些，但正确率提升的幅度，绝对值回票价。工具永远是概率性的，你的校验流程才是确定性的保障。

6.2 数据源污染：错误数据比没有数据更可怕

有一段时间，我的系统频繁报警，说某公司经营性现金流大幅恶化。我反复核对了好几次，最后发现是知识库里混入了一条来源标注错误的旧新闻——那是一个自媒体号转述的"历史回顾"，把两年前的数据当成当期数据发了出来。系统忠诚地吃进了脏数据，然后忠诚地生成了错误警报。

这次经历让我对数据源做了彻底整改。现在的投喂规则有三条：第一，原始公告是第一优先级，自媒体解读必须降级；第二，任何二手数据都要标注原始来源链接，无出处的数据不允许进入知识库；第三，每周做一次知识库巡检，对数值类信息做交叉验证。这套流程防的不是AI，防的是自己偷懒——因为偷懒把脏数据喂进去的那一刻，系统就已经开始在做负功了。

6.3 别把系统做成"自动炒股机"

这个话题我必须多说几句。有些人把AI投研系统的目标理解成"让AI替我炒股"，这个方向非常危险。抛开合规问题不谈，从技术上说，大模型根本不具备连续交易决策的可靠性，它的输出有随机性，对实时价格的理解也远不如普通交易软件精确。真让AI直接触发交易，大概率会把你的本金变成学费。

我一直坚持的定位是：系统做研究，人做决策。AI负责把信息整理好、把风险标出来、把规则执行到位，但下单按钮永远在我的手里。这不仅仅是因为谨慎，更因为投资决策本身就是一个需要不断学习和进化的过程——如果完全交给系统，你就失去了对市场的体感，也就失去了成长的空间。研究可以外包给工具，成长没法外包。

6.4 最后留下的五个使用习惯

五个月实践下来，我给自己沉淀了五条使用习惯，也一并分享给你：

第一，每天固定时间看系统产出，而不是随时刷新。我固定在收盘后和睡前各看一次，避免盘中情绪干扰。第二，每份AI报告都要能回答"它依据的是什么"，回答不了的报告宁可不用。第三，每次决策后写一句"决策复盘"归档，一个月后回头看自己的判断准确率。第四，知识库里只留能进"能力圈清单"的公司资料，其他一律不碰，保持系统纯粹。第五，每月回顾一次规则清单，发现问题就修改，但修改必须记录理由，不让自己在情绪之下频繁改规则。

这五条习惯本身很简单，真正难的是持续执行。但只要你坚持下来，半年之后再回头看，你会发现自己的投资方式已经悄悄完成了从"靠感觉"到"有依据"的迁移。这套系统不会让你一夜暴富，它只会让你在每个决策时刻，面前都摆着一份清清楚楚的证据链，然后由你自己，冷静地按下那个按钮。