1. 从"看反面"说起：这个skill到底在解决什么问题

大多数人用AI做投资分析，习惯是"帮我看看这家公司怎么样"。这个问题本身就带着陷阱——你问的是"怎么样"，AI大概率会顺着你的语气给你一堆看多的理由。这不是AI的问题，是提问结构的问题。我自己在这个坑里待了挺久，早期用AI辅助看财报、看行业，输出看着挺专业，但事后复盘发现，它给的结论和我潜意识里想要的答案高度重合，等于花钱买了个回音壁。

这个skill的核心思路，是把"看多"这个默认方向强行掰过来，先逼着AI站在反面找证据，再让四个不同视角的"大师"各自独立发言。听起来有点玄，但拆开看其实是很朴素的认知纠偏机制。它的价值不在于AI能预测涨跌——没有任何工具能做到这个——而在于它能帮你把"我可能忽略了什么"这件事系统化。

适合谁用？三类人。第一类是有一定投资经验、但容易陷入确认偏误的老手，你需要一个唱反调的角色；第二类是刚入门、还没形成自己分析框架的新手，你需要看到同一个标的不同维度的拆解方式；第三类是做行业研究、写分析报告的人，你需要快速生成多角度的质疑清单。不适合谁？指望AI直接告诉你买什么卖什么的人，这个skill给不了你答案，它给的是问题。

关键词里提到的"skill""指令""AI agent"这些概念，本质上说的是一件事：把一套结构化的思考流程，固化成一个可复用的提示词模板。你不需要每次都重新想"我该怎么问"，而是调用这个skill，把标的丢进去，让它按既定框架跑一遍。下面我会把这个skill的完整逻辑、四大师视角的具体分工、实操指令的写法，以及我自己跑了几十次之后总结的坑，全部摊开讲。

2. 反面视角为什么必须放在第一位

2.1 确认偏误是投资分析的头号敌人

先讲个我自己的真实经历。前两年我看一个消费类的标的，基本面数据不错，行业增速也可以，我自己心里已经倾向于"这是个好机会"。然后我去问AI，AI给我的回答洋洋洒洒列了七八条利好，我当时觉得"你看，AI也这么认为"。后来这个标的的表现并不好，我回头翻当时的对话记录，发现AI其实在最后提了一句"需注意行业竞争加剧的风险"，但这句话被我自己忽略了——因为我问的方式就是"帮我分析一下它的优势"。

这就是确认偏误的典型表现：你不是在寻找真相，你是在寻找认同。而AI作为一个高度顺从的工具，天然倾向于配合你的预设。你问优势，它就找优势；你问风险，它就找风险。问题在于，大多数人下意识问的都是前者。

所以这个skill把"看反面"放在第一步，不是随便排的顺序。它的逻辑是：在你还没有被看多逻辑锚定之前，先强制生成一份"如果这个投资决策是错的，最可能错在哪里"的清单。这份清单不需要全对，哪怕十条里只有两条是你之前没想到的，它的价值就已经体现了。

2.2 反面视角的具体生成方式

实操中，反面视角不是简单地说"帮我找风险"，这样问出来的东西太泛。有效的反面视角需要满足三个条件：具体、可验证、有触发条件。

具体，是指不能停留在"宏观经济下行风险"这种正确的废话层面，而要落到"该公司前五大客户占比超过60%，如果第一大客户流失，营收将直接下降X%"这种颗粒度。可验证，是指这个风险点你能通过公开信息去查证或跟踪，而不是一个无法证伪的猜测。有触发条件，是指你要知道"什么信号出现时，这个风险开始变成现实"。

我在指令里通常这样写：

请以"这个投资决策最终被证明是错误的"为前提， 列出最可能导致错误的5个具体原因。 每个原因需包含： 1. 风险描述（具体到数据或事件） 2. 验证方式（我可以通过什么公开信息跟踪） 3. 触发信号（出现什么情况说明风险正在兑现） 4. 如果风险兑现，对投资逻辑的破坏程度（致命/严重/可控）

这个指令的关键在于第一句——"以这个投资决策最终被证明是错误的为前提"。这是一个强制性的视角切换，它不给AI留"但是总体来看还是不错的"这种和稀泥的空间。实测下来，加了这句话之后，输出的风险清单质量明显高于直接问"有什么风险"。

注意：反面视角不是让你放弃投资，而是让你在持有之前就知道自己可能错在哪里。如果你看完风险清单觉得"这些我都能接受"，那反而说明你的决策是经过检验的。

2.3 一个容易踩的坑：反面视角不等于唱空

我早期用这个skill的时候，有个误区——把"看反面"理解成了"找一切理由证明它不行"。结果AI输出了一堆牵强的负面因素，有些明显是过度解读。后来我调整了指令，加了一个约束："只列出有实质证据支撑的风险，不要为了凑数而编造担忧。"

这个约束很重要。因为AI在被要求"找反面"的时候，如果缺乏证据约束，它会倾向于把任何一个小问题放大成重大风险，以完成你交给它的任务。这跟前面说的"你问优势它就找优势"是同一个机制，只是方向反过来了。所以反面视角的质量，取决于你是否给了它"证据门槛"。

3. 四大师视角的分工逻辑与各自盲区

3.1 为什么是四个视角，而不是一个"全能分析师"

单一视角的问题在于，任何一套分析框架都有它的盲区。价值投资者看估值和护城河，但可能忽略行业周期；成长投资者看增速和空间，但可能忽略估值泡沫；宏观视角看利率和流动性，但可能忽略公司层面的执行力；逆向投资者看市场情绪和预期差，但可能忽略基本面确实在恶化的事实。

四个视角同时跑，不是为了得到一个"综合评分"，而是为了让你看到不同框架下的结论冲突。冲突本身就是信息。如果四个视角都指向同一个方向，那说明这个标的的特征非常鲜明；如果四个视角结论打架，那说明这个标的的某些维度存在不确定性，你需要自己去判断哪个框架更适合当前的场景。

3.2 四个视角各自该问什么

我在指令里给四个视角分别设定了不同的提问模板，每个模板的侧重点完全不同：

每个视角的输出要求也不一样。价值视角要求给出具体的估值区间和计算逻辑；成长视角要求给出增长驱动因素的拆解和可持续性判断；宏观视角要求说明传导链条——从宏观变量到公司业绩之间的逻辑路径；逆向视角要求明确指出"当前市场在定价什么预期"，以及这个预期可能错在哪里。

3.3 四大师视角的实操指令写法

把四个视角放在同一个指令里跑，还是分开跑？我两种都试过。分开跑的好处是每个视角的输出更深入，因为AI的注意力不会被分散；坏处是你要跑四次，而且四个输出之间可能缺乏对照。放在一起跑的好处是一次性拿到四个视角的对比，坏处是每个视角的深度会打折扣。

我目前的用法是：第一轮分开跑，每个视角单独一个对话，确保深度；第二轮把四个输出汇总，让AI做一个"视角冲突分析"，专门找四个视角之间结论矛盾的地方。这个第二轮往往是最有价值的，因为它逼着你去面对"为什么不同框架给出了不同答案"这个问题。

具体的指令模板，以价值视角为例：

你是一位严格遵循价值投资框架的分析师。 请对[标的名称]进行价值视角分析，要求： 1. 计算当前估值水平（PE、PB、EV/EBITDA），并与过去5年历史区间对比 2. 估算内在价值区间，说明你使用的估值方法和关键假设 3. 判断当前价格是否提供安全边际，如果是，边际有多大 4. 指出你的分析中最不确定的一个假设是什么 第4点很重要——它迫使AI暴露自己分析中最薄弱的环节。

其他三个视角的模板结构类似，只是把估值方法换成对应的分析框架。这里不逐一展开，核心思路是一样的：每个视角都要有明确的输出结构，并且强制要求AI指出自己分析中最不确定的地方。

4. 把skill串起来：完整指令的组装与调试

4.1 完整指令的结构

前面分别讲了反面视角和四大师视角，现在把它们串成一个完整的skill。整体结构分四段：

第一段是角色设定和任务说明。告诉AI它要做什么，输出格式是什么。第二段是反面视角的生成。第三段是四大师视角的分别分析。第四段是冲突汇总，要求AI指出四个视角之间的矛盾点，以及反面视角中哪些风险是四个大师都没有覆盖到的。

这里有个细节：第四段的冲突汇总，我要求AI用表格形式输出，每一行是一个"冲突点"，列出"哪些视角持正面看法""哪些视角持负面看法""冲突的核心分歧是什么"。表格形式比纯文字更直观，一眼就能看出分歧在哪里。

4.2 调试过程中发现的三个问题

第一个问题：AI倾向于在四个视角之间"和稀泥"。比如价值视角说估值偏高，成长视角说增长能消化估值，AI在汇总的时候会说"综合来看，各有道理"。这种汇总没有价值。我的解决办法是在指令里明确写："不要试图调和不同视角之间的矛盾，矛盾本身就是分析结果的一部分。你的任务是呈现矛盾，不是解决矛盾。"

第二个问题：反面视角和四大师视角之间有重叠。比如反面视角提到的"估值过高风险"，价值视角也会提到。这本身不是问题，但如果完全重叠，说明反面视角没有提供增量信息。我在指令里加了一条："反面视角应优先关注四个大师视角可能忽略的风险，比如操作性风险、治理风险、黑天鹅事件等。"

第三个问题：输出太长。四个视角加反面视角加冲突汇总，一次输出动辄三四千字，读起来很累。后来我调整了每个视角的字数上限，要求每个视角的核心结论不超过300字，详细论证放在后面。这样先看结论，有兴趣再深入细节。

4.3 一个可直接复用的指令框架

下面是我目前使用的一个精简版指令框架，你可以直接复制修改：

角色：你是一位多框架投资分析助手。 任务：对[标的名称]进行反面视角和四大师视角分析。 第一部分：反面视角 以"这个投资决策最终被证明是错误的"为前提， 列出5个最可能导致错误的原因。 每个原因包含：风险描述、验证方式、触发信号、破坏程度。 第二部分：四大师视角 分别从价值、成长、宏观、逆向四个视角分析该标的。 每个视角输出： - 核心结论（不超过300字） - 关键支撑论据（3条以内） - 该视角下最不确定的假设 第三部分：冲突汇总 用表格列出四个视角之间的主要分歧点。 指出反面视角中哪些风险是四个大师视角未覆盖的。 不要调和矛盾，直接呈现分歧。 约束： - 所有风险必须有实质证据支撑，不要凑数 - 每个视角必须指出自己最不确定的假设 - 总输出控制在2000字以内

这个框架我跑了大概几十次，覆盖了不同行业和不同市值的标的。整体来说，它在"帮你看到自己没想到的角度"这件事上是有效的。但它不能替代你自己的判断，也不能替代一手信息的获取。它只是一个思考的脚手架。

5. 实测中暴露的局限与应对方式

5.1 AI的数据时效性问题

这是最硬的一个局限。AI的训练数据有截止日期，对于最新的财报、最新的行业数据、最新的政策变化，它可能一无所知。我遇到过好几次，AI引用的还是上一年的数据，但公司已经发了新的季报。

应对方式很简单：在指令里把最新数据喂给它。我通常会把最近一期的关键财务数据、最近的重大公告、行业的最新变化，作为背景信息贴在指令前面。这样AI的分析就基于最新信息，而不是它训练时的旧数据。

但这里有个新的坑：你喂给它的数据本身可能有选择性。如果你只贴了利好数据，那AI的分析还是会偏。所以我在贴数据的时候，会刻意把利空数据也放进去，比如营收下滑的季度、毛利率下降的趋势、管理层变动的公告等。

5.2 四大师视角的"表演性"

跑多了之后你会发现，AI对四个视角的演绎有时候像是在"表演"——它知道价值投资者应该说什么，成长投资者应该说什么，所以它就按刻板印象输出。比如价值视角一定会提估值和安全边际，成长视角一定会提TAM和渗透率。这种输出不能算错，但缺乏真正的洞察。

我的应对方式是：在指令里加入"反刻板印象"的要求。比如要求价值视角"不要只谈估值，谈谈这个生意本身的质量"；要求成长视角"不要只谈增长空间，谈谈增长的确定性来自哪里"。这个调整之后，输出的质量有明显提升，因为AI被迫跳出模板化的框架。

5.3 这个skill不适合什么场景

说几个我试过但不适合的场景。第一，短线交易。这个skill的分析周期是中长期，对于几天内的价格波动没有参考价值。第二，缺乏公开信息的标的。如果一家公司信息很少，AI的分析基本靠编，没有意义。第三，你已经有非常明确的投资框架和丰富经验的情况。这时候skill提供的多视角分析，可能还不如你自己的判断准确。

提示：这个skill的定位是"思考的脚手架"，不是"决策的替代品"。它的价值在于帮你系统化地看到不同角度，而不是告诉你该怎么做。

6. 从skill到习惯：怎么把这个框架内化成自己的

6.1 从"跑指令"到"跑思维"

用了一段时间之后，我发现最大的收获不是AI的输出本身，而是这套框架慢慢变成了我自己的思考习惯。现在我看任何一个标的，会下意识地问自己：如果我是错的，最可能错在哪里？价值视角会怎么看？成长视角会怎么看？这种思维习惯的形成，比任何一次具体的分析输出都更有价值。

这也是我觉得这个skill值得分享的原因。它不是给你一个答案，而是给你一套提问的方式。而投资这件事，提问的质量往往比答案的质量更重要。

6.2 建立自己的"反面清单"模板

跑了几十次之后，我总结出了一份通用的反面风险清单模板，覆盖了大多数标的都可能面临的几类风险：客户集中度风险、供应链风险、监管风险、技术替代风险、管理层风险、估值风险、流动性风险、竞争格局恶化风险。每次分析新标的的时候，我会先拿这份清单过一遍，看看哪些适用，哪些不适用。不适用的划掉，适用的让AI深入分析。

这个模板的好处是，它防止你遗漏大类风险。AI再聪明，如果你不问，它也不一定会主动提。有了这份清单，你就有了一个兜底机制。

6.3 定期复盘skill的输出质量

我有个习惯，每隔一段时间会回头翻之前跑过的分析，看看当时AI提示的风险后来有没有兑现，当时四个视角的结论哪个更接近实际走势。这个复盘不是为了评价AI准不准，而是为了校准我自己对不同视角的权重分配。比如如果我发现宏观视角在某个行业上反复出错，那下次看这个行业的时候，我就会降低宏观视角的权重。

这个复盘过程本身，就是对自己分析框架的持续打磨。AI在这里扮演的角色，是一个可以无限次陪你练习的陪练，而不是一个替你上场的选手。

最后分享一个我在实操中觉得最有用的心得：每次跑完这个skill，不要急着看结论，先看"最不确定的假设"那一栏。四个视角各自最不确定的假设放在一起，往往就是这笔投资最核心的变量。如果你能对这些假设有比市场更准确的判断，那你的超额收益就来自这里。如果判断不了，那至少你知道自己在赌什么。