社区

前段时间，我给自己搭了一个 AI 投资研究搭子，名字叫“达子”。

它平时不在网页里和我聊天，而是在飞书里和我说话。 我把它放进了一个很具体的场景里：不是替我下单，不是替我喊多喊空，而是陪我拆问题、找反方、整理研究脉络。

一开始，我以为自己已经差不多把这套东西搞懂了。

不就是大模型、工具、飞书入口，再加一点自动化吗？ 听上去都懂。

结果前两天，我和我的AI主助手“帅帅”聊到达子。 本来只是想弄清楚一个词：Profile。 没想到越聊越多，Gateway、Harness、Agent 这些词又一起冒了出来。 聊到第三个词的时候，我突然停住了。

因为我发现一件有点尴尬的事：

我每天已经在用这套东西做研究了， 但如果现在让我用最简单的话，把它讲给一个完全不懂 AI 的投资朋友听， 我未必真的讲得清楚。

这件事让我有一点不舒服。

不是因为 AI 不够强， 而是因为我突然意识到： 如果连自己到底在搭什么、它该替我做什么、又绝不能替我做什么都没想明白， 那我无非只是把一个更漂亮的聊天框，搬进了投资研究里。

最近也有人提醒我，说我写 AI 的内容“AI 味有点浓”。 这句话我认真听进去了。

因为一篇文章如果只剩下流畅、热闹、几个漂亮结论， 读者迟早会问一句： 这里面到底有多少，是你真正想明白的？

所以这一次，我不想急着写一篇“AI 很厉害”的文章。 我更想把这件事摊开来说：

我为什么不满足于直接问GPT？ 我为什么还要多搭一个叫“达子”的角色？ 一个会聊天的大模型，和一个能陪我做投资研究的搭子，到底差在哪？

如果用一句最白的话先讲结论，那就是：

GPT 像一颗很聪明的大脑，

但达子，是我把这颗大脑慢慢装进投资研究场景之后，做出来的一个“研究角色”。

它不是来替我做决定的， 而是来帮我把问题问对、把证据摆清楚、把那些本来容易糊涂的地方一点一点拆开的。

一、模型不是助手，会说话也不等于会研究

很多人一提 AI，第一反应就是 GPT。 这很正常。

从能力上说，大模型确实已经很强了。 它读得快，能理解语言，能总结，能归纳，也能把复杂问题讲得很顺。

但如果要我现在用一句最形象的话去描述它， 我会说：

它像一颗刚醒来的、能力很强的大脑。

为什么说“刚醒来”？

因为它虽然聪明， 但它并不知道我是谁。 它不知道我上周刚把哪一个判断推翻，也不知道我这次问的是公司竞争力、估值风险，还是“普通人到底拿不拿得住”这个更现实的问题。 它更不知道：哪些资料可以引用，哪些结论必须等财报确认，哪些地方它最多只能帮我列出正反证据，却绝不能替我下判断。

所以，大模型是能力的来源， 但它不是一个完整的研究助手。

同样是问一句： “这家公司能买吗？”🤔

普通聊天框很容易给你一段看上去头头是道的回答。 真正的研究却不该止步于此。

更好的做法往往是先改写问题：

我到底是在问这家公司商业模式好不好？ 是在问这只股票估值贵不贵？ 是在问它的波动和回撤我扛不扛得住？ 还是在问，它到底适不适合进我当前的组合？🤔

这几个问题，看起来像一个问题， 其实根本不是一回事。

我最近最深的一个感受是：

AI 在投资研究里最有价值的地方，不是替我更快地下结论，

而是逼我先把问题问得没那么含糊。

这也是我想做达子的原因。

二、达子不是另一个模型，它是一个有边界的研究角色

很多人会误以为， “达子”是不是某个更厉害的新模型？

不是。

达子不是“比 GPT 更聪明的机器人”， 也不是“又一个会聊天的 bot”。

它更像一个我专门为投资研究场景搭出来的角色。

它的工作不是替我买卖， 也不是给我一句“看多”或者“看空”。 它更像坐在旁边的一位教练：我抛出一个模糊判断，它先追问我——你说的“好”，到底是增长好、现金流好、估值合理，还是持有体验更好？你已经看到了哪些证据？反过来的证据在哪里？

比如比较英伟达和台积电，最没用的问题通常是： “谁更牛？”

更有用的问法是： 谁更适合作为组合里的核心资产？ 谁的波动更难熬？ 谁更适合一个普通投资者长期拿着？ 如果未来 AI 资本开支放缓，谁会更早受到冲击？

你会发现，这已经不是让 AI 替我选股票了。 而是让它帮助我，把一个模糊的念头，拆成可以研究、可以反驳、也可以在下一季继续核对的问题。

这就是达子的定位：

它是一个投资研究搭子，

不是投资决策的替身。

最后对组合负责、对风险负责、对每一次判断负责的人， 仍然是我自己。

三、为什么这件事对投资研究特别重要？

因为投资研究最痛苦的问题，从来不只是“信息不够”。

很多时候，真正的问题是： 信息太多，脑子太乱； 问题太大，拆不清楚； 结论出得太快，证据跟不上； 情绪已经先走一步，研究还没跟上。

尤其在今天这种环境下，大家每天都在接触大量信息： 产业趋势、公司新闻、财报、估值、宏观、市场情绪、AI 新叙事、新概念、新热点……

你不是没看到东西， 你是看得太多了。

而看得越多， 越容易把“知道很多信息”和“真正形成判断”混为一谈。

达子如果有价值，我觉得它至少要体现在这几件事上：

第一，帮我把模糊的问题拆清楚。 不是一句“这票能买吗”，而是把问题拆成估值、增长、波动、回撤、持有体验、适配性这些维度。

第二，在支持我之前，先帮我找反方。 我不太需要一个总附和我的 AI。 我更需要的是：在我开始兴奋的时候，它能先提醒我冷一点；在我故事讲顺的时候，它能问一句，反过来的证据呢？

第三，把一次性的聊天，变成可延续的研究脉络。 今天聊过的公司，下次还能接着聊； 今天的判断被新证据推翻，也不用假装从没说过。 这种连续性，对研究非常重要。

第四，帮助我把“公司很好”和“适不适合我持有”分开。 这是投资里经常被混淆的一件事。 有些公司很好，但股票未必适合你； 有些故事很大，但你未必拿得住。 达子如果能帮我把这两层分开，它就已经很有用了。

四、那些听上去很唬人的词，放回日常里其实没那么复杂

当你开始真正搭这套东西，几个词就会不断出现： Agent、Profile、Gateway、Harness……

它们听起来很像一整排新设备， 但如果放回日常工作里，其实并不神秘。

我现在把整套东西更愿意理解成一间研究室。

模型，是这间研究室里负责理解和推演的大脑。 它可以是 GPT，也可以是Claude或者别的模型。模型会升级、会替换，但型号从来不是最重要的部分。真正重要的，是你能不能把这种能力，放进一个真实可用的研究场景里。

Agent 框架，更像让这间研究室持续运转的底层系统。 我现在用的是 Hermes Agent。 它的作用，不是替代模型，而是让模型不只回答一句话，还能在授权范围内调工具、保留必要的上下文、连接入口，并把一次次对话串成长期协作。

Profile 则更像一个角色的专属工作台。 达子不是只有一个名字，也不是只写了一句“你是投资教练”的提示词。 它还有自己该记住的东西、自己能用的工具、自己的边界、自己的说话方式。 换句话说，达子不能因为会说投资术语，就去混用别的助手的权限和记忆。

Gateway 是研究室的前台和分拣员。 比如我在飞书里发一句话，这条消息先到 Gateway，再被送到正确的角色手里。 它不负责思考，也不负责投资判断；它解决的是“从哪里进来，消息交给谁”。

Harness 这个词最近很火，也最容易被讲得神神秘秘。 我的白话理解是：

如果模型像大脑，Agent 像助手系统，

那 Harness 更像工作规程，或者说操作台。

它管的不是“你是谁”， 而是“你怎么把事情做下去”。

比如： 这轮任务先看什么， 带哪些上下文进来， 哪些工具能用， 哪些动作必须先征得同意， 碰到不确定的时候，是继续猜，还是停下来承认不知道。

对我来说，记住一句就够了：

模型负责想，

Harness 负责让它在边界里把事情做下去。

这些词听起来很新， 但本质上，它们都在回答同一个问题：

怎样才能把一个“很会说话的模型”，变成一个“能在真实研究场景里稳定协作的系统”？

五、如果只讲一句最实际的话：达子到底能帮我做什么？

如果不谈概念，只谈使用场景， 达子现在最适合帮我做这些事：

1. 看一只股票到底值不值得“拿得住”

不是简单判断公司好坏，而是进一步拆： 波动大不大？ 历史回撤痛不痛？ 修复快不快？ 普通人到底扛不扛得住？

2. 比较两只股票，到底谁更适合我

比如不是简单问“英伟达和台积电谁更牛”， 而是问： 谁更适合作为核心仓？ 谁更适合高成长配置？ 谁更容易中途把人折磨下车？

3. 帮我把一个模糊念头，拆成真正能研究的问题

很多时候我们不是没有想法， 而是那个想法还太糊。 达子最有用的地方，就是把“我觉得这家公司不错”，拆成几个可以继续查证、也可以被反驳的小问题。

4. 帮我在支持自己之前先找反方

如果 AI 只能帮我把原有观点写得更漂亮，那其实没多大意思。 我更需要的是：它在我顺着一个故事跑太快时，提醒我哪里可能想漏了。

5. 帮我把研究过程留下痕迹

今天为什么这样判断？ 什么证据支持？ 什么事实会让我承认自己错了？ 如果这些痕迹能被留下来，研究才有机会从“情绪驱动”慢慢变成“可复盘”。

六、我真正想搭的，不是一个 AI，而是一个能被追问的研究现场

这可能是我这段时间最想明白的一点。

以前我会觉得，投资研究里最稀缺的是信息。 现在我越来越觉得，信息当然重要，但更稀缺的是一套能不断追问自己的过程。

一只股票涨了，我们很容易给它找理由； 一份财报出来，我们也很容易挑对自己有利的数字； 一个新叙事火了，我们也很容易在热闹中把“可能性”误当成“确定性”。

真正难的是： 我当时为什么这样判断？ 证据是哪几条？ 什么事实会让我承认自己错了？

达子如果有价值，不是因为它能消灭这些困难， 而是因为它能帮我把这些困难留下来。

把“我为什么这样想”留住， 把“反过来的证据是什么”留住， 把“什么情况下我会改判断”也留住。

这对 AI 基建研究尤其重要。

因为这个领域的信息密度非常高，叙事也跑得很快。 我们每天都在看 GPU、云、存储、光、Agent、应用层、资本开支…… 但从“故事很大”走到“哪个公司开始真正兑现收入、毛利、现金流”，中间隔着很长一段路。

任何一步没接住， 研究都不能只靠一句“未来很大”。

我希望达子扮演的， 就是那个不嫌麻烦、愿意一直追问下去的同事。

七、AI 会帮我加速，但它不能替我拥有观点

这也是我最想回应“AI 味太浓”这件事的地方。

AI 当然可以帮我： 找资料， 整理不同版本的观点， 把一段拧巴的话讲清楚， 提醒我某个概念说得不准， 帮我搭一套研究流程。

但它不能替我决定哪条证据更重要， 不能替我承受风险， 更不能替我把未经核实的故事写成结论。

文章最后写出来的文字，当然也可能有工具参与： 有人帮我查资料， 有人帮我挑错， 有人帮我把语言改得更顺。

但文章不是从这些“帮助”开始的。

起点始终是一个真实的问题： 我到底哪里没想清楚？

中间是反复追问： 证据够不够？ 反方在哪里？ 下一次拿什么来检验？

最后，才是把这个过程写出来，让读者看见我是怎样从混乱里，把一个判断慢慢搭出来的。

如果有一天，达子能帮更多研究者少一点冲动、少一点模糊，多留下一条“我为什么这样想、什么情况下我会改”的线索， 那它就不只是一个聊天机器人了。

它可能会成为一个真正有用的认知工具。

而我也还在学习， 怎样把这个工具搭得更清楚、更诚实。

结尾

如果你以前也像我一样， 觉得 AI 很热闹，但总觉得自己没真正弄懂自己到底在看什么、用什么、做什么，

那我希望这篇文章至少能帮你分清一件事：

大模型，不等于助手。 会聊天，不等于能协作。 而真正有价值的，不是“它像不像人”， 而是“它能不能帮你把事情做得更明白”。

而我现在正在做的， 就是把这件事，真正落到投资和研究的场景里。

如果有一个 AI 研究搭子， 它不替你荐股， 不替你拍板， 只负责逼你把问题问清楚、把证据摆整齐、把反方找出来，

你会愿意每天和它聊吗？🤔

实盘观察，不构成投资建议。

—— 熊猫校长 Ming｜AI 基建研究

相关研究标的：

$英伟达(NVDA)$  $迈威尔科技(MRVL)$  $美光科技(MU)$