6368
14本期嘉宾：讯兔科技（Alpha 派）联合创始人 崔予淳
大家好，欢迎来到大方谈钱，这是一档由华夏基金出品的播客栏目。最近呢，我们也是跟很多人聊了关于 AI 相关的部分，这里头从业者尤其感兴趣的话题是 AI 投研。今天我们很荣幸邀请到了讯兔科技（Alpha 派）联合创始人 崔予淳老师来跟我们分享一下，关于AI，关于投研，关于很多大家感兴趣的一些话题。
Timeline:
- 创业初心：传统投研的数字化痛点
早年公募投研工作流极度离散，信息收集、整理、复盘全靠人工，大量重复低效工作；
市面上金融软件仅做数据展示，无法串联完整研究逻辑，研究员存在大量信息处理负担；
定位 Alpha 派：不是自动炒股工具，而是投研生产力工具，核心解决信息筛选、逻辑梳理、报告撰写等重复工作。
- AI 工具迭代历程
2023 初期仅单点功能：自动生成会议纪要，只能解决单一细碎工作；
现阶段进化为完整 Agent 体系，封装标准化工作流，可覆盖 50% 以上常规投研任务；
产品底层逻辑：不依赖用户复杂提示词，预置行业通用研究框架，大幅降低使用门槛。
- 很多人用不好 AI 投研的两大根源
预期错位：分不清 AI 辅助定位，指望 AI 直接给出选股、涨跌结论，超出模型能力边界；
使用方式粗放：仅一句简单提问，未拆分任务、限定信息来源，输出结果粗糙、失真；
正确前置动作：先明确任务目标、界定交付标准，再交给模型执行。
- 核心产品案例：公司一页纸底层设计逻辑
用户核心需求：快速看懂公司核心催化、业务逻辑，而非堆砌财报数据；
三层设计逻辑：优先短期催化→拆解业务基本面→财务与估值校验；
信息权重区分：公告、业绩会为高权重，网络传闻仅作参考，自动甄别无效信息；
产品优势：极简入口，输入代码即可生成标准化分析，支持自定义行业研究框架。
- 如何沉淀专业投研认知给 AI
早期方案：硬编码、长 Prompt 固化行业研究模板；
当前更优方式：通过 Markdown 参考文档沉淀研究 Know-how；
实操技巧：多次迭代交互，把优质分析流程抽象固化为通用 Skill；
难点：产业逻辑抽象难度高，无法完全依赖模型自主思考，需要人持续校准约束。
- AI 会不会替代研究员？分层解读
无法替代工作：线下调研、上市公司访谈、人际信息交换、非共识深度推演；
AI 可承接：海量信息检索、公告梳理、纪要整理、基础数据汇总等标准化工作；
行业变化：不会裁员，而是岗位升级，催生「AI 投研专项岗」，负责搭建团队标准化工作流；
长期趋势：资产管理市场持续扩容，可覆盖标的变多，AI 是放大研究覆盖面的工具。
- 未来机构投研团队组织形态预判
现状：各研究员 AI 使用水平参差不齐，团队无统一标准，整体效率提升有限；
未来标配：每个研究小组配置 1 名 AI 流程负责人，沉淀团队专属研究框架；
Agent 团队化构想：公共中枢 Agent + 个人研究员 Agent，统一调度标准化任务；
卖方 / 买方差异：卖方侧重批量产业梳理，买方侧重个股深度跟踪、催化捕捉。
- AI 工具持续迭代的核心驱动力
核心驱动：一线用户真实吐槽、高频使用中暴露的数据 / 逻辑错误；
两大迭代方向：
① 底层 Agent 基建：提升结果稳定性、统一数据源、优化上下文管理；
② 上层标准化 Skill（日报、行业梳理、调研大纲），降低上手门槛；
大模型能力≠全部，金融专属数据约束、任务流程封装才是工具核心壁垒。
-30:1 普通人从零上手 AI 投研实操路径
入门首选：每日市场 / 行业自动日报，高频、覆盖全市场，快速熟悉模型能力边界；
进阶练习：拆解会议纪要完整工作流，区分原始录音、逐字稿、结构化核心洞察；
实操技巧：复杂任务分步拆解，单次只解决单一目标，多轮对话优化后固化流程；
上下文管理干货：新任务新开对话、明确信息数据源、精简无关历史内容，减少模型干扰。
30:1- 深水区实操：自动化研究与多 Agent 协同
适合自动化任务：事实类汇总（财报、催化、行业数据）；
难以全自动：深度主观推演、产业非共识判断；
多 Agent 使用思路：不直接跨模型对话，按需调用各工具专属能力组合使用；
落地难点：模型输出不稳定，需要设置结果复核流程，规避数据幻觉。
- 行业终局：AI 时代 ToB 投研软件商业模式
传统 ToB 软件痛点：客户需求非标，定制开发成本极高；
大模型带来变革：通用泛化能力大幅降低定制成本，一套工作流适配多类研究需求；
长期价值：工具不会被基础大模型吞噬，垂直金融数据、专业研究流程是核心壁垒。
本期制作
嘉宾：崔予淳
主播：梁狗蛋
制作：余冬
温馨提示：播客大方谈钱由华夏基金出品，所有投资相关内容皆以交流分享为目的，仅供参考，不构成任何市场预测、判断，或投资、咨询建议。本节目不作为个股推荐，不作为任何法律文件，内容中的所有信息或所表达意见不构成投资、法律、会计或税务的最终操作建议，华夏基金不就资料中的内容对最终操作建议做出任何担保。在任何情况下，本公司不对任何人因使用本资料中的任何内容所引致的任何损失负任何责任。我国基金运作时间较短，不能反映股市发展的所有阶段。市场有风险，入市需谨慎。
第一点：你希望AI帮你解决什么问题？你的期待是什么？
第二点：你希望它达到的水平和你实际的使用方法是否匹配？
所以，先设定好自己的目标，知道自己想解决什么问题，知道自己的预期。
正确前置动作（约束和目标设定）：先明确任务目标、界定交付标准，再交给模型执行。
「✅如何沉淀专业投研认知给 AI」
通过 Markdown 参考文档，写成reference，再让模型执行，或读取经验值。沉淀研究 Know-how；
实操技巧：多次迭代交互，把优质分析流程抽象固化为通用 Skill，边干边学；
「✅AI 会不会替代研究员？」
日常研究工作，一类是跟人打交道，一类是跟信息打交道。
AI永远没有办法替代人和人打交道过程。
AI平权的是你处理信息的效率（生产力），以更快、更高效的方法拿到研究目标的事实和共识。在事实和共识基础上推理非共识，是留给人的课题。
在这个过程中，AI解决了信息的问题，人更加专精了，也会被赋予新的职责。
做大蛋糕，不是被平替，而是有了新角色和新的工作范围。
工业时代铁匠铺没了，但是铁匠铺的学徒变成了工程学院的本科生或者专科生。
「✅AI 工具持续迭代的核心驱动力」
模型在面临有很多数据选择的时候，并不知道哪个数据更好。如果不调教它每次优先选择哪个最可信的数据，模型很可能不稳定。
底层 Agent 基建：提升结果稳定性、统一数据源、优化上下文管理；
如果你有一套针对于你不同工作流的review方法，建议把它写成一个脚本/skill。每次你执行完了以后，再让模型review一下结果。通常会提升输出质量和找到潜在问题。
「✅普通人从零上手 AI 投研实操路径」
1）写日报
按照自己的意图、关注点、自选股、自选板块整理你自己的日报。
这是一个非常高频且人力密集型的任务，而且考验认知。因为不单单是汇总信息，更希望在日报里处理或获取新的信息。
2）AI提问
实操技巧：复杂任务分步拆解，单次只解决单一目标，多轮对话优化后固化流程；
不要着急，一个问题一个问题的拆解。多次对话，固化流程。再做下一个子任务。
模型能力边界未必适合所有任务，适合每一步都能产生确定结果的任务。如果每一次生成的结果都有一定误差，最终结果会很飘逸、离散。
回想一下自己的工作流程，拆成几步，每一步跟模型指定清楚。把便利和循环的过程，明确的写给模型。尽可能人话的把自己真正的思维和工作方法和逻辑写出来，让模型转化成类似于coding的过程，真正执行。
小技巧：我要完成这个目标，你作为最聪明的模型，先给我拆一次。我可能会抽象几个中间结果或者步骤，你给我设定一个完整的工作流。
你不要让他一把干完，一点点干的时候，你问它觉得应该怎么做？你跟他共同迭代。
如果想写一篇深度报告，一个大段就是一个任务。引用的图表就是一个中间结果，可以存下来的markdown。
你拆的越细，它完成质量越好。
3）上下文管理干货
一直在一个对话里，模型就会持续加载该对话的上下文，以判断和接下来的任务是否相关。模型的负担很重，后续的回答也会不稳定。
第一，新任务新开对话。尽可能的让你单次任务的上下文变得清爽和干净。
第二，明确信息数据源。明确指定清楚这个任务的信息范围。在新起对话的基础上，最好想清楚你在什么样的文本和信息空间内解决问题。你只要多清晰的指定几个字，拿到结果就会好很多。但如果犯懒，模型就会漫无边际的干活。
保证上下文清爽，让模型的token负担少，让模型尽量清楚的知道我想怎么做和怎么做。
第三，精简无关历史内容。减少模型干扰。当你任务足够长的时候，你要必要的做一些压缩。最好的方法是把你觉得重要的存成文件，确定性最高。
你想要的是它的中间过程，是你未来想复用的。把它存下来。
针对不同的任务模式，完全设定不同结构的中间文件。
「✅行业终局：AI 时代 ToB 投研软件商业模式」
AI时代是智能革命，一个问题可被定义就可被解决。
验证真伪：假设它有错误，让它去挑刺。
你得多问他一嘴，你是怎么做到？你的依据是什么？以及你判断这件事情重要，那它重要的弹性是什么？一个一个追问。
豆包 - 深度模式：回答这个问题时，请第一给出你的判断标准，第二基于你的判断标准，把执行过程写出来，最后再写出你的执行结果。
相当于你用一种逻辑链条框住了它的为模式。