企业官网建设流程全解析

1. 从"能聊"到"能用"：把对话模型改造成投研助手的分水岭

很多人第一次用对话式AI分析股票，体验都差不多：问它某家公司怎么样，它给你一段四平八稳的概述，读起来像券商研报的摘要，但真要落到"我现在该关注哪几个数字"上，就有点使不上劲。这个落差不是模型不行，而是用法不对。对话模型本质上是一个"文本推理引擎"，不是行情终端，它没有实时价格、没有财报数据库、没有交易所接口，你指望它直接告诉你"买还是卖"，那是在为难它。

我自己的定位很清楚：把它当成一个不知疲倦的初级研究员。它能干的事包括——把一份几十页的财报快速拆成结构化要点、把一堆零散的新闻归纳成几条主线、帮你把模糊的投资逻辑写成可检验的假设、在你给出数据后做一致性检查。它不能干的事也很明确——替你拍板、给你实时报价、保证预测准确。想清楚这条边界，后面的所有操作才有意义。

这篇是系列的第二部分，重点从"怎么问"进阶到"怎么搭一套可复用的分析流程"。第一部分我们聊了提示词的基本写法，这一部分要解决的是：如何让AI的输出稳定、可核查、能沉淀成自己的分析框架。适合已经用过一段时间对话模型、但总觉得输出"飘"、每次都要重新调教的朋友。如果你还在纠结"AI能不能炒股"这种问题，那可能得先回到第一部分补补课。

我踩过的最大一个坑，就是早期太信任它的"自信语气"。它讲得头头是道，我照着做，结果发现它引用的某个数字根本对不上财报原文。从那以后我给自己定了一条铁律：AI负责推理和整理，事实必须由我核对。这条原则贯穿下面所有内容。

2. 核心思路拆解：为什么"喂数据"比"问问题"更重要

2.1 对话模型的三个先天短板，决定了你的用法

要理解为什么直接问效果差，得先知道它的短板在哪。我总结成三条，每条都对应一个应对策略。

第一是没有实时性。它的知识有截止时间，而且不联网（除非你手动开联网功能）。这意味着任何涉及"最新""当前""今天"的问题，它给的答案都可能是过期的。应对策略很简单：凡是时效性数据，你自己喂给它。财报数字、最新公告、近期股价区间，你贴进去，它负责分析，而不是负责记忆。

第二是容易"幻觉"。它会一本正经地编造数字、编造引用来源。这不是它坏，是它的工作机制决定的——它预测的是"下一个最可能的词"，而不是"最真实的事实"。应对策略是要求它标注每个结论的数据来源，凡是没来源的结论一律打问号。

第三是上下文有限。你贴太多东西它会"忘"，或者抓不住重点。应对策略是分段投喂、分步提问，别指望一次性把整本年报丢进去让它全懂。

提示：把这三条短板写在便签上贴在显示器边，每次提问前扫一眼，能省掉大量返工。

2.2 从"问答"升级到"流水线"：我的四步框架

单次问答的价值有限，真正有用的是把它嵌进一条固定的分析流水线。我目前用的是四步：

1. 数据准备：我自己收集原始材料（财报、公告、行业新闻），整理成纯文本。
2. 结构化提取：让AI从材料里抽出关键指标和事件，输出成表格。
3. 逻辑推演：基于提取出的结构化数据，让AI做假设检验和情景分析。
4. 人工复核：我逐条核对数字和逻辑，剔除幻觉，形成最终判断。

这四步里，AI主要承担第2、3步，第1、4步必须人来。为什么这么分？因为数据收集涉及判断"什么重要"，最终决策涉及"承担后果"，这两件事AI都替代不了。中间两步是纯信息处理，正好是它的强项。

2.3 为什么不用"一键分析"的现成工具

市面上有不少号称"AI选股"的工具，输入代码就出报告。我试过几个，结论是：方便，但不可控。你不知道它的数据从哪来、逻辑怎么推、参数怎么设，出了问题也没法排查。而自己搭流水线，虽然麻烦，但每一步都透明，错了知道错在哪，对了能复制。对于真金白银的决策，透明比方便重要得多。

3. 数据准备：把杂乱材料变成AI能吃的"干净饲料"

3.1 材料清单：我通常准备哪几类文本

在开始提问前，我会先把材料备齐。以分析一家上市公司为例，我一般准备这几类：

• 最近两到三期财报：重点是利润表、资产负债表、现金流量表三张主表，以及管理层讨论部分。
• 近期重大公告：增减持、并购、诉讼、业绩预告等。
• 行业背景材料：所在行业的近期政策、上下游景气度、竞争对手动态。
• 历史股价区间：不需要精确到每天，但要知道近一年的大致波动范围。

这些材料我会统一转成纯文本，去掉图表和格式，因为对话模型对纯文本的处理最稳定。财报里的表格我会手动转成"指标名：数值"的形式，一行一个，避免它读串行。

3.2 清洗要点：三个必须做的动作

材料不是直接贴进去就行，有三个清洗动作我每次必做。

第一，统一数字单位。财报里有的用"万元"，有的用"亿元"，混在一起AI很容易算错。我会全部统一成"亿元"，并在开头注明"以下所有金额单位均为亿元"。

第二，标注时间。每个数字后面带上报告期，比如"营业收入 120.5（2024年报）"。不标时间，AI会把不同期的数据混着用。

第三，删掉无关内容。财报里的董事简历、公司沿革这些跟分析无关的，直接删掉，省上下文空间。上下文是稀缺资源，别浪费在没用的地方。

3.3 分段投喂的实操：一次别超过多少字

我的经验是，单次投喂控制在3000到5000字比较稳。超过这个量，AI开始抓不住重点，容易漏掉关键数字。如果材料很长，就按主题切分：先喂利润表相关，问完再喂资产负债表，最后喂现金流。每段之间用一句话衔接，比如"以上是利润表数据，接下来是资产负债表"。

这里有个小技巧：在每段材料开头写一句"本段重点"，比如"本段重点是营收和毛利率的变化"，相当于给AI一个阅读提示，它的提取准确率会明显提升。

4. 结构化提取：让AI把财报拆成一张能用的表

4.1 提取指令怎么写才不跑偏

直接说"帮我分析这份财报"，AI会给你一段散文。我要的是表格，所以指令必须明确到字段。我常用的模板是这样的：

请从以下财报文本中提取信息，输出为Markdown表格，字段包括： 报告期、营业收入、营业成本、毛利率、净利润、净利率、经营现金流、资产负债率。 要求： 1. 每个数字后标注单位； 2. 如果原文没有该数据，填"未披露"，不要估算； 3. 表格下方用三句话总结最显著的变化。

注意最后那条"不要估算"，这是防幻觉的关键。不加这句，它遇到缺失数据会自己编一个看起来合理的数。

4.2 提取结果怎么验：三个交叉检查

AI提取完，别急着用，做三个检查。

检查一：加总一致性。比如毛利率应该等于（营收-成本）/营收，你自己算一遍，跟它给的对比。对不上就说明它读错了。

检查二：跨期合理性。如果某期净利润突然翻十倍，要么是真有大事件，要么是它读错了小数点。这种异常值必须回原文核对。

检查三：单位一致性。看它有没有把"万元"当成"亿元"。这个错误最隐蔽，也最致命。

我做过统计，在材料清洗到位的前提下，结构化提取的准确率能到九成以上，剩下那一成基本都出在单位和小数点上。

4.3 把多期数据拼成趋势表

单期数据看不出趋势，我会把连续几期的提取结果拼成一张大表，然后让AI做趋势描述。指令类似：

以下是某公司连续四期的财务数据表格，请： 1. 指出营收和利润的变化趋势； 2. 标出变化最剧烈的两个指标； 3. 对每个剧烈变化，列出财报原文中可能相关的解释（如有）。

这样出来的结果，比让它"分析一下这家公司"要具体得多，也更容易核查。

5. 逻辑推演：让AI帮你做假设检验，而不是给结论

5.1 把投资逻辑写成可检验的假设

这是我认为整个流程里最有价值的一步。大多数人分析股票是"我觉得它好"，这是模糊的。我会把它翻译成可检验的假设，比如：

• 假设A：如果毛利率连续两期回升，说明产品竞争力在恢复。
• 假设B：如果经营现金流持续低于净利润，说明利润质量存疑。

然后让AI基于数据去检验这些假设。指令：

基于上面的财务数据，逐条检验以下假设，每条给出"支持/不支持/数据不足"的判断，并引用具体数字作为依据： 假设A：…… 假设B：……

这种用法把AI从"给答案"变成"做验证"，它的幻觉空间被大幅压缩，因为每个判断都必须挂靠到具体数字上。

5.2 情景分析：让它跑三种未来

假设检验之后，我会让它做情景分析。不是让它预测股价，而是让它推演"如果某个变量变化，财务上会怎样"。指令示例：

假设该公司下一年营收增速分别为 -10%、0%、+15% 三种情景， 在毛利率保持不变、费用率保持不变的假设下， 分别推算净利润的大致区间，并说明推算过程。

这种推演的价值不在于结果准不准，而在于逼你把"如果……那么……"的逻辑显性化。很多时候推演到一半，我自己就发现某个假设站不住脚了。

5.3 反向提问：让它扮演"唱反调的人"

人容易陷入确认偏误，只看支持自己观点的信息。我会让AI专门唱反调：

你现在的角色是一位严格的质疑者。 针对"我看好这家公司"这个观点，请列出五条最有力的反驳理由， 每条都要基于前面提供的财务数据或行业事实。

这个用法我强烈推荐。它列出的反驳不一定都对，但能帮你发现自己逻辑里的漏洞。我至少有两次因为它的反驳，重新审视了自己的判断，避免了一次冲动决策。

6. 人工复核与常见问题排查

6.1 复核清单：我每次必查的五项

AI的输出再漂亮，也必须过人工这一关。我的复核清单固定五项：

这五项走一遍，基本能过滤掉绝大部分问题。

6.2 高频问题速查表

下面是我在实际操作中反复遇到的几个问题，整理成速查表：

6.3 几个我踩过的坑

坑一：一次性喂太多。早期我图省事，把整份年报贴进去，结果它只分析了前几页，后面全忽略。后来改成按章节分段，效果好很多。

坑二：太信它的"总结"。它总结得越流畅，我越容易放松警惕。后来我养成习惯，凡是它给的总结，都要回到原始数据里找对应，找不到就存疑。

坑三：忘了它会"顺着你说"。你问"这家公司是不是很好"，它倾向于说好。所以提问要中性，别带倾向性，否则得到的只是你自己的回声。

注意：AI的输出永远只是"待验证的草稿"，不是"可执行的结论"。这条底线任何时候都不能破。

7. 把流程沉淀成自己的模板库

7.1 为什么要建模板库

每次重新写指令太累，而且容易漏掉关键约束。我会把验证过好用的指令存成模板，按用途分类：财报提取模板、假设检验模板、情景分析模板、唱反调模板。用的时候直接调出来改几个参数就行。

模板库的好处是输出质量稳定。因为模板里已经内置了防幻觉的约束（比如"缺失填未披露"），不用每次重新想。

7.2 模板迭代：每次用完记一笔

模板不是一次成型的。我每次用完会记一笔：这次哪里跑偏了，下次指令里加一条约束。比如发现它老是把"万元"当"亿元"，我就在模板里固定加一句"所有金额单位以文本标注为准，不得自行换算"。这样迭代几个月，模板会越来越顺手。

7.3 从单公司到多公司：横向对比的玩法

当模板稳定后，可以扩展到多公司对比。把两三家同行业公司的结构化数据并排喂进去，让它做横向对比。指令类似：

以下是A、B、C三家同行业公司的关键财务指标， 请从盈利能力、成长性、财务稳健性三个维度做对比， 每个维度给出排序和依据。

这种横向对比，人工做要花大半天，AI几分钟就能出初稿，你只需要核对数字。效率提升非常明显。

8. 关于这套流程，我最后想说的几句实在话

这套流程我用了大半年，最大的感受是：AI没有让我变懒，反而让我更勤快了。因为它把"整理数据"这种体力活接走了，我就有更多精力去思考"这些数字背后到底发生了什么"。以前我可能因为懒得翻财报而凭感觉决策，现在材料整理的成本低了，反而更愿意深挖。

另一个体会是，别追求"全自动"。我见过有人想搭一套从数据抓取到买卖信号全自动的系统，结果要么数据源不稳定，要么逻辑经不起推敲。投资这件事，人的判断始终是核心，AI只是放大你的分析能力，不是替代你的判断。把它当成一副好用的眼镜，而不是一双替你走路的手。

最后一个实用建议：从一家你熟悉的公司开始练手。别一上来就分析陌生行业，你对那家公司越了解，越能判断AI的输出靠不靠谱。等流程跑顺了，再扩展到其他标的。这套东西急不来，但一旦跑通，就是能长期复用的能力。