企业官网建设流程全解析

1. 从"问财"到"问逻辑"：为什么通用对话模型做投研总差一口气

很多人第一次用对话式AI查股票，问的都是"XX股票能买吗""明天大盘怎么走"。得到一段四平八稳的回答之后，就下结论说"这玩意儿没用"。问题不在模型，在于提问的方式和使用的定位。通用对话模型不是行情终端，它没有实时报价，也不该被当成荐股工具。它真正擅长的是把非结构化的信息结构化、把散落的逻辑串成链条、把模糊的判断拆成可验证的假设。这三件事，恰恰是个人投资者做研究时最费时间、最容易偷懒跳过的环节。

我在过去一年多的实践里，把这类模型在投研中的角色重新定位了一次：它不是"给你答案的人"，而是"逼你把问题想清楚的人"。你问它"这只股票好不好"，它只能给你一堆正确的废话；你问它"这家公司过去三年毛利率的变化，可能由哪几个因素驱动，每个因素我该去哪个报表科目里找证据"，它立刻就能给你一张可执行的核查清单。差别就在于，前者是让它替你下结论，后者是让它帮你搭框架。

这个系列的第一篇聊的是基础用法，这一篇往深里走一层，讲的是如何把对话模型嵌进一套完整的投研工作流——从信息采集、逻辑建模、假设验证，到风险清单的生成和持仓逻辑的复盘。整套流程不需要写代码，不需要接任何数据接口，一台电脑加一个对话窗口就能跑起来。适合两类人：一是有点财务基础但没时间做深度研究的上班族投资者，二是想建立自己研究框架、又不想被卖方报告牵着走的独立研究者。

需要先把丑话说在前面：这套方法产出的是研究框架和核查清单，不是买卖建议。模型给你的任何数字都要回到原始报表里核对，任何结论都要自己走一遍逻辑。把它当成一个不知疲倦、随叫随到、但需要你严格把关的研究助理，这个定位才是对的。

2. 把对话模型变成研究助理的三层提问结构

2.1 第一层：事实层提问，先让它帮你把公开信息归位

投研的第一步永远是搞清楚"事实是什么"。这一步最枯燥，也最容易出错。财报几十页，附注几百条，人眼扫一遍至少两小时，还容易漏掉关键科目。我的做法是先把已知的公开信息喂给模型，让它做归位和交叉验证。

具体操作上，我会把一家公司的核心财务数据整理成一段结构化文本，比如营收、毛利率、净利率、经营性现金流、应收账款周转天数、存货周转天数、资产负债率这几项，连续三到五年的数据。然后这样提问：

以下是我整理的某公司近五年核心财务数据。请帮我做三件事：第一，指出哪些指标的变动方向出现了背离，比如营收增长但现金流下滑；第二，针对每一处背离，列出三个最可能的会计或经营层面的原因；第三，针对每个原因，告诉我应该去财报的哪个部分找证据。

这个提问方式的关键在于把"分析"拆成了"找异常—列假设—指路径"三步。模型不需要知道这家公司具体是谁，它只需要基于财务常识做逻辑推演。实测下来，它列出的背离点往往比我肉眼扫出来的多，尤其是"净利润增长但经营性现金流连续两年为负"这类经典信号，人容易因为看到利润数字好看就忽略掉。

这里有个经验：喂数据的时候一定要带上时间维度。只给一年的数据，模型只能做静态分析；给三到五年，它才能识别趋势和拐点。另外，数据最好用表格形式贴进去，比纯文字描述准确率高很多。我试过用纯文字描述"营收从十亿涨到十五亿"，模型有时候会把增长率算错；换成表格里写清楚年份和数值，它算得比我快还准。

2.2 第二层：逻辑层提问，让它帮你把因果链拆开

事实归位之后，下一步是建立因果逻辑。这一步是个人投资者和机构研究员差距最大的地方——机构有完整的逻辑框架，个人往往凭感觉。对话模型在这里的价值，是逼你把"我觉得"变成"因为A所以B，如果A不成立则B也不成立"。

我常用的提问模板是这样的：

我观察到这家公司过去两年营收增速从30%降到10%，但同期销售费用率从8%升到了15%。请帮我构建一个因果链条，解释这两个变化之间可能的关联。要求：每个环节都要有可观测的指标来验证，如果某个环节无法验证，请明确标注"假设"。

这个提问的精妙之处在于最后那句"如果无法验证请标注假设"。模型在没有约束的时候，会编出一些听起来很顺但没法验证的因果链；加上这个约束之后，它会主动区分"有数据支撑的推论"和"纯逻辑假设"。这个区分对投研太重要了——前者可以直接写进研究笔记，后者只能作为待验证的线索。

举个实际跑出来的例子。模型给出的链条是：销售费用率上升可能是因为公司加大了新渠道投放，新渠道初期转化率低导致费用效率下降，费用效率下降又反过来拖累了营收增速。验证路径是：去财报的"销售费用明细"里看广告费和渠道费用的占比变化，去管理层讨论里看有没有提到新渠道拓展，去第三方数据平台看这个品类的线上流量成本走势。三条路径里，前两条财报里能直接找到，第三条需要外部数据。模型会明确告诉你哪些是假设、哪些有据可查。

2.3 第三层：决策层提问，让它帮你生成风险清单而不是收益预测

到了决策层，绝大多数人问的是"能不能买"。这个问题模型答不好，也不该由它答。我换了一个问法：

假设我已经决定关注这家公司，请帮我列出十个可能导致这个决策失败的风险点，按发生概率和影响程度排序。每个风险点要说明：触发条件是什么、有什么前置信号、我应该在什么时间窗口内重新评估。

这个提问把模型从"预测者"变成了"风险官"。它不会告诉你股价会涨会跌，但会给你一张风险地图。实测下来，它列出的风险点里，有三到四条是我自己没想到的，比如"核心供应商集中度过高导致议价能力弱""股权激励行权条件过低导致管理层动力不足"这类偏公司治理层面的问题。这些点不会直接体现在财务数字里，但会在关键时刻影响股价。

注意：模型列出的风险点必须自己再过一遍。它有时候会把行业普遍现象当成公司特有风险，也会漏掉一些需要行业know-how才能识别的风险。我的做法是把模型列出的清单和自己在行业里的认知做交叉，两边都提到的风险权重调高，只有模型提到的作为补充观察项。

这三层提问结构跑下来，大概需要三到五轮对话，耗时四十分钟到一个小时。比起漫无目的地刷研报和股吧，这个时间花得值——你得到的是一份属于自己的、逻辑自洽的研究框架，而不是别人嚼过的结论。

3. 用对话模型做财报文本挖掘：从管理层讨论里读出弦外之音

3.1 管理层讨论与分析部分的文本特征识别

财报里最有信息量的部分，往往不是数字，而是"管理层讨论与分析"（MD&A）那几页文字。这部分是管理层自己写的，措辞的微妙变化往往比数字更早反映经营层面的转向。但人读这部分容易陷入两个极端：要么逐字逐句读得太慢，要么扫一眼觉得都是套话直接跳过。

对话模型在这块的能力被严重低估了。我的做法是把连续几年的MD&A部分贴进去，然后问一个很具体的问题：

以下是某公司连续三年的管理层讨论与分析部分。请对比这三段文字，找出措辞上发生明显变化的地方，特别是：对同一件事的描述从积极转向中性或谨慎的、新增的风险提示、被删除的正面表述。逐条列出变化点，并标注变化发生的年份。

这个提问的关键词是"措辞变化"和"被删除的表述"。模型对文本差异的敏感度比人高，尤其是那些隔了一年、藏在段落中间的语气变化，人眼很容易滑过去。我实测过一个案例：某公司第一年MD&A里写"行业需求旺盛，公司产能利用率维持高位"，第二年改成了"行业需求保持稳定，公司根据市场情况灵活调整产能"。模型准确识别出了"旺盛"到"稳定"、"维持高位"到"灵活调整"这两处措辞降级，而这两处变化在当年的财报数字上还没有明显体现——营收还在增长，只是增速放缓了两个百分点。等到第三年数字明显恶化的时候，回头再看第二年的措辞变化，信号其实已经给出来了。

3.2 风险提示部分的"新增"与"删除"追踪

比MD&A更值得追踪的是"风险因素"章节。这部分每年都会更新，新增的风险点往往对应着管理层新近意识到的问题，删除的风险点则可能意味着问题已经解决或者管理层认为不再重要。但人读这部分有个天然缺陷：你很难记住去年写了什么，除非专门做对比表。

我的操作流程是这样的：把最近三到五年的风险因素章节完整贴给模型，然后提问：

请对比这几年的风险因素章节，列出：第一，每年新增的风险点；第二，每年删除的风险点；第三，同一风险点的描述强度变化（比如从"可能"变成"将会"，从"一定程度"变成"显著"）。按年份整理成表格。

模型输出的表格可以直接贴进研究笔记。我印象最深的一次，是某公司连续三年都在风险因素里写"原材料价格波动风险"，但第三年的描述从"可能对毛利率产生一定影响"变成了"已经对毛利率产生显著影响"。这个措辞变化比财报里的毛利率数字早了半年——等到毛利率真的下滑的时候，风险因素里其实已经预告了。

提示：风险因素章节的文本分析最好和财务数据交叉验证。如果模型识别出某个风险点的描述在加强，但对应的财务指标还没恶化，这往往是最值得深入研究的时点——要么是管理层过度谨慎，要么是数字滞后于现实。

3.3 电话会议纪要的问答环节拆解

除了财报文本，电话会议纪要的问答环节也是富矿。但一场电话会议动辄几十个问题，全部读完要一两个小时。我的做法是让模型先做一轮筛选：

以下是一场电话会议纪要的问答部分。请帮我做三件事：第一，把所有问题按主题分类（比如增长前景、成本控制、竞争格局、监管政策）；第二，标出管理层回答中使用了"不确定""需要观察""视情况而定"等模糊措辞的问题；第三，找出分析师追问超过两次的问题。

这个筛选逻辑背后的假设是：管理层用模糊措辞回答的问题，往往是他们自己也没把握或者不想明说的地方；分析师反复追问的问题，往往是市场最关心但公司最不想正面回应的地方。这两个集合的交集，就是最值得深挖的点。

我跑过的一个案例里，模型标出了三个"模糊回答"和两个"被追问两次以上"的问题，交集是一个关于新业务盈利时间表的问题。管理层的回答是"需要看市场情况，目前很难给出具体指引"，而分析师追问了三次。这个信号在当时的股价上完全没有体现，但三个月后公司下调了新业务的收入预期。模型不会告诉你"赶紧卖"，但它帮你把注意力引到了最该关注的地方。

4. 构建可复用的投研提示词模板库

4.1 财务数据异常检测模板

把重复性的分析工作模板化，是提高效率的关键。我把自己常用的提问方式整理成了几个固定模板，每次只需要替换数据部分。第一个是财务数据异常检测模板：

以下是一家公司连续[年份数]年的核心财务数据：[粘贴表格]。请执行以下分析：

1. 计算每一项指标的同比变化率和[年份数]年复合增长率；
2. 识别任意两项指标之间出现的背离（比如营收增长但应收账款增长更快、净利润增长但经营现金流下滑）；
3. 对每一处背离，列出至少三个可能的解释，并标注每个解释需要去哪里找验证数据；
4. 按重要性对背离点排序，排序依据是：该背离是否可能影响公司的持续经营能力。

这个模板我用了不下五十次，每次跑出来的结果结构都很稳定。关键在第四条的排序依据——把"是否影响持续经营能力"作为最高优先级，可以过滤掉很多无关紧要的波动。比如存货周转天数从45天变成48天，可能只是季节性因素；但经营性现金流连续两年低于净利润，就是需要认真对待的信号。

4.2 行业对比分析模板

第二个模板是行业对比分析。个人投资者往往只盯着一家公司看，缺少横向参照。模型可以帮你快速建立对比框架：

我需要对比[A公司]和[B公司]在[某行业]中的竞争位置。以下是我整理的两家公司核心数据：[粘贴数据]。请从以下维度做对比：毛利率差异及其可能原因、费用率结构差异、增长质量差异（营收增长与现金流增长的匹配度）、资本开支强度差异。每个维度给出一个结论，并说明这个结论的置信度（高/中/低），置信度低的要说明缺什么数据。

这个模板里"置信度"这个设计很关键。模型在没有足够数据的时候会硬编结论，加上置信度标注之后，它会主动说"这个结论置信度低，因为缺少XX数据"。这比给你一个看似确定但实际不靠谱的结论要好得多。

4.3 假设验证清单生成模板

第三个模板是假设验证清单。当你对一家公司有了初步判断之后，最危险的事情就是只找支持自己判断的证据。这个模板的作用是强制自己找反方证据：

我目前对[某公司]的判断是：[写出你的判断]。请帮我做三件事：第一，列出五个可能推翻这个判断的证据方向；第二，针对每个方向，告诉我具体应该查什么数据或信息；第三，如果这些证据中有两个以上被证实，我的判断应该做什么调整。

这个模板我一般在自己已经形成较强观点的时候用，专门用来给自己泼冷水。实测下来，它每次都能找出至少两个我没想到的反方角度。比如我曾经看好一家公司的成本控制能力，模型提醒我去查"成本下降是否以牺牲产品质量或员工稳定性为代价"，这个角度我完全没想过。后来去查员工流失率和客户投诉数据，虽然没有推翻我的判断，但让我对这家公司的成本优势有了更全面的理解。

5. 模型输出的验证与纠偏：哪些话能信，哪些话要打问号

5.1 数字类输出的核对流程

模型在数字上犯错的方式很隐蔽——它不会给你一个明显离谱的数字，而是给你一个看起来合理但实际算错的数字。比如把同比增长率算成环比、把百分比小数点挪错一位、把不同口径的数据混在一起算。我的核对流程是三步：

第一步，所有模型算出来的比率，自己用计算器再算一遍。这一步花不了两分钟，但能拦住大部分低级错误。第二步，检查口径一致性。模型有时候会把"营业收入"和"营业总收入"混用，把"归母净利润"和"净利润"混用，这两个口径在多数公司里差别不大，但在有大量少数股东权益的公司里差别可能很大。第三步，把模型输出的数字和原始财报做一次抽样比对，至少抽三个关键数字回到财报里找原文。

注意：模型在处理跨年数据的时候特别容易出错，尤其是当财年不是自然年、或者公司发生过并购导致口径变化的时候。我的经验是，凡是涉及三年以上的趋势分析，模型给的每一个数字都要核对，不能偷懒。

5.2 逻辑类输出的合理性判断

逻辑类的输出比数字类更难验证，因为它没有标准答案。我的判断标准有三条：第一，因果链条的每一环是否都有可观测的指标对应。如果模型说"A导致B"，但B没有对应的财务科目或经营数据可以观测，这个链条就是悬空的。第二，是否存在反向因果的可能。模型说"A导致B"，但有没有可能是"B导致A"或者"C同时导致A和B"？第三，结论是否过于确定。好的分析会给出条件和边界，比如"在XX条件下，A可能导致B"；差的分析会直接说"A会导致B"。

我踩过的一个坑是：模型曾经给我构建了一个很漂亮的因果链，解释某公司毛利率下降是因为产品结构变化。逻辑上完全说得通，但我后来发现，同期这家公司的主要原材料价格其实在下降，如果产品结构变化是唯一原因，毛利率降幅不应该那么大。回头再看模型的输出，它其实在最后加了一句"以上分析假设原材料价格保持稳定"，但我当时只看了前面的因果链，忽略了那个假设条件。从那以后，我养成了一个习惯：模型输出的每一段分析，先看它的假设条件，再看它的推理过程。

5.3 模型"幻觉"的典型模式与拦截方法

模型在投研场景下的"幻觉"有几个典型模式，识别出来之后拦截起来并不难。第一种是编造不存在的财务科目。比如它可能会说"去查一下'递延收入'这个科目"，但这家公司的财报里根本没有这个科目。拦截方法是：模型提到的每一个科目，都去财报目录里搜一下，搜不到的直接忽略。第二种是把行业惯例当成公司事实。比如它说"这家公司的销售费用率在行业里偏高"，但它其实不知道这家公司的具体销售费用率，只是基于行业一般情况在推测。拦截方法是：凡是涉及"高于/低于行业平均"的判断，都要求模型给出具体数字和来源。第三种是把时间线搞混。比如把2022年的政策影响说成是2023年的，或者把某季度的事件说成是全年的。拦截方法是：模型提到的每一个时间点，都回到原始材料里核对。

我自己的做法是，在提问的时候加一句约束："如果你不确定某个信息，请直接说'不确定'，不要猜测。"这句话能拦掉相当一部分幻觉。模型在明确被允许说"不知道"的时候，编造的倾向会明显降低。

6. 把对话模型嵌进日常投研流程的实操节奏

6.1 每周研究节奏的安排

把模型用起来的关键不是单次提问多精妙，而是把它变成日常节奏的一部分。我自己的节奏是这样的：周一到周三做信息采集和事实归位，把关注列表里公司的公告、财报、行业数据整理成结构化文本，喂给模型做第一轮异常检测。周四做逻辑建模，针对模型标出的异常点，用第二层提问构建因果链，生成验证清单。周五做验证和复盘，把一周里查到的证据和模型之前的假设做对照，更新研究笔记。周末不做新的分析，只做一件事：把本周所有模型输出的内容过一遍，标记出哪些被证实、哪些被推翻、哪些还悬着。

这个节奏的好处是把"用模型"变成了一个有时间边界的事情，不会陷入无休止的对话。模型再好用，也不能替代你去看原始材料、去思考、去下判断。它只是把那些重复性的、结构化的、需要快速处理大量文本的工作接了过去。

6.2 研究笔记的结构化沉淀

模型输出的内容如果不沉淀，下次用的时候又要重新问一遍。我的做法是建一个结构化的研究笔记，每个公司一个文件，里面分四个区块：事实区（核心财务数据、关键经营指标）、逻辑区（因果链条、假设条件）、证据区（验证结果、数据来源）、风险区（风险清单、触发条件）。模型每次输出的内容，我手动摘录到对应的区块里。摘录的过程本身就是一次过滤——很多模型说的话，在摘录的时候你会发现其实没什么信息量，自然就筛掉了。

这个笔记结构还有一个好处：当新信息进来的时候，你可以快速定位到它影响的是哪个区块。比如公司发了一个新公告，你只需要去看它影响的是事实区的哪个数字、逻辑区的哪个假设、风险区的哪个触发条件。不需要从头把整个研究重做一遍。

6.3 模型输出的版本管理与回溯

最后一个实操细节是版本管理。模型每次输出的内容，我都会在笔记里标注日期和提问方式。这样做的好处是，过一段时间回头看，你能清楚地知道当时的判断是基于什么信息、什么逻辑做出来的。投研里最危险的事情之一就是"事后合理化"——股价涨了觉得自己的逻辑对，股价跌了觉得是市场错了。有了版本记录，你可以回溯到当时的原始判断，看看究竟是逻辑错了、信息错了、还是运气不好。

我自己的做法是给每次模型输出打一个简单的标签："已验证""待验证""已推翻"。每周复盘的时候更新标签。时间长了，你会发现自己哪些判断经常对、哪些经常错，这个自我认知比任何模型输出都值钱。

7. 几个我踩过的坑和对应的解法

第一个坑是过度依赖模型的总结而忽略原始材料。有一段时间我图省事，只看模型对财报的总结，不去翻原文。结果有一次模型漏掉了一个很重要的附注信息——一笔关联交易的定价方式发生了变化。这个信息在附注的角落里，模型总结的时候没提到，我也没去翻。后来股价因为这个事情波动的时候，我才回头去查，发现原文里其实写得很清楚。从那以后，我给自己定了一条规矩：模型总结什么，我就去原文里核对什么，至少核对关键结论对应的原文段落。

第二个坑是提问太宽泛导致输出太泛。刚开始用的时候，我喜欢问"帮我分析一下这家公司"，得到的回答全是正确的废话。后来我把问题拆细，一次只问一个维度，比如"只分析应收账款的变化"，输出质量立刻上来了。模型和人一样，你给它一个模糊的任务，它只能给你一个模糊的结果；你给它一个具体的、有边界的问题，它才能给出有信息量的回答。

第三个坑是把模型的语气当成确定性的信号。模型有时候会用很确定的语气说一件其实它并不确定的事情。比如它说"这家公司的毛利率下降主要是由于原材料涨价"，语气很肯定，但实际上它并没有原材料价格的数据，只是基于一般逻辑在推测。识别这种"语气与确定性不匹配"的情况，需要你对自己问的问题有基本的判断——如果你自己都不知道答案，模型用再确定的语气说，你也应该保持怀疑。

第四个坑是忘记模型的知识截止日期。模型对最近发生的事件可能不了解，但它不会主动说"我不知道最近发生了什么"，而是会用旧信息来回答新问题。我的解法是：凡是涉及最近六个月的事件，都在提问里把已知信息贴进去，不要让模型去"回忆"它可能根本不知道的事情。

8. 关于这套方法适用边界的个人体会

这套方法跑了一年多，我最大的体会是：对话模型在投研里的价值，和你的提问能力成正比，和你的判断能力也成正比。提问能力决定了你能从模型里挖出多少信息，判断能力决定了你能从挖出的信息里筛出多少真正有用的东西。两者缺一不可。

它不适合的场景也很明确：需要实时数据的场景（模型没有实时行情）、需要精确计算的场景（模型算数会错）、需要承担决策责任的场景（模型不会为你的盈亏负责）。它适合的场景同样明确：处理大量非结构化文本、构建逻辑框架、生成核查清单、做反方论证。把这四个场景用足，它就是一个非常得力的研究助理。

最后分享一个我最近在用的提问方式，专门用来对抗自己的确认偏误：

我目前对[某公司]的看法是[写出看法]。请扮演一个专门做空这家公司的研究员，用最刻薄的角度找出这个看法里的漏洞。不要客气，直接指出哪里逻辑不成立、哪里数据不支持、哪里是我想当然。

这个提问每次都能让我出一身冷汗，但也每次都能让我对自己的判断更有底气——如果连最刻薄的反方角度都推不翻我的逻辑，那这个判断至少值得下注；如果被推翻了，那正好，省了一笔学费。