1. 这个“看反面”的AI投资Skill到底在解决什么问题第一次看到“教我们看反面和四大师视角”这个说法我脑子里蹦出来的不是某个具体策略而是查理·芒格那句被引用到烂的话——反过来想总是反过来想。但真正把它做成一个可复用的AI Skill而不是停留在鸡汤层面这件事就有意思了。先说清楚这个Skill是什么。它本质上是一套结构化的提示词工程产物把“逆向思维”和“四位投资大师的分析框架”固化成了AI可以稳定执行的指令集。你给它一家公司的财报、一段行业新闻、或者一个投资标的的基本面数据它不会顺着你的思路去论证“这个标的多好”而是强制从反面找漏洞再切换四个不同的视角把同一个标的重新拆一遍。它能做什么最直接的价值是打破单一叙事。散户亏钱最常见的原因不是不懂估值而是被一个故事套牢——新能源、AI、创新药每个赛道都有让人热血沸腾的叙事但叙事越完美反面往往越致命。这个Skill的作用就是在你准备下单之前强行给你泼四盆不同温度的水。适合谁用我实测下来三类人收益最大。第一类是有点投资基础但容易上头的主观交易者你需要一个冷静的“反对派”帮你踩刹车。第二类是做量化研究但缺乏基本面视角的工程师四大师框架能补上你模型里缺失的定性维度。第三类是做AI应用开发的人这个Skill的指令设计思路本身就是一个很好的Agent Skill开发案例值得拆解学习。关键词里出现了“skill编码247”“agent skill”“codex skill”这些词说明这个Skill大概率是跑在某个支持Skill机制的AI平台上的可能是Claude的Skill体系也可能是国内某些Agent平台的插件机制。不管跑在哪个平台核心逻辑是通用的——用结构化的指令约束AI的输出路径让它稳定地执行一套分析流程而不是每次都给出一堆正确的废话。我见过太多人把AI当搜索引擎用问一句“XX股票能买吗”然后拿着AI生成的模棱两可的回答去做决策。这个Skill的价值恰恰在于它不给你答案它给你的是四个大师会怎么问问题。问对问题答案自己就浮出来了。2. 逆向思维与四大师框架的底层设计逻辑2.1 为什么“看反面”比“找正面”更难被AI执行让AI说好话太容易了。你随便给一个标的AI能给你列出十条买入理由而且每条都看起来很有道理。这是因为大语言模型的训练目标就是生成“合理”的内容而“合理”在投资语境下往往等于“顺着说”。但“看反面”是反训练直觉的。你要AI主动去找一个逻辑的漏洞去质疑一个看起来无懈可击的叙事这需要指令层面做很强的约束。我试过直接跟AI说“帮我找找这个投资逻辑的反面”结果它给出的东西不痛不痒什么“估值可能偏高”“竞争可能加剧”全是正确的废话。这个Skill的设计精髓在于它把“看反面”拆成了可操作的步骤。不是让AI泛泛地批判而是要求它回答几个具体问题如果这个投资逻辑成立那么哪些事情必须同时为真这些“必须为真”的假设里哪一个最脆弱如果最脆弱的那个假设被证伪会发生什么这种拆法把逆向思维从一种态度变成了一个流程。态度没法执行流程可以。我在自己的Skill开发中也反复验证过这一点——凡是能拆成步骤的AI执行起来就稳定凡是靠“悟”的AI就给你打太极。2.2 四大师视角的选择逻辑与各自盲区“四大师”具体是哪四位不同版本可能有差异但根据投资分析的经典框架大概率是巴菲特、芒格、索罗斯、达利欧这个组合或者巴菲特、芒格、彼得·林奇、霍华德·马克斯。不管具体是谁选择四位而不是一位背后的逻辑是视角对冲。单一视角一定有盲区。巴菲特的框架擅长判断护城河和长期价值但对宏观拐点和市场情绪的捕捉偏弱。索罗斯的反身性理论擅长捕捉趋势的自我强化和崩溃点但对具体公司的基本面细节不够耐心。达利欧的债务周期框架擅长判断大环境但对个股选择帮助有限。这个Skill让四个视角依次上场本质上是在做一次“分析冗余”。同一个标的四个人从不同角度拆如果四个人都说不行那大概率真不行如果四个人分歧很大那说明这个标的的某些维度存在严重的不确定性需要额外关注。我自己的经验是四大师框架最有价值的地方不是他们各自的结论而是他们各自关注的核心变量不同。巴菲特看ROE和自由现金流索罗斯看参与者的认知偏差达利欧看债务和利率环境芒格看激励机制和人性弱点。这四个变量维度几乎覆盖了一个投资决策需要考虑的全部关键面。2.3 Skill指令的结构化设计从“问AI”到“给AI装流程”这个Skill的指令设计我推测核心结构是这样的先定义角色和任务边界再给出分析流程的步骤然后对每一步的输出格式做约束最后用几个示例来锚定输出质量。为什么要有输出格式约束因为如果不约束AI会把四个视角的分析混在一起写读起来像一锅粥。约束之后每个视角独立成段每个段落有固定的结构——先陈述该视角下的核心判断再给出判断依据最后标注该判断的置信度和关键假设。这种结构化设计还有一个隐藏好处它让AI的分析过程变得可审计。你可以清楚地看到每个结论是从哪个视角、基于哪个假设推出来的。如果某个结论你觉得不对你可以追溯到具体的假设去质疑而不是对着一个笼统的结论干瞪眼。我在开发类似Skill时踩过的一个坑是指令写得太抽象AI就会自由发挥写得太死板AI又变得机械。这个Skill的平衡点找得不错它给了框架但留了发挥空间比如“四大师视角”只规定了分析维度没有规定具体结论AI需要根据标的实际情况来填充内容。3. 实操指令拆解与完整执行流程3.1 指令的完整结构与逐段解析根据我对这类Skill的理解和实测经验一个完整的“看反面四大师视角”指令大概长这样你是一位投资分析助手你的任务是对给定的投资标的进行逆向分析和多视角拆解。 分析流程如下 第一步反面压力测试 1. 列出当前市场对该标的最主流的三个正面叙事。 2. 针对每个叙事找出其成立所依赖的最脆弱的两个假设。 3. 假设这两个假设中的一个被证伪推演可能的价格影响和连锁反应。 第二步四大师视角分析 分别以以下四位投资者的视角分析该标的 - 巴菲特视角关注护城河、ROE、自由现金流、管理层资本配置能力。 - 芒格视角关注激励机制、人性弱点、反面案例、能力圈边界。 - 索罗斯视角关注反身性循环、市场认知偏差、趋势的自我强化与崩溃点。 - 达利欧视角关注债务周期位置、利率环境、货币政策和财政政策的组合。 每个视角的输出格式 - 核心判断一句话 - 判断依据三到五条 - 关键假设两条 - 置信度高/中/低 第三步综合矛盾点 列出四个视角中分歧最大的两个点并说明分歧背后的核心原因。这个指令的设计有几个细节值得说。第一步的“反面压力测试”没有让AI直接说“这个标的有哪些风险”而是要求它先列出正面叙事再从叙事反推假设。这个顺序很重要因为直接问风险AI会给你一堆通用风险从叙事反推假设AI必须针对这个标的的具体逻辑来拆输出质量完全不同。第二步的四大师视角每个视角都给了具体的关注维度。如果不给这些维度AI对“巴菲特视角”的理解可能停留在“买好公司”这种层面。给了维度之后AI的分析就有了抓手。第三步的“综合矛盾点”是整个指令的点睛之笔。四个视角分析完之后如果不做这一步你得到的是四段独立的分析需要自己去做对比。加上这一步AI会主动帮你找出分歧点而分歧点往往就是投资决策中最需要关注的地方。3.2 反面压力测试的执行细节与参数选择反面压力测试这一步实操中有几个关键参数需要调整。第一个是“主流叙事”的数量。我建议设三个不要多也不要少。两个太少覆盖不了主要逻辑四个以上AI会开始凑数把一些边缘叙事也列进来稀释分析质量。第二个是“脆弱假设”的数量。每个叙事找两个假设这个数量是经过验证的。一个假设太单薄三个假设AI会开始编。两个假设刚好能形成“如果A不成立会怎样如果B不成立会怎样”的对比分析。第三个是推演的深度。指令里写的是“推演可能的价格影响和连锁反应”但实际操作中你需要根据标的类型调整推演的颗粒度。对于个股推演可以具体到“如果核心产品销量不及预期对营收和利润率的影响大概是多少”对于行业主题推演应该聚焦在“如果政策转向哪些环节最先受影响”。我自己的经验是反面压力测试这一步最容易出现的问题是AI把“假设被证伪”写成了“风险提示”。这两者有本质区别。风险提示是“这个事可能发生”假设证伪是“如果这个事发生整个逻辑链条会怎么断”。前者是静态的后者是动态的。好的指令应该能引导AI做出动态推演。3.3 四大师视角的切换技巧与输出质量控制四大师视角分析实操中最大的挑战是让AI真正切换视角而不是用同一个分析框架换四个说法。我试过的一个有效技巧是在指令中给每个视角加一个“标志性问题”。比如巴菲特视角的标志性问题是“如果股市明天关闭十年我还愿意持有吗”索罗斯视角的标志性问题是“这个趋势的自我强化机制是什么什么会打断它”。加上这些问题之后AI的视角切换明显更到位。另一个技巧是要求AI在每个视角的分析中明确说出“这个视角下我最不放心的是什么”。这个问题会逼着AI去找每个视角的盲区而不是泛泛地给出正面评价。输出质量控制方面我建议在指令中加一条“如果某个视角下你无法给出有意义的分析请直接说明该视角不适用于此标的不要强行填充内容。”这条约束能有效防止AI为了凑格式而输出废话。置信度的标注也很关键。我实测下来AI标注“高置信度”的判断准确率确实比“低置信度”的高不少。这个置信度不是AI随便标的它反映的是该视角下分析依据的充分程度。你可以把置信度当作一个筛选器优先关注高置信度的判断对低置信度的判断保持警惕。3.4 综合矛盾点的提炼方法与决策映射综合矛盾点这一步是把四段独立分析转化为决策参考的关键。具体操作上我建议让AI回答三个问题四个视角中哪两个视角的结论分歧最大分歧的核心原因是什么如果必须在这两个视角中选一个相信需要额外获取什么信息第三个问题特别重要。它把分析引向了“下一步该做什么”而不是停留在“分析完了”。比如巴菲特视角说这个公司护城河很深值得长期持有索罗斯视角说市场对这个护城河的认知已经过度强化、反身性循环接近拐点。分歧的核心是“护城河的价值是否已被充分定价”。要解决这个分歧你需要去查的数据是当前估值处于历史什么分位以及市场共识预期与公司实际指引之间的差距。这种从分析到行动的映射是这个Skill区别于普通AI问答的核心价值。普通AI问答给你一段文字这个Skill给你一个决策路径。4. 常见问题与排查技巧实录4.1 AI输出质量不稳定的排查思路用这类Skill最常见的问题就是输出质量忽高忽低。同一个指令有时候分析得很到位有时候全是废话。排查下来原因通常出在三个地方。第一个是输入信息的质量。如果你给AI的只是一句“帮我分析一下XX股票”AI没有足够的素材去做深度分析只能泛泛而谈。正确的做法是给AI提供尽可能多的原始材料——财报摘要、行业数据、最近的新闻、管理层的公开表态。素材越具体分析越有针对性。第二个是指令的执行顺序。有些平台的Skill机制会缓存上下文如果你在同一个对话里连续分析多个标的前面的分析会污染后面的。我的做法是每个标的开一个新对话确保分析环境干净。第三个是模型的选择。不同模型对结构化指令的遵循程度差异很大。我实测下来参数规模在70B以上的模型对这类多步骤指令的执行稳定性明显更好。小模型容易在中间步骤偷懒把四大师视角压缩成一段话。4.2 四大师视角分析变成“四段废话”的解决方法“四段废话”是这类Skill最典型的失败模式。四个视角的分析读起来都差不多只是换了几个词。出现这个问题通常是因为指令中对每个视角的约束不够具体。解决方法是在指令中给每个视角加上“必须回答的问题”。比如巴菲特视角必须回答“这个公司的ROE在过去五年是上升还是下降原因是什么”索罗斯视角必须回答“当前市场对这个标的的认知处于反身性循环的哪个阶段”。有了这些具体问题AI就没法用通用语言糊弄过去。另一个方法是给每个视角加一个“禁止事项”。比如巴菲特视角禁止讨论短期股价波动索罗斯视角禁止讨论公司长期竞争力。这种负面约束能有效防止视角之间的串味。4.3 反面压力测试变成“风险清单”的纠正方法反面压力测试最容易退化成风险清单。AI会给你列一堆“宏观经济下行风险”“行业竞争加剧风险”“政策变化风险”全是正确的废话。纠正方法是在指令中明确要求“不要列出通用风险只分析与该标的核心叙事直接相关的假设。”同时给一个示例比如“如果该公司的增长依赖于单一客户那么该客户流失就是一个需要分析的假设而宏观经济下行不是”。还有一个技巧是要求AI对每个假设做“证伪推演”。不是简单地说“这个假设可能不成立”而是要说“如果这个假设不成立第一步会发生什么第二步会发生什么最终对投资逻辑的影响是什么”。这种链条式推演能逼着AI做深度思考。4.4 常见问题速查表问题现象可能原因排查方法解决技巧四大师视角分析雷同指令约束不够具体检查每个视角是否有专属问题给每个视角加“必须回答的问题”和“禁止事项”反面测试变成风险清单指令未限定分析范围检查是否要求针对核心叙事明确要求“只分析与核心叙事直接相关的假设”输出质量忽高忽低输入素材不足或上下文污染检查输入信息量和对话历史每个标的开新对话提供尽可能多的原始素材置信度标注全是“高”指令未要求区分置信度检查置信度标注规则要求AI说明置信度判断的依据低置信度必须给出原因综合矛盾点找不到分歧四大师视角分析太浅检查各视角是否给出了独立判断要求每个视角先独立给出结论再做对比AI在中间步骤偷懒模型能力不足或指令太长检查模型规格和指令长度换用更大参数的模型或将指令拆成多步执行5. 从Skill到实战把分析框架变成决策习惯5.1 把Skill输出转化为可执行的观察清单Skill跑完一遍你得到了一份分析报告。但报告本身不产生收益把报告转化为观察清单才产生收益。我的做法是从四大师视角的分析中提取出“关键假设”每个假设对应一个可观察的指标。比如巴菲特视角假设“公司护城河能维持当前ROE水平”对应的观察指标就是“季度ROE是否低于某个阈值”。索罗斯视角假设“市场认知偏差还在强化”对应的观察指标就是“资金流向和情绪指标是否出现背离”。把这些观察指标写进一个表格定期更新。当某个指标触发阈值时你就知道该重新跑一遍Skill了。这种“分析-观察-触发-再分析”的循环比一次性分析有用得多。5.2 用Skill做持仓复盘的具体操作这个Skill不仅能用于买入决策用于持仓复盘效果也很好。具体操作是把你当前持仓的标的输入Skill让AI从四大师视角重新分析一遍。然后对比你当初买入时的分析看看哪些假设已经变化了。如果当初买入的核心假设已经被证伪那不管当前是盈是亏都应该考虑退出。我自己的经验是持仓复盘比买入分析更容易发现盲点。因为买入时你天然带有乐观倾向而复盘时你已经持有一段时间对标的的了解更深入AI的分析也更容易被你消化。5.3 多标的横向对比的Skill变体用法这个Skill还有一个变体用法同时输入多个标的让AI用四大师视角做横向对比。操作上你可以把指令改成“对以下三个标的分别进行四大师视角分析然后输出一个对比表格列出每个标的在每个视角下的核心判断和置信度。”这种横向对比的价值在于它能帮你发现“相对优势”。有时候一个标的单独看哪哪都不行但跟其他标的放在一起你会发现它在某个维度上的优势是稀缺的。反过来有些标的单独看很好但对比之后你会发现它的优势在行业内并不独特。5.4 我踩过的坑和最后分享的几个小技巧第一个坑是过度依赖AI的结论。Skill输出的是分析框架不是投资建议。AI说“巴菲特视角下置信度高”不代表这个标的就值得买。置信度高只说明这个视角下的分析依据充分不说明这个依据本身是对的。第二个坑是忽略时间维度。四大师视角的分析是静态的但投资是动态的。同一个标的在债务周期的不同阶段达利欧视角的结论可能完全相反。所以每次跑Skill都要明确当前的时间背景。第三个坑是忘了更新输入。用同样的旧数据反复跑Skill得到的当然是同样的结论。Skill的价值在于处理新信息没有新信息跑一百遍也是白跑。最后分享一个小技巧在指令末尾加一句“请用一句话总结如果只能给一个建议你会说什么”。这句话往往能逼出AI最核心的判断而且这一句话通常比前面几千字的分析更有信息量。我试过很多次这一句话的准确率意外地高。