1. 为什么说投研人正在“养虾”“养虾”这个词最近在投研圈的小范围聊天里出现频率越来越高。第一次听到的时候我也愣了一下以为是哪个农业研究员在分享水产养殖调研心得后来才明白这说的是沉淀自己的AI投研工具——就像养宠物、养绿植一样需要持续喂料、换水、观察状态才能慢慢长大。说白了投研人“养虾”养的是一个高度贴合自己研究框架的智能分析助手。它不是装个通用大模型、问几个问题就完事而是要把数据源、分析逻辑、输出格式都调教成真正顺手的样子。过去半年我在这上面折腾了不少从试错到成型中间踩过的坑和沉淀下来的经验足够写成一篇完整的实操笔记。这篇文章适合谁看如果你每天要处理大量研报、公告、会议纪要经常觉得自己被信息淹没如果你已经试过用通用AI工具辅助研究但总觉得回答太“泛”、不够贴合自己的行业框架如果你想知道别人到底是怎么把AI用到日常投研流程里的——这篇文章就是给你准备的。我会把“养虾”的完整思路、具体步骤、参数怎么设、哪些地方容易翻车全部摊开来讲。2. 一只能干活的“虾”长什么样既然要养总得先搞清楚目标形态。我自己对一只合格“虾”的定义经历过好几轮迭代最早以为能问答就行后来发现远远不够。2.1 “虾”不是聊天机器人是研究流水线多数人刚开始接触AI投研都是从聊天开始的“帮我总结一下这份纪要”“解读一下这次政策”。这种用法也没有错但它的天花板很低——每次都要重新交代背景、重新组织素材输出质量全看临场发挥而且积累下来的内容散落各处没法形成体系。真正值得养的“虾”本质上是一条半自动的研究流水线。你扔给它一堆原始材料它按照你预设的框架吐出结构化的成果事件速览、影响路径推演、受影响标的梳理、需要持续跟踪的指标。这个过程应该是可重复的、参数可调的而不是每次聊出一个不重样的答案。我拿自己熟悉的消费行业举个例子。每周我会把渠道调研纪要、草根数据、上市公司公告打包丢给“虾”让它按固定模板输出周报草稿。包括本周核心变化、重点公司动向、景气度打分变化、异常信号提醒。一开始这个模板很粗糙后来反复调整了几版现在出的东西大概能直接省掉我60%到70%的初稿时间。2.2 “虾”的核心能力拆解一只真正能打的“虾”我拆下来至少有四块核心能力第一是情报聚合能力。能把不同来源的碎片信息归拢到同一个分析框架下而不是各说各话。比如渠道数据说动销放缓、公司公告说渠道改革推进、三方数据说终端库存环比提升三条信息单独看都有道理合在一起才看得出公司节奏和渠道反馈之间到底有没有背离。第二是框架调用能力。不同行业、不同情景需要不同的分析框架。看周期股和看消费股逻辑完全不同看事件驱动和看基本面反转打法也不一样。“虾”得能按指令切换框架而不是永远用同一套万金油逻辑。第三是痕量信号捕捉能力。海量信息里最值钱的往往是那些不起眼的小变化。一个表述从“稳步推进”变成“加快推进”一个区域从“动销良好”变成“动销平稳”这类细节靠人肉眼扫过去很容易漏但对理解基本面边际变化相当关键。第四是观点沉淀能力。聊过的判断、做过的推演必须能沉淀下来形成记忆下次遇到类似情景可以直接调用。否则今天聊完明天就忘等于白养。2.3 明确它的能力边界当然“虾”不是万能的。我自己最早犯的错就是指望它替我得出结论后来发现这既危险也不现实。它补上最合适的定位是“高质量助手”不是“决策替身”。它对客观信息的聚合整理、逻辑一致性校验、结构化输出确实比人高效得多但对主观判断、综合多方因素之后的取舍权衡还得自己拍板。尤其是涉及估值判断的时候我会让它把多空逻辑完整列出来、把敏感度测算跑出来但最终给什么估值、下什么结论必须自己过一遍脑子。这个边界想清楚之后我对“虾”的态度就从容了该交给它的交给它该自己守住的自己守住合作起来反而顺手。3. 养“虾”前的准备工作和整体架构说干就干但上手之前有些准备工作没做到位后面会很别扭。这节讲清楚我要准备什么、为什么这么准备。3.1 先想清楚一个核心问题用它解决什么痛点每个人做研究痛点是不一样的。有人是被海量信息淹没有人是觉得自己的框架不够稳定有人是想把常规工作量压下来、腾出时间做深度思考。我的情况比较典型日常要在六到八个细分行业之间切换每个行业都有自己的跟踪指标和关键变量脑子里装的东西太多导致反应速度和跟踪连续性都不够好。所以我的核心诉求很明确——让“虾”帮我把每个行业的常规跟踪自动化形成稳定的“行业状态快照”我只需要看异常和变化不需要每周从头到尾全过一遍。这个诉求想清楚之后后续所有配置都有了方向数据源怎么选、输出模板怎么建、提醒机制怎么设全都围绕这个核心痛点来。3.2 数据源取舍不是越多越好数据源这块我的原则是先做减法再做加法。它像做菜的食材食材好不好和挑得准不准直接决定成品上限。宁可少而精不要多而杂。我目前主用的数据源大概分四类。第一类是定期报告包括年报、半年报、季报重点看经营数据和管理层讨论。第二类是日常公告关注股权变动、担保、并购、回购这些事件性信息。第三类是三方行业数据比如渠道跟踪、价格数据库、销量数据用来交叉验证上市公司口径。第四类是会议纪要包括公司交流纪要和渠道调研纪要这些非结构化信息往往藏着最新变化。每一类数据进来之前我都会问一个问题这个数据源能不能稳定更新如果不能稳定更新就算信息价值再高也不要纳入常规流程。这和养虾一个道理喂食不难难在稳定配给。3.3 我用的整体架构基础模型加工作流组合架构上我没有自己训练模型也没有用什么特别高深的技术整体思路就是基础模型加工作流组合。底层是一个能力足够强的通用大模型负责理解、推理、生成上层是我自己搭的几个固定工作流用来处理不同类型的任务。具体来说分三步输入端收集和标准化原始材料处理端运行预设的分析框架和模板输出端生成结构化成果并沉淀到记忆库。这套架构的好处是非常灵活。基础模型能力升级了我直接换底层就行工作流不用重写同样某个行业的上游逻辑变了我只需要调整对应的工作流参数不用动全局。我当时选型时对比过好几套方案最后留下来的是Allen口径的混合方案后面会细说。想表达的核心点是工具形态无所谓关键是架构逻辑能跑通——数据进得来、处理有框架、输出能复用。4. 核心工作流设计从喂料开始准备工作做完说点关键的。所谓“养虾”最核心的部分其实是设计工作流下面逐步拆解。4.1 第一步设计“投喂”标准格式信息进来之后要喂给“虾”吃但不能什么格式都收。我踩过最深的坑就是一开始不管格式原文整篇往里丢结果处理效率和输出质量都不太理想。后来我总结出一套标准实践不管是哪类材料进入工作流之前先做一轮标准化处理。具体来说声明类信息保留关键字段日期、主体、事项、影响研报类信息提炼核心观点、论据、风险提示纪要类信息按问答结构拆解把发言人和时间节点标注清楚。这套标准化过程我目前有一半是靠自动化完成的另一半还是人工辅助。完全自动化在现阶段不太现实因为很多纪要内容有前后文背景需要结合具体场景来判断哪些信息该保留。标准化之后的好处立竿见影处理效率明显提升输出的结构化程度也更稳定后续回溯的时候能快速定位到原文出处。4.2 第二步框架设定是“虾”的灵魂如果说投喂是让它吃得进框架设定就是决定它消化成什么样。这步没做好后面说什么都白搭。我每个行业都建了一套自己的分析框架以我熟悉的新能源上游为例这套框架大概是这样的供需平衡表是基础。它最本质的就是供需平衡表价格是供需的结果库存是供需的缓冲。核心变量拆解要清楚。供给端看新增产能投放节奏、存量产能开工率需求端看终端装机量、传导时间差。价格和利润的传导链条要摸清。上游价格变化传导到中游材料、下游电芯的时点和幅度里面有很多微观细节值得琢磨。关键跟踪指标要定义好。哪些数据是周度更新的哪些按月看哪些只按季度确认频率不同判断逻辑就不同。这套框架建好之后我把它对应成一套结构化指令让“虾”每次分析都按照这个框架来组织输出。不会今天给你讲供需明天给你讲技术路线后天给你讲政策逻辑不能漂移。4.3 第三步确定“虾”的输出形态输出形态我调整了很多轮现在基本固定成“一图两表一结论”。“一图”是核心逻辑传导路径把事件怎么影响行业、怎么影响公司、关键跟踪节点是什么用文字描述加结构化列表的方式呈现降低阅读跳跃感。“两表”分别是受影响标的梳理表和跟踪指标变化表。前者把相关公司按受影响程度分层后者把核心指标的边际变化列清楚。“一结论”是我最看重的一块——用一段话说清楚当前阶段的核心矛盾是什么、需要验证什么、什么信号出现意味着判断要修正。排版上不需要花哨但要清晰地承载分析逻辑。我试过表格和纯段落混合排版全表格太碎全文字又难抓重点现在这套组合基本平衡。5. 实操细节参数怎么定、工具怎么选讲完工作流设计实操环节还有几个东西值得单独拎出来说都属于容易被忽视但影响体验的细节。5.1 “投喂”频率和时机设置投喂频率直接关系到分析连续性。太密浪费时间太疏又跟不上变化中间这层平衡需要自己摸索。以我自己为例日频更新的数据保持每天喂一次周频数据和纪要材料集中在每周五下午梳理一轮公告和突发信息做到实时触发只要刷新到就进工作流。这个节奏运行了几个月整体平衡感还行。按这个节奏每周“虾”能大概消化和市场动态相关的新数据点数量级在几千个左右。数据量级比我预期的大不少但运行稳定后基本不需要额外用力维护。5.2 模型参数设定经验谈大模型的几个关键参数里面温度设定对输出质量影响最大值得反复实验。我用的方案是低温为主、中温为辅。日常分析类任务温度设定在0.2以下让输出尽量确定、稳定头脑风暴类任务或者探索性讨论温度放到0.7左右允许它联想更远。这个参数千万别一个值用到底具体任务不同最优参数也不同。上下文长度方面我的经验是多层摘要加关键片段保留而不是盲目堆全文。一次喂太多内容输出质量容易下滑后来改成把长文档预先拆成摘要片段再按需拼接进入上下文问题大幅缓解。5.3 记忆库的设计和维护“虾”能不能越用越聪明关键看记忆库设计。我采用的方案是双层结构一层是事实库存放公司和行业基本面数据另一层是判断库存放之前做过的分析和结论以及它后续是否有变化。事实库的维护相对简单数据更新了直接替换旧值。判断库的维护要麻烦一些它的价值在于复盘时的偏差分析——当时基于什么信息做了判断后来哪些数据改变了判断需要如何修复。这套机制跑通之后能明显感受到时间越久积累越厚。6. 常见问题和排查踩坑记录这轮实操下来问题没少遇到过把印象较深的几个坑实录放在这里能帮看到这篇文章的人省不少功夫。6.1 输出泛泛而谈全是正确废话最常遇到的问题就是输出内容信息量太低讲一堆正确但没用的东西。排查下来通常有两个原因。一是指令不够具体。让它“分析行业趋势”它给出的一定是正确的废话让它“分析近三个月锂盐价格波动的影响重点看库存周期位置和下游补库意愿输出用三句话讲清传导路径”质量就会不一样。另一个原因是信息投喂不足。它没有足够高质量的事实素材只能靠大模型的通用知识来补结果当然泛泛。解决方向就是两条主线同步做优化指令的约束性同时提高素材质量。缺哪条补哪条基本不会偏离方向。6.2 推理过程幻觉一本正经胡说八道比泛泛而谈更需要警惕的是它一本正经地编出貌似合理的信息。排查原则就一条所有硬数据必须能溯源溯源不到的一律打标记。我在指令里加了一条硬性规定——“涉及具体数字、日期、公司名称时必须标注信息来源找不到出处的信息明确标注‘推测’”。严格执行之后胡说八道的比例明显下降能快速发现并纠正可疑信息。6.3 框架漂移前后两套逻辑对不上有时候明明设好了框架它却会在具体执行中越跑越偏。原因大多数是任务表述有点模糊模型在不同解读之间切换了。解决办法是把框架嵌入到每个任务的具体指令里而不是只在开头设定一次。我习惯写一个“项目描述”当成工具的开场信息系统每次执行都先加载开场信息系统里的内容再做具体分析框架稳定性好很多。6.4 我的“养虾”检查清单以上这几个方向我整理成一张清单每次配置或调优的时候过一遍。“虾”状态异常时也能快速定位到问题模块。需要检查的要点大概有框架稳定性、数据时效性、输出可溯源性、记忆库一致性、参数匹配度、投喂频率合理性。每个季度做一次大排查平时发现问题随手修正。7. 投研人“养虾”这件事的再思考做到现在这个阶段我对“养虾”这件事的理解比最开始深了不少。它本质上不是工具问题而是工作习惯问题。工具能省力但它替代不了你对研究本身的投入。一个重要体会是养成系工具的价值曲线是前低后高的。刚开始投入产出比很差、经常怀疑自己在瞎折腾一旦跑顺了积累效应开始发挥作用后面每一份投入都在前面的积累上做增量。这个过程最需要的是耐心它和养虾挺像的前期喂料换水看不到明显变化过了那个阶段才能看到状态变化。如果看到这里你也有点心动我的建议是不用急着搞一整套庞大体系从一个小场景入手就好。选一个你日常最花时间的任务把它用“虾”跑通再逐步扩展。我最早就是从“每周纪要整理”这一个动作开始的慢慢才扩展到今天的完整体系。最后分享一个实操中的小偏好我习惯在每周复盘的时候让“虾”把这一周所有的输出重新汇总一遍做一次“本周研究视角回顾”。有时候能看到当时被忽略的关联性这种复盘对修正下一步方向很有帮助也算是我个人用得最顺手的一个技巧。