蒸馏投资分析Skill

做了一个小实验：把一批公开投资文本整理成一个可以被 AI 调用的 Skill。

最开始想得很简单。既然一个人长期公开表达投资观点，把文本丢给模型，总能得到一份他的选股方法吧。听起来很高效，也符合大家对 AI 的直觉：输入足够多，模型替你总结结论。

真正开始做才发现，这条路很容易做出一个危险的东西：语气很笃定，看起来什么都懂，却没有证据边界的投资老师。这不是我想要的 Skill。

我没有继续总结该买什么

这批材料里反复出现了一套看法：先找产业里正在发生的增长，再看行业是否有共同的经营改善，最后才追问公司为什么会成为更直接的受益者。收入、订单、供需、产品变化、盈利质量，比一句看好重要得多。

如果只把这些话压缩成几句结论，Skill 很快会滑向现在该买什么。可原始表达中的高置信度，既不是经过审计的业绩，也不是对未来的保证，而且带着当时的市场阶段、信息环境和作者自己的风险承受能力。

因此最后做的是一个研究模板。面对一个公司或行业，不直接给买卖指令，而是按这样的顺序追问：

1. 增长究竟来自需求、供给、政策、产品，还是只是一个漂亮叙事？
2. 行业改善是普遍现象，还是某一家公司的一次性波动？
3. 这家公司凭什么比同行更受益，证据落在哪些可以持续跟踪的经营变量上？
4. 哪些新信息会推翻这套判断？

我感觉最有用的是这些问题的顺序。它会先逼着我分清事实、原作者的主张和由材料归纳出的推断，然后再决定研究要不要继续。

实现上不能只写一个很长的 Prompt

最开始也想用一个很长的 Prompt 把所有材料塞给模型。做完第一轮整理后，发现三类东西会混在一起：原文中的直接判断、我从多段材料归纳出的框架，还有要依赖最新披露才能成立的市场事实。模型能把它们写得很顺，却不会自动告诉我，哪一类不能直接拿来行动。

因此把实现拆成了三层。资料层只放本地快照、来源索引和语料边界；Skill 层只写能在多个场景里复用的研究问题；使用层要求每次具体分析都补上新的公告、财报或行业数据。这样拆是因为归纳出来的框架可以复用，但是里面的具体事实判断，每次用之前都得重新查。

还加了一个很朴素的验收：每个核心模型都要能指向原始材料中的多个不同场景，每一条看起来像操作建议的话，都要同时写出局限和反证条件。第一次检查时，有些表达很有气势，却只有单一案例支撑，我把它们删掉或者降了级，没有为了让 Skill 看起来更聪明而留着。

这个实验也让我重新想了 Agent 和 Skill 的分工。Agent 负责在当下收集信息、组织问题和执行检查。Skill 保存的是复盘之后还值得重复执行的流程，不应该假装自己已经知道市场答案。后面如果加入更多投资类 Skill，我会继续放在同一个项目里，各自保留语料边界和验证记录，不把所有观点揉成一个什么都知道的总提示词。

中间走过的一条弯路

中间有一个具体的修正。一开始，我试着把文本里的强势、景气、回调这类说法整理成可以操作的规则，很快就卡住了：什么叫景气结束？什么叫合理回调？没有完整仓位、交易记录、失败样本和可复现的风险约束，这些词一离开上下文，就只剩下事后解释的空间。

因此把它们从行动规则降成了待验证假设。比如回调不再直接当作机会的信号，要先复核一次：增长逻辑还在不在，竞争、库存、价格、负债或估值有没有变。让利润奔跑也不能翻译成死扛，前提只能是不断出现支持原判断的新证据。

改完之后 Skill 用起来少了些爽感，但是更接近一个能长期用的工具。投资里代价更大的错误，往往不是少赚，而是把没验证过的观点当成了确定性。

我现在怎么使用这个 Skill

使用时会先给出结论强度：证据不足、值得继续研究、出现多维一致性，或者已经出现反证。然后把材料拆到几个固定栏位：景气、公司优势、业绩、供需和风险。

每一栏都问一句，这是已经核验的事实，还是解释？如果是解释，下一份财报、公告或行业数据出来后，怎样才算它被推翻？

这样做比让模型直接下判断慢，但是能少犯两个常见的错：只挑支持自己观点的信息，以及看到价格变化后再倒推一个看似完整的理由。Skill 消灭不了偏差，但是可以要求每次分析都写出反证、检查最新披露。

还有一些东西不能被蒸馏

把经验写进 Skill，并不等于拿到了经验本身。信息渠道、行业积累、对会计细节的敏感度、对波动的承受能力，以及在真实资金面前能不能执行，这些还在人身上。

因此给这个 Skill 刻意加了几条限制：不提供具体证券的买卖点、仓位和收益承诺；涉及当下事实时必须重新查证；把来源中的直接观点、归纳出的推断和已核验的事实分开；不把漂亮的历史案例当成可以复制的价格路径。

也没有把原始文本和来源身份放进公开文章。公开表达值得尊重，复述、归档和再利用也应该有边界。