真实项目 说明我在做什么

我把个人投研流程拆成多个 agent：基本面分析、技术面分析、新闻和情绪、风险分析、组合视角、评分卡和报告生成。它的目标不是直接告诉用户买还是卖，而是把不同角度的信息组织成一份结构化报告，让研究过程可以复查。

我自己做美股研究时发现，最大的问题不是缺信息，而是信息太散、时间太碎、观点容易被单一叙事带走。多 agent 的价值在于把不同检查项固定下来，逼自己每次都看风险、估值、市场情绪和反对意见。

金融 AI 产品不能只输出一个分数。一个分数看起来很高效，但会把假设、证据质量、分歧和不确定性全部藏起来。真正有用的投研辅助工具，应该告诉用户：这个结论基于哪些信息；哪些信息可能过期；哪些地方存在分歧；什么情况会推翻原判断。

这个项目最难的不是生成报告，而是数据质量、时效性、来源引用、模型幻觉和合规边界。AI 可以帮助减少盲区，但不能替代仓位管理、风险承受能力和最终判断。它必须被描述成研究辅助工具，而不是投资建议。

产品流程是：导入书籍、PDF 或学习材料；抽取知识节点；生成学习路径；AI 主动追问用户；记录用户上次停在哪里；下一次继续从真正有意义的位置恢复。核心想法是“不是我找知识，是知识找我”。

我觉得很多学习工具只解决“存下来”的问题，没有解决“继续学下去”的问题。用户不一定缺材料，更多时候是缺路径、缺反馈、缺被追问，也缺一个能记住学习状态的系统。

AI 学习产品如果只是总结内容，很容易变成另一个笔记软件。真正的价值应该是推动学习过程：告诉用户下一步学什么、为什么学、哪里没懂、哪一段需要回看，以及上次为什么停住。

这个方向最大的问题是可靠性和持续使用。知识抽取可能不准，AI 解释可能看起来完整但其实有错，长期记忆也不能只是保存聊天记录。它必须判断哪些信息真的影响学习进度，否则记忆越多越乱。另一个问题是用户动力：如果几分钟内感受不到推进感，很快就会放弃。

我做过需求判断、产品方向设计和商业化复盘。方向包括宠物出行路线规划、宠物友好商家连接、宠物服务、宠物商品、软件订阅等。后来我把每条路径都拆开看：谁提供供给，谁负责履约，用户为什么付费，小团队有什么优势。

这件事让我真正意识到：有需求不等于商业模式成立。用户可能会抱怨宠物出行麻烦，但不一定愿意为一个新平台持续付费。就算愿意付费，也要有人能稳定提供服务、保证质量、处理线下问题。

如果做宠物商品，会遇到山姆、盒马、成熟品牌和供应链竞争，小团队没有价格、品质和渠道优势。如果做宠物服务，就需要商家合作、线下履约、服务质量控制和长期运营。如果做路线规划，会碰到携程、去哪儿、高德、滴滴这类平台的能力和流量优势。

如果依赖 AI 自动规划 A 到 B 的宠物出行方案，模型要同时处理地图、交通、商家、宠物限制、用户偏好和实时信息。当时 AI 的可靠性不够，错一次就可能影响用户真实出行，所以不能只因为“AI 能生成方案”就认为产品可行。

一个创业想法不能只问“有没有需求”，还要问：谁来履约，谁来供给，用户为什么现在就付费，我们比大平台更窄的入口在哪里，团队资源能不能支撑。这个项目失败的价值，在于让我更早理解产品可行、商业可行和资源可行是三件不同的事。

我持续关注 AI 基础设施、公司质量、财报、竞争格局、估值和市场叙事，也把 NVIDIA 等公司研究写成公开文章。研究时不只看公司好不好，还要看现在的价格是否已经反映预期。

真实投资和写观点不一样。写观点时可以说一个公司长期很好，但真正买入时必须面对买点、仓位、波动和机会成本。一个公司再优秀，也可能因为估值过高、预期过满或周期变化而不是好买点。

个人投资者很容易进入信息茧房，只看支持自己判断的材料，也容易被一个强叙事吸引，比如 AI 基础设施、CUDA 护城河、算力需求等。研究必须写清楚什么情况会推翻观点，比如增长放缓、毛利率变化、竞争格局变化、客户需求下降或监管风险。

复盘不能只看赚钱还是亏钱，而要看当时的决策过程是否合理：信息是否完整，风险有没有提前写出来，仓位是否匹配确定性，结论有没有反证条件。这也是我把“投资研究 / 行业理解”作为一个大方向的原因。