不是简历 是一张工作台

我把一次投研拆成几个固定检查项：基本面、技术面、新闻和情绪、风险、组合视角、评分卡和报告。每个角度单独看，再合到一份可以回头追溯的记录里。

如果只靠临时搜索，研究很容易变成确认偏误：先有一个判断，再去找能支持它的材料。我想把反对意见、风险和不确定性也固定进流程里。

一个分数很有诱惑力，因为它看起来干净、快速。但投研里最有价值的往往不是分数，而是分数背后的假设、证据质量、分歧和过期风险。

它只能帮我整理和提醒，不能替我承担仓位、回撤和判断错误。金融相关工具如果说得太满，反而会把最重要的风险藏起来。

导入材料，拆出知识节点，生成下一步路径，再让系统主动追问。它还要记住用户上次停在哪里，而不是每次都从一段新的总结重新开始。

总结很容易看起来有用，但它不一定让人真的继续。更重要的是：下一步该看哪里，哪里没懂，为什么卡住，上次停下的原因是什么。

长期记忆不能只是保存聊天记录。保存太多会变成噪音，保存太少又接不上学习过程。它必须判断哪些信息真的会影响下一次继续。

知识抽取和解释都可能错，主动追问也可能变成打扰。一个学习产品如果前几分钟不能给人推进感，用户很快就会回到原来的工具里。

我想从宠物出行路线切入，再连接宠物友好商家、服务和商品。后来我把每条路拆开看：谁提供供给，谁负责履约，用户为什么愿意付费。

路线规划看起来像软件问题，但很快会碰到地图、交通、商家信息、宠物限制和实时变化。服务看起来像平台问题，但最后落到商家合作、质量控制和线下履约。

我低估了成熟平台的优势。路线有携程、高德、滴滴这类入口；商品有山姆、盒马和成熟供应链；服务又需要长期运营和线下资源。

有需求不等于有商业模式。一个小团队不能只因为场景存在，就默认自己能做出供给、履约、获客和复购。

我会先找更窄的入口，而不是一开始就做“宠物版携程”。如果最小场景都不能独立成立，大平台式想象只会把问题放大。

公司质量、行业位置、财报变化、竞争格局、估值和市场预期。一个公司长期很好，并不自动意味着现在就是好的买点。

写文章时可以把时间拉得很长，但买入以后要面对波动、仓位、机会成本和睡不睡得着的问题。观点会被价格和时间逼着变具体。

强叙事很容易让人只看支持材料，比如算力需求、CUDA 护城河、客户需求这些关键词。越是顺的故事，越要写清楚什么情况会推翻它。

不只看赚亏，也看当时的信息是否完整，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。