别让AI“扮演专家”冒充专家本人:公司研究真正需要的是证据视角,不是角色扮演
AH-0081给了一个很聪明的学习方法:先让AI把企业拆成课程,再分别从技术、商业模式、组织、竞争、财报和估值去学。这个框架值得保留。 但原文有一句必须纠正:因为提示词让Gemini“扮演某位真实专家”,随后得到一份详实报告,就认为“报告内容来自这位专家的真实观点”。 这一步不成立。 ## 角色扮演只能模拟视角,不能自动证明观点归属 提示“你是Stephen Haber / Andrew Ng /
别让AI“扮演专家”冒充专家本人:公司研究真正需要的是证据视角,不是角色扮演
AH-0081给了一个很聪明的学习方法:先让AI把企业拆成课程,再分别从技术、商业模式、组织、竞争、财报和估值去学。这个框架值得保留。
但原文有一句必须纠正:因为提示词让Gemini“扮演某位真实专家”,随后得到一份详实报告,就认为“报告内容来自这位专家的真实观点”。
这一步不成立。
角色扮演只能模拟视角,不能自动证明观点归属
提示“你是Stephen Haber / Andrew Ng / 某投行分析师”,模型会利用训练与检索到的信息生成一个可能符合该人物研究领域和公开表达风格的回答。
它不能自动保证:
- 每一句都确实由本人公开说过;
- 没把二手总结混入本人观点;
- 没把模型自己的推断写成人物立场;
- 没引用过时观点;
- 没把两个相近概念拼成一句从未出现过的话。
- 产品/技术视角:产品解决什么约束,关键技术指标如何映射到产品形态。
- 客户视角:谁付钱,采购为什么发生,替代方案是什么。
- 单位经济视角:收入、毛利、销售成本、算力/资本开支、现金转换。
- 产业链视角:供应商、客户集中、瓶颈、替代性、议价权。
- 管理层视角:管理层在10-K/10-Q/电话会里明确承诺了什么。
- 反方视角:哪一条核心假设如果错了,估值逻辑会断。
所以以后不写“让AI扮演专家”。
更严谨的任务应该是:
> 用某位专家公开可核验的研究框架做分析;每一个归属于专家本人的观点必须附原始出处。
“视角”可以模拟,“观点归属”必须取证。
企业研究最好从“角色”升级为“证据视角”
一家公司至少可以从六种视角研究:
每一种视角都需要不同证据,而不是不同“角色语气”。
财报研究里,原始资料优先级必须高于模型结论
对美股公司,SEC EDGAR当前仍提供公司10-K、10-Q、8-K、注册文件及XBRL数据的公开检索。公司Investor Relations页面、财报电话会材料、产品文档、客户公告,也应进入一级来源。
一个更稳的研究顺序:
Primary Source → Structured Extraction → Question → Model Analysis → Cross-check → Judgment
而不是:
Model Persona → Report → 再找资料证明它。
后者很容易出现confirmation bias:模型先讲了一个漂亮故事,你随后只找支持它的材料。
Deep Research有价值,但“会搜”不等于“会证明”
Google当前的Gemini Deep Research可以用Google Search,也能选择或加入Drive、Gmail、上传文件和NotebookLM等来源,并会先生成研究计划。
这非常适合做:
- 找资料;
- 建时间线;
- 比较多来源;
- 列未知问题;
- 生成研究地图。
但模型仍应该被要求把结论分成:
- Source Fact
- Source Interpretation
- Model Inference
- Unknown / Needs Verification
如果没有这一层,越“深”的报告越可能让未经证明的推断显得像事实。
“多个AI交叉验证”也不是事实核验
原文建议用多个付费AI互相验证。它可以发现不同思路,但两个模型得出同样答案,不代表事实成立。
因为它们可能:
- 使用相似公开资料;
- 继承同一个二手错误;
- 对同一个模糊问题使用相似推理捷径。
真正的交叉验证是:
结论 ↔ 不同原始来源
而不是:
模型A ↔ 模型B
双模型更适合做“找盲区”,不适合做“投票决定真相”。
一个公司研究课程应该怎样写
这批把原Prompt改成“Evidence-first Research Syllabus”:
Module 1:公司到底卖什么
输出:产品、客户、付费单位、替代方案。Module 2:技术如何创造/限制价值
输出:关键技术指标、依赖、不可替代性和失效条件。Module 3:钱从哪里来、花到哪里去
输出:收入结构、毛利、费用、CapEx、现金流。Module 4:产业链与竞争
输出:客户/供应商集中度、替代路线、竞争反应。Module 5:管理层叙事与兑现
输出:过去四个季度承诺→实际结果表。Module 6:估值只做情景,不做神谕
输出:Bull/Base/Bear三种假设以及各自的falsifier。网站资产:Company Research Evidence Lab
本批实际生成 company_research_evidence_lab.html。
它不会告诉你某只股票该不该买。你填一个研究结论,例如“公司有定价权”,再填支持它的证据来源、时间、原文摘录、反证和失效条件,工具会检查:
- 有没有一级来源;
- 结论是否超出证据;
- 是否把人物视角误写成人物原话;
- 是否有falsifier;
- 是否需要更新日期。
AI最适合帮你加速研究流程。
但越靠近投资判断,越要记住:
> 模型可以模拟一个聪明人的问题,不应该替那个聪明人签名。