企业官网建设流程全解析

研究完一家公司以后，真正应该问AI什么？这个问题我想了很久。前面四篇我写了怎么搭工具、怎么把年报塞给大模型、怎么建指标库，但真正让我觉得AI在投研里开始值钱的，是第五件事——把资料看完之后，怎么问问题。

很多朋友跟我聊，说他们也用AI看公司，但问来问去就是"这家公司怎么样""能不能买""目标价多少"。AI给了一大堆正确但无用的废话。问题真不在模型，在提问方式。研究完一家公司以后，真正应该问AI的，从来不是"股价会涨吗"，而是那些能逼着AI帮你检验逻辑、挑毛病、补盲区的问题。这篇文章就把我这两年在实战里沉淀下来的提问思路、完整流程、判断答案的方法，以及踩过的坑，全部摊开讲。适合已经会拿AI读财报、做纪要的进阶用户，也适合刚开始用AI做个股研究的普通投资者——按这套方法来，你能少走至少半年的弯路。

1. 研究完公司以后，为什么反而不知道该问什么

1.1 信息过载之后的三个错误姿势

研究一家公司的正常流程，是读年报、翻研报、看行业数据、听电话会纪要，最后手里堆了一堆资料。但资料多和结论清晰是两回事。大多数人卡在这个阶段，就是因为不知道该拿这一堆资料干什么。我见过的错误姿势，典型的有三种。

第一种，把AI当算命先生。开口就问"这只股票什么时候能涨""目标价多少""现在能不能买"。这本质上是在要求一个语言模型给出它根本不可能给出准确答案的预测。你得到的结果，往往是"综合考虑市场环境、公司基本面……仍存在不确定性"这类正确的废话，除了安慰自己，没有任何决策价值。说句不好听的，如果AI真能稳定预测股价，它早就不干这活了。

第二种，把AI当搜索引擎的升级版。问"这家公司的主营业务是什么""毛利率多少""市占率多少"。这些信息你自己翻财报就能看到，AI的回答只是帮你省了翻页的时间，并没有增加任何认知增量。这类问题问得再多，你对这家公司的理解也不会深一分。

第三种，把AI当裁判。你已经有了一个倾向性结论，于是问"我觉得这家公司很好，你觉得呢"。大模型天生倾向迎合提问者的立场，你给它一个"好"的预设，它多半能帮你找出一百个"好"的理由。这不是分析，这是自我确认。

这三个错误的共同点，是把一个需要思辨的过程退化成了查答案。AI在这样的提问下，发挥不出它真正的比较优势。

1.2 把AI当百科全书，是投研里最大的浪费

我后来想明白一个特别贴切的比喻：AI不是一本会说话的百科全书，而是一个绝佳的辩论陪练。它知识面广、反应快、不怕累，而且完全没有面子包袱。你给它一个你信以为真的结论，它可以扮演最严格的对手来攻击你；你给它一堆矛盾信息，它能把矛盾点一条条拎出来摆在你面前；你给它一个估值模型，它能帮你检查里面的假设哪些站不住脚。

所以，研究做完以后问AI什么，本质上是另一层意思：我的想法哪里可能错了？我漏掉了什么关键变量？如果我是空头，最有杀伤力的论据是什么？这些问题不是为了得到一个标准答案，而是为了获得一次高质量的思想碰撞。

顺着这个思路，我把实战里最有用的提问分成了四类。下面逐个拆开讲，每一类我都会给出可以直接抄走的句式。

2. 四类高价值问题：让AI帮你验证、证伪、拆解、补盲

2.1 证伪类问题：逼着AI站到你的对立面

这四类问题里，如果只能记一类，我强烈推荐证伪类。它的核心句式是：请你站在某个对立立场，攻击我的结论。

举我自己的例子。我之前看好一家消费公司，理由是品牌力强、渠道下沉空间大、管理层优秀。如果你拿这个理由去问AI"你看好这家公司吗"，它大概率会给你一段四平八稳的分析，最后来一句"综合来看，值得长期关注"。但我换了一种问法：

"假设你做空这只股票，请用三个最具杀伤力的论据，分别反驳'品牌力强、渠道下沉空间大、管理层优秀'这三个逻辑，并说明每个论据需要什么样的证据支撑。"

这一下，AI的回答质量完全不一样。它指出了品牌力强可能是靠高额营销费用堆出来的、渠道下沉可能面临老经销商利益冲突、管理层优秀但缺乏股权激励绑定导致代理风险，等等。这些说法不一定全对，但每一条都值得你去做二次核查。这就是反向验证的价值：它把你的结论当成靶子，而不是当成前提。

进阶版本可以加角色设定："请扮演一位在港股市场业绩排名前五的做空机构分析师，你正在撰写一份针对该公司的做空报告，请列出报告摘要、三个核心论点、每个论点对应的证据清单，以及你认为财务上最脆弱的数据科目。"你会发现，立场设定得越具体，AI攻击得就越不留情面。反过来，如果只是泛泛地问"这家公司有什么风险"，AI给你的就是"宏观经济波动风险""行业竞争加剧风险"这类放之四海而皆准的废话，说了等于没说。

2.2 验证类问题：把"感觉公司好"翻译成可检验的命题

第二类，是把你心里那些模糊的判断，翻译成可以被事实检验的命题。很多人看好一家公司，理由经常是"感觉管理层很靠谱""感觉赛道不错""感觉产品有爆款潜质"。这种"感觉"在跟AI对话时，是应该被重点打磨的对象。

具体句式是这样："我判断这家公司的护城河来自品牌和渠道，请用波特五力模型逐项检验这个判断，指出哪个维度最可能被颠覆，以及颠覆的先兆指标是什么。"

或者这样："我跟踪这家公司三年，认为它的收入增长主要靠提价而非放量，请根据我提供的财务数据，帮我计算过去三年营收增速里量价各自贡献的比例，并判断这种结构在什么条件下会恶化。"

你发现没有，验证类问题的价值在于，它把"我觉得它好"变成了"如果它真的好，那么在数据上应该表现为A，在行业格局上应该表现为B，在用户反馈上应该表现为C"。AI能帮你把这个"应该表现为什么"逐条列出来，然后你和它一起拿着真实数据去对照。AI不能替你验证，但它能帮你设计一整套验证方案。这一步做完，你对一家公司的判断，就从"直觉"变成了"待检验的假设"。

2.3 拆解类问题：把好公司拆成看得懂的增长引擎

第三种，是把你欣赏的一家公司大卸八块。股价长期看由什么决定？核心是两个东西：业绩和估值。业绩又由收入、成本、费用、利润这条链决定。很多人看公司只看一个总体印象，比如"增速不错""利润率挺高"，但没有拆到驱动因子层面，所以一旦问"未来哪些因子会变"，就答不上来了。

你可以直接这样问AI："请把这家公司上年度的利润增长拆解为四个因素：收入增长贡献、毛利率变化贡献、费用率变化贡献、税率变化贡献，分别计算每个因素的拉动百分点，并告诉我哪个因素最不可持续。"

这个拆解的杀伤力很大。一家公司表面上利润增长30%，拆完你可能发现，其中有20个点来自一次性资产处置收益，主营业务利润实际在下滑。不拆，你根本看不出这种"虚胖"。AI特别擅长做这种归因计算，前提是你把干净的财务数据喂进去。

还有一类拆解是业务结构拆解："请将公司收入按产品线拆分，列出每条产品线的收入占比、增速和毛利率，标识出哪条线是未来的主要增长引擎、哪条线已经进入平台期。"如果整个研究停留在"公司很好"的层面，AI再聪明也帮不上忙；一旦拆到产品线、渠道、区域、客户结构，AI就能在每个维度上帮你找异常、做对标、算趋势。

2.4 补盲类问题：问出你认知边界之外的变量

最后一类最容易被忽视，但也最容易出彩：让AI帮你找盲区。人的认知再全面，也永远存在不知道自己不知道的东西。尤其是跨行业研究的时候，新手很容易踩进"用常识套特殊行业"的坑。

补盲类问题的标准模板是："我在研究一家新能源材料公司，已经看了它的产能、客户和成本结构。请告诉我，这个行业里有哪些变量在历史上对股价产生过重大影响，但大多数新手不会注意到的？请给出至少五个，并解释每个变量为什么重要，以及我可以通过什么数据来源去验证。"

AI给出答案之后，你的工作不是全盘接受，而是挑出那些你之前确实没想过、且逻辑上说得通的项，去查数据、读资料、交叉验证。我的经验是，这类问题经常能问出一些行业圈内人默认懂、但研报里不会写的东西。比如库存周期的位置、应收账款账龄的分布、补贴政策对不同产品规格的差异化影响，等等。这些变量，恰恰往往是股价拐点的真正推手。

四类问题讲完，但光知道分类还不够，最重要的是把它们组织成一套可以重复执行的流程。下面写完整的实操闭环。

3. 完整实操闭环：从公司卡片到多轮追问

3.1 第一步：把研究结论结构化，填一张公司卡片

我的习惯是，每次研究一家公司，不管用什么工具，都先填一张固定的公司卡片。这张卡片是给AI提问的原料，也是你自己研究的骨架。别嫌麻烦，填完这张卡片，你对公司的理解至少清晰一倍。

卡片大概长这样：

这张卡片的核心意义在于：它把"我研究过这家公司"从一种感觉，变成了一个可以被攻击的结构。AI面对结构化输入给出的反馈质量，远超面对一段碎碎念的研究笔记。说得更直白一点，"研究完一家公司"在AI投研语境下，不是"资料看完了"，而是"我有一张可以交给任何专业人士去评估的卡片"。

3.2 第二步：用"一司三问"法设计提问清单

卡片填好后，我用一个固定的模式来组织AI提问，我管它叫"一司三问"。不是只问三个问题，而是把提问组织成三个轮次，每轮围绕一个明确目标。

第一轮，问画像。让AI基于卡片内容，用它的知识库补全你对公司的理解。具体提示词："以下是我对某公司的核心理解卡片【粘贴卡片】，请指出我的描述中有哪些可能的事实错误、有哪些关键领域空白，并补充你认为重要的行业背景。"这一轮是在校准事实，同时帮你发现卡片里的坑。有时候你自以为是的观点，在这一轮就会被AI泼一盆冷水。

第二轮，问攻防。把2.1到2.4四类问题批量丢给它：看多方逻辑是否成立、空方最有力的论据是什么、哪些增长驱动最脆弱、有哪些认知盲区。这一轮是认知提升最大的部分，也是你后续研究笔记的重点素材来源。

第三轮，问行动。把前两轮产生的分歧点、疑问点整理成清单，让AI帮你排序："以上这些风险和疑问，请按'对公司价值影响的严重程度'和'我验证它的难度'两个维度打分，最终给我一张优先验证清单。"这一轮输出的，是一张你接下来两周的研究任务表。

三轮问下来，你的研究状态就从"我看了很多材料"升级成了"我知道自己在哪些问题上还不确定，并且知道下一步该查什么"。很多人以为投研最重要的是勤奋，其实不是，最重要的是知道自己的不确定性在哪里。

3.3 第三步：用追问链把模糊回答压缩成清晰边界

AI投研里有个很常见的现象：第一个回答往往比较泛。你问"这家公司风险有哪些"，它给出五个点，每一点都四平八稳。别停在这里，追问的功夫决定了AI回答的上限。

追问有两种有效的方向。一种是往下钻："你说的行业竞争加剧风险，具体指哪类竞争对手？他们的产能、份额、技术路线和这家公司有什么不同？如果竞争真的加剧，最先体现在哪个财务科目上？"这一路追问，是把抽象的风险逼到具体的指标上。

另一种是反过来逼它表态："在我们刚才对话的语境下，请忽略那些放之四海皆准的宏观风险，只保留你认为对这家公司最独特的三个风险，并且按重要性排序。"你会发现，当你要求AI做取舍而不是罗列时，它的回答会忽然变得锋利很多。

我建议把每一轮追问控制在三轮以内，超过三轮边际收益就明显下降，而且容易陷入AI顺着你的话头无限延展的境地，越聊越空。追问的目的是压缩模糊，不是无限发散。聊到后面如果发现AI开始车轱辘话来回说，说明这个问题已经问到头了，该换下一个。

4. 判断AI答案靠不靠谱：四个过滤器

问得好是一回事，AI的回答能不能信是另一回事。金融领域里，AI说错一个数字、记错一个时间点，都可能让决策方向跑偏。我自己的做法，是对所有AI回答过四个过滤器。

4.1 过滤器一：数据新鲜度检查

这是最容易被新手忽略的一条。通用大模型的训练数据有一个截止时间，它脑子里记着的最新财报、最新股价、最新政策，很可能是几个月甚至几年前的事。你问它"今年一季度营收怎么样"，它可能会给一个看似流畅、实则完全不对的答案。

我的规矩是：凡涉及具体数字、具体时间、具体事件的回答，一律要求AI标注"这个信息来自我训练数据的哪个时间范围，如果存在时效性风险请明确说明"。更稳妥的办法是，根本不让AI依赖记忆里的最新数据，而是自己把最新财报数据贴给它，让它基于你提供的数据做分析。记住，AI是分析引擎，不是行情终端。

4.2 过滤器二：逻辑一致性测试

AI最擅长顺着你的逻辑一路说下去。你给它一个"公司会越来越好"的预设，它给出的分析往往也是越来越好的方向。怎么检验它是不是真的在思考？做个简单测试：在提问里加入一句"如果你发现我的前提有误，请直接打断并指出，不要继续顺着我的逻辑分析"，然后看它是不是真的会在某个地方反水。

一个有价值的AI回答，不会全程同意你，它至少会在一两处明确说"这个前提可能有问题"。如果它的回答从头到尾完美顺滑、毫无异议，你反而要警惕——多半是你问的问题太封闭，或者你的提示词让它不敢反驳。这时候换个角色设定，再来一轮证伪问法。

4.3 过滤器三：信息来源溯源

大模型会一本正经地编造不存在的报告、不存在的数据。它甚至能在你追问来源时，给出一个标题看起来很像真的、实际上完全不存在的"某某证券研报"。我在实战里被这种幻觉坑过不止一次。

对策很简单：涉及关键论断时，强制它给出来源，然后自己再去核对。凡是它说"某报告指出""某数据显示"，都不要直接采信，而是把它说的关键数字放进搜索引擎或数据库里搜一遍。把AI的答案当作线索源，而不是事实源，这是用AI做投研的第一原则。

4.4 过滤器四：立场与层级标记

最后一个过滤器，是要求AI做立场标记。我通常会在提示词末尾加一句："请在你的回答中明确区分事实、常见观点和你自己的推断，并在最后列出这个结论在什么条件下会不成立。"

这句话的作用，是逼着AI把事实和观点分开。大多数情况下，AI给你的回答是观点和事实缠绕在一起的，这对决策非常危险。一旦它明确区分了，你就能知道哪些部分是必须自己核实的事实，哪些部分只是它基于概率的推断。我曾经靠这个方法发现，AI一个看似笃定的结论，其实大部分是推断，只有不到一半是它实际读取过的数据。没有这层标记，我差点就把推断当成事实用进了决策。

5. 我的AI投研翻车实录与避坑清单

说到判断AI答案靠不靠谱，我应该把自己踩过的坑也摊开讲一讲。这些坑比方法论更有说服力，也更能帮你看清AI的边界。

5.1 翻车一：看似专业、实则过期的估值答案

有一次我研究一家制造业公司，偷懒让AI直接根据我提供的几个指标估算合理估值区间。它很流畅地给出了"按25倍PE给估值，对应目标价多少元"的结论，逻辑听起来头头是道。好在我习惯性地去核对了它引用的每股收益数字，才发现它把这家公司两年前的EPS当成了最新的。数据一换，目标价差了将近四成。

那次翻车让我定下一条铁律：永远不让AI替你算最终估值，而是让它帮你检查估值过程中的假设。具体来说，我提供收入预测、利润率、股本数等每一个输入，让AI做敏感性分析，看哪个参数对结论影响最大。至于目标价这个输出，我只把它当参考，绝不当结论。

5.2 翻车二：把模板化回答当成个性化结论

还有一次，我把一家消费公司的问题抛给AI，它给出的判断几乎复述了我之前在某篇研报里看到的主流观点。我当时还觉得"AI和我想到一块去了"，直到我用证伪问法追问了一轮，才发现它对这家公司根本不了解，只是按照大众化的消费股分析模板，套了一个平均化的结论。

从那以后我加了一个固定动作：用完AI之后，一定反向再问一遍——"以上结论里，哪一条是我这家公司的独有特征，而不是任何消费股都适用的共性描述？请逐条给出具体的公司数据支撑。"如果它支支吾吾，说明前面的分析大概率是模板套话，需要重新做。这个动作看起来简单，但能过滤掉大量的平庸输出。

5.3 避坑清单速查表

把这两三年遇到的坑汇总成一张表，放在这里供大家随时自查：

这张表现在就贴在我电脑显示器旁边。每次跟AI聊完一家公司，我先把回答过一遍这张表，再决定哪些内容进研究笔记、哪些内容当废话删掉。这套流程走下来，能省掉大量被AI带偏的时间。

6. 可以直接抄走的提问模板库

最后一部分给实操。我把这两年用得最顺、改得最成熟的提示词模板放出来，你直接复制，改掉公司名和关键词就能用。

6.1 通用十问：任何公司都能用的问题清单

我把前面讲的四类方法浓缩成一份十连问清单，这个清单我几乎每家公司都会过一遍：

1. "请用一句话总结这家公司的商业模式，并指出如果只能保留一个变量用来追踪它的经营健康度，这个变量应该是什么、为什么。"
2. "基于我提供的三年财务数据，请计算并列出每个增长驱动因子（销量、价格、产品结构、并购等）对收入增速的贡献，并标注每个因子的可持续性。"
3. "假设你要撰写一份做空报告，请给出三个最犀利的论点，以及每条论点对应的可验证证据，越具体越好。"
4. "我判断这家公司的护城河来自【填入你的判断】，请用框架逐项检验，并指出最可能被侵蚀的那一条以及侵蚀的先兆指标。"
5. "这家公司过去五年利润增长中，有多少来自经营性现金流、多少来自应收账款扩张？如果利润质量有问题，最可能出现在哪个科目？"
6. "请站在至少三个不同立场（长期股东、短线交易者、竞争对手CEO、监管者、行业分析师）分别评价这家公司，并明确每个立场的核心关切。"
7. "这个行业历史上，有哪些变量曾经对同类公司的股价产生过重大影响，但新手极容易忽略？请列出五个，并说明每个变量的验证方法。"
8. "请把公司将要面临的行业变化，拆成'已经发生的、正在发生的、可能发生但尚未显现的'三个层级，分别说明对公司的量化影响。"
9. "在合理情况下，这家公司三年后的收入、利润率、ROE各是多少？请给出基准情形、乐观情形、悲观情形，并说明每个情形对应的核心假设。"
10. "根据我们这几轮对话，总结我目前最大的认知盲区是什么，并给我下一步需要优先核实的三个问题。"

第10条需要你有连续的对话记录。我的经验是，坚持用同一个会话维护一家公司的研究，AI对你的上下文理解越深，提问质量越高。研究完一家公司不要东一句西一句地开新窗口，让AI记住你之前说过什么，后面的问题才能问得越来越准。

6.2 进阶脚本：三个典型场景的追问模板

除了通用十问，还有三个特定场景的追问脚本，价值密度很高。

场景一，检查一个具体的投资结论。"我打算【短期/中期】关注这家公司，主要原因是【你的原因】。请告诉我，在你的评估中，这个原因在多久之内最可能被证伪？如果它被证伪，我应该通过什么数据在第一时间察觉？"这个问题特别适合在买入前做最后一遍压力测试。

场景二，看完财报后的快速质检。"这是公司最新的财报关键数据【粘贴数据表】。请帮我检查：1)哪些数据与上一季度或去年同期相比出现异常波动；2)哪些增长看起来质量不高，比如靠应收账款、存货堆积、一次性收益；3)如果要给管理层提三个财报电话会问题，你会提什么？"这个脚本我每个财报季都会用，替我省了不少读报表的体力活。

场景三，公司对比。"我把A公司和B公司的关键财务指标都贴出来了【粘贴对比数据】。请不要直接说哪家更好，而是列出这几年里两家公司分化最明显的三个财务维度，解释这种分化背后的经营原因。最后告诉我，如果必须二选一，我会因为错选A或B而错过什么？"注意这里我特意要求AI不要直接给结论，而是给分化维度和机会成本。这个问法能逼着AI做真正的比较分析，而不是和稀泥。

这些脚本的共同特征，是强迫AI给出可以被验证、边界明确的回答，而不是泛泛而谈。哪怕AI给的答案只有六成靠谱，只要边界清楚，你就能用人工核查把剩余的四成漏洞补上。这比你自己从零开始读一百份材料高效得多。

我个人的体会是，这一路走过来，真正让我投研水平提升的，不是AI告诉我多少正确答案，而是它逼着我把话说清楚、把假设摆上桌、把漏洞一个个补上。研究完一家公司以后你会问AI什么，其实决定了你是一个只会收集信息的人，还是一个真正在用信息做判断的人。这两者之间的差距，比任何模型版本更新都大。