企业官网建设流程全解析

直接说结论：这笔钱花得值。注意，我说的值，不是指它替我挑出了什么稳赚代码，而是它把一项原本需要我连续加班两三天、抱着Excel表对数据对到想吐的工作，压缩成了半天，还顺手逼我重新理顺了一套基本面分析的标准口径。用AI把A股前600家上市公司的基本面轮一遍，这件事做之前我以为难点在"跑数据"，做完之后我才发现，真正的坑全在数据之外：口径、幻觉、批量设计的边界、以及怎么让模型输出一份你敢拿去用的结论。

这篇帖子的内容就是完整复盘这次实操：思路怎么来的、钱花在哪、指标怎么选、600家怎么分批跑、中间踩了哪些坑、最后怎么校验。不吹不黑，纯粹是个人经验记录。看完你至少能明白一件事：用AI筛基本面真正节约的其实是"读报表摘要"的时间，而真正费时间的，永远是那些AI帮不了你、必须你自己拍板的判断。

1. 为什么非要筛600家：一次给自己设的压力测试

1.1 600家这个数字是怎么定的

最开始我其实想的是"全市场五千多家全筛掉"。后来算了一笔账：A股现在五千多家公司，这里面有大量上市时间很短、市值极小、财务数据口径混乱的小票，把它们全部纳入初筛，不仅接口调用次数翻好几倍，还会显著拉低结果信噪比。与其贪多嚼不烂，不如先聚焦在"市值排序靠前、行业代表性够用"的600家。

600家覆盖的是A股里流动性和关注度最高的一批公司，行业分布相对均衡，财报数据也更规范。这600家如果跑完，基本就能代表上市公司里最值得研究的那个梯队。换句话说，我用600家把"数量广度"和"数据质量"做一个折中。你如果自己手里有更聚焦的行业名单，其实不用非得抄这个数字。

1.2 为什么Excel做不了这件事

有人可能想问：基本面筛选不就是算几个财务指标吗？用表格软件拉数据、写公式、排序，完全能做，为什么要上AI？

因为纯表格只能做"计算"，做不了"阅读"。一家公司的基本面好不好，不能只看净资产收益率或者营收增速这两个数字，你得把这些指标串起来看：毛利率下降的同时周转率在上升，说明什么？应收账款暴涨但现金流没跟上，又说明什么？这些跨指标的逻辑判断，表格软件是没法替你归纳的。

AI的价值不在于把指标算得更准，算数本来就该交给程序。AI真正有用的地方，是能基于你给的结构化字段，生成一段有逻辑的定性判断，相当于替你把"年报里最值得关注的点"压缩成了三句话。这件事，人工做太慢，表格做不了，AI正好补上。

1.3 2000块的账，我是这么算的

很多人一看到"花了2000块"就觉得贵，其实拆分下来一点都不夸张。我做了一张成本表，给大家一个参考：

实际跑下来，数据接口费用比预算略低，模型接口费用略高，总盘子基本控制在2000元上下。如果你想压缩成本，最有效的办法不是换便宜接口，而是减少每次请求的输入输出长度，后面第四节我会专门说这个。

2. 数据源、指标口径、AI工具：动手前必须想清楚的三件事

2.1 数据源怎么选，决定了后面所有工作

选数据源我的经验是三条标准：覆盖面全、字段表头稳定、能批量下载。市面上常见的财经数据接口不少，但很多免费接口字段命名混乱，今天叫"净利润"，明天叫"归母净利润"，代码里光适配字段就够折腾。

我最后选了按调用次数计费的付费接口。不是说免费接口一定不行，而是付费接口通常有更统一的数据字典，字段缺失率也低得多。600家公司的数据集，一次拉错就是成百上千条脏数据，后面清洗的功夫比重跑一遍还贵。这个钱省不得。

提示：不管用哪家数据源，第一步先下载两到三家你熟得不能再熟的公司的数据，人工核对一遍。数据口径错位，后面所有分析都是在沙子上面盖楼。

2.2 基本面指标别贪多，四类指标各抓两三个就够了

刚开始我列了一个超长指标清单：每股收益、每股净资产、收益质量、存货周转、总资产周转、销售费用率……什么都想塞给模型。后来发现指标过多，AI输出反而泛化，抓不住重点。我重新收敛了一下，做成了下面这个核心矩阵：

以一家典型的消费类公司为例：如果净资产收益率18%、毛利率30%、净利率12%，同时营收增速只有8%，资产负债率40%，那AI应该把它定性成"稳健型"而不是"高增长型"。这类跨结构判断，就是我要AI做的核心工作。

2.3 口径统一这件事，得在数据进模型前解决

这是老生常谈，但实操中真的特别容易翻车。就拿"净利润"这个字段来说，至少有归母净利润、扣非归母净利润、含少数股东损益净利润好几个口径。如果横向对比的600家混用了多个口径，排名直接失真。

我的做法非常粗暴：所有公司统一用"扣非归母净利润"做横向对比。扣非剔除了非经常性损益，更接近一家公司的真实造血能力。你说它不完全公平也行，但在600家这种规模的初筛里，统一口径比追求个别公司的精确更重要。

2.4 AI工具选型：不要太早绑定单一模型

我这次试了两家主流大模型API做交叉验证，没有点名哪家更好，因为我发现各有所长：一家逻辑归纳更稳，适合生成结构性评价；另一家对中文财报措辞的理解更顺，适合解读公告片段。所以我的建议是别把鸡蛋放一个篮子，至少让两家模型各自跑一批，再看输出差异。

工具上是直接调API再用脚本批量请求，没有用现成的聊天界面，因为600家数据如果靠人工一条条复制粘贴进对话框，成本早就爆了。脚本化是必须的。

3. 实操全流程：从股票池清洗到AI批量打分

3.1 搭建候选池：先用简单规则砍一刀

我先按市值排序取前800家，然后按几个硬性规则做剔除：上市不满一年的剔除；剔除数据缺失超过三成的；剔除无法确认最新报告期的。这步做完剩下约600家整。

这个"先砍一刀"的思路非常重要。初筛的目的是尽量把有明显瑕疵的标的挡在门外，保住后续分析的质量。不要舍不得剔，基本面筛选本来就是一个漏斗，前面漏掉一些边缘标的，后面才有精力对留下的重点公司做更有价值的研究。

3.2 批量采集与本地落盘

数据不是直接喂给AI的，流程是：代码拉取 → 存本地数据库 → 抽样核验 → 按批导出。

我用的工具组合很简单：脚本批量请求，返回的JSON统一解析后落到本地数据库里。为什么要落本地？一是接口数据源偶尔会有调整或回补，本地留一份原始快照，后面发现问题可以追溯；二是断点续跑更方便，哪批挂了能从相应分组重来，不用全量再拉一遍。

下面一段伪代码是我当时的采集思路，给你参考：

for company in stock_pool: fields = fetch_annual_report(company.code) if fields is None or missing_ratio(fields) > 0.3: continue store_to_localdb(company.code, fields)

重点是：所有原始字段先原样入库，不要在处理过程中顺手改掉精度。你永远不知道后面会不会需要重新核对某个数。

3.3 设计AI提示词模板：让每家公司用同一套分析框架

这一步是整个项目的核心中的核心。AI能不能稳定输出，不取决于模型有多强，而在于你的输入框架有没有把它的自由度限制住。

我的提示词模板大概是这样的结构：

你是一名基本面研究助理。以下是一家公司的核心财务指标，全部来自最新报告期。 请严格基于我给出的字段，从三个角度分析： 1. 盈利质量：重点看净资产收益率、毛利率、净利率的匹配度； 2. 成长稳定性：结合营收与净利润同比，判断增速是否有质量； 3. 财务风险：结合资产负债率、流动比率、经营现金流，识别潜在风险。 每个角度不超过100字，最后给一个0到100的基本面强度分。 如果你认为数据不足以判断，请直接说“数据不足”，绝对不能编造任何我没有提供的数字或事件。

这个模板看起来简单，但里面有三个设计很关键。第一，明确要求AI"严格基于我给出的字段"，从源头掐掉编数据的可能性；第二，分角度限定字数，防止输出几百字废话；第三，给了AI一个"数据不足"的合法出口，让它在面对残缺数据时不会强行脑补。

3.4 批量跑批：60家一组，断点续跑

600家一次全部塞给API，既不现实也没必要。我按6个批次，每批100家来跑。每批跑完就把结果写回本地库，保存一份带批次的标记。这样即便中途接口报错，也能从失败批次重新开始，不至于前面全部白跑。

跑批过程大概是这样：

• 第一批我先放了10家做试跑，确认输出格式稳定后再放量；
• 每批次之间稍作停顿，避免触发接口限流；
• 输出结果统一存JSON，后面再做字段解析。

这步没有太多技术含量，但很考耐心。如果你打算照做，我的建议是不要在晚上睡觉前跑批，因为一旦半夜接口报错，你第二天看到的就是一个半途而废的任务。最好白天边干活边盯。

3.5 人工复核与最终打分矩阵

AI输出完不代表结束，我额外做了一层人工规则校验。重点看几个容易出问题的分支：

通过这一道复核，600家公司最终被分成五档：基本面稳健、基本面较好、基本面一般、基本面偏弱、数据不足。后面再要做什么深度研究，可以直接按档位分层抽样。

4. 踩坑实录：这些坑比预想中更深

4.1 AI幻觉：把A公司的数据安到B公司头上

这是我最想提醒你的一件事。大模型不是数据库，它非常容易在长篇上下文里把某家公司的特征串到另一家公司上。我在试跑阶段就让AI点评一家公司，结果它把另一家公司的产品优势写进来了，要不是我对那家公司足够熟悉，这个错误就埋进正式结果里了。

解决办法有三个层次。第一层：尽量把输入字段全部结构化，不给模型自由发挥的文本空间；第二层：提示词里明确声明"不提供字段信息就视为数据不足"；第三层：在人工复核阶段用规则引擎跑一遍，比如把AI提到的关键数字，跟原始库里的字段做一个简单一致性校验。

4.2 财报口径错位：同比增速错得离谱

有一批公司跑出来营收同比增速普遍高得吓人，我还以为是出现了什么高增长集群，后来一排查发现是数据源把"单季度"和"年初至今"两个口径混在一起。你想想，如果拿一季度的数去对比去年全年，增速当然虚高。

我的解决办法是只保留最新一期定期报告的年度累计字段，不用任何跨期间拼接。同时，在数据入库时强制记录报告期标识，凡是报告期不一致的数据，直接拒绝入池。

4.3 API成本失控：钱是怎么悄悄烧掉的

我预算模型调用大概900块，结果第一批100家跑完就烧了小一半。排查之后发现两个原因：一是模型返回的格式不稳定，我为了让输出变严谨，在提示词里加逻辑链说明，结果每次返回都带出一大串解释；二是输入里带了太多用不上的公告原文，token直接爆掉。

优化办法也很实在：把提示词里的解释改成"尽量简洁、不超过指定字符"，输出格式则让它"必须按要求返回JSON字段"，一次成功的重试成本远比分次失败低。成本压下来之后，我才真正理解"提示词工程"这四个字有多值钱。

4.4 结果不能直接当买入信号

这是我最想强调的一件事。初筛出来的"基本面强"公司，只能说明它过去一段时间的财务报表结构不错，不代表它未来股价会上涨。基本面强跟能赚钱之间，还隔着估值位置、行业景气、市场情绪、流动性、政策变化等一大堆因素。

所以我把这次结果定位成"候选池"，不是"买入名单"。池子里的标的，后面还要做估值拆分、产业链对比、管理层质地分析。初筛的价值是缩小范围，不是替代决策。

5. 事后复盘：如果重来一次我会怎么做

5.1 该加大投入的不是模型，而是数据清洗

实操跑完，我最大的体会是：整个流程里最花时间的环节不是AI调用，而是数据清洗与口径核对。我大概统计了一下，真正的模型生成摘要只花了两三个小时，而数据采集、清洗、口径校验、人工复核加起来花了超过四倍时间。

所以如果再来一次，我会把更多预算花在数据质量和字段完备性上，而不是追求更强的模型。模型能力早就够用了，瓶颈永远在"喂给模型的数据是不是可信"。

5.2 提示词模板值得反复迭代

第一次跑批的提示词和最后一次的提示词，之间改了至少五版。从开始的大段自由发挥，到最后严格限定角度和字数，输出质量提升非常明显。建议你在正式跑600家之前，先用20到30家的交叉验证集把提示词打磨稳定，再放量。

5.3 这套流程完全可以扩展成每周增量跑批

600家整批跑完是一个里程碑，但它不应该就此终止。财报季度更新之后，完全可以把增量逻辑做成定时任务，只跑最新报告期有变化的公司，再跟上一期结果做差分。这样下来，你手里就等于有了一张持续更新的基本面温度表。

我个人后续的计划，是把基本面打分结果跟行情数据做延迟相关性回测，看看哪些指标对后续半年的表现更有区分度。这套东西做好之后，筛600家的平均成本会进一步下降，因为框架已经稳定，剩下的只是维护和更新。

说到底，用AI做基本面筛选这件事，真正的门槛不在工具贵不贵，而在你有没有把自己的判断标准想清楚。工具永远在进步，但你怎么定义"好公司"，这件事只有你自己能答。