企业官网建设流程全解析

QVeris · 方法分享

从安装 Skill、配置 API Key，到生成投研备忘录的一次实操复盘

最近我一直在思考一个问题：普通个人投资者，怎么把产业链研究做得更系统一点？

很多时候，我们看到一个投资主题，比如 AI、半导体、医药、机器人，第一反应可能是去搜新闻、看研报、翻公告、找公司列表。但真正做下来会发现几个问题：

第一，信息太分散。

一家公司有公告、财报、互动问答、新闻报道、行业文章，东一块西一块，很难快速拼成一张产业链地图。

第二，概念太多。

比如 AI 产业链里，有算力芯片、服务器、光模块、PCB、液冷、电源、先进封装、半导体设备、数据中心运营商。每个环节都有人说重要，但到底哪里是真正的"卡点"，并不容易判断。

第三，研究过程不稳定。

今天看光模块，明天看芯片，后天又看到液冷。信息越看越多，但研究框架没有沉淀下来，最后很容易变成"追热点"。

所以我最近尝试用Codex + QVeris跑了一套产业链卡点研究流程。我的身份不是专业机构研究员，而是一个行业研究爱好者和个人投资者。我的目标也不是让 AI 告诉我"买什么"，而是让 AI 帮我把研究流程标准化：先拆产业链，再找卡点，再用数据和公告去验证，最后整理成一份投研备忘录。

一、这个 QVeris Skill 到底是干什么的？

我这次使用的是一个 Codex Skill，名字叫：

CODE

qveris-supply-chain-research

简单说，它不是一个普通的聊天提示词，而是一套专门为产业链卡点研究设计的投研工作流。

它的核心功能，是帮助使用者从一个行业主题出发，系统完成下面几件事：

CODE

1. 把主题拆成产业链层级 2. 找出真正难扩产、难替代、难验证的卡点 3. 建立上市公司候选池 4. 调用 QVeris 数据能力，检查公司资料、财务报表、公告、新闻、行情等证据 5. 给出优先研究标的 6. 写清楚每个判断的证据、风险和反证条件 7. 最后整理成投研备忘录

如果用一句话概括：

这个 Skill 的作用，不是直接告诉你买哪只股票，而是帮你把一个投资主题拆成"产业链层级 → 核心卡点 → 候选公司 → 数据证据 → 风险反证"的完整研究流程。

比如研究 AI 产业链时，它不会一上来就给一个"AI 概念股名单"，而是先问：

CODE

AI 基建的瓶颈在哪里？ 是芯片？是光模块？是高速 PCB？是液冷？还是半导体设备？ 这些环节为什么难？ 哪些上市公司真正处在这些卡点上？ 有没有财务、公告和公司资料可以验证？ 什么情况会让这个判断失效？

这正是我觉得它有价值的地方。

普通 AI 更像是一个问答助手，你问什么，它回答什么。

而这个 QVeris Skill 更像是一套投研 SOP，它会要求 AI 按照固定步骤完成研究，不只是给结论，还要说明用了什么数据、调用了哪些 QVeris 能力、消耗了多少 credits，以及哪些证据还不够。

它背后的 QVeris 工作流主要分三步：

·Discover（发现）：搜索可用的数据工具——行情、公告、财务报表、公司资料、新闻等

·Inspect（检查）：查看工具参数、成功率、调费规则，确保用对工具

·Call（调用）：执行实际数据查询，获取研究所需的证据

这套流程对个人投资者尤其有帮助。

因为我们平时研究一个行业，很容易陷入"看了很多信息，但不知道怎么组织"的状态。而这个 Skill 能把研究过程固定下来，让每一次主题研究都按同一套框架展开。

以 AI 产业链为例，它能帮助我从"AI 很火"这个模糊判断，进一步拆成：

CODE

AI 算力芯片 光模块 / CPO 高速 PCB 液冷 / 电源 半导体设备 数据中心基础设施

然后再继续追问：

CODE

哪一层最难扩产？ 哪一层对下游影响最大？ 哪些公司离这个卡点最近？ 证据来自财报、公告，还是只是市场概念？ 如果需求不及预期，哪些判断最容易被推翻？

所以，我这次使用 Codex + QVeris 的目的，不是找一个"神奇答案"，而是验证一件事：

个人投资者能不能借助 AI，把产业链研究做得更像一套可重复、可追踪、可复盘的投研流程。

这篇文章就是一次完整实操复盘。

二、我是怎么安装这个 Skill 的

我使用的是 Codex。安装 skill 的方式很简单，直接在 Codex 里输入：

CODE

请帮我安装这个 Codex skill： https://github.com/QVerisAI/open-qveris-skills/tree/main/qveris-supply-chain-research

安装完成后，skill 会放在本地 Codex 的 skills 文件夹里。类似路径是：

CODE

C:\Users\你的用户名\.codex\skills\qveris-supply-chain-research

安装完成后，不代表马上就能调用 QVeris 数据。

因为 QVeris 是外部数据能力，需要配置 API Key。

03

三、配置 QVeris API Key

这一步对不熟悉命令行的人可能有点陌生，但其实不复杂。

在 Windows 里打开 PowerShell，然后输入：

CODE

[Environment]::SetEnvironmentVariable("QVERIS_API_KEY", "你的QVeris API Key", "User")

这里要注意两点：

第一，不要把真实 API Key 发给别人，也不要截图泄露。

第二，配置完成后，最好关闭 PowerShell 和 Codex，再重新打开。因为环境变量通常需要新窗口才能生效。

检查是否配置成功，可以在 PowerShell 输入：

CODE

if ($env:QVERIS_API_KEY) { "SET" } else { "NOT_SET" }

如果返回：

CODE

SET

说明配置成功。

如果返回：

CODE

NOT_SET

一般是因为当前窗口还没有读取到新配置。关闭 PowerShell 和 Codex，重新打开后再试一次。

这一步跑通之后，Codex 就可以通过 QVeris 调用相关数据能力了。

四、我如何向 Codex 提问

配置完成后，真正关键的是 prompt。

我不建议只问：

CODE

帮我分析 AI 产业链。

这种问题太宽泛，AI 很容易给一篇泛泛而谈的行业总结。

我更推荐用下面这种结构化提问：

CODE

用 QVeris 深度调研 AI 基建产业链卡点。 先拆产业链层级，再发现并检查行情、公告、新闻和公司数据能力， 调用必要数据源，给出 5 个上市公司优先研究标的， 说明用了哪些 QVeris 能力、预计付费 Call 次数和 credits， 以及什么情况会削弱每个判断。

这个 prompt 里面有几个关键点。

第一，明确主题：AI 基建产业链卡点。

第二，要求先拆产业链层级，而不是直接给股票。

第三，要求使用 QVeris 的数据能力。

第四，要求列出 credits，也就是调用成本。

第五，要求写反证条件，也就是"什么情况下这个判断会错"。

最后一点非常重要。

投研不是找理由证明自己对，而是要提前知道自己可能错在哪里。

五、QVeris 工作流：Discover、Inspect、Call

这套 skill 的核心是 QVeris 三步工作流：

·Discover（发现）：先搜索有哪些数据工具可用。比如做 A 股 AI 产业链研究，需要知道有没有行情工具、公告工具、财务报表工具、公司资料工具、新闻工具

·Inspect（检查）：查看每个工具的参数、成功率、调量规则、返回格式，确保用对

·Call（调用）：真正执行数据查询，这一步会消耗 credits，不能乱用

简单说：

Discover 是先找工具。

比如我想做 A 股 AI 产业链研究，就需要知道有没有行情工具、公告工具、财务报表工具、公司资料工具、新闻工具。

Inspect 是检查工具。

比如这个工具要传什么参数？成功率怎么样？一次调用多少钱？返回什么格式？

Call 才是真正调用数据。

这一步会消耗 credits，所以不能乱用。

我比较喜欢这个流程的一点是，它不像普通搜索那样直接乱抓信息，而是先搞清楚"我要用什么数据源、它能查什么、要花多少钱"，然后再调用。

这对于个人投资者很重要，因为我们不仅要控制研究质量，也要控制数据成本。

六、AI 产业链卡点怎么拆

以 AI 基建为例，我让 Codex 按照产业链卡点来拆，而不是按照市场概念来拆。

最后我得到的层级大致是：

·算力芯片层：GPU/ASIC 芯片设计，卡在算力核心位置，研发周期长，生态壁垒高

·互连/光模块层：光模块、CPO、交换机芯片，卡在数据传输带宽和延迟

·服务器/高速 PCB 层：AI 服务器、高频高速 PCB，材料和制造良率要求高

·电源与液冷层：高功率电源、液冷散热方案，随数据中心功率密度提升而成为约束

·数据中心基础设施层：数据中心建设与运营

·半导体制造设备层：上游制造设备、工艺、良率，影响国产芯片持续发展能力

这里面最有启发的是：

AI 产业链不是只有芯片。

很多投资者一提 AI，就先想到 GPU。但真正的大规模 AI 基建，是一个系统工程。

芯片只是其中一个核心环节。芯片之后，还有互连、服务器、PCB、电源、散热、数据中心、制造设备等一系列约束。

如果只看最热的概念，容易忽略真正难扩产的环节。

而卡点研究的目的，就是找到那些"产业必须用、扩产不容易、替代不简单"的位置。

七、案例：AI 产业链里的 5 类优先研究方向

这里我只把股票作为案例，不构成任何推荐。

在 AI 基建研究中，我更关注五类公司：

第一类，光模块 / 光互连公司。

逻辑是 AI 集群规模扩大后，服务器之间要传输大量数据。带宽、延迟、功耗都会成为问题。光模块和未来 CPO 方向，直接卡在数据传输环节。

第二类，AI 芯片公司。

这类公司卡在算力核心位置，但也面临研发、生态、客户验证和商业化问题。

第三类，高速 PCB 公司。

AI 服务器和交换机需要高频高速板，材料和制造良率要求高。它不像芯片那么显眼，但在产业链中很关键。

第四类，电源与液冷公司。

AI 数据中心功率密度提升后，供电和散热会越来越重要。过去它们可能是配套环节，现在逐渐变成基础设施约束。

第五类，半导体设备公司。

如果国产 AI 芯片要持续发展，就离不开上游制造能力，而制造能力又离不开设备、工艺和良率。

从这个角度看，AI 产业链研究不是找一个"AI 概念股列表"，而是画出一张约束地图。

八、最终输出：投研备忘录，而不是聊天记录

我建议每次跑完 QVeris 工作流后，都让 Codex 输出为"投研备忘录"格式。

可以这样要求：

CODE

把结果整理为投研备忘录格式。 必须包含： 研究范围、核心发现、证据表、风险与反证、QVeris 调用与 credits。 同时说明 QVeris Discover、Inspect、Call 的使用情况、 证据缺口和非投资建议声明。

这样做的好处是，研究结果会比较稳定。

一个合格的投研备忘录，至少要包括：

·研究范围：明确研究的主题和产业链边界

·核心发现：卡点分析的核心结论

·证据表：每个候选公司的数据证据来源（财报/公告/行情）

·风险与反证：什么情况下判断会失效

·QVeris 调用记录：使用了哪些工具、调用次数、credits 消耗

·证据缺口：目前还缺少什么数据

·非投资建议声明：所有结论仅为研究辅助

我觉得这一步很重要。

如果没有固定格式，AI 输出很容易变成一篇"看起来很顺"的文字，但缺少证据和反证。

而投研真正需要的是：结论、证据、风险、待验证事项。

九、这套方法适合什么人？

我认为这套方法适合三类人。

第一类，是个人投资者。

不是用来直接找买点，而是用来建立行业理解。尤其面对 AI、半导体、医药、机器人这类产业链复杂的主题时，它能帮助我们快速搭框架。

第二类，是行业研究爱好者。

如果你平时喜欢研究产业趋势，但苦于资料太散，Codex + QVeris 可以帮你把资料整理成统一结构。

第三类，是做投研辅助的人。

它可以帮助你更快完成候选公司筛选、数据核验、公告摘要和风险清单。

但它不适合一种场景：

如果你希望 AI 直接告诉你"明天买哪只股票"，那这套方法并不适合。

因为它的价值不是预测短期涨跌，而是提高产业研究效率。

十、我这次最大的体会

这次跑下来，我最大的体会是：

AI 不应该替代判断，而应该帮助我们把判断过程变得更清楚。

过去我研究一个产业，可能会先搜很多文章，然后看到一堆公司，最后脑子里很乱。

现在我会先让 AI 按卡点拆产业链，再用 QVeris 调公司资料、财务报表、公告数据，然后让它输出投研备忘录。

这样至少有三个好处：

第一，研究顺序更稳定。

不再是看到什么热点就追什么，而是从产业链约束出发。

第二，证据更清楚。

一个公司为什么进入候选池，是因为它处在关键卡点，还是只是概念相关，需要分清楚。

第三，风险更提前。

每个判断都要写"什么情况会削弱它"，这能避免自己只看利好。

对于个人投资者来说，这可能比单纯多看几篇研报更重要。

因为真正能长期提高研究能力的，不是某一次结论，而是一套可重复的研究流程。

十一、我沉淀下来的 SOP

最后，把这次流程整理成一个简单 SOP：

CODE

1. 确定主题 例如：AI 基建、半导体、医药、机器人。 2. 先拆产业链 不要直接问股票，先问产业链分几层。 3. 找卡点 看哪些环节难扩产、难替代、难验证、强监管、强客户认证。 4. 建候选池 先覆盖 20 家左右公司，再筛选到 3-7 家。 5. 用 QVeris Discover 找行情、公告、新闻、公司资料、财务报表能力。 6. 用 QVeris Inspect 看工具参数、成功率、计费规则。 7. 用 QVeris Call 调用必要数据源，重点看公司资料、财务、公告。 8. 输出投研备忘录 包含研究范围、核心发现、证据表、风险与反证、credits。 9. 做反证检查 每个公司都要问：什么情况会证明我的判断错了？ 10. 明确非投资建议 所有结论都只是研究辅助，不是买卖建议。

我现在比较常用的 prompt 是：

CODE

用 QVeris 深度调研【主题】产业链卡点。 先拆产业链层级，再发现并检查行情、公告、新闻和公司数据能力， 调用必要数据源，给出 5 个上市公司优先研究标的， 说明用了哪些 QVeris 能力、预计付费 Call 次数和 credits， 以及什么情况会削弱每个判断。 最后整理成投研备忘录格式。

十二、结语

对我来说，Codex + QVeris 这套组合的意义，不是让 AI 变成"荐股机器"，而是让个人投资者也能用更接近专业投研的方式做研究。

它帮我完成的不是最终判断，而是把研究问题拆清楚：

CODE

产业链分几层？ 真正的卡点在哪里？ 哪些公司离卡点最近？ 有哪些财务和公告证据？ 还有哪些证据缺口？ 什么情况会让判断失效？

这才是我认为 AI 在投研里最有价值的地方。

最后再次说明：本文只是个人工具体验和研究方法分享，文中提到的公司仅作为产业链研究案例，不构成任何投资建议、买入建议或卖出建议。投资有风险，具体决策需要结合个人风险承受能力，并独立判断。