企业官网建设流程全解析

最近总有人在后台问我同一类问题：天天刷到“AI投研”“大模型炒股”，为什么自己拿 ChatGPT 问财报、问行业，得到的东西要么是车轱辘话，要么干脆感觉像在瞎编？我自己做投研工具链也有几年时间，说句实话，问题通常不出在模型上，而是出在大家把 LLM 当成一个“什么都会的问答入口”，买了个顶级厨具却只会拿来煮方便面。

真正想把 AI 用到投研里，让它稳定产出高质量内容，核心是沉淀一套skill——也就是给大模型装上的“专用技能包”。这不是单个提示词，而是一组带着流程、条件、边界和输出规范的标准化作业程序。有了 skill，AI 才能从一个“泛泛而谈的聊天机器人”变成“懂行、有章法、能复盘的投研助手”。

这篇文章就把我一直在用的 AI 投研 skill 完整拆开来讲，从设计思路到具体的 skill 脚本，再到实操里的坑和排查方法，全部摊开说。不管你是做行研、量化、自媒体内容，还是单纯想帮自己管理投资决策，这套方法论应该都能直接抄作业。

1. 为什么投研特别需要“skill”而不是普通提示词

1.1 投研的痛点是“结构化缺失”

投资研究这个场景和其他内容生成场景差别很大。写一篇文章，结论偏一点问题不大，但投研的判断直接连着资金和风险，不能容忍逻辑跳跃、数据错误和标准漂移。典型痛点有三个。

第一，标准不统一。同样一份财报，今天让 AI 出一版“营收增速分析”，明天又问一个“毛利率变化怎么看”，两次结果可能格式完全不同、重点完全错位。你很难把结果归档，更没法横向对比。

第二，缺少必要的推理链条。投研最核心的动作是“数据 → 事实 → 判断”。普通提示词往往让模型直接跳到判断，跳过了验证数据来源、校准口径、排除噪音的中间环节。比如问“某公司是不是值得投资”，模型会直接给你五条理由，但每条理由背后对应的财务证据是什么、哪些指标需要进一步确认，它统统不给你。这就是典型的“结果正确但过程不可复现”。

第三，上下文越聊越散。每次对话都是全新开始，模型记不住你上次关注的重点。真正做投研的人需要连续性，需要让 AI 理解你关注哪些指标、警惕哪些风险、使用什么逻辑框架。

这三点，正好是 skill 能解决的。

所谓 skill，你可以理解成一个结构化作业包。它包含：任务定义、输入要求、执行步骤、条件判断、输出模板、自查清单。模型拿到手之后，不是自由发挥，而是按流程跑完每一个环节。就像厨师做菜，普通对话是“你看着做一道鱼”，skill 则是“清蒸鲈鱼的完整工序卡，每条步骤都有标准”。

1.2 一个 skill 包的基本结构

我设计投研类 skill 时，固定用下面这个骨架：

• skill 名称与适用场景：明确这是干嘛用的。例如“财报速读”“行业景气跟踪”“事件影响推演”。
• 输入字段：模型需要你提供什么。比如公司代码、财报报告期、关注重点。
• 执行步骤与约束：先干什么、后干什么、哪些不能做。比如“先提取指标，再对比历史趋势，最后给判断，禁止在缺少数据时臆测”。
• 推理要求：必须展示推演过程，而不是只给结论。这里我会要求模型把“数据支撑”和“逻辑推断”明显分开。
• 输出格式：固定的 Markdown 结构，方便直接归档、复用和后续追踪。
• 自检清单：输出前应当自查一遍。比如“是否所有数据都有出处”“是否有逻辑断层”“是否存在幸存者偏差”。

有了这个骨架，你可以根据自己的研究方向改出无数个 skill，而不需要每次从零开始调教 AI。

2. 投研 skill 的整体设计：先想清楚你要 AI 做什么

2.1 拆解投研工作的核心环节

在动手写 skill 之前，得先梳理投研工作的全流程。我习惯把投研拆成五个环节：

1. 数据采集：从财报、公告、行情、研报、新闻中拿到原始信息。
2. 信息结构化：把非结构化文本变成表格、指标、标签。比如从新闻里提取“事件主体、时间、影响业务线、涉及金额”。
3. 分析判断：套用分析框架，比如波特五力、杜邦分析、景气度指标，得到结论。
4. 风险识别：站在反面找问题，做压力测试和多空检验。
5. 决策辅助：结合组合情况给出仓位、操作、跟踪节点建议。

普通用户把 AI 当搜索引擎用，只覆盖第 1 步。真正有效的投研 skill，至少要把第 2 到第 4 步覆盖住，第 5 步则要看你的需求来定。

以我常用的“财报 skimming”为例。很多投研者看财报只看利润、收入、毛利率，这是远远不够的。完整的流程应当包括：先看资产负债表变动（特别是债务结构和应收项），再看现金流量表（利润是否为真金白银），最后才回到利润表和收入质量。这个流程，可以写成 skill 内部的分步指令，模型依次落实，输出一份结构化简报。

2.2 按“信息层级”设计 skill 的深度

我把 skill 分成三个观测级别，你在选择时可以参考：

• L1 摘要级：输入财报文本，输出关键指标摘要。适合快速扫雷和生成跟踪清单。
• L2 分析级：不仅摘指标，还要执行趋势对比和结构分析。比如毛利率连续三个季度下行，就给出可能原因与需要验证的数据点。
• L3 推演级：在最深一层，模型承担“研究员”角色，要综合行业对比、事件链路、估值水平，输出一个带风险标记的完整 investment memo（投资备忘录）。

设计 skill 时，最好在同一个技能包里做参数化，通过一个analysis_level = 1/2/3字段来控制输出深度。不要一个 skill 走天下，因为级别越高对输入数据的要求越高，如果一开始就默认 L3，模型在信息不足时就会开始瞎编。

2.3 不要试图让一个 skill 做完所有事

这里有一个我在早期反复踩的坑：总想做一个“万能投研 skill”，输入一个股票代码，AI 就能把财报、行业、新闻、估值全部搞定。结果是输出内容非常长，但每个板块都是浅尝辄止，而且互相之间还会出现矛盾结论。

后来我改成单一职责 + 流程组合的方式。先做一个“数据提纯 skill”，专做信息结构化；再做一个“财务诊断 skill”，专门分析三大表的异常点；最后做“决策校验 skill”，负责把前面的结论放一起做个压力测试。单独看每个 skill 都很简单，但组合起来，远远好过一个“全能但稀碎”的大包。

这背后的道理，和软件工程里的微服务架构一模一样：每个服务边界清晰、可独立测试、可替换，系统整体反而更稳定。投研 skill 也需要模块化，方便你定位错误环节、单独调优。

3. 核心实操：我常用的五个投研 skill 拆解

这一节是全文的重点，直接把我在用且验证过效果的 skill 脚本框架分享出来。我不会把代码贴到满屏都是，而是讲清每个 skill 的设计意图、工作流程、输入输出要求和注意点。你可以照着自己的一套数据源和模型去替换具体内容。

3.1 财报速读 skill：让 AI 像老分析师一样扫财报

设计目标：输入一份 A 股/港股/美股财报原文（PDF 转文本或粘贴文本），输出一份结构化的财报要点快报，包含核心指标变动、异常信号和待验证问题。这个 skill 是我认为最实用、新手最好上手的一个。

流程步骤：

1. 模型先识别报告期间、报告主体，与输入中的基本信息做交叉核对。
2. 提取利润表核心项：营业收入、营业成本、毛利率、归母净利润、扣非净利润。
3. 提取资产负债表核心项：货币资金、应收账款、存货、有息负债、合同负债。
4. 提取现金流量表核心项：经营/投资/筹资现金流净额，尤其关注“净利润 vs 经营现金流”的差异。
5. 计算关键比值：毛利率变化、净利率变化、应收/收入比例变化、经营现金流/净利润覆盖度。
6. 输出异常信号：例如“应收增速大幅高于收入 → 收入质量存疑”“存货周转天数上升 → 渠道压货”。
7. 生成待验证问题列表，比如“需要查管理层讨论中是否解释毛利率下滑”。

输出模板（Markdown）：

## 财报速读简报 **报告主体** | **报告期** ### 1. 核心指标变动 表格：指标 | 本期 | 上期 | 同比/环比变动 ### 2. 现金流与利润匹配 - 经营现金流 / 净利润： - 变动趋势说明： ### 3. 异常信号 - 信号1（带数据佐证） - 信号2（带数据佐证） ### 4. 待验证问题 - 问题1 - 问题2 ### 5. 总体定性 - 健康/关注/风险

实操心得：这个 skill 的关键约束是“必须给出数据出处”。比如不能只写“毛利率下滑”，必须写明是哪一项收入下降、成本端哪一项上升。我一般会要求模型把所有数值前面带上报表里的口径说明，防止模型把“归母净利润”和“净利润”混用。

另外要特别注意，A 股财报里经常有“调节项”，比如非经常性损益。模型默认会直接拿净利润说事，所以我会在 skill 中显式加入一条：优先以扣非净利润作为盈利能力判断基准。

3.2 行业景气度跟踪 skill：解决“信息过载”和“噪音干扰”

设计目标：每天盯大量行业新闻和研报，把碎片信息转化成“景气度变化轨迹”。这个 skill 非常适合有长期跟踪习惯的研究员。

流程步骤：

1. 输入一段行业新闻或研报片段。
2. 模型判断事件所属的子赛道和细分环节。
3. 提取事件的关键参数：时间、主体、规模、方向（利好/利空/中性）。
4. 把事件映射到“景气度五维框架”：需求、供给、价格/毛利、库存、政策。这是我自用的方法，比单纯看新闻标题靠谱得多。比如“某厂商宣布涨价”，不能只看成“价格上涨”，还要看是否因需求强劲驱动，若因成本抬升导致则利好成色明显不足。
5. 输出事件对五维的影响方向与强度（强/中/弱）。
6. 更新行业跟踪面板。

一个关键设计：我要求模型在输出每一事件解读时，必须附带“若信息不完整，需要增加什么数据来提高判断置信度”。比如看到一个“某车企降价”的新闻，模型应该指出“还需要知道降价车型的毛利结构、同行是否跟进、终端去库存周期”。这样模型才不会贸然给出错误结论。

这个 skill 的长期价值在于积累。连续跑一个月，你手上就有一张“行业景气度轨迹表”。到月底，直接让模型把表格汇总成一份趋势报告，包含哪些变量在持续边际改善、哪些出现拐头迹象，这就是普通复盘做不到的深度。

3.3 事件驱动推演 skill：把“利好/利空”从口号变成逻辑链

设计目标：分析突发政策、公司公告、宏观事件时，不满足于“这是利好”，而是把利好传导路径完整写出来，找出真正的受益链条和被影响的业务环节。

核心指令设计：

这个 skill 内部最核心的指令是“传导链路生成”。我会要求模型按如下步骤思考：

1. 明确事件的性质（行业准入、补贴、价格管制、并购、技术突破等）。
2. 画出事件影响的直接主体（如电池厂、主机厂、消费者）。
3. 一层层往外推：直接主体受影响后，上游谁受益/受损，下游谁受益/受损，竞争对手如何反应。
4. 区分短期影响和长期影响。短期看情绪和库存，长期看产能和渗透率。
5. 对每个链路环节给出置信度评估，低置信度的部分必须标记“待验证”。

示例场景：输入“多地下调房贷利率”。模型应输出：

• 直接利好：地产销售、按揭贷款规模
• 次生影响：家装、建材、家居消费
• 长期影响：居民资产负债表修复、消费企稳
• 潜在风险：若收入预期未改善，销售反弹力度可能低于预期

实操心得：这个 skill 最大的风险是模型“顺着结论找理由”。一旦你输入“某公司中标大单”，模型容易只找正面逻辑。为了避免这种偏倚，我在 skill 里显式加了“反向验证”步骤：在生成完利好链路后，强制写三条可能让这笔订单无法兑现为业绩的原因（比如产能不足、交付延迟、客户集中、技术替代）。这一步对投资决策的参考价值极高，能让模型真正发挥“外脑”的纠偏作用。

3.4 数据核查与一致性校验 skill：防 AI 幻觉的关键武器

设计目标：AI 投研最大的风险是“一本正经胡说八道”。这个 skill 不是用来生成内容的，而是用来审查的。

内置检查规则：

• 来源确认：每个事实声称必须有对应来源标签，否则自动标记“无来源”，转入待验证区。
• 数值一致性：如果模型引用了“同比增长 20%”，则要求它同时列出基期值和本期值差，用数学逻辑反验。
• 时间一致性：事件时间与发布期是否冲突，例如用“最新季度”时，须明确是 2025Q3 还是 2024Q3。
• 逻辑一致性：若 A 公司毛利率上升，则不能同时输出“成本控制恶化导致利润率下降”等矛盾表述。
• 口径一致性：同一指标在不同段落中采用的口径必须统一，不能一会用“归母净利润”，一会用“净利润”。

这个 skill 可以单独作为一道过滤网，把其他 skill 的生成结果跑一遍。也可以在生成类 skill 的输出阶段自动触发，作为“自检清单”强制调用。

实操心得：数据核查 skill 是成本最高的一个环节，因为它要消耗不少 token 去验证。我一般只对 L2 以上级别的分析输出调用。另外我强烈建议把“未经验证不给出判断”写进指令开头，这一句话能减少大量幻觉输出。

3.5 多空辩论 skill：用苏格拉底式提问给自己挑毛病

设计目标：模拟多空双方围绕一个标的进行结构化辩论，最终输出“当前高置信度结论 + 低置信度盲区清单”。这个 skill 在两种场景下特别好用：建仓前的研究，以及持仓后遇到利空新闻想要“稳住”的时候。

流程：

1. 用户输入公司/行业名称和关注的投资主线。
2. 模型先生成多方论点（3 条以上），每条必须带逻辑和数据锚点。
3. 模型生成空方论点（3 条以上），同样有证据支撑。
4. 模型对双方论点进行“交叉质询”：比如多方说“市占率提升”，空方质疑“价格战下份额提升是以利润率为代价的”。
5. 输出基线判断：在给定信息下，模型的结论倾向是什么，置信度如何。
6. 输出“需要进一步跟踪的信号”：什么情况出现时，结论需要改变。

为什么有效：人天生的毛病是确认偏误。持仓之后看到任何新闻，都会自动向“对自己有利”的方向解读。这个 skill 的价值在于让模型扮演“专门挑刺的人”，强制你去面对反面逻辑。特别是第 4 步“交叉质询”，很考验模型的逻辑严密性，也最能挖掘出普通分析里看不到的盲点。

4. 提示词工程：让“skill 脚本”驱动大模型高效执行

4.1 从“描述需求”到“定义任务”的关键转变

许多人写不好 skill，是因为他们把 skill 写成了需求说明，而不是任务定义。这两者的差别非常大：

• 需求说明：“请帮我分析一下这家公司的财报，重点关注盈利能力”
• 任务定义：“你是财务分析师。以下是财报文本。你需要 1）提取利润表核心项；2）计算同比变化；3）识别异常信号。若数据缺失，请明确标注‘无数据’而不是猜测。输出格式见模板。”

需求说明给模型太多自由，它按照自己的习惯回答；任务定义则把边界和步骤焊死，产出自然稳定。

我在写投研 skill 的提示词时，基本遵循一个“五段式结构”：

1. 角色定义：你是什么身份、你使用什么分析框架。
2. 任务描述：你要完成的具体输出目标。
3. 执行步骤：从第一步到最后一步的明确序列。
4. 约束条件：禁止做什么、必须做什么。
5. 输出格式：固定模板。

4.2 投研 skill 的“约束条件”写法

约束条件写得越具体，模型越不容易跑偏。我列举几条在投研场景中尤其需要注意的约束，你写 skill 时可以直接套用：

• “结论必须基于输入文本中的数据，若文本没有提供，请输出‘信息缺失，建议查阅 XX 数据源’，不要自行推测。”
• “所有数字必须标明单位、期间和口径。例如不能写‘收入 56 亿’，应写‘2025 年上半年营业收入 56 亿元人民币’。”
• “禁止在无数据支撑时使用大概率、可能、有望等模糊词；若必须表达不确定性，标明‘低置信度’。”
• “输出内容不得超过 800 字，重点不放在格式美化，放在信息密度和逻辑完整度上。”

实操心得：我还会在约束条件里加一条“按逻辑步骤思考，并将关键中间结果输出到草稿区，最后再整理成正式输出”。这一步会在训练时让模型先生成内部推理痕迹，再输出最终结论。虽然增加了 token 消耗，但能显著减少跳步和幻觉。

4.3 关于模型的选型建议

不同模型对 skill 的遵循度差别很大，这个不要忽略。我自己用下来：

• Claude 系列：对长流程指令的理解能力非常强，尤其是遵守“步骤顺序”和“输出格式”上表现最好，适合做 L2、L3 级深度分析 skill。
• GPT 系列：通用能力强，上下文管理稳定，配合检索工具时表现好，适合做数据采集、信息整合类 skill。
• DeepSeek 等国产模型：在中文财务语料、行业术语识别上不输国外模型，而且 token 成本低，适合做大文本财报批量处理。近期的智能体训练方法公开，也说明这类模型在 agent 场景下越来越成熟。

我的建议是不要只绑定一个模型。做投研 skill 库最合理的架构是“上层编排层用擅长逻辑推理的模型，下层数据抽取可以用成本更低的模型”。比如用成本模型做粗提取，再用高端模型做 L3 推演。

5. 实操过程：如何从零搭建一套投研 skill 工作流

说了半天理论，这一节给一套可以落地的流程。我按照自己搭系统的顺序来写，后面可以直接照搬。

5.1 第一步：确定“核心工作单元”

不要把投研切割太碎，先找最高频的三个操作。例如：

• 财报阅读
• 事件解读
• 复盘总结

对应开发三个技能包即可。很多人一上来就想覆盖 10 个场景，结果每个都浅尝辄止。先做三五个高频高价值的，用熟了再扩展。

5.2 第二步：编写 skill 描述文件

我用的是标准 Markdown 格式，便于版本管理。一个完整的“财报速读”技能描述文件，结构大致如下：

# Skill: financial_statement_skim ## 适用场景 对财报文本进行快速结构化和异常信号提取 ## 输入要求 - 财报文本（以 2025Q3 为例） - 关注重点（可选） ## 角色设定 你是一名拥有 CFA 三级水平、10 年从业经历的财务分析师 ## 执行步骤 1. 识别报告主体、报告期 2. 提取利润表、资产负债表、现金流量表核心项 3. 计算关键比率并做同比/环比变动 4. 识别异常信号（应收/现金/库存/毛利率） 5. 生成待验证问题清单 ## 约束 - 数据缺失时禁止臆测，使用“数据缺失”标注 - 所有数字标明口径（归母/整体/扣非） - 输出使用指定 Markdown 模板 ## 输出格式 见模板（Markdown 表格与列表）

5.3 第三步：建立输入输出模板

输入模板可以用一个 JSON 结构管理，方便后续流程自动化：

{ "skill_name": "financial_statement_skim", "input": { "report_text": "", "report_period": "2025Q3", "focus_points": ["毛利率", "现金流"] }, "output_format": "markdown_template_v1" }

输出模板要固定版本。因为后续如果想自动汇总不同公司的分析结果，字段不一致就会非常痛苦。我见过太多人死在这一点上：AI 每次输出的标题不一样，导致没法自动化处理。所以模板最好定义精确到“二级标题固定、表格列名固定”。

5.4 第四步：调试与校准

写好的 skill 不要直接上线。我在本地建了一组“回归测试样例”，包含：

• 一份正常财报（验证标准输出）
• 一份数据缺失较多的财报（验证模型是否“装懂”）
• 一份有误导性表述的财报（比如混淆“收入增速”和“利润增速”）
• 一份行业对比稿件（验证技能组合能力）

每次修改 skill 指令，就把这些样例全部跑一遍，观察模型行为是否变好或变坏。这一步是保证 skill 质量的关键，不然你今天改进了一个点，很可能会在另一个场景下引入新的回退。

5.5 第五步：留出“人工复核”环节

无论 skill 写得多完善，投研的最终判断必须由人完成。我在流程里始终保留一个“human_in_the_loop”步骤：模型输出只是输入材料，不能直接作为结论；真正负责人需要复核关键数字、确认逻辑链完整、排除模型幻觉风险。

这不是不相信 AI，而是投资决策本来就该有严格的风控流程。AI 负责效率，人负责责任。

6. 常见问题与排查技巧实录

6.1 模型输出“看着很专业，其实在瞎编”

现象：模型给出非常具体的市场份额数字，但你查遍公开资料都找不到来源。

排查思路：

• 查看输入文本中是否真的包含该数字。大多数“AI 幻觉”是发生在模型用训练时记忆补全了输入中没有的信息。
• 对策：在 skill 的约束中加强“来源标注”。要求模型在输出每个关键数据时，用括号标注“来自用户输入文本”或者“未找到来源，为模型推测”。
• 另一个技巧：在最后强制模型执行“数据回读检查”：“请将你输出的所有数字列成表格，并逐一对应到输入文本的原文位置。若无法对应，请移除该数字。”

这个“数据回读检查”是非常有效的防幻觉手段，代价是多花一点 token，但对投研场景完全值得。

6.2 换了模型，同一个 skill 效果差别很大

现象：在 ChatGPT 上跑得好好的 skill，换到另一个大模型后输出格式混乱、不按步骤执行。

原因：不同模型的指令遵循度差异很大，尤其是长 skill 文件。有些模型对“必须”类指令理解得不够刚性，可能漏掉步骤。

对策：

• 针对不同模型优化 skill 长度和结构。一个长 skill 在 Claude 上可以完整执行，在小模型上就可能截断。可以考虑把 skill 拆成“核心指令 + 分步调用”两个部分，核心指令简短、分步指令按需注入。
• 检查模型是否真正“读入”了你的 skill。如果没有，先通过调试对话确认模型是否理解技能指令。
• 必要的时候，为不同模型写不同版本的 skill 文件。不要强求一份 skill 通用所有平台。

6.3 skill 之间互相干扰，输出内容“串台”

现象：你在做行业景气度分析时，模型突然开始讨论估值方法；或者做事件推演时，模型把财报指标也拉进来。

原因：skill 的边界定义不够清晰。模型默认把相关性高的内容都堆进来。

对策：

• 在 skill 开头增加“非适用内容处理”声明：“本技能仅聚焦 XX 维度。若输入内容涉及其他维度，仅作为背景参考，不展开分析。”
• 在约束中增加负面清单：“禁止讨论估值、禁止讨论股价预测、禁止讨论交易策略”，把每个 skill 的范围焊死。
• 增加“输出聚焦检查”步骤：输出结束后，让模型自查是否夹带了与任务目标无关的内容，若有则删除。

6.4 输出模板没错，但数据反复对不上

现象：表格里毛利率写了 45%，正文里又写 54%，同一份分析前后矛盾。

排查思路：

• 通常是因为模型在不同段落使用了不同时期的财务数据。
• 对策：在技能开始前，要求模型先建立“数据基准区”。也就是把所有核心数据集中列在一个表格里，后续所有计算和引用都基于这个基准区内的定制口径。这个设计能大幅减少前后不一致。
• 同时开启编辑模式或让模型使用算术工具进行计算，而不是凭空推算。如果是支持代码解释的环境，直接要求模型用 Python 代码完成计算，从根源上消灭算术错误。

6.5 长文本输入时，模型把前面的分析“忘了”

现象：输入一份几百页年报，模型处理后段时，完全忽略了前面章节里的关键信息。

原因：长上下文模型处理大文本时依然存在注意力衰减，尤其是关键信息埋在中部时容易被漏掉。

对策：

• 把长文本先做“切片摘要”，再由模型合并分析。拆分逻辑可以按章节来（业务概要、管理层讨论、财务数据、风险提示）。
• 让模型在开始分析前先把核心事实按时间线和重要性标记出来，相当于生成“阅读笔记”。这样即使后面上下文被压缩，阅读笔记还能保留关键信息。
• 对特别关键的定量数据，最好通过结构化提取的方式单独存表，不走纯对话流程。

6.6 关于“去 AI 味”的问题

很多人把“去 AI 味”理解成让写作更口语化，但在投研场景里其实不是这么回事。投研输出本身就要严谨、克制、逻辑闭环，不需要太多口语化修辞。

我更关注的是“去 AI 幻觉”和“去 AI 空话”。具体做法就是前面说的：每个结论都要有数据锚点；每个推断都要标注置信度；每个风险都要给出触发信号。做到这三点，AI 生成的投研内容自然就有了专业感，不会有“正确的废话”的毛病。

7. 最后想分享的经验

我在搭建这套 AI 投研 skill 流程中最深的一点体会是——不要把 skill 当成一次性的魔法代码。它是需要持续维护的“研究助手配置库”。

每周我都会花一两个小时做三件事：翻看过去一周 AI 生成内容的错误案例，把模型反复出错的场景写成新的约束条件；对比不同模型执行同一个 skill 的效果，淘汰表现差的那个；向流程里添加新的数据源，扩大 skill 的适用面。

刚开始会觉得麻烦，但坚持两个月以后，你的 skill 库会越来越精锐，AI 产出的质量会显著高于普通用户随手问出来的内容。这种差距不是模型带来的，而是“技能沉淀”带来的。

如果你现在刚开始尝试，建议不要一次做太多，先挑一个你最高频的投研场景，比如“财报速读”，把这个 skill 打磨好，跑通前面说的回归测试流程，再逐步扩展。投资研究这条路没有捷径，但把 AI 调教成一个靠谱的分析师助理，是可以做到的。