普通人自建AI投研工作流的诀窍：用好Harness、Skill、GitHub三板斧

大模型早已从新鲜事物变成了越来越多投资者、研究员和知识工作者每天都在使用的工具。

但同样使用豆包、GPT、Claude，有的人已经让AI深度参与研究、分析和决策流程；有的人却仍停留在“帮我总结一下这篇文章”。

差距究竟来自模型本身，还是来自使用方式？

6月2日，公众号「Thea的AI折腾日记」作者、前微软搜索算法工程师Thea Xue做客大咖会客厅，分享了她对于AI工作流的思考。直播回放→AI投研还能这么玩？

在她看来，大模型只是起点，真正决定效率差异的并非模型本身，而是使用者是否能够驾驭模型（Harness）、沉淀工作流（Skill），并借助开源生态（Github）不断扩展自己的能力边界。

她将其总结为 AI 赋能的“三板斧”——Harness、Skill 和 Github。

以下为直播内容整理。

一、Harness：很多人用不好AI，不是模型不够强，而是不知道如何驾驭它

首先讲Harness。

Harness原本是骑马时使用的缰具。很多人会觉得大模型非常强大，它几乎什么都能做，但它有点像一匹脱缰的野马，能力很强，却不一定能跑到你想去的方向。所以如果想让大模型更好地服务于我们，首先要学会给它戴上缰具。

前段时间梁文峰有一句比较出圈的话：

Model+Harness=Agent

也就是说，想把大模型真正用好，本质上只需要解决两个问题：Model和Harness。

Model其实相对简单。在大部分通用任务场景下，直接选能力最强的模型就可以了。但有一种情况比较特殊，就是模型接入了不同的数据渠道。

举个例子，我曾让几个模型搜索北京最近举办的AI分享会。元宝找到的大多是适合个人开发者、创业者参加的小型活动，而Claude和GPT找到的往往是大型行业会议。

原因很简单。元宝能够获取微信公众号里的内容，而公众号的反爬机制比较严格，Claude和GPT很难直接拿到这些数据。所以如果你想搜索公众号生态里的信息，元宝往往会更有优势。

不同模型其实都有自己的特长。

元宝更适合微信生态内容；Gemini在YouTube、Google Scholar等渠道表现更好；豆包能够获取更多抖音相关内容；GPT对Twitter、Reddit等海外社区信息覆盖较好；Claude则非常擅长写代码和长文本输出。

尤其是写文章时，我会比较倾向于使用Claude。GPT同样很强，但现在有点过于话痨，在结构化文本输出方面，我个人会更偏向Claude。

模型怎么选讲完之后，我们再来说Harness。

Harness涉及的内容很多，今天主要分享三个部分：

第一，如何给AI信息；

第二，如何控制AI的方向；

第三，拿到结果之后，如何给AI反馈，让结果变得更加可靠。

首先是给AI信息。

大家都知道，大模型会产生幻觉。涉及数字、引用或者专业内容时，它可能会编造数据、编造出处。另外，由于训练数据存在时间边界，最新的信息很多时候只能依赖联网搜索获取。

还有一个问题是，大模型默认会给出一个“平均答案”。

为了修正这些问题，我们必须主动给AI提供信息。

这里的信息主要分为两类。

第一类是真实世界的信息。

例如最新财报、公告PDF、卖方研报全文等。

如果涉及专业分析，我非常建议大家先把这些客观资料喂给模型，而不是直接裸问。

很多时候你觉得AI分析得头头是道，是因为相关信息本身比较公开，它能够在公开语料里找到答案。但对于一些不那么公开的数据，它很可能只能靠猜。

所以在处理专业问题时，一定要先把客观信息提供给模型。

第二类是你自己的信息。

包括你的能力圈、风险偏好、投资边界、表达习惯等等。

比如你问：

宁德时代该不该买？

模型大概率会给你一个“长期看好、短期谨慎”的标准答案。

但如果你提前告诉它：

我已经有40%的仓位在新能源。

那么它给出的建议就会完全不同。

因为这时候它考虑的是你的投资边界，而不是一个平均意义上的投资者。

当然，并不是所有任务都需要个人信息。

像读财报、拆三表这类偏数据分析的工作，对个人画像要求并不高；但如果你希望AI帮你写符合自己风格的研报，或者给出符合自己投资习惯的建议，那么你的语言风格、分析框架、风险偏好就非常重要。

很多人会说：

“我也不太清楚自己的投资风格是什么。”

没关系。

你完全可以让AI来采访你。

让它通过提问的方式了解你的投资习惯、风险偏好和决策逻辑，最后帮你整理出一份投资者画像。保存下来以后，可以反复使用。

这里还有一个小建议：

描述自己时尽量写事实，少写形容词。

与其说：

我擅长能源研究。

不如告诉它：

我过去几年具体研究过哪些公司、做过哪些判断。

让AI根据这些事实反向分析你的能力圈，往往会更准确。

接下来是第二部分：控制方向。

如果不给方向，AI最终给出的仍然会是一个平均答案。

比如：

帮我分析一下宁德时代。

和一份明确规定分析范围、分析结构和输出要求的提示词相比，最终结果一定有很大差异。

所以使用AI时，一定要学会给约束。

我通常会把约束分成四类：

第一类是边界。

比如只讨论动力电池业务，只分析2026年，不讨论海外业务等等。

边界越明确，AI越不会发散。

第二类是结构。

告诉它希望按照什么框架来回答。

否则它很容易想到什么说什么。

第三类是要素。

例如必须引用页码、必须给出表格、必须包含风险提示等等。

第四类是长度。

很多人会忽略这一点，但长度往往直接影响结果质量。

同样一个问题，300字和3000字的回答，深度可能完全不同。

约束还有一些更高级的玩法。

比如角色设定。

我以前写过一篇文章，让AI扮演高盛研究员、文艺复兴量化分析师等角色。

它当然不可能知道这些机构内部真实的研究流程，但它能够调用训练语料中的相关风格和表达方式，让结果更接近这些机构的思考框架。

还有一种约束方式是主动放宽边界。

比如我之前写过一篇让Claude开启“上帝模式”的文章，本质上就是明确允许它突破常规框架，尝试从一些不那么主流的角度思考问题，帮助我们获得更多脑暴式的灵感。

所以约束不一定只是收窄边界，它也可以是有意识地放开边界。

大家写得多了之后就会发现，约束的方法远远不止边界、结构、要素和长度这四种，形式其实非常灵活。

写完约束之后，如果想进一步控制方向，还需要管理AI的注意力。

我自己的习惯是：一事一窗。

也就是说，一件事情尽量只在一个窗口里讨论。比如你正在做公司分析，就不要突然在同一个对话里问它今晚吃什么。短期看好像没什么影响，但时间长了，AI可能会把两件事的上下文混在一起。在做公司决策时，它可能会错误地认为你非常关心食品消费相关内容，从而影响后续回答。

所以平时最好养成习惯：不同任务分开窗口。

但反过来，如果是一个很大的长期项目，也不要过度拆散。很多时候，开8个窗口不如维护一个长窗口。因为一个长期会话可以保留整体记忆，让AI持续理解你们之前讨论过什么。

需要注意的是，大模型有上下文长度限制。如果聊得太多，它可能会丢失前面的记忆。我的方法是：定期写一份交接文档。

让AI把当前项目的核心内容、已经形成的结论、后续要做的事情整理成一份交接文档。过一段时间，再让它重新阅读这份文档，继续往下聊。这样就可以尽量保住之前的聊天成果，不至于让它突然失忆。

另外，在对话过程中也要多重申规则。

比如你希望每次回答控制在几百字，就每次都提醒它；你希望所有结论必须标注页码，也要反复强调。很多时候聊着聊着会跑偏，当你发现偏离主题时，就重新声明问题。

你甚至可以在一开始就告诉AI：

如果你发现我跑偏了，请记得把我拉回来。

这样可以让它的注意力更集中在当前任务上。

当AI的回答不满意时，可以用对抗式追问，让回答不要浮于表面。

第一种追问，是问它“为什么”。

比如：

这个结论到底有没有依据？ 这个结论是从哪里来的？ 这条逻辑链上最薄弱的一环是什么？

这样可以让AI自己攻击自己，重新检查刚才的回答是不是足够深入。如果不够，它往往会自己补充和完善。

第二种追问，是加入假设条件。

比如：

如果出现相反情况，会怎么样？ 如果这个变量发生极端变化，结论还成立吗？

越极端的假设，越容易迫使AI重新思考，从而给出更深入的回答。

第三种追问，是要求它给出可验证的内容。

只有当它给出具体信息、具体数据、具体来源时，我们才更容易判断它是不是在敷衍，回答是不是浮于表面。

但这里有一点需要注意：追问不要太情绪化。

如果你只是问：

你确定吗？

它很可能会顺着你说“确定”。

更好的方式是给它条件、例子和约束，让它有机会推翻之前的结论，重新给出更真实的结果。

关于和大模型对话，我想讲的第三点是反馈。

AI的回答天然有两个偏差：幻觉和讨好。

幻觉可以通过提供信息来减少；讨好则需要我们用反馈和交叉验证来纠正。

比如可以把一个模型的结论放到另一个模型里，让另一个模型检查它是否成立。我平时做比较复杂的任务时，经常会同时打开三个大模型，直到它们的观点基本趋于一致，再真正动手执行。

写代码时也类似。Claude里可以调用Codex，我有时会直接让Claude调用Codex，让它们两个讨论，直到结果一致后再实施。这样写出来的代码稳健性会更高。

如果涉及决策类问题，我更建议用不同“血统”的模型交叉验证；如果是写代码，可以重点使用Claude和Codex这两个能力比较强的模型。

反馈的另一种方式，是把真实世界的结果回传给AI。

因为AI的知识主要来自互联网上的数据，或者历史文本数据，它没有真正接触你的现实世界。所以当它给出某个判断或建议之后，你最好把自己的实际操作结果再反馈给它。

这样它会逐渐学习你的真实情况，之后给出的结果也会越来越贴合你。

所以，每次和大模型对话前，可以做四个自检：

第一，我选对模型了吗？

第二，我有没有给够信息？

第三，我有没有持续指挥AI的注意力？

第四，讨论有结果之后，我有没有把结果回传给它？

如果每次都这样做，大家可能会觉得太麻烦。那有没有更简单的办法？这就进入第二板斧：做一个Skill来解决重复工作。

二、Skill：把重复工作沉淀成自己的能力资产

Skill的含义很简单，就是一份可复用的提示词包。

也就是说，你把每次要和AI说的话、要让AI执行的流程，打包成一个固定东西。以后只要调用这个Skill的名字，它就会按照你的需求和流程，自动帮你跑一遍，最后得到结果。

如果不用Skill，每次都要重新写结构，重新告诉它要怎么分析。用了Skill之后，就可以按照固定方式直接进入分析。

为什么金融人特别适合用Skill？

因为投研流程本身高度标准化，天然适合封装。金融分析的数据源相对固定，输出格式也相对固定，重复频率又很高，所以复利效应会很明显。

比如读一家公司的财报。如果每次都重新打一遍流程，会非常累。更好的方式是把它做成一个读财报的Skill。

很多人可能会觉得做Skill很麻烦，但其实从0到1做一个读财报的Skill，只需要和AI进行几轮对话。

第一步，是和AI一起探讨流程。

你可以直接问它：

我想做一个读公司财报的Skill，不知道应该怎么设计流程，你能不能先通过反问的方式帮我梳理？

它会开始问你很多问题，比如读什么内容、PDF从哪里来、需要重点关注什么指标、输出成什么格式。

第二步，是注入你自己的风格。

如果你知道自己平时怎么读财报，就直接告诉它你的流程；如果你不知道，也可以让它继续提问，通过选择题或表格帮你梳理。

第三步，是加入偏好。

比如你希望它参考某位老师的财务分析方法，或者按照你们公司的固定模板输出，都可以告诉它。

我自己做过一个很基础的读财报Skill。它会先生成一个整体分析，然后包括公司业务画像、具体业务拆分、财务分析、评级等内容。它完全可以按照你想要的方式呈现。如果你们公司有特定风格，也可以把模板丢给它，让它模仿那个风格输出。

做Skill的方法并不复杂，而且当你开始做之后，很容易发现“万物皆可Skill”。

读财报可以做Skill，读研报可以做Skill，行业对比可以做Skill，公告速读也可以做Skill。任何重复出现、流程相对固定的工作，都可以封装成Skill。

这里也不用追求一开始就做得很好。

Skill不需要在第一时间做成完美版本。先做出来，用一次之后发现问题，再让AI继续优化。不断迭代到你觉得足够好，再把它保留下来。

做Skill的意义，就是把重复工作沉淀下来，之后每一次都能节省大量时间。

三、Github：把全世界的能力接入自己的工作流

最后一部分，和大家介绍一下Github开源项目。

Github可以理解为全球最大的工具菜市场。你能想到的很多需求，大概率已经有人做过，而且做得很好。这个世界上有很多很厉害的人愿意把自己做出来的工具开源发布，我们就可以直接从这个菜市场里挑选自己想要的东西。

金融人可以用Github上的项目做很多事情，比如读财报、读行情、搭建Agent等。

打开Github之后，可以通过搜索找到相关项目。选项目时，我一般会看几个指标。

第一个是Star数。

它代表有多少人收藏了这个项目。通常收藏越多，说明受欢迎程度越高。

第二个是Fork数。

Fork表示有多少人把这个项目拉下来使用，也能反映真实使用情况。

第三个是更新时间。

如果一个项目一直在持续更新，说明还有人在维护。我们尽量选择这种项目。否则可能用着用着，电脑系统升级了，项目却没人维护，就无法继续使用。

有些项目还有讨论区。如果讨论很多，也说明项目有一定活跃度，这类项目也可以优先考虑。

那完全不会写代码的人怎么办？

其实也没有关系。你找到一个项目之后，可以直接把项目名字告诉你的编程工具：

我现在需要用这个项目，你帮我运行一下。

现在的自然语言编程工具，可以自己读取项目代码，帮助你部署和运行。

当然，Github上项目非常多，不是每一个都能直接使用。大致可以分为几类：有些项目可以真实使用，有些更偏思想启发，还有一些需要深度定制化之后才能用。

所以看到一个新项目时，可以先把它交给大模型分析，让模型帮你判断它到底适不适合自己。

如果适合，就拿来用；如果不适合，也可以学习它的思路，看看它能不能给自己的工作流带来启发。

最后总结一下，大家今天可以先做三件事：

第一，写一份自己的投研背景文档；

第二，尝试做一个属于自己的Skill；

第三，去Github找一个开源项目，让大模型帮你判断它是否能接入自己的工作流。

四、关于AI投研，Thea还回答了几个大家最关心的问题

Q：完全不会写代码，如何开始搭建自己的AI投研助手？

Thea：我的建议是先不要想着直接做Agent，而是从做一个Skill开始。

Skill本质上就是一套可复用的提示词和工作流。你可以直接告诉AI：

我想做一个读财报的Skill，帮我设计流程。

接下来它会一步步带着你梳理，比如怎么读取PDF、怎么提取数据、怎么分析内容，以及最终如何输出结果。

对于不会写代码的人来说，这是一个非常好的起点。因为当你把一套固定流程沉淀下来，并且能够反复调用时，其实已经拥有了一个简单版本的Agent。

Q：如何利用黄仁勋、马斯克等科技领袖的发言辅助投研？

Thea：我一般会把整个流程拆成四步。

第一步是获取数据，包括公司官网、个人社交媒体账号以及Reddit等社区讨论。

第二步是提取核心内容。我会重点关注近期高频出现的新词、反复提及的关键词，以及已经开始出现实际反馈的内容。

第三步是建立逻辑链条。比如这些关键词背后对应哪些产业链、哪些技术方向，以及未来可能落地的应用场景。

最后一步是映射到具体公司，寻找哪些企业可能真正受益于这些变化。

黄仁勋可以这么做，马斯克也可以这么做。实际上，任何持续输出观点的人，包括上市公司高管、OpenAI管理层，甚至一些行业专家，都可以用类似的方法进行长期跟踪。

Q：AI会替代研究员吗？哪些能力更难被替代？

Thea：我觉得最容易被替代的，是重复性的工作，以及没有个性的工作。

如果所有人都用同样的模型、同样的提示词、同样的工作流，最后得到的结果其实会越来越趋同。

真正不容易被替代的，反而是那些带有个人特色的东西。

进入AI时代之后，我反而开始刻意保留一些能力。

一个是阅读长文本的能力。现在AI可以帮我们总结一切，但如果长期只看摘要，人会慢慢失去阅读和理解复杂内容的能力。

另一个是做决策的能力。很多事情我会交给AI去分析，但最终承担责任的人还是自己。所以我会刻意保留自己独立做判断、做决策的能力。

Q：面对AI给出的建议，你更相信AI还是自己？

Thea：我会参考很多AI的建议，但不会完全依赖AI做决定。

有时候我会记录下AI给出的判断，以及我最后实际做出的选择，过段时间再回头验证，看看究竟是自己的思路出了问题，还是AI的分析存在偏差。

平时我也会使用一些专门用于头脑风暴和决策辅助的Skill。它们不会直接告诉我答案，而是通过不断提问的方式，帮助我梳理自己真正想要什么。

我一直觉得，AI更适合成为一个决策辅助者，而不是决策替代者。

与其直接问：

我应该怎么做？

不如通过合理的引导和约束，让它逐渐变成一个越来越理解你、越来越接近你思考方式的决策伙伴。