最近朋友圈里讨论AI做行业研究的人突然多了起来。我一个同事上个月还在为追高被套懊恼这周已经开始拿一份AI生成的行业报告来问我的意见“你看这个逻辑靠谱吗”说实话第一次听到“AI帮我研究行业”这个说法我以为是段子但自己认真试了两周之后我得承认这东西确实有用只是它起作用的机制和大多数人想象的不太一样。这不是那种“AI预测明天涨什么”的玄学套路。我的实际体感是AI真正解决的是普通人做行业研究时最头疼的三件事信息太杂读不过来、专业框架搭不起来、情绪上来就把逻辑丢掉。如果你也经历过“研究半天不敢动看着人家涨了忍不住追进去结果一买就套”的循环那这篇文章就是写给你的。我会把我这两周真实跑过的研究流程、用过的指令模板、踩过的坑全部拆开讲清楚完整演示怎么用AI从零到一建立一份可复现的行业研究底稿。1. 先想清楚为什么普通人的行业研究总是输在起跑线上1.1 三个致命短板信息差、框架差、情绪差先说信息差。机构研究员有Wind、Bloomberg、企业调研、专家访谈普通人有什么主要是免费新闻、股吧评论、公众号文章还有朋友圈里不知道转了几手的“小道消息”。信息质量不在一个量级结论自然也不在一个量级。这不是智商问题纯粹是工具和资源的问题。我见过一个做外贸的朋友对自己所在行业的了解程度远超很多分析师但一涉及上下游数据、竞争格局、周期位置他只能凭感觉。再说框架差。行业研究不是把新闻攒到一起就完事了。它需要产业链拆解、供需分析、竞争格局判断、盈利传导逻辑推演这套东西是结构化的思维工具没学过就是没学过。但普通人也不需要成为专业分析师只需要掌握一套够用的分析框架能把碎片信息装进正确的位置就已经能筛掉大部分坑。最后是情绪差。这是最要命的一点。涨的时候觉得什么消息都是利好跌的时候觉得天都要塌了。同一个行业、同一条政策、同一组数据在不同情绪状态下能解读出完全相反的结论。追涨杀跌的本质不是不懂研究而是研究的速度跟不上情绪的速度——等你研究明白行情早就走完一大半你冲进去恰恰接在情绪最高点。1.2 AI能补什么短板补不了什么短板AI能补的是第一和第二个短板。信息差方面AI能把几十篇研报、新闻、数据的核心信息压缩成结构化摘要几分钟完成人工几小时的工作量框架差方面只要你会提问AI能按产业链拆解、波特五力、供需平衡表这些标准框架帮你整理思路等于随身带了个分析师助理。但有一点我必须说在前面AI补不了情绪差。它不会替你做买入卖出决定也不应该替你做。它真正能做的是让你在情绪上头之前先看到一套相对完整的逻辑和事实底稿让你有机会冷静一下。所以这篇文章讲的方法定位是“决策辅助”不是“自动赚钱机器”。想靠AI一键致富的朋友趁早打消这个念头。1.3 我的AI研究定位一个“不太累的分析助理”用了一个月AI做行业研究我给它做了一个定位它是我研究流程里的“信息厨师”和“逻辑陪练”。“信息厨师”指的是把生肉一样的原始资料财报、新闻、研报摘要洗干净、切好、摆盘按我的需求输出结构化的菜品。我自己负责“试菜”判断这盘菜有没有问题值不值得吃。“逻辑陪练”指的是它可以扮演反对者、挑刺者不断质问我“你这个逻辑有没有漏洞”“这个数据和结论对不上你怎么解释”帮我逼自己想清楚。搞清楚这个定位下面讲流程才有意义。如果你期待AI替你思考那你一定会失望如果你让它帮你提高思考效率它会非常顺手。2. 用AI做行业研究的工作流设计2.1 五步法总览选题、采集、分析、验证、输出我这两周反复调整最后沉淀下来一套固定的研究流程分五步第一步定题明确研究哪个行业、哪个环节、解决什么问题范围不清晰AI给不出好答案。第二步采集用AI的联网搜索能力或者喂给它资料文本完成原始信息聚合。第三步分析要求AI按指定框架输出产业拆解、竞争格局、供需判断、关键跟踪指标。第四步验证拿AI输出的数据、逻辑去多个信源交叉验证重中之重因为这步能拦住大部分AI幻觉。第五步输出沉淀为一页纸的研究备忘列出核心逻辑、关键风险、需要持续跟踪的数据点。这套流程看起来不复杂但每一步都有不少细节讲究。下面的内容我会一步步拆开说重点讲指令怎么写、输出怎么校验顺便附上我实际用下来觉得好用的提示词模板。2.2 工具组合不是只有一个聊天框工具这一块我得说点实话。单靠一个聊天框做行业研究效率有但天花板低。我实际用的是一套组合对话推理型AI比如ChatGPT、Claude、Kimi之类的大模型对话产品负责框架分析、逻辑问答、文本归纳这是主力。联网搜索能力找最新数据、新闻、政策时必须开否则AI的知识截止日期会坑你。研报PDF/文档喂养如果你手上有一堆研报、年报、行业白皮书可以直接把文件内容喂给AI让它在指定资料范围内回答这比它凭记忆胡说靠谱十倍。结构化输出工具Excel、Notion或者普通的Markdown笔记把AI输出的信息存成表格和清单别让它们躺在聊天记录里吃灰。我在测试中用过的组合包括Kimi做长文档阅读、ChatGPT做逻辑分析、联网搜索查实时数据。如果你所在地区访问某些工具有一定限制也可以选择国内成熟的大模型产品比如通义、智谱、文心等思路是一样的。工具本身不是关键关键在于“让合适的工具干合适的活”。我自己一直坚持的底线是重大结论必须用联网搜索核对最新信息绝对不靠模型记忆下判断。2.3 为什么不是全自动而是人机协作市面上已经有不少“AI全自动选股”“AI一键生成投资策略”的工具听起来很香但我个人不推荐把决策全交给AI。原因有三条第一AI的训练数据有滞后性它知道的“最新信息”很可能是半年前的而投资研究恰恰是时效性极强的领域。全自动系统一旦用到滞后数据结论就是刻舟求剑。第二AI生成的答案有极大的“一本正经胡说八道”风险它可能把自己推理出来的内容包装成事实甚至编造一份看起来特别真实的“某券商研报”你没见过原报告根本分辨不出来。第三也是最根本的投资决策的本质是承担风险和获取收益的交换这个责任只能由自己承担。把决策外包给AI赚了是运气亏了你都不知道该反思什么。所以我坚持人机协作让AI干最擅长的事——信息处理、结构化、逻辑陪练把最终判断权留在自己手里。这是这套方法能长期用下去的前提。3. 实操五步完成一份行业研究底稿3.1 第一步定义问题让AI听懂你要什么很多人上来就问“AI你觉得新能源行业怎么样”这种问题得到的答案基本上是一篇放之四海而皆准的废话。“怎么样”不是一个可研究的问题它包含太多隐含方向你是想看行业趋势、想找投资机会、想了解风险还是想研究某个具体环节方向不同研究的侧重完全不同。我自己的做法是先写一段“研究任务卡”把问题限定得很窄。比如我研究动力电池产业链不会问“新能源车行业如何”而是问“我准备研究动力电池产业链的中游环节电芯制造时间是2025年。请帮我重点回答以下问题1这个环节的竞争格局是怎样的头部企业的市场份额大概什么水平2这个环节当前的核心矛盾是什么是产能过剩、技术迭代还是需求不足3判断这个环节景气度的核心跟踪指标有哪些我应该去哪找这些数据4列出这个环节最大的三个风险因素。如果能找到数据来源请尽量给出处我后续会自己核实。”看到区别没有范围动力电池中游电芯、时间2025年、问题四个具体问题、要求给出数据来源信息密度比“新能源怎么样”高了一个维度。AI拿到这种指令才能输出真正能用的分析。3.1.1 问题拆解大问题切成小问题还有一个技巧不要把大问题一次问完。AI在长对话里有个毛病——越到后面越容易忘掉开始时的约束产生“上下文漂移”。我的做法是把行业研究拆成维度逐一问。比如今天只问产业链结构明天只问竞争格局后天只问供需平衡每次对话聚焦一个主题最后再把结论汇总到一张表里。这样做的另一个好处是每份对话记录都可以单独存档演变成一个“行业研究库”比一次性生成一个几千字的“包罗万象报告”实用得多。3.2 第二步资料采集让AI帮你读海量信息信息采集有两个模式我交替使用。一个是“联网模式”适合找最新的新闻、政策、市场数据另一个是“喂料模式”适合深度阅读研报、财报、白皮书。联网模式下我会这样提问“请联网搜索2025年以来动力电池行业的重要动态包括但不限于头部企业的产能扩张公告、行业价格变化、原材料价格走势、新技术量产节点。请按时间线整理成表格每条信息标注日期、事件、影响范围并在末尾标注信息来源链接。如果搜索不到请明确说‘未找到’不要自行编造。”注意最后那句“如果搜索不到请明确说‘未找到’不要自行编造”这是我踩过坑之后加上的保底指令。AI在搜索信息不足时非常有可能会用训练数据里的旧信息凑数你以为拿到了最新的消息其实是过期货甚至假货。喂料模式是用来消化长文档的。我把下好的研报PDF转成文本或者直接用支持长文档的大模型产品然后告诉AI“以下是一份关于动力电池行业的研究报告全文。请你提取其中关于行业供需平衡、产能利用率、成本结构、主要企业市占率的所有段落和数据并按‘数据项-数值-原文表述-所在章节’的表格输出。请保留原文数据精度不要自行计算或推断。”这个指令的核心是“不要自行计算或推断”。AI很喜欢在阅读完材料后自由发挥把材料里没有的结论补进去。限制它只能用原文表述能最大程度保留原始信息的准确性。3.2.1 实际操作中的心得多跑几轮搜索别指望一次搞定我刚开始用AI的时候以为一次搜索就能获得全部信息结果发现AI的“联网搜索”本质上是搜索出网页然后摘要给你它的覆盖面不一定全面而且受限于搜索结果排序。现在我的做法是分主题多跑几轮搜索先搜行业新闻再搜政策变化再搜头部公司的公告每一轮搜索聚焦一个窄主题最后再把几轮结果合并整理。虽然多花了点时间但信息完整度明显上升漏掉关键信息的概率大大降低。3.3 第三步框架化分析让AI按专业套路拆解行业资料采集完进入核心的分析环节。这里的关键不是让AI“觉得”行业好不好而是让它按标准的研究框架输出结构化的分析。我常用的框架有这么几个3.3.1 产业链拆解框架“请把电动汽车动力电池产业拆解为上游-中游-下游三个层级。上游说明核心原材料及其供应格局中游说明电芯/材料制造环节的工艺壁垒和主要厂商下游说明应用需求和客户结构。每一层级请标注主要参与者、价值占比、当前利润分布、未来两年可能发生的变化。请用表格输出。”这个框架能让你快速建立起“这个行业是怎么转起来的”认知知道利润目前堆在哪个环节哪个环节正在被挤压。等你看懂了产业链的利润流向很多“为什么这个涨那个不涨”的迷惑自然就解开了。3.3.2 竞争格局分析框架“请分析动力电池电芯环节的竞争格局1用CR3和CR5的口径描述集中度变化趋势2列出主要企业的产能规模、市占率大致区间、各自的差异化优势3判断新进入者是否有机会壁垒在哪里4分析价格战的触发条件和对企业盈利的影响。对无法确认的数据请标注“需要核实”。”竞争格局是判断行业“好不好过”的关键。集中度高的行业头部企业有定价权日子普遍好过散乱差的行业大家为了抢份额打价格战谁都不赚钱。让AI帮你把集中度和壁垒梳理清楚你至少能避开那种“看着热闹、其实不赚钱”的行业。3.3.3 供需与景气位置判断框架“请分析动力电池行业当前的供需状态1用产能和需求数据判断当前处于‘供不应求、供需平衡、结构性过剩、全面过剩’哪个阶段2分析行业库存周期的当前位置3列出未来一年影响供需的关键变量4提出三个可以持续跟踪的景气度指标并说明指标上涨或下跌分别代表什么含义。”我一直觉得供需关系是整个行业研究里最重要的一个维度因为“价格围绕供需波动”是市场经济最基本的一条规律行业利润的起起落落绝大多数都能从供需结构中解释。AI很擅长帮你搭建这种分析结构但需要你自己去填充实时数据——因为模型记忆里的产能数据很可能已经过时了务必联网核实。3.3.4 风险清单框架“请站在谨慎的角度列出动力电池行业未来一到两年可能面临的十大风险按影响程度从高到低排序。每一项风险请说明触发条件、影响路径、受影响环节。最后请区分‘已经可见的风险’和‘潜在黑天鹅风险’。”我特别看重这个框架。行业研究不只是找机会更是排雷。很多时候一个标的最后亏钱不是因为公司不好而是行业层面出了预想不到的风险比如补贴退坡、技术路线突变、地缘贸易摩擦、原材料价格暴涨。提前把风险清单列出来贴在研究备忘里至少能在坏消息出现时不那么慌张——因为它已经在你的预案里了。3.4 第四步交叉验证拦住AI幻觉和过期数据前面反复提到AI幻觉这一节我专门讲怎么防。我的经验是三步验证法数据溯源、逻辑对抗、多源比对。数据溯源凡是AI给出具体数字市占率、产能、增速、价格我一定要追问一句“这个数据的来源是哪里是什么时间的”如果AI答不上来源或者来源模糊我会单独用联网搜索核实一遍。AI编数据的能力很强但它通常编不出一个真正可以点开的链接。遇到给不出链接的数据一律标记为“待核实”不作为分析依据。逻辑对抗我会故意让AI唱反调检验自己的分析是不是一厢情愿。比如我分析出了一个乐观结论我会追加提问“现在请站在悲观角度反驳我上面的分析。假设行业未来一年面临剧烈下行请指出我的分析框架里哪几个假设会出问题哪些风险被我低估了。请具体指出逻辑链条最脆弱的一环。”这个“自我反驳”操作我强烈推荐。AI不会像真人那样碍于面子顺着你说只要你明确要求它批评它至少能帮你找出几个你没想到的漏洞。对我来说这比让AI说一百遍“前景广阔”都有价值。多源比对同一个问题我会换不同的AI工具各问一遍然后对照答案。如果多家AI给出的逻辑结构一致可靠性高如果有明显分歧分歧点就是需要重点核实的地方。这个操作不需要很频繁但对重大结论一定值得做。3.4.1 表格AI输出信息核验清单我整理了一个表格做研究的时候会对着过一遍核验维度核验要点我的保底操作数据时效数据是什么时点发布的是否已经过时联网搜索关键词“最新”、“2025”二次确认数据来源AI是否标注了来源来源是否权威找不到链接的数据一律标“待核实”逻辑一致性前后结论是否矛盾数据是否支持结论主动要求AI解释矛盾不解释就不用有无编造引用的报告、政策、事件是否真实存在用原文关键词搜索验证存在性观点独立性AI是否在复述我的预设立场要求AI站在反方立场重新分析3.5 第五步写成一页纸研究备忘研究做完最后一定要沉淀成一份“一页纸研究备忘”。我见过很多人做了大量研究结论都存在聊天记录里过两天就忘了。我的备忘模板长这样研究主题一句话说清你研究的是什么环节什么问题。核心结论三到五句话说出当前行业的核心矛盾和你的判断。关键数据列出你跟踪的核心指标和最新数值注明来源和时间。风险清单最重要的三到五个风险以及触发信号。待办跟踪哪些数据需要每周/每月更新下一次更新时间是什么时候。把这个备忘存到Notion或者任何一个笔记软件里每周花十分钟刷新关键数据。长此以往你对一个行业的认知会形成复利积累而不是每次研究都从零开始。说句实在的光靠一个聊天框做一次研究不难难的是持续跟踪、持续积累而这恰恰是“告别追涨杀跌”最需要的能力。4. 进阶玩法让AI研究自动化和体系化4.1 搭建你的“AI研究助理”工作流手动研究毕竟有时间成本如果你想更系统可以考虑搭建一个小规模的自助工作流。我自己目前维持着一个比较轻量的方案每天固定时段让AI搜索重点跟踪行业的当日重要新闻按“影响程度高/中/低”分类生成简报。每周围绕核心跟踪指标做一次状态更新比如产能利用率、库存天数、产品价格变动。每月用完整框架跑一次深度复盘对比实际行情和分析预期之间的差异找出自己判断哪一步出了问题。这一套做下来你就不再是“有事才想起来看一眼行业”的被动投资者而是拥有了一个持续运转的信息雷达。对于克服追涨杀跌这种情绪化行为稳定的信息节奏有奇效——当你每天都知道行业发生了什么就不会被突如其来的涨跌打个措手不及。4.2 把私人研报库变成AI的“行业情报处”进阶一步很多行业你可以弄到不少研报、年报、白皮书我现在会把它们按行业归档然后定期让AI做“情报处”总结。关键是利用现在主流大模型都支持的文件上传和长上下文能力把某个行业过去半年的研报集中投喂进去让AI输出趋势判断和关键共识点再让AI标出哪些观点有分歧、哪些数据有冲突。这个过程会让我发现自己单篇读报告时容易忽略的细节——AI擅长跨文档比对它能帮你把多篇报告里的矛盾数据挑出来。4.3 多AI协作一个负责搜集、一个负责批判、一个负责交叉验证我最近在尝试一种多AI协作模式感觉很值得分享让两个不同的AI工具分角色干活。A负责信息搜集和框架搭建输出研究初稿B只负责挑错专门从A的初稿里找数据瑕疵、逻辑漏洞和风险盲区我自己负责最终裁决把两边的输出并到一起形成最终结论。这样做的好处是避免了对单一AI的过度信任。毕竟再强的大模型也只是模型它生成的答案天然带有“迎合提问者”的倾向让另一个独立模型唱反调可以部分抵消这个毛病。4.3.1 一个真实的“AI打架”案例我说个真实发生的例子。我让A模型分析一个行业的供需格局它斩钉截铁说“该行业正处于严重产能过剩阶段”理由列了一堆。然后我把它的回答原封不动丢给B模型问B“请判断这份分析的可靠性”。B马上就指出A把“行业规划产能”当成了“实际投产产能”这是研究里很典型的错误——规划产能不等于真实供给很多产能可能永远建不出来。我被这一下点醒了再去核对原始数据果然A模型确实混淆了概念。如果没有第二层交叉验证我可能就要带着一个错误的前提去做判断。4.4 用AI做投资复盘把情绪偏差数据化最后一个进阶玩法我自己觉得价值被严重低估用AI复盘投资决策。做法很简单——每次产生买卖冲动打开记录工具写下“我想买入/卖出的原因是XXX”然后让AI分析这个原因是什么类型的偏差是跟风情绪、是损失厌恶、是过度自信还是信息不足坚持记录一段时间你会看到自己重复犯的错误模式。这个功能不需要太复杂的技术任何大模型都能胜任。它最大的价值是逼你在情绪上头的时候先把想法“外化”出来让AI帮你拆解。很多次我写完理由之后冷静了十分钟就发现这个理由站不住脚。有没有AI你最后都可能冷静但AI让这个冷静的过程变得更快、更规律。5. 避坑指南AI做行业研究的七个常见问题我在真实使用过程中踩过不少坑这节挑七个最典型的做成问题清单你可以直接用来对照自己的使用习惯。问题表现怎么破AI一本正经编数据市占率、产能数据精确到小数点但查无出处任何关键数据必须要求来源无链接就标“待核实”知识截止日期陷阱用老黄历数据分析“当前”形势涉及时效信息必须开联网搜索不让模型凭记忆结论被提问带偏你先说了“我觉得行业很好”AI顺着说好隐藏预判提问或明确要求AI扮演反方信息过时但语气笃定“据最新数据”其实是半年前的追问具体发布日期并要求联网确认输出太长没有重点生成万字报告核心观点淹没在背景介绍里限定格式只准用表格、清单、五句话概括上下文漂移前面说“过剩”后面讨论时变成了“紧缺”单次对话只聚焦一个主题不贪多把规划当成现实把公司规划产能、政府规划目标当成已实现供给追问“这是实际数据还是预期规划”并单独核对5.1 我的个人红线三条铁律最后分享三条我给自己定的红线也是我踩坑之后总结出来的硬规矩。第一条AI所有输出默认不可信直到验证。我不会因为AI语气专业、数据精确就相信它在AI的世界里越像模像样的数据越需要警惕。所有影响判断的关键信息都要经过我的独立确认。第二条AI永远不替我做最终决策。它的价值是“缩短研究时间”和“逼我完善逻辑”不是“告诉我买什么”。任何一个向你承诺“AI帮你稳赚”的方案都可以直接拉黑。第三条持续跟踪比一次深度研究更有价值。行业研究的核心不是一次性的“看多”或“看空”而是建立一个持续更新的认知系统。每天花十几分钟看看雷达简报比研究三天三夜然后抛开半年的人长期胜率高得多。我自己用了这段时间最大的变化不是“赚了多少钱”而是“心态稳了”。以前看到某个板块突然拉升第一反应是“要不要追”现在第一反应是“让我看看这个行业的供需逻辑是不是真的变了”。这个转变我觉得就是“告别追涨杀跌”的第一步AI只是恰好帮我把这一步走得更轻松了一点。最后提醒一句行业研究只是辅助认知的工具市场有风险所有决策都需要你自己独立做出判断并承担结果。希望这套方法能让你少交点学费多攒点对行业真正的理解。