投资者如何使用 AI (David Plon)

欢迎收听《Business Breakdowns》。本播客致力于由投资者和运营专家深度剖析单家企业。在每期节目中，我们将深入探索企业的历史、商业模式、竞争优势以及驱动其运转的核心逻辑。我们相信，每家企业都蕴含着值得投资者和运营者学习的经验与商业奥秘，而我们的使命就是将这些内容呈现给大家。如需收听更多节目，请访问 JoinColossus.com。

主持人及播客嘉宾发表的所有观点均仅代表其个人立场。主持人、嘉宾及其雇主或关联机构可能持有本期节目所讨论证券的头寸（持仓）。本播客仅供参考，不应作为任何投资决策的依据。

一、 投研流程中的 AI 边界：效率底线与“认知摩擦”

Matt： 听众朋友们大家好，我是 Matt Reustle。今天我们带来了一期特别节目，深入探讨投资者如何应用 AI。这也是许多听众常问我的问题。虽然目前关于 AI 影响的内容层出不穷，但我知道大家更希望了解具体的应用场景、如何充分发挥这些工具的作用、如何看待技术的最新进展，以及如何确保自己紧跟创新浪潮。

因此，我今天的嘉宾是 Portrait Analytics 的创始人 David Plon。David 和 Portrait 自去年起就成为了 Business Breakdowns 的合作伙伴。我特意邀请 David 来录制本期节目，一方面是因为他处在投资者应用 AI 的最前沿；另一方面，或许也是更重要的一点，他和他的团队本身就拥有深厚的投资背景。虽然本期对话不会重点宣传 Portrait，但在听 David 分享的过程中，你会听他提及他和团队正在构建的产品及其针对投资者的优化设计，也能深切感受到他是一位真正懂投资者痛点的人。我相信每位听众都能从本期节目中获得对日常工作有益的启发。也非常欢迎大家反馈听后感。下面让我们正式开始本期节目。

David，非常高兴能和你一起录制这期节目。在刚刚过去的假期里，许多投资者都在思考如何更好地利用 AI 工具。虽然技术在持续演进，但至少在现阶段，相信你能为我们提供非常出色的视角，分享实际应用场景以及充分利用这项技术所需的技能。在此之前，我想先聊聊你的个人背景，因为你的经历非常独特，这也正是为什么我认为你从投资者视角出发思考这一议题能提供极大价值的原因。能否带我们回顾一下在创立 Portrait 之前，你具体从事什么工作？又是怎样的契机促使你创立了这家公司？

David： 非常荣幸能来参加节目。在创立 Portrait 之前，我的职业生涯一直在投资领域，历任过几个不同的岗位。我最早是在 Barclays 交易层的 Special Situations 部门；随后加入了一家名为 Slate Path Capital 的多空对冲基金担任 Generalist；最近的一份投资工作是在总部位于波士顿的大型对冲基金 Baupost，在公开市场团队担任 Generalist，同时覆盖公开市场股票和困境债务（Distressed Credit）。

我最初萌生将 AI 应用于投资研究流程的想法，大概是在 Stanford 商学院求学期间（2015 至 2017 年左右）。当时深度学习正处于风口浪潮，直到我毕业前夕，行业仍处于 Transformer 模型诞生前的阶段。但在我看来，这项技术在未来某个节点必然会对我的许多研究工作流产生重大影响。在花了大量时间进行学习、探索和原型开发后，我坚定了全情投入这一事业的信念。这就是我创立 Portrait 的背景经历。

Matt： 回顾你在 Baupost、Slate Path 甚至是在交易大厅（Trading Floor）的那些经历，能否分享一些当时耗费了大量时间、构成核心痛点，而如今通过 AI 可以轻松解决的具体场景？我们待会儿会深入讨论具体的应用案例，但我很想知道，当回首当年的工作流时，你认为哪些环节在今天相比十年前获得了最显著的提升？

David： 如今的情况截然不同。投资研究流程的最终产出是一项决策，而且最好是一项高质量的决策。这与许多提供具体产品或服务的其他行业大不相同。回看投资研究流程，其中有些环节确实存在摩擦，但这种摩擦是有价值的，因为它有助于建立我个人的投资信心（Conviction）。我属于那种绝不把财务建模工作外包的人，必须亲自建模，才能在推荐个股并提出持仓建议时拥有足够的信心。

但确实也存在一些限制我工作效率的环节，尤其是在寻找和研究最佳投资标的方面。归根结底，外部存在海量可供吸收的信息，而在有限的日常时间内，以高效且对研究有实质增益的方式去消化这些信息，极具挑战性。

具体可以归纳为三大类：

第一是想法搜寻（Idea Generation）。即寻找最契合我心智模型的投资标的。我知道市场上可能存在几十个完全处于我能力圈（Sweet Spot）内的标的，但在任何特定时刻，很难确定自己正在研究的是否就是其中之一。

第二是新标的前期的背景信息构建（Context Building）。尤其是作为泛行业分析师（Generalist），在形成差异化洞见之前，仅仅掌握公司及行业如何运转的基本门槛信息、了解市场叙事，就需要大量投入。而《Business Breakdowns》一直是一个极有价值的资源，每当我在研究某个标的且正好有相关节目时，总能提供巨大的帮助。

第三是持仓跟踪与监控（Position Monitoring）。作为泛行业分析师（Generalist），要持续跟踪的不单是公司本身，还有其周边的生态系统，包括客户、供应商和竞争对手。如果是专注某一行业的分析师，通常能根据吸收的所有数据点拼凑出行业动态的实时全景图（Mosaic）。而作为覆盖广泛的 Generalist，这一点极为困难。我曾不止一次在财报季栽过跟头，因为我是最后一个意识到终端市场需求疲软或供应商正在上调价格的人。

总的来说，这类工作流——即信息处理、帮助初筛与分流（Triage）新的数据点——正是 AI 可以发挥巨大作用的地方。我们可以深入讨论一些具体的应用，但我认为 AI 应当融入研究流程，而不是取代那些对于建立投资信心至关重要的核心骨干环节。

二、 监控（Monitoring）的范式转移：拼图理论（Mosaic Theory）的极低边际成本化

Matt： 这确实非常让人产生共鸣，也符合我所看到的那些充分发挥 AI 价值的专业人士的实践。很大程度上这关乎生产力与效率。表面上看，有些人可能会对效率提升不屑一顾，但在做出决策、保持思维清晰以及获取最有价值信息方面，其深层意义远不止于此。我非常赞同深入讨论具体应用场景。我想逆着投资决策的流程，先聊聊你刚才提及的持仓监控。目前有哪些具体的 AI 应用场景是投资者正在使用、或者你推荐他们采用的，从而能够尽可能高效且全面地监控投资组合中的标的？

David： 如今要跟踪单只股票的动态，市场上有许多成熟的解决方案。你可以将其添加到各种平台的自选股名单中，持续跟进与该公司相关的最新监管文件、财报电话会议纪要（Transcripts）和新闻。

过去十分困难但如今变得简单得多的，是在更零散、庞杂的数据集中投下更广泛的网，提取出相关的关联数据点。例如，假设你持有 Expedia 的股票。对 Expedia 而言，核心投资要素始终包括整个酒店生态系统的动态、预订额趋势、价格走势，以及各大酒店集团的渠道分发策略及其对 OTAs（在线旅游平台）的影响。

以往的痛点在于，如果你是覆盖 Expedia 的互联网分析师或跟踪该公司的记者，你大概不会想订阅 Marriott 发布的所有新闻，你并不必然关心 Marriott 本身的盈利能力如何，或者他们是否在通过开新店和新增客房来抢占 Hilton 的市场份额。你真正关心的是能够丰富整个信息拼图（Mosaic）的具体数据点，例如酒店领域消费者的出行需求变化，或者酒店是否在调整针对 OTAs 的份额策略。在过去，除非你逐字逐句阅读所有新闻，否则根本不可能捕获所有这些数据点，因为信息之上缺乏一层智能过滤器。

借助如今的 AI 技术——当然，我经营的公司 Portrait 就提供了针对此问题的解决方案，但即使在 Portrait 之外——现在也有很多方式可以大幅提高跨领域捕获这些关键数据点的效率。过去只有专门覆盖旅游行业的分析师才能具备的洞察深度，现在你作为通用投资者，也能围绕自己的投资逻辑高效获取。

Matt： 对此我深有同感。我当年做交通运输行业分析师跟踪卡车运输公司时，深知 CPG（消费品）公司在讨论货运成本时会释放极具价值的信息。许多个周四的深夜，当外面的世界都在享受曼哈顿的欢乐时光（Happy Hour）时，我却在办公室熬夜对各种会议纪要和财报发布稿进行 Ctrl+F 关键词检索。能够以极其高效的方式自动收集所有这些信息，而不必疯狂进行手动搜索，这绝对是一项重大突破。

三、 逆向筛查与“一票否决”机制（Kill Checklist）的前置

Matt： 接下来聊聊针对新标的的深度研究或购买前（Pre-buy）的快速熟悉过程。这又是一个蕴含无限可能的领域。对比你过去的研究习惯与如今其他投资者的实践，你观察到哪些应用场景能够帮助大家最大化利用 AI，从而建立更强的投资信心或更高效地收集信息？

David： 这很有意思，因为我一直很喜欢做购买前（Pre-buy）的研究工作。我妻子常开玩笑说，我周六早上最喜欢的活动就是研读 10K 文件。正如我之前所说，构建这些背景上下文、感觉自己读完了所有材料并开始拼凑各个数据点，是建立投资信心的重要过程。

我认为 AI 在这个过程中能提供极大的帮助，主要体现在两方面：

第一，提供足够的信息来判断一个投资点子是否应该被否决（Kill）。在我做投资人时，每年年底都会做个统计：我到底认真评估了多少个投资点子？真正能进入深度研究阶段的比例低得惊人。很多时候，如果我能更早地调出足够的信息，意识到其中存在无法逾越的致命风险（Existential Risk），或者管理层薪酬方案无法让人相信其激励机制与股东一致，我本可以更快地放弃这个想法。因此，AI 的价值在于提供足够的基线上下文，帮助你进行初筛：“是的，这通过了初始测试，我愿意花 12 个小时仔细研读它的历史资料。”

第二，将原本处于后期阶段的分析工作大幅提前。以刚才提到的 CEO 薪酬为例，过去如果我要深入研究一家公司，会翻阅过去五年的委托说明书（Proxy Statement），梳理 CEO 的绩效考核指标、权重变化等，这往往能很好地反映董事会的真实想法。过去做这项工作相当繁琐，而现在在 Portrait 上只需点击一下按钮。原本属于“深度挖掘”范畴的工作，现在可以提前完成。这是 AI 最强大的应用场景之一。分析师可以在相同时间内筛选多得多的标的，并将宝贵的深度研究时间，留给那些确实值得投入精力的点子。

四、 文本穿透：管理层可信度与指引风格的量化审计

Matt： 在实际应用中，这究竟是基于一份关于薪酬等核心要素的“一票否决”清单来进行快速筛选，还是说你事先并不确定会遇到什么致命隐患，只是通过快速迭代来更快了解情况？这可能有点偏技术性，但我很想了解这是否可以形成某种模板化的流程。

David： 这可以分为两大类。确实有一些是可以模板化的。比如前面提到的 CEO 薪酬，或者某些会计层面的指标——例如激进的收入确认，或是通过变更某些假设来虚增业绩数据。

另一类则是某些一旦出现就会让人警惕的模式。比如有一项分析，现在做起来轻而易举，但过去却非常耗时：我会翻看过去三四年的记录，梳理出管理层给出的每一项业绩指引，既包括具体的硬性数据，也包括定性的软性表述（例如“我们预计收入将在下半年某个时候加速增长”）。建立对管理层指引风格和可信度（Credibility）的全面认知至关重要。长期跟踪某只股票的人对此会有直觉上的把握，而刚接触该股票的人则不具备这种背景知识。如果我的投资逻辑建立在管理层的某种转型执行计划之上，但研究发现过去三年里他们每年都声称预计利润率会扩大，却从未兑现，这本身就足以成为一票否决该投资想法的铁证。

这也是一个绝佳的例子：AI 在揭示那些过去需要耗费大量心血梳理、而如今可以轻松呈现的潜在模式方面，能发挥巨大价值。

Matt： 完全同意。关于诚信度（Credibility）的说法非常中肯。这背后关乎信任度问题，一旦投资者表现出对管理层或某只股票不再信任，股价就可能出现自由落体式的下跌，这种情况屡见不鲜。

David： 是的，而且这种现象有时非常隐蔽。很多时候，如果你只看 Bloomberg 终端屏幕，上面显示管理层每个季度都超越了业绩指引。但当你真正深入挖掘时，会发现他们在 Q1 电话会议上给出全年指引后，接下来的每个季度都在不断下调指引。因此到了 Q4，他们自然能够轻松超预期。如果你在构建未来一年的财务模型，此时就应当对管理层给出的任何言论打个折扣。

与其持续下调指引，有时候一次性把所有坏消息出清（Kitchen sinking）、在一个季度消化所有痛苦，反而效果更好。因此，正如你所言，很多信息本质上虽然是定量的数据，但要提取这些信息在过去绝非易事，而这正是 AI 正在全面赋能的领域。

五、 投资标的搜寻（Sourcing）：二阶思维与定性模式向量检索

Matt： 最后一部分是关于新标的的寻觅（Sourcing）。正如你之前提到的，你可能有一些特定的框架或偏好的企业特征，但要在市场上找出所有符合这些特征的公司，或者判断正在研究的公司是否符合标准，并不总是那么容易。那么在点子寻找与生成（Idea Generation）方面，你观察到 AI 在哪里发挥了最大的作用？

David： 这样说准确吗？对我个人而言，感觉在进行项目筛选（Sourcing）之前，往往总会有一个前置步骤——你通常是出于其他原因先接触到了某家公司。不过我很想知道，你看到 AI 在哪个环节开始发挥作用？

据我观察，投资者在此类场景中使用 AI 主要有两种方式。

第一种是了解哪些公司受某些特定的趋势或动态变化影响最大（存在风险敞口）。例如，去年4月关税政策首次公布时，很多投资者（尤其是 Portrait 平台上的用户）都在试图弄清楚哪些公司受到的冲击最大。

更深层的二阶思维分析甚至更具挑战性：比如哪些公司的供应链主要集中在美国，而其竞争对手的供应链则分布在海外？这类分析使用 AI 非常有效。即便是开箱即用的最前沿大模型，也内置了海量的世界知识，能够很好地推演一阶和二阶效应、分析受影响的对象等。

第二种更微妙、也更有难度的情况——也是我们投入大量时间的地方——是与机构合作，寻找符合某种微妙能力圈/心智模型（Mental Model）定义的投资标的。

例如在我过去的从业经历中，我有一个心智模型：寻找那些以往业绩优秀、商业模式中有极其吸引人且值得确信与下注的核心资产（Underwrite），但近期遇到了某种波折的公司。这种波折可能是宏观层面的因素、糟糕的产品周期，或者是某种执行上的失误，导致市场正在重新评估其核心商业特许价值（Franchise Value）。很多时候，我可以把研究精力集中在这一具体的逆风因素上，判断它究竟是暂时的还是长期的。如果是暂时的，那就是买入机会。

要筛选出符合这种模式的标的非常微妙，本质上是非常定性的，因为短期内无论逆风是暂时的还是长期的，头条财务数据看起来都会很糟糕。

寻找符合这种范式的投资标的面临两大挑战：第一，它不仅需要看数据，更需要大量的定性推理；第二，甚至连清晰表达这种模型都很困难。当我询问很多投资者“在寻找有吸引力的投资标的时，你的心智模型是什么”时，有些人能非常清晰地列出“我在寻找属性 A、B 和 C”，但很多时候，这更像是一种直觉——懂的人自然懂（I know it when I see it）。如何将这种直觉转化为一个检索查询（Query），确实很有挑战性。

这也是我们在 Portrait 投入大量精力的领域：帮助投资者回顾他们的历史投资记录，弄清楚结合过去的交易上下文和机构风格，对他们来说什么才是“10分满分”的投资标的。

把这两者结合起来确实不易，但一旦成功，效果是惊人的。在投资行业，很少有什么感觉能比收到一份完美的标的推介（pitch）更令人兴奋了——你读着它，心想：“天哪，这太令人兴奋了！清空我的日程表，接下来一周我要专门研究这个！”这是一个非常神奇的时刻，而 AI 在其中发挥了极大的帮助。

Matt： 是的，通过做这档节目，我接触到了各种各样的商业模式，我也一直在试图总结模式并进行匹配。其中有些模式比较直观，比如供应链中极其关键但仅占总成本极小比例的环节，如果公司是主导参与者、拥有绝大部分市场份额，那么它就应该具备定价权。这是一种逐渐凸显并得到越来越多认可的模式。

当然，也有一些更微妙的模式，就像你刚才描述的那种，要清晰表达它们会更具挑战性。但这是一个非常有趣的视角。我确实看到一些拥有差异化框架的投资者，正在尝试利用 AI 工具来挖掘他们多年积累的独家知识或模式识别能力，以在发现新机会方面发挥最大价值。

你在其他场合以及我们交流时都明确提到过一点：想要充分发挥 AI 的潜力，需要具备一定的技能集。我觉得这些技能并不总是那么直观，至少对我来说曾并非显而易见。

我希望能聊聊那些能带来巨大差异的关键因素——即决定了投资者只是获得比 Google 搜索稍好一点的输出，还是真正基于现有工作大幅提升效率。

六、 提示词工程（Prompt Engineering）心法：“离岸分析师”隐喻与双人舞式迭代

Matt： 首先就是 Prompt 撰写。你如何表达 Prompt 撰写的重要性？对于投资者在思考 Prompt 时有哪些基本要素可以借鉴？你可以畅所欲言。

David： 这是一个非常有趣的问题。关于什么是有效的 Prompt，其答案大概每三个月就会变化一次，因为大模型的能力以及模型可用的工具都在不断演进。在投资研究场景中是这样，在其他基于大语言模型的研究型工作流中也是如此。

我个人认为目前依然非常有效的一个心智模型是：想象你正在给一位身在海外的同事写邮件，他将在夜间替你完成一项任务。假设他非常聪明，但可能缺乏关于你个人偏好的上下文。为了让他把工作做好，你会希望提供哪些信息？你最终写下的内容，大概率就是一个优秀 Prompt 的良好起点。

具体深入来看，我如今写 Prompt 的几个核心组件包括：

首先，我会明确具体任务以及为什么要执行这项任务。这就像对待人类分析师一样，如果你只说“建一个成本曲线模型”，他会说好的；但如果你说“请构建这个成本曲线，因为我认为它可能正在发生移动，这可能暗示未来价格的变化”，这就非常有帮助了。因此，我通常会提供背景上下文和具体任务。

其次，根据所需内容的性质，我可能会指定输出格式。比如我会说：“我希望输出结构如下：先写一段引言，然后列出这些数据点，最后展示一个包含 X、Y、Z 的表格。”这有时很有用，但有时过多的限制反而会适得其反，因为这约束了模型的输出。就像对待人类分析师一样，你可能希望给他留出一些自由发挥的空间，让他按照自己的方式去综合整理信息。

最后，我的 Prompt 中通常还会包含具体任务的指引（guidelines）以及通用领域知识（domain knowledge）。

在指引方面，比如在提取业绩指引（guidance）时，我会提醒：“请确保捕获那些没有具体数字的软性指引（soft guidance）。”因为如果你只说“捕获所有指引”，模型往往只会提取具体的定量数字。

在传递领域知识方面，我会整理一组要点，涵盖我作为分析师的心得以及从业经验中总结出的规律。例如，我总是会提醒模型：“听着，你阅读的大多是管理层的表态，他们总是倾向于作积极正面表达。你必须保持审视和怀疑的态度。”

哪怕是这样一句简单的提醒，效果也非常显著。因为模型在训练中被设定为“乐于助人”，这往往会导致它们的态度比应有的更加乐观。这就像指导一个充满热情、初出茅庐的大学实习生一样，你需要向他传授一点经验：“管理层往往会吹大业绩。”

总结来说：明确任务、解释背景上下文、指定所需的输出格式、提供针对性指引以及注入领域知识——我认为这是一个非常好的起点。如果你把这段话发送给一个人，他能读懂并明白该怎么做，那么大模型也同样能完成得很好。

Matt： 对 Prompt 进行拟人化的指令层级，这是你很久以前提到的、对我产生了重大改变的初始要点之一。

关于上下文以及何时使用 LLM（这里假设是开箱即用的通用大模型）：在考虑是给模型充分的自由度，还是为其加载特定文档时，根据你的经验，这会如何改变输出的规模和质量？

David： 这在很大程度上取决于具体的任务，主要有几个不同的衡量维度。

首先是任务的性质：它是明确、有结构且偏定量的吗？如果是这样，虽然使用通用开箱即用方案上传文档可能有些繁琐，但你依然应该上传文档。因为如果不上传，通用大模型通常不得不去抓取网页，而这是收集大量结构化信息的一种极其低效且不完美的方式，极易产生幻觉（hallucinations）——这也是为什么 Portrait 这样的公司会存在，因为所有的文档和数据都已经预加载好了。

但如果目标是偏探索性或创造性的，上传相关文档依然非常有帮助。不过我会明确指示模型：“我不确定这个问题的答案会走向何方，你可以顺藤摸瓜，沿着线索深度追查。”在这种情况下，你可以引导模型（尤其是响应度很高的新一代模型）去进行大量的网络搜索。

另一个关键维度是任务对准确性与实用性的要求。对于某些任务而言，如果你只有 99% 的准确率，它的实用价值就是 0%。这就像自动驾驶，犯错的成本极极高。

比如在财务建模方面，在我过去的任何岗位上，如果我向老板展示了一个有明显漏洞的财务模型，那后果会相当严重——虽然我偶尔也确实搞砸过。（笑）

Matt： 咱们彼此彼此。（笑）

David： 是啊。但如果你只是在做行业调研，比如“这个行业的历史是什么？它是如何演变为如今这三巨头的？”如果在研究初期，作为一种快速筛选和梳理（triage）的练习，偶尔出现一两个事实性错误，那是可以接受的。

因此，应该根据任务在研究流程中所处的阶段、对准确性的要求以及希望输出多么结构化的内容，来进行动态校准和实验尝试。

Matt： 是的，观察何时需要极高精度，何时只需方向正确就能创造全部价值，这非常有趣。

关于你提到的实验尝试（experimentation），我很想知道这究竟有多重要——这也是我自己有时会纠结的地方。你提到这项技术在不断变化，那么在明知很多技能未来大模型自身就能独立完成的情况下，花时间去实验或提升这些技能能带来多大差异？当你知道已经有一种标准、质量也不错的解决方法时，以创造性的方式去尝试不同的事物，你觉得这在你自身、你的团队成员或者合作的投资者客户身上，会产生多大差别？

我知道这是一个关于“将实验尝试作为一种技能集”的宏观问题，但我好奇你是否在客户或团队身上观察到了某种规律？

David： 对于这样一项不断演进的技术，我认为抽出 15% 左右的时间来进行实验尝试极其重要。

因为与过往的技术不同：一方面，底层的模型在变；另一方面，能力的前沿（capability frontier）也在不断扩展，而且参差不齐。很多尚未被发掘的能力，你完全可以在其他人注意到之前就抢先掌握。

因此，建立一套实验机制并花时间去推演模型的极限，一方面本身就大有裨益，另一方面能让你对模型目前的水平以及未来的走向产生更好的直觉。

举个具体的例子：我和我们在 Portrait 的团队有很多类似的尝试。对我个人而言，有些任务我知道模型目前做不到，或者只能做到极小一部分，但每当有新模型发布时，我都会用包含 10 个不同测试用例的基准套件跑一遍。这样我既能直观感受到新模型的跨越幅度，也能及时更新我对“能力前沿”边界的认知。

很多时候，一旦你开启了这个过程，它就会滚雪球般自我迭代。比如你做了一个测试（如构建成本曲线及其动态移动），这原本是一项耗时且极具挑战的任务，但现在模型可以开始胜任了。太棒了！接下来你就会产生新灵感：“如果我把长期成本曲线与边际成本曲线进行分层叠加会怎样？”于是你就能想出各种全新的方式，将其应用到眼下的研究流程中。

因此我会建议，无论公司还是个人投资者，都可以准备一份由 10 个理想任务构成的测试清单（即“如果模型能做到就太棒了”的事情），并不断用新模型去测试。一旦模型能够胜任，就保存该 Prompt 模板，并在日后的标的研究中重复使用。我认为这些正是实验尝试能够带来丰厚回报的地方。

Matt： 顺着实验尝试这个话题，你在与 Fundamental Edge 基金的 Brett 交流时提到过一个很有意思的点：尝试撰写不同形式的 Prompt。

比如从最简单的 Prompt 开始（你知道它大概率会给出一个非常宽泛中庸的答案），然后逐层深入、增加更多细节，观察模型的回答如何根据你的指令而改变。

我自己尝试了一下，这让我深刻体会到模型对问题顺序、上下文加载方式是多么敏感。这不仅仅影响单次练习，更让人意识到这项技术并没有太多明确指示的“开关”（比如告诉你“这种路况下请开启四驱模式”）。它就是一个对话框，你必须亲自去探索和玩味。

David： 关于这一点，我之前提到过一个写 Prompt 的心得——将撰写 Prompt 想象成给离岸分析师（Offshore Colleague）写工作邮件。不同的是，大语言模型（LLM）的反馈是即时的。

真正的洞察恰恰来自于你刚才所说的不断迭代。发送单次查询的成本微乎其微。从简单开始，在有帮助时逐步增加复杂性。这就像一场双人舞，最终目的是让 AI 真正像一个得力的分析师一样工作。你不需要等上一整夜才看到结果再给反馈，你可以实时给出反馈并做出调整，这会变得无比强大。

Matt： 你们放在 Portrait 里的 Prompt（比如行业入门手册 Primers 等），能看到里面注入了极其丰富的细节层级，这确实非常有帮助。在看到那些之前，我都觉得我自己写的 Prompt 有点粗糙了。（笑）但这确实非常贴切。

七、 自下而上的推广路径：垂直定制工具与个人信任的建立

Matt： 再从更高的层面上看，我看到不少个人从 AI 中获得了巨大价值，但感觉这些应用是孤立且孤岛化（Siloed）的。同一家基金里的两个人可能会使用完全不同的工具，并且各自都能获得价值。虽然机构整体受益了，但这并不一定符合战略对齐，或者说在协作共享方面做得还不够。

你是否总结出过哪些最佳实践，能帮助基金实现某种程度的战略对齐或协作推广？因为投资研究归根结底是在建立确信度（conviction），而每个人建立确信度的路径各不相同。

David： 强制改变研究流程确实非常困难。如果在我上一份工作中，团队负责人突然说：“好了，从现在起你的模型只能使用卖方模型”，我肯定会很挣扎。

我非常理解很多机构都在尝试自上而下地推动：“嘿，我们不想在 AI 方面落后，你们必须开始使用某某工具。”这种做法在某些方面可能有效，但在另一些方面可能会适得其反，遭致抵触。

我所见过的推广效果最好、也最能充分利用 AI 的机构，通常是在“推行全公司层面的统一举措（且不强迫员工改变既有习惯）”与“允许个人自由探索（找出 AI 在哪里能带来增量、减少阻力且不损害确信度）”之间找到了最佳平衡。

以 Portrait 为例：有些机构在公司层面与我们合作，花费大量时间构建极其定制化的投资标的筛选（Idea Generation Screen）机制，契合他们的独特流程。我们就像他们的外包分析师团队一样运行这些筛选。这能带来极大的增值，因为我们没有要求任何人改变流程，他们只是会收到一堆非常有意思的潜在标的线索，如果有兴趣就可以深入研究。

类似的还有投资假设监控（Thesis Monitoring），这也成为了一个非常热门的应用。监控的好处在于它不需要改变任何流程——我们只需输入股票代码和你的投资逻辑，然后系统会自动拉取它认为对你的思考有实质帮助的新数据点。这同样不需要增加新负担，只需在有新洞察到达时看一眼，如果不相关就忽略它。

至于日常的具体查询、生成报告输出等，则完全取决于用户个人。当然，与专门深耕该垂直领域、构建了专用软件的公司合作，对于推动落地大有裨益。因为不同于 ChatGPT 这样的通用工具，专业软件可以围绕具体工作流定制 UX。

但归根结底，AI 的落地必须是以自下而上的方式发生。人们需要使用起来感到顺手和信任，才能继续做出高品质的投资决策。很多已经改变了研究流程的人，是因为他们建立起了对工具的信任——而这种信任的建立，必须发生在个人层面。

八、 机构数据资产化：超长上下文时代的“文档化（Documentation）”先发优势

Matt： 这是一个非常有趣的视角，我之前确实没太往这方面想。但在投资研究和投资流程中，即便在同一家基金内部，每个人的做法也大相径庭。大家关注的核心要素可能相同，但达成目标的路径却截然不同，甚至财务模型的格式也是如此。我至今还记得很多关于是否要统一标准化模板的争论，以及大家最后各自偏离模板的情况。

所以这确实很有深意。这在一定程度上启发了我：无论是机构还是个人，现在都可以去投资一些眼下价值未必显现、但随着技术演进未来能够充分调用的能力或做法。就像我们之前聊到的体育数据分析团队的经典案例——有些团队在“体育数据分析”这个概念诞生之前就一直在记录和追踪数据，直到几十年后才真正从这些数据积累中大幅获益。而那些从未跟上的团队，想要倒回去补课就极其困难了。

那么在你看来，有哪些具体的做法或练习，是基金或个人现在就可以开始布局、并在未来能产生长远回报的？

David： 显而易见，我们前面提到的所有实验和尝试在这里完全适用。但我认为有一点至关重要——虽然它在历史上一直很重要，但在未来它的权重会大得多——那就是对思考过程、决策逻辑和研究记录的“文档化”（Documentation）。

从本质上讲，这些模型的实用性会随着提供给它们的上下文（Context）量的增加而呈指数级上升。随着模型上下文长度的扩展，以及其智能体级推理能力（Agentic Reasoning）被更广泛地用于执行长时间运行的复杂任务，模型将最终从一个单纯辅助研究的工具，演变为常驻在机构内部、能够直接执行研究流程的系统。而它们执行该流程的能力高低，取决于它们掌握了多少关于你和你的机构如何运转的数据。

因此，对于那些留有详尽备忘录（Memos）、甚至会就每次交易决策写下简短说明的机构来说，尽管事前（ex ante）很难确切知道哪些数据会以何种方式被使用，但可以肯定的是，沉淀这些数据至少对人类员工有帮助，而且未来对机器的帮助会更大。

刚才我们也谈到，应用 AI 的一大难点就在于加载这些上下文。这与培养一名初级分析师（On-ramping a junior analyst）面临的挑战是一模一样的——你需要花大量时间去教他们你的思考方式、你在特定标的上的过往交易历史等等。如果能在日常工作中实时捕获这些数据，就会形成一份极其有价值的知识产权（IP），这能让为你服务的 AI 变得独一无二。

虽然前期很难精准预判这些数据将如何被调用，可能需要一些创造力去探索，但很难想象两三年后，基金内部运营的模型会不使用这些沉淀下来的每一份数据。

Matt： 这是一个绝佳的例子。我亲身体验过在不同公司的入职培训（Onboarding）：有的公司只有买卖决策的正式备忘录，这些备忘录固然有价值，但往往过于精雕细琢；而另一些公司则会记录财报发布后的快速总结，比如“Amazon 进军了该领域，需要持续关注”，一个月后与管理层会面后记录“沟通感觉变差了”，再过一个季度财报显示 Amazon 的影响确实显现了。

正式备忘录可能只会概括为“Amazon 的市场动作”，但如果能看到团队当时的完整思考轨迹和决策演进，对我快速融入团队、掌握情况有着极其巨大的价值。

这再次印证了那个视角：要把 AI 当作一名团队成员来看待。就像你会向新成员提供最充足的素材，让他们迅速理解你的工作习惯和决策逻辑一样。

回到一些快问快答的问题，展望未来和行业走向，我刚才提到了上下文窗口（Context Windows）。在投资者日常使用的各种大语言模型（LLMs）和主流工具中，你个人或你观察到的投资者在哪些场景下能从上下文窗口的扩大中获得最大优势？

另外，许多投资者都面临一个挑战：“我希望尽可能多地把信息塞进去，但有时又受限于窗口大小。”对于这个问题你如何应对？作为投资者，在多大程度上需要为此感到焦虑？

David： 这在很大程度上取决于你使用的具体工具、使用场景以及要完成的任务。

进一步来说，上下文窗口虽然一直在扩大，但过去一年基本处于平稳期——Gemini 大约在 100 万 token，GPT 大约在 40 万左右，Claude Opus 约为 20 万。模型真正变得更强的，是高效利用这些上下文的能力。

过去模型在长上下文处理上是存在短板的。比如你喂给它过去 5 年的 10-K 年报（假设一份 10-K 约 10 万 token，5 份就是 50 万 token），如果你问“2023 年的 SG&A（销售及管理费用）是多少”，模型表现得很好，这就是所谓的“大海捞针”（Needle in a Haystack）检索。但如果你让它“根据这些年报构建一个三张财务报表的联动模型”，它就会很吃力，因为这需要模型同时将注意力分配到上下文窗口的多个不同位置上。

我认为目前依然有一个粗略适用的经验法则：如果你加载了海量上下文，通常在你寻找特定数据点时效果最好。话虽如此，相比 3 个月前的状况，现在的模型在智能利用上下文方面已经有了长足的进步。

如果你是在 Portrait Analytics 或 NotebookLM 这类工具中构建项目，我建议你完全不用拘束，直接把整个资料库塞给它。你在软件工程领域也能频繁看到这种情况——Claude Code 和其他 Agent 编程工具能够非常高效、聚焦地探索超长上下文以完成眼前的任务。就像你不会给初级分析师安排任务时说“你只能看这 4 份文件”一样，你希望他们拥有自主权（Agency）去挑选所需的材料，这一逻辑在 AI 上同样成立。

不过有一点需要注意：如果你使用的是原生基座模型（Raw Model），最好不要把上下文窗口塞得太满（比如占用 70% 以上），否则在处理复杂任务时性能会有所下降。那种情况下应该把任务进行拆解。但更简单的方式是直接使用已经帮你管理好这种复杂度的上层工具，这样你就无需再去纠结上下文窗口的具体占用比例了。

Matt： 关于记忆功能（Memory），随着它在许多工具中落地，其显而易见的好处是能够实现针对个人的个性化定制。借用我们之前谈到的“海外员工”的比喻，这相当于你在创造一个更高效、更贴合你需求的协作环境。那么除这些显而易见的影响之外，你认为记忆功能还会带来哪些意料之外的影响？

David： 关于记忆功能，有趣的一点在于：目前实现的记忆机制其实远逊于人类的记忆。它非常有限，而且成本昂贵（因为深度记忆会占用大量上下文空间）。它缺乏人类记忆中许多微妙的细节——人类的记忆不仅对具体事实有用，更重要的是它能形成抽象概念并让我们汲取经验。很多时候，记忆之间的联想与连接才是其威力所在，这构成了投资中的模式识别（Pattern Recognition）能力。

因此在短期内，记忆功能主要是一个有用的工具，原因很直观——它只是在上下文窗口中增加了可以持久保留的背景信息。

但从长远来看，大家都知道人类记忆是不可靠且易出错的。虽然从具体的机器学习（ML）研究以及记忆的不同实现方式来看，这超出了我的专业范畴，但你可以想象目前正在实验的各种记忆架构：包含短期记忆、长期记忆以及检索记忆的能力。如果这些在模型训练和外围框架（Harnesses）上都能正确实现，想象一下——拥有一个经历过机构历史上每一次投资、甚至看过所有放弃过的项目的模型，在某种程度上，它会比任何单个人类投资者都强大得多。

我合作过的一些优秀投资者，他们对事物有一种惊人且敏锐的直觉判断。这种直觉不仅源于对具体事实的记忆，更源于从丰富经历和“伤疤”（试错教训）中凝练出的记忆。未来这种能力完全可能存在于模型之中。

人们常说 AGI（通用人工智能）是指具备通用智能的能力。我认为检验一个模型是否达到 AGI 的一个非常有趣的测试是：它能否预测未来？预测未来需要建立一个极佳的世界模型（World Model），并理解极其复杂的变量，而这正是投资者在做的事，记忆显然是其中不可或缺的核心要素。

总结来说，短期内我对记忆功能所带来的实际提升持相对审慎的态度——它可能并不比直接复制粘贴上下文到窗口里强太多；但从长期来看，我认为记忆机制是实现突破的关键，它将推动 AI 从辅助工具蜕变为机构研究的核心驱动力。

不过我可以区分来看：在短期内，我的体会是与其过度依赖记忆功能，不如对记忆做适当限制，从而节省上下文窗口，并把更多精力投入到精心撰写 Prompt（提示词）上。虽然这两者不能完全划等号，但记忆机制归根结底是为了实现个性化定制；如果你能直接把这些要求写进 Prompt，可能比让记忆占用上下文更划算。

David： 记忆在短期内主要是一种便利性工具。换句话说，如果有某些背景知识是你希望每次与模型交互时它都能掌握的，那么这些内容就应该存放在记忆中；或者在研究某个特定标的（Name）时，如果你已经进行了 20 次查询，你可能会希望模型能保留某种程度的记忆，这样当你回头引用之前的分析时，它已经知道自己做过 XYZ 分析。

这就是它的实用之处——它是一种免去重复加载相同上下文的快捷方式。我非常建议大家花时间去精心设计和管理系统提示词（System Prompt），无论是在现成工具还是自定义场景中。

从技术角度来看，我们目前在“如何真正深思熟虑地利用记忆功能”方面还处于非常早期的阶段。举例来说，这些模型通过预训练阶段阅读整个互联网，已经具备了极其惊人的世界知识（World Knowledge）。它们显然有能力在模型权重（Weights）中存储海量知识，并从中提炼出重要的抽象概念，进而展现出推理等能力。

因此，将这种范式应用到“在岗持续学习”（Continual Learning on the job）上只是时间问题。在我看来，这将是一个极其令人兴奋的过程。

Matt： 是的，我有时会想，如果 Bridgewater（桥水基金）这么多年来真的把所有会议都录了下来，那些海量的输入数据最终能发挥出多大的威力（笑），这项技术又能演变成什么样。我甚至无法想象具体的形态，但感觉这绝对是非常独特的。现在我也看到很多人在用自己的个人录音进行测试，打造专属于自己的工具。

九、 展望终局：从单点提效到常驻“数字分析师（Agentic AI）”

Matt： 最后我还想聊聊 Agentic AI（智能体 AI / 代理级 AI）。虽然这是一个热门词汇，但它确实有非常实际的应用场景，尽管有时定义有些模糊。

站在投资者的角度来看 Agentic AI 这个主题，你能否谈谈它的发展趋势？你会如何在各种 AI 工具中对它进行归类？关于这个话题你还有什么想分享的？

David： 关于 Agentic AI，目前行业里有很多定义。从本质上讲，我把它理解为：模型具备为了达成某个特定目标而进行推理、反思、采取行动、并对行动结果进行二次反思的能力。当然，根据外围框架（Scaffolding）和限制条件的不同，模型能做什么和不能做什么会有不同的层级。

真正让人兴奋的是，尤其是在眼下，Agent 已经开始真正派上用场了。有趣的是，当我们刚创立 Portrait Analytics 时，我们曾尝试用 GPT-4 运行过一个 Agent，但当时要让它正常工作极其困难。你必须非常具体地规范模型能做什么、不能做什么，我记得当时我们的系统提示词（System Prompt）高达 30,000 个 token，简直离谱。

当时必须做极严格的限制，因为只要模型一旦偏离方向，它就没有自我纠偏（Self-correct）和反思已知信息、进而调整计划的能力，这需要极其庞大的 Prompt 去死磕。

而现在令人振奋的是——我认为软件工程领域正在发生的变革，就是未来投资研究乃至其他任何知识工作领域的风向标——模型如今已经足够聪明，能够通过调用工具并在执行过程中不断更新思考逻辑，来完成长时间运行的高难度任务。

你在 Claude Code 和 Codex 这类工具上就能清晰地看到这一点：人们可以让这些模型自主运行几个小时，它们能像软件工程师一样动态地理解代码库、修改代码、运行测试；遇到报错时，能主动查看 Trace 日志找出问题根源并进行修复。这种复杂的思维链条此前极其困难，但现在已经切实可行了。

代码的优势在于，它为模型磨炼这种 Agent 能力提供了完美的环境：第一，归根结底代码都是文本文件，通常包含在同一个代码库（Repo）中，所有上下文在本地触手可及；第二，结果极易验证——代码要么能运行，要么报错。

相比之下，投资研究则大不相同——上述条件都不具备。研究上下文形式多样且分布广泛，有些容易获取，有些则不然；此外研究产出的定性成分要重得多。

然而，关于“模型能否进行迭代推理，并在根据实时情况调整计划的同时得出复杂答案”这一形态，答案绝对是肯定的。剩下的只是工程化落地的问题：如何将这些模型置于正确的上下文环境中，使其能够像初级分析师、甚至最终像资深分析师一样去开展长周期研究。

Agentic AI 目前虽然仍是一个热词，但相比一年前，这个热词背后已经有了实打实的内容和实质突破。

Matt： 关于代码的这一点，我经常会拿国际象棋来类比——这些受限环境（Constrained Environments）虽然本身非常复杂，但因为有着明确的规则限制，你往往能看到更清晰干净的迭代周期以及更高的生产力提升。而系统越复杂、越需要动态适应，就越难控制其演进方向。

因此，看看这一切未来会如何演化将非常有趣。今天的交流非常精彩，感谢你在分享非常具体的落地案例之余，还与我们探讨了这些充满哲学意味的延伸话题。非常荣幸能邀请到你，感谢你与我们分享这些真知灼见！

David： 谢谢！这次聊得非常开心。

Matt： 想收听更多商业深度拆解节目（涵盖从 Costco 到 Visa 再到 Moderna 等众多企业），或订阅我们的每周精选摘要，欢迎访问 joincolossus.com（拼写为 j-o-i-n-c-o-l-o-s-s-u-s.com）。