AI投研Skill | 第2期:长文档精读实战

上期第1期，我们搭建了AI投研的底层核心框架：Prompt标准化迭代与资产沉淀体系。核心价值，是把研究员隐性的研究经验，固化为可复用、可迭代的显性规则，解决AI输出质量不稳定、每次临场试错的低效问题。

医药投研的核心增量信息，集中在临床报告、学术文献、公司纪要、行业深度研报等长文本中。这类资料信息零散、噪音混杂、专业度高，人工通读提炼不仅耗时，还容易遗漏关键变量，是投研最普遍的低效痛点。

基于一线实操经验，本文分享一套可直接批量落地的AI长文档精读工作流，覆盖四大核心投研场景，全程贴合机构研究范式，同业可直接复用、持续迭代。

一、传统长文档精读的核心痛点

多数研究员仍依赖人工精读或模型默认一键总结，缺乏标准化约束，长期会陷入四类典型低效问题：

1. 重常识、轻增量。 模型默认输出偏向通识科普，习惯复述已知产业背景，对投研真正关注的增量数据、临床差异、竞争格局变化、商业化边际变量聚焦不足。

2. 无固定范式、无法沉淀。 同类文档每次输出结构、维度、排版都不统一，无法沉淀为个人标准化研究模板，产出始终碎片化、不成体系。

3. 关键数据易失真、易遗漏。 针对OS/PFS、亚组分层、安全性风险、试验局限性等硬核研究信息，通用精读经常出现合并、模糊、遗漏问题，影响研究严谨性。

4. 不可批量复用，重复劳动多。 无标准化规则支撑，每处理一篇新文档都要重复调指令、改结构、校重点，无法实现批量提效。

二、投研长文档精读的核心认知

很多研究员存在认知误区：把AI精读等同于”机器帮我读完全文、做简单总结”。

但在二级投研场景中，合格的AI精读，核心不是总结，而是提纯与结构化：定向抓增量、拆结构、做对标、标边界。

普通总结是”把长文变短”，投研精读是剔除噪音、提炼核心、梳理逻辑、标注风险与局限，产出可直接用于复盘、对标、写稿的结构化素材。

同时，四类投研文档的拆解逻辑完全不同，不存在通用万能模板，必须依托「试运行-复盘-固化-迭代」体系，沉淀场景专属规则。

三、通用精读工作流

这套工作流适配主流大模型、无特殊门槛，是我日常高频复用的标准化精读范式，适配所有医药长文本处理场景。

第一步：场景区分，匹配专属拆解逻辑

精读的第一步不是上传文件，而是先定性、再拆解。不同类型文档的研究侧重点完全不同，混用模板必然导致重点跑偏。

日常投研长文本，可统一归为四大核心场景：

临床类文档：试验方案、期中/期末数据、亚组分析、安全性报告｜聚焦核心数据、差异化亮点、试验短板

学术会议文献：ASCO/ESMO摘要、期刊论文｜聚焦创新点、数据突破、赛道对标价值

公司会议纪要：调研、业绩交流、产业会议｜聚焦经营边际变化、管线节奏、管理层口径与隐性风险

行业研报：赛道复盘、策略深度｜聚焦核心逻辑、数据支撑、观点迭代与行业核心变量

第二步：手把手归档

AI投研的真正复利，不在于单次提速，而在于把临时操作，沉淀为永久个人资产。只会用、不会存、不会迭代，是大部分研究员AI能力无法进阶的核心原因。

下面这套极简五步归档流程，为个人实操标准版，可直接照搬落地。

① 筛选归档内容：明确存与弃。 无需囤积海量对话，只留存具备长期复用价值的标准化规则，精简知识库冗余。

必存：定型场景指令、标准化拆解框架、机构风输出约束、可批量复用模板。不存：单次试错对话、一次性定制指令、无迭代价值问答、单次输出结果。

② 提炼归档素材：只存规则，不存结果。 单次精读结果具备时效性，可复用规则具备永久性。归档核心是留存：固定拆解维度、输出结构、数据核验标准、文风约束、避坑逻辑，整理为干净、完整的通用Prompt文本。

③ 统一命名规范：适配检索、方便迭代。 固定采用「场景+功能+版本号」范式，结构清晰、迭代轨迹明确，适配知识库检索逻辑。

标准化命名示例：

1. 临床数据报告-标准化精读拆解规则-V1.02. 学术会议文献-投研级提纯模板-V1.03. 公司会议纪要-增量信息精读规则-V1.04. 行业研报-结构化复盘模板-V1.0

后续优化维度、修复漏洞、升级逻辑后，直接更新版本号，持续留存最优版本。

④ 统一归档载体：杜绝资产流失。 放弃临时对话、本地零散文档等易丢失载体。将规范命名的标准化规则，统一归档至个人云端知识库，实现永久留存、随时调取、跨场景复用。

⑤ 复用+迭代：形成完整复利闭环。 归档不是终点，持续迭代才是AI投研复利的核心。

日常复用：同类场景直接调取最新规则，叠加当期需求即可执行，无需重复写指令、调格式。动态迭代：使用中发现数据遗漏、结构偏差、重点缺失等问题，即时更新规则、升级版本。

这套闭环，能让每一次AI精读操作，都从单次机械工作，沉淀为个人长期投研资产。

四、四大核心投研场景：标准化精读拆解维度

下面整理四大高频投研场景，统一采用「拆解维度 + Prompt模板」固定结构，全部可直接复制复用、按需迭代。

1. 临床数据报告精读

核心拆解维度：试验设计、入组人群、核心终点数据、亚组差异、安全性表现、试验局限性、同类疗法差异化对比、未解决临床问题。核心原则：聚焦边际变化与临床价值边界，剔除无效背景铺垫。

适配Prompt：

请对本次上传的临床研究文档做投研级结构化精读，全程杜绝基础科普、行业常识与无效铺垫，只输出核心增量研究信息。严格按照以下固定结构拆解：1. 试验核心设计：适应症、试验分期、入组人群、对照组选择、核心终点与次要终点；2. 核心关键数据：完整还原OS、PFS、ORR、DCR等核心终点数值、HR值、95%置信区间、P值，无遗漏、不模糊；3. 亚组分析差异：重点梳理不同人群、不同基线特征的分层数据差异；4. 安全性表现：重点标注三级以上不良反应、特殊不良反应、停药减量风险；5. 试验短板与局限性：明确样本量、入排偏倚、随访周期、试验设计缺陷；6. 横向差异化对比：相较于同赛道同适应症主流疗法的优劣与边际变化。输出文风严谨中立，数据精准可溯源，存疑内容单独标注，不主观美化、不夸大临床价值。

2. 学术会议文献精读

核心拆解维度：研究创新点、试验核心突破、数据亮点与短板、赛道对标价值、治疗格局影响、临床与商业化推进预期。

适配Prompt：

请精读本次上传的ASCO/ESMO学术会议摘要与研究文献，摒弃通识化总结，聚焦投研核心增量价值，按固定框架结构化输出：1. 研究核心创新点：靶点、疗法、试验设计的差异化创新；2. 核心试验突破：本次数据相较于既往数据的边际提升与核心亮点；3. 数据短板与局限性：明确本次研究的样本缺陷、随访不足、数据瑕疵、适用人群局限；4. 赛道对标价值：横向对比同赛道竞品、同适应症主流方案的竞争优劣；5. 治疗格局影响：本次数据对现有临床标准、赛道竞争格局的潜在影响；6. 商业化与推进预期：结合数据表现，判断后续临床推进、适应症拓展、商业化落地的可能性与约束。全程保持客观中立，不做过度乐观预判，重点突出行业增量与变量信息。

3. 公司会议纪要精读

核心拆解维度：经营边际变化、管线推进节奏、管理层核心口径、行业景气判断、潜在风险隐忧、未充分定价增量信息。

适配Prompt：

请对本次上传的公司调研、业绩交流、产业会议纪要做投研定向提纯，剔除客套话术、无效寒暄、重复性表述，只提炼对投研有价值的增量信息，按固定结构输出：1. 核心经营边际变化：营收、订单、产销、商业化进度等最新变动；2. 管线推进节奏：在研项目临床进度、申报节点、获批预期、迭代规划；3. 管理层核心口径：对行业景气度、竞争格局、政策变化、未来业绩的官方指引；4. 潜在风险与隐忧：管理层隐晦提及的压力、不确定性、推进难点；5. 未充分定价信息：市场此前未充分预期、未广泛传播的边际增量与变化。内容聚焦边际变化，不复述已知公开信息，重点提炼超预期、有定价价值的核心内容。

4. 行业研报精读

核心拆解维度：报告核心立论、核心数据支撑、观点迭代更新、行业核心变量、配置思路、风险提示。

适配Prompt：

请结构化精读本次上传的行业深度、策略复盘、赛道研究研报，摒弃通用总结，聚焦投研核心逻辑与定价变量，按固定框架拆解：1. 报告核心立论：本篇研报的核心逻辑、核心观点与核心结论；2. 核心数据支撑：支撑核心观点的关键行业数据、产业数据、对标数据；3. 观点迭代更新：相较于往期研报、市场一致预期的观点修正与认知迭代；4. 行业核心变量：当下赛道景气度、供需格局、政策环境、竞争格局的核心变化；5. 投资思路与机会：报告梳理的细分机会、标的逻辑、配置思路；6. 核心风险提示：产业风险、政策风险、竞争风险、业绩兑现风险。精简无效铺垫，重点突出产业增量、认知差与定价逻辑，结构清晰、适配投研复盘使用。

五、结语：让每一次文档精读都成为资产沉淀

长文档精读是医药投研最高频、最基础、也最容易产生无效内耗的工作。

多数研究员只用AI做”临时省事”，读完即弃、不做沉淀，长期陷入反复试错、反复改稿的低效循环，无法形成个人能力壁垒。

依托标准化迭代体系，持续沉淀、优化精读规则与拆解维度，就能逐步搭建适配个人研究习惯的专属AI投研范式。

单次工具提速只是短期收益，研究范式的标准化、资产化、复利化，才是AI投研长期的核心竞争力。

下期预告｜AI 投研 Skill 第 3 期

数据结构化落地：大模型批量整理临床数据表、管线对比表、财务拆分表