别再把AI当聊天工具了:我试着用它跑完一份年报分析,结果有点意外

• 01_原始资料：只放原始文件，不动它

• 02_中间结果：AI生成的过程文件

• 03_最终交付：最终报告和成品

为什么要这么分？因为金融资料最怕的就是版本混乱。原始文件一旦被覆盖或者改动，后面所有核对都失去参照。只读、只读、只读，原始资料文件夹永远不要往里写东西。

💡另外提醒一句：不要图省事把整个Downloads文件夹或者整个电脑权限都给出去，只给这次任务需要的那个文件夹。这是基本的安全习惯。

新手最容易犯的错，是一上来就让AI“分析某公司未来走势”或者“给一个投资建议”。

这类任务的问题在于：结果没法验证，错了你也不知道错在哪，而且一开始就把风险拉高了。

第一次任务应该满足几个条件：输入清楚、半小时左右能做完、结果打开就能检查、就算错了也没什么损失。

读一份年报，提取核心财务数据，生成一张Excel表——就是一个很合适的起点。

资料建议用公开渠道获取的上市公司年报，中文、结构规范、信息完整，适合练手。

很多人写指令就一句话：“帮我分析这份年报。”

这句话的问题不是AI看不懂，而是它给你的东西你没法验收。它可能给你一段泛泛的文字，数字对不对你也不知道。

好的指令应该像一份工作说明。下面是我实际用过的结构，你可以直接参考：

• 目标：完成一次年报基础财务数据提取

• 输入：只使用某个文件夹里的某份年报PDF

• 动作：检查文件→读取财务章节→提取收入、利润、现金流等核心数据→计算同比→做数据质量检查

• 约束：不预测股价、不给买卖建议、不编造数据、每个数字标明来源

• 输出：一个Excel文件加一份核验说明

为什么约束要写得这么细？

因为金融场景里，AI最危险的不是不会写，而是写得很像真的但数字错了。约束越明确，出错空间越小。

任务跑完，你会拿到一个Excel和一些说明文件。这时候要做的事情只有一件：核对。

重点核对三个地方：

• 数字。 随便挑两三个关键数据，回到原始PDF里搜索，看能不能对上。

• 单位。 这是金融分析里最容易翻车的地方。元、万元、百万元、亿元，差一个字差好几个数量级。

• 同比计算。 抽查两三个，自己心算一下，看对不对。

如果发现错误，不要重新建一个任务从头跑。直接告诉它哪里错了，让它局部修正。比如：

“Excel里2025年经营现金流这个数字不对，请回到原始PDF重新确认，只改这一个地方，其他已经核对过的数据不要动。”

这样既省消耗，也更容易收敛。

功能列表看起来很长，但按优先级排，真正高频使用的大概是这几项：

• 排在前面的永远是文件处理。PDF读取、Excel操作、Word生成，这些是金融日常工作的基本盘。

• 其次是数据查询和专家角色。把AI从通用助手切换成财务分析视角或者风控视角，输出质量会有明显变化。

• 再往后是多角色协作和自动化。让不同的AI角色分别负责财务、行业、风险，最后汇总，比一个AI从头做到尾更可靠。自动化则是把一次性任务变成每周自动跑，从“人干活”变成“系统干活”。

不过说实话，新手阶段不建议一上来就研究专家和自动化。先把指令写清楚，把单个任务跑稳，比什么都重要。

不管你做什么金融任务，都可以用这个六段式来组织指令：

这个框架看起来简单，但它能帮你把“帮我看看这家公司”这种模糊需求，变成一份可执行、可检查的工作说明。

不同模型、不同任务复杂度、不同文件大小，消耗都不一样。网上任何人告诉你“这个任务一定花X元”，都不如你自己测一次。

方法很简单：

任务执行前记一下余额，执行完再看一次，差值就是真实消耗。用自己的数据做判断，比看十篇教程都准。

省消耗的核心原则也就一条：拆任务。

不要一次性丢十份年报加二十份研报让它做全部分析。

拆成资料提取、数据核对、财务分析、风险分析、报告生成几个阶段，每个阶段单独跑。这样不仅便宜，而且每一步都可控。

金融工作里真正耗时间的，从来不是“写一句分析”。是资料搜集、文件阅读、数据提取、清洗、计算、比对、风险检查、报告、Excel、Word、复核——这一整条链。

这类工具的价值，是帮你把这条链上重复的、机械的环节自动化，让你把精力放在真正需要判断的地方。

它不是来替代金融人的。它是来把金融人从“搬运数字”里捞出来的。