FRA投研助手|当AI遇上投研——Nashnova工具体验分享

导语｜ 

当AI不再只是“你问我答”，而是真正嵌入你的投研工作流

大家好呀，这里是金研会。

做投研的朋友大概都有过这样的体会：通用大模型聊起天来头头是道，可一旦落到真实的金融场景里，往往就“不懂行”了——数据不够深、逻辑不对味、结论没法用…………

我们缺的从来不是一个更聪明的聊天机器人，而是一个能真正嵌入投研工作流、能找到正确数据、懂投研逻辑框架、能跟上我们思考节奏的专业搭档。

今天，我们想向大家正式介绍这样一位新朋友——nashnova agent。

它不是又一个泛泛而谈的AI助手，而是专为投研场景打造的智能协作工具。底层接入了实时行情、期权异动、财报纪要等专业金融数据；它的KOL Agent广场已上线付鹏等知名投研人士的专属Agent，保留了他们独特的分析框架与表达逻辑，让AI更能像专业人士一样思考。

但再强的宣传，也不如真实场景中的体感来得真切。过去一段时间，我们邀请了一批伙伴先行试用，有人用它快速调查了复杂行业的估值逻辑，有人用它拆解了复杂的产业链上下游布局，有人第一次觉得：原来AI真的可以成为我投研体系的一部分…………

接下来，就让我们一起看看，nashnova是如何在具体而微的投研日常中，成为那个专业又贴心的协作伙伴的。

✦ ✦ ✦

使用体验：

优点

1. 赛道切入点精准

没有泛泛聊大模型，而是下沉到AI硬件底层材料环节。从CSP封装这个算力芯片关键封装形式作为起点，向下拆解高速覆铜板，再延伸上游基材，理清需求传导链路，视角偏向中上游制造，避开很多AI分析只谈芯片、服务器的同质化内容。

2. 产业链链路意识清晰

遵循“AI算力需求→芯片封装升级（CSP）→高速高频覆铜板增量→上游树脂、填料、铜箔等原材料”这条逻辑，能够帮助读者建立自上而下的产业链认知，适合想要理解AI硬件材料逻辑的入门研究。

3. 现实产业导向强

紧扣AI算力扩张带来的材料增量机会，落脚到国产材料替代方向，贴合国内产业现状，不管做行业研究还是做产业学习，都可以顺着文章框架继续深挖细分环节。

有待提升的地方：

1. 缺少具体数据支撑

通篇缺少关键参数、市场规模、增速、国内外厂商对比数据，部分逻辑偏向定性描述，若用于深度研究，还需要自行补充行业报告数据，说服力会打折扣。

2. 部分环节解析深度不足

CSP对覆铜板性能具体要求、不同树脂体系差异、各材料环节的技术壁垒讲得比较浅，没有拆解技术难点，对非行业读者，部分专业名词理解门槛偏高，缺少通俗注解。

使用体验：

本次体验了 nashnova 的产业链一页纸功能，研究主题聚焦于 AI 算力与光模块产业链。整体体验较好，最终生成的一页纸视觉效果出色，产业链结构及各环节的代表性企业梳理得较为清晰。该功能既适合初次接触某个行业的用户快速了解产业链基本情况，也适合已有一定研究基础的用户对照自身认知，进行交叉验证与信息补充。

生成结果后，我们还可以通过追问验证不确定的信息、深入探讨具体问题，并进一步修改一页纸。例如，第二轮使用中，我针对第一版对 DSP 供给约束讨论较少的问题进行追问，并要求平台对比 EML 与 DSP 的供需情况。平台能够结合公开信息补充相关内容，并对不同信息来源的可信度进行区分。

需要改进的是，部分关于“短缺，瓶颈”的判断仍需要人工核查，平台还可以进一步强化对事实、推断和市场观点的区分。

总体来看，我认为 nashnova 适合用于研究前期的资料收集、框架搭建与问题发现，能够帮助研究者从单纯搜集资料进一步走向提出问题、验证问题，但最终结论仍需要人工核实。

我用 nashnova 的「产业链一页纸」研究 AI 算力液冷散热产业。先用冷板式与浸没式短问确认普通对话能返回，再选技能输入冷却液、泵、冷板、换热器、CDU、服务器集成及云厂商等范围。首版生成六环节价值链和企业映射，冷却介质、部件、系统、整机与客户的分层清楚，页面列有来源和未验证事项。

可交互式报告

我追问市场增长预期与实际部署、订单和收入的差别，以及成本和运维约束；所以nashnova在第二版新增事实、订单、预测、推论分栏，明确 Google 自身部署比例不能外推行业，并把“76% 渗透率”等原始定义待核实的数字标出。

追问确实增加了判断价值。但我发现部分引用只跳到机构首页，以及关键数据仍依赖媒体转述和人工核实。

第一次用nashnova查行业资料，感觉收获很多。我主要了解新茶饮产业链，第一次搞懂了原来蜜雪冰城卖的不是奶茶，而是卖给加盟商的原料。资料里还算了一堆开店成本和回本时间，我看得半懂不懂，觉得PE估值那些好复杂。对话下来，我觉得nashnova执行能力很强，搜集资料很全面，让我受益匪浅。以后将继续努力学习！！