夜雨聆风文中情节人物皆为杜撰，若有与现实相似之处，盖为偶然。
一个多月，累计对话几千次，牛研君已经成了团队里查数据、做分析的常用入口。它 24 小时在线，还能根据不同同事的需求，生成定制化投研日报。
很多人看到这里，第一反应是问：你们用的是什么大模型？
但项目真的跑起来之后，我越来越确定一件事：模型当然重要，但不是决定它靠不靠谱的关键。
真正让它越来越靠谱的，是背后那套私有知识库。那些年我们踩过的坑、对过的口径、总结过的规则，被整理成了 AI 能理解、也能调用的形式。
下面，我把这套方法拆成四步，讲清楚它是怎么被一步步“养”出来的。
1. 定性格：不是写代码，是跟它谈人生
技术门槛：零
很多人以为训练 AI 需要复杂的技术操作。其实第一步完全不涉及代码，就是用自然语言跟它说清楚三件事：你是谁、你来干什么、你该怎么说话。
比如告诉它：“你是投研分析助手，帮团队同事查数据、做分析，说话要像身边的同事，别用汇报腔；数据要严谨，表达要好理解，该专业时专业，该轻松时轻松。”它会把这些要求记进自己的配置文件里。
一开始大家反馈牛研君“回复太官方，不像人聊天”，我当场在群里 @ 它说“能不能说人话”，它立刻调整了风格，还自动更新了配置。
关键反直觉：AI 的性格不用一次搞定。用的时候发现问题，直接在对话里说，它会自己更新行为准则，不需要去后台改代码。
现在牛研君的配置文件里有一条：“分析过程必须交代数据来源、使用口径和关键假设，做到可追溯、可复核。”这条规则，是有次它给出的数字无法溯源被发现后，通过一次普通对话纠正加进去的。
2. 建知识库：从“会聊天”到“能干活”的分水岭
最费功夫，也最值钱
如果说性格设定决定了它怎么说话，那知识库决定了它有没有资格说这句话。
投研分析里最常见的错误，是 AI 不知道该用哪张表，或者知道用哪张表却不知道怎么用。你让它查一只股票的一致预期数据，它可能用错数据源，或漏掉关键过滤条件，给你一个“看似合理、实则错误”的数字。这种错误最难发现，也最危险。
真实案例
同事问某只股票最近的一致预期净利润，看起来是个简单查询。但实际上涉及：用的是哪家数据商的预期数据？是算术平均还是加权平均？要不要剔除更新超过 90 天的过期预测？口径是 TTM 还是年度？不提前约定，每个人查出来的数很可能都不一样。数据字典真正解决的，不是“AI 知不知道表名”，而是它知不知道这道题的正确口径。
解决办法是给牛研君建一本“数据字典”，维护公司常用数据表和数据源的详细说明。注意，这个“详细”和给技术人员看的完全不同，是专门给 AI 看的格式。每张表都要回答：
• 这张表是什么：一句话说清用途 • 什么场景下用它 • 必须约定哪些口径，否则结果会有歧义 • 有哪些常见陷阱：比如某数据源的预期更新频率不一致 • 典型正确查法的示例
说白了，就是把老员工脑子里的隐性知识，翻译成 AI 能读懂的格式。
还有一个召回机制值得一提：牛研君回答问题前，会先在所有数据表里粗筛一遍，召回约 20 张可能相关的表，再通过排序模型选出最相关的 5 张，最后传给大模型生成分析逻辑。这个设计既保证准确率，又大幅控制了计算成本。
3. 配工具：给聪明的脑子配上眼睛和手
不是为了炫技，是因为真踩过坑
我们一开始以为，大模型已经足够聪明，日期这件事不用专门处理。后来发现完全不是这样。
真实案例
用户问“上周北向资金流入数据”，AI 有时按近 5 个交易日理解，有时按自然周理解，遇到节假日又会多算或少算一天。这两个口径看起来只差一点，但最后得出的净流入结论可能完全相反。所以后来我们把“时间解释”单独工具化：凡是涉及日期，都先把交易日范围算清楚，再开始分析。这类口径错误明显减少了。
• 交易日历工具：统一时间口径，处理节假日与交易日歧义 • 元数据查询：动态调用数据字典，完成数据源筛选 • 执行工具：只读权限，只查不改，错误可控
执行工具只有只读权限，哪怕 AI 出问题，最大的错误不过是算错数据，不会影响任何原始数据内容。
对不懂技术的人特别有用：工具不一定是代码脚本，也可以是一套可重复调用的操作规范。把“投研分析的标准流程”固化成工具，AI 遇到类似需求就自动按流程走，不会每次自由发挥。
4. 加复盘机制：不是纠正一次，而是让它记住一次
让 AI 从“能用”变成“好用”的关键
普通 AI 工具有个让人崩溃的特点：纠正过的错误，下次还会犯。
解决办法是在配置里加一条规则：只要用户指出问题，它必须做三件事，修正当前答案、分析这次错在哪里、把正确口径写进记忆文件，并告知用户“已记录，下次优先按这个口径处理”。
真实案例
有次同事问某家公司的分析师覆盖情况，AI 把两个名字相近的上市主体混淆了。一个是 A 股上市公司，一个是其港股关联主体，预期数据来源和分析师覆盖数量完全不同。以前这种错，下次还得重新解释；现在它会把“这两个主体如何区分、分别对应哪张表”写进记忆规则，下次优先按正确口径处理。这一步的意义不在于“它会道歉”，而在于团队的纠错经验被沉淀下来了。
这个机制把纠正成本从“每次都要重新说”变成了“只需要说一次”。本质上就是复盘，只不过它比大多数人执行得更彻底、更规范。
如果你觉得照着四步走一遍就能复制出一个牛研君，我想先泼一盆冷水
前提一：数据基础要过关
牛研君能正常运行，依赖数据已经被提前整理好了。来自不同数据商、不同市场的原始数据，被清洗、整合成口径统一的宽表。它面对的是“干净的数据”，不是各自为政的原始报表。数据基础一团乱麻，AI 再聪明也没用。
前提二：要有人把经验翻译给 AI
那本数据字典怎么来的？是团队用好几年时间，一次次被追问“为什么这个数跟 Wind 的不一样”、一次次排查口径漏洞和数据陷阱，慢慢积累出来的。这些经验是独有的，别人没有。
如果换一个没有投研经验的人照着四步做，搭框架、配工具他可能会，但那本字典他写不出来。他不知道哪个数据源有延迟、哪种口径容易误导投资判断。他能搭出牛研君的架子，却养不出靠谱的牛研君。
AI 的价值 = 底层模型能力 × 私有知识密度 × 规则显性化程度
很多人以为，AI 时代的竞争力来自“谁先用上更强的模型”。但真正跑过项目后我更相信：模型会越来越接近，真正拉开差距的，是你手里有没有别人复制不了的业务经验。
你踩过的坑、总结过的流程、对数据的判断、那些只在团队口口相传的“默认常识”，过去常常散落在人的脑子里。AI 真正改变的一点，是它逼着我们把这些隐性知识写出来、沉淀下来、变成可以复用的系统能力。
所以，AI 不是在替代经验。它更像一个放大器：你有什么，它就放大什么。
把你踩过的坑、总结的流程、那些知道但没写下来的判断依据，找个地方记下来，然后把它们喂给你的 AI 助手。这件事，随时可以开始。
