背景

这几年，人工智能产业飞速发展，一些起初只是为特定领域提供服务的AI产品，现在早已经超越其产品定位，发展成了全面的效率提升工具。

比如，我最近在用Codex，说起来现在使用Codex的门槛越来越低，根本不用再花费很大力气去折腾网络问题就可以上手。此外，国内现在的一些智能体产品做的也很好，比如腾讯的workbuddy，字节的Trae，阿里的Qoder等等。

AI的全面普及，最颠覆的点在于打破了信息壁垒。本篇就聊聊理财的话题，老话说"你不理财，财不理你"，作为理财小白，面对枯燥的专业术语我曾深感无力。但现在，我可以毫无心智负担地把AI当作"全天候导师"去拆解任何金融概念并输出一些实践成果。

在这篇文章中，我会以Codex+Workbuddy为例，来分享我近期的一次理财体验。当然，工具挑顺手的就行，多一个少一个，或者是不是这个组合都不重要，核心在于我们如何用AI的思维去攻克理财难关。

从RAG说起

从AI流行起来开始，很多专属名词，像RAG，MCP，Skill，FunctionCall，Tool等专属名词层出不穷，本篇我们不过度纠结这些名词，只通过案例来简单聊聊这个RAG。

在workbuddy里，有一个专家入口，里面列出了各行各业的专家团，我们可以召唤一个和我们需求相关的专家团，然后和他对话。

比如我要了解金融财经类的知识，就召唤这个金融投资类的专家。

然后，我先非常笼统的问一句，近期黄金的走势情况，他也会如期给我出一份相关的报告

相同的问题，如果在普通模式下执行，可能他也会给出一个非常漂亮的图表，但如果我们的目的仅仅是获取一份图表，那两种模式并无太大区别；

而如果我们想要根据这份图表继续深入分析，甚至做一些表象之外的分析，那慢慢的区别就会显现出来。

普通模式的回答，基于它出厂时训练的公开语料，只能给你一个"挑不出错"的表面回答；而专家团模式，除了有提示词工程的优化，背后往往还有专门的金融知识库支撑，就能以小见大，帮你分析出隐藏在图表背后的关键情报。

这种"普通模型 + 专业知识库"的组合拳，在技术上就叫RAG（检索增强生成）。简单来说，就是AI在回答你之前，先去后方的专业知识库里打捞出最相关的金融资料，再结合自己原有的推理能力，把最专业的判断翻译给你听。有了这个底子，我们后续的理财学习才算有了靠谱的"导师"。

继续追问：把不懂的地方拆到你能理解为止

有了前面的基础，我就可以继续追问一些自己不太确定的问题。 这个多轮对话的过程，和平时使用大模型并没有本质区别，但体验上有明显不同。

比如我基于它上一轮的回复继续追问：

我是理财新人，所以一些偏技术的总结和解读，我可能会反复问你，或者你觉得需要向我解释的内容，可以多说一点，比如利空因素就只是短期压制吗，然后美联储降息是不是会造成黄金利空，也就是金价走弱

它的回答不仅耐心，而且会把每个概念拆开解释，而不是默认你已经掌握相关背景。

在这个过程中，AI的几个特点对我来说很重要，比如它不会因为我的问题过于基础而产生“不耐烦”情绪，我就也不会产生过多的心理负担，最重要的是，它完全适应我的学习节奏。

当我积累了足够的理财碎片知识，再让AI帮我进行归纳和串联，一个初步的财经知识框架就慢慢形成了。

这个过程，我需要做的就是保持独立思考，也就是学习的根本方式并没有改变，AI快速展示给我的知识还是需要我去消化的，但省去了繁琐的查资料环节，效率快了很多。

动手开发：把学到的东西变成一个可用的东西

前面通过workbuddy了解了财经知识后，我们怎么把知识落地，真正让我们自己获益呢？此时Codex就登场了。

注意，本篇不会展开Codex的配置安装等内容，有需求的小伙伴可自行搜索相关资料。

比如我在Codex里，就用大白话让它帮我出一个财经分析类的App设计方案

这期间，他会问你一些技术选型的方案，这个我就不截图了，如果你有专业知识，按需选择或者自定义输入即可，如果没有，它也会给你一个推荐选项，直接选推荐即可。

中途你测试如果发现问题，也可以直接口喷，让它帮你解决，比如我这里就遇到一个问题

经过几轮调整，Codex最终帮我实现了一个基本可用的产品原型。

对我们来说，这一步的意义在于： 不再只是被动接受AI的分析，而是结合自己的思考，真正开始构建属于自己的分析工具。

写在最后

当然，除了Codex，其他智能体开发工具也完全ok，大家可以尽情尝试，甚至workbuddy本身也可以编写程序。

还是那句话，这不是重点，重点是我们要利用好这些AI工具，真正提高我们自身的能力，视野，甚至是赚钱的能力。

最后，本文仅记录我个人的一次使用AI工具学习理财相关知识的过程，不构成任何投资建议，也不代表对相关产品（Codex，workbuddy等）的推荐。