夜雨聆风结果有一部分比我预想的强很多，也有部分差强人意，且听我慢慢道来。
一、AI Agent的工作方法
它能从我的所有文章梳理出我的投资风格、知识/经验来源等等。
能根据我们的不断交谈升级这个框架，并且作为所有公司研究的基石。它会根据我关注的东西，自己上网找资料、做分析。
比如，它能上网自己找十年财报、找招股书、拆业务、列竞争对手、算自由现金流、讨论管理层和估值，还能生成图表和Word。
基恩士那篇最后做成了二十多页，连排版、页码、表格断行都可以自己检查。单看成品，很像一份经过认真思考的研究报告。
如果单论查找、整理、汇总资料的能力，AI agent非常强悍了，非常省心。而且，如果设置得当，它会很清晰地告诉你，这些资料的可靠程度。
它做出的结果，第一眼让人看上去非常惊艳。我后续会把基恩士公司的研究报告发出来。
现在的AI Agent，不像大模型一般只是陪你聊天
以前我理解的AI，其实就是大模型，更像一个问答工具。而现在的AI Agent已经明显不同：它就像我的助手，有明确规则的工作它都可以任劳任怨的去工作，直到完成我的吩咐。而我，只需要提要求，它就忙得屁颠屁颠，但是如果提的要求不好，很可能忙了几次就没token可用了。
图1 对话摘录：任务从一句话开始。
AI Agent已经能把公司研究的许多体力活做得相当漂亮；但“漂亮”与“可靠”之间，其实还隔着挺远的距离，主要缺的是推导方法——逻辑。
二、第一版最危险的地方，是它得出了很多看起来很好但是仔细推敲发现有问题的结论
明显的数字错误其实容易发现。真正麻烦的是那些读起来很顺、每一句都像那么回事，但中间少了理性推导过程的结论。
1. 模块化能降低成本，为什么客户黏性又不算高？
报告一边说，基恩士的模块化产品降低了客户的备件库存和培训成本，这是重要竞争力；另一边又说，它的客户黏性没有豪迈的轮胎模具那么高。把我说蒙了：既然模块化本身会形成转换成本，为什么这种转换成本还不够高？
2. 毛利率下降，不能把四种原因排队念一遍就算分析
浙江鼎力一季度毛利率下降6.8个百分点。AI写道，可能与产品结构、关税、汇率或竞争有关，然后补一句“一季报没有清晰解释”。这在形式上很谨慎，实际上没有完成判断——四种解释的性质完全不同，真正的分析应该说明更倾向哪一种、为什么，以及未来看什么数据可以把它们区分开。
图2 对话摘录：不是反对结论，而是要求补上中间推导。
3. 海外收入占比高，不代表“能否出海”还是问题
基恩士FY2026海外收入占66.6%，覆盖46个国家约250个办事处。原稿却写“这套模式能否在海外拓展仍存在变数”。我直接问：海外收入占比已经这么高，跨国复制不是早就跑通了吗？
图3 对话摘录：把“能否出海”改成“海外增长来自哪里”。
4. 悄悄偷换证据：目标公司有X能力=对手没X？，产品产生数据=公司拥有数据？
拆分公司业务以及跟竞争对手的对比那个章节，AI列了基恩士的易用性、现场支持、快速交付等优势。我不禁追问：你怎么知道竞争对手没有？如果只是基恩士官网强调了这些，只能说明它公开声称具备，不能证明欧姆龙、Cognex、SICK没有，更不能直接推出基恩士更强——从“A有X”能推导出“B没有X”吗？进而能得出“A因此领先”的结论吗？
同样的谬误也出现在讨论AI是否有可能带来正面黑天鹅时：报告一度想把基恩士庞大的客户现场接触理解为数据优势。我又问：设备在客户工厂产生的数据属于谁？基恩士能不能拿到、合同允许不允许拿去训练AI？产品能产生数据，只能证明数据存在，由谁保存、谁能访问、是否得到训练授权，AI你确认了吗？（追问之后它通过去查官网的数据约定发现它错了，认错了）
图4 对话摘录：竞争比较、商业模式代价与数据权利。
三、我决定让它把所有得出的观点都列出推导过程
后来我要求它在关键的观点后面加括号，写清楚“已披露事实—中间判断—结论”，证据不足的地方同时写出缺失数据。经过几轮修改，我们把错误整理成了一套普适规则：
图5 对话摘录：把一次纠错变成长期检查规则。
公司具备某项能力，不能反推竞争对手不具备；要比较优势，必须有同口径证据。
相关性不能直接写成因果；找不到原因时，要列出竞争性解释和区分指标。
产品产生数据，不等于公司拥有访问权、使用权和训练权。
理论风险不能写成现实结论，增长期权不能写进基准预测。
海外增长必须拆成市场数量、客户密度、交叉销售、新产品、价格和汇率。
任何商业模式优势都要同时写代价：节点工具灵活，但可能输给一站式平台；高库存支持交付，也可能是预测和滞销问题。
我让它把规则写进我的长期公司研究框架，做成专门用于公司研究的工作流程。这不是把大模型重新训练了一遍，更不是它从此不会犯错，而是把犯过的错变成下一次必须检查的清单。人与AI长期合作真正有价值的地方，不是它越来越像你，而是你们之间逐渐形成一套共同的质量标准。特别是要在你犯错的时候保持清醒，永远用事实——逻辑——推导——观点的步骤来分析。
我给AI布置了一门课：去学逻辑学
前面的错误不是分析基恩士的时候独有，我感觉是AI常规的思路：命题有没有说清楚，证据能支持到什么程度，能否区分相关关系和因果关系。我要求它学习逻辑学，并应用到以后所有对话——我希望随着我对它的训练，它会越来越聪明，越来越智慧，以后会不断看效果。
逻辑学虽然不是总能给出终极答案，但它更像护栏：不要给我一个错误的答案。不知道，一点都不可耻，不知道瞎说，才可耻。哈哈。
图6 对话摘录：把逻辑训练变成以后所有研究的共同底座。
四、越会说话的AI，越容易让人放下戒心
如果AI写得很差，我们反而安全，因为一眼就知道不能信。现在真正值得警惕的是，它的语言已经足够流畅、结构完整、数字图表样样都有，人很容易把“表达得像真的”误认为“它就是真的”。
这和投资中的很多误判很像：我们喜欢确定性，排斥不确定性。对于每天股价的涨跌，都希望找到原因。因为我们没法接受自己不知道。
更麻烦的是，AI会顺着你的问题走——如果你问“为什么这家公司有护城河”，它认真帮你搜集证据；你问“最大的风险是什么”，它也能马上写出一套风险，两篇都可能逻辑通顺。AI不只是会放大能力，也会放大偏见。
过去，懒惰的人可能只是少做研究；现在，懒惰的人可以很快拥有一篇看起来像研究的东西。这反而更危险。
五、什么样的人能用好AI Agent，它又改变了什么
我觉着用好AI的门槛是技术或学历，而是平时有没有独立思考、喜欢质疑的习惯。你能不能在一篇二十页、排版漂亮、数字密集的报告面前停下来问一句：这句话的证据是什么？你能不能接受“现在不知道”，而不是急着把疑惑都解答完毕？你能不能在AI支持了自己的观点时，反过来要求它找最强的反对意见？
真正有用的质疑，是把命题说得更准确，把证据和结论重新推导合理——把问题拆开，一步步追溯，很多争论自然就清楚了。无论懂不懂行业，都要保留一个底线：最终判断不能外包，因为亏钱的是自己的账户，不是AI的账户。
AI像一个速度快、精力无限、知识面很宽，但偶尔会自信过头的年轻研究员，最适合做四件事：把分散资料快速整理成可研究的底稿；完成重复计算、图表和文档工作；从不同角度提出假设；在我要求时充当一个不怕得罪人的反方。它不适合替我做最后的判断——护城河能不能持续、管理层是否值得托付、当前价格是否有足够赔率，这些问题既需要事实，也包含能力圈、风险承受和价值取舍，而且，还需要一些感性的东西，我从亲身接触公司的人、业务、产品会有AI感受不到的东西。
但它确实扩大了个人研究的半径：资料整理和初步分析的时间成本显著下降，可以更快排除不合适的公司，把时间放到真正需要判断的地方。前提还是那句话：省下来的时间应该拿去思考，而不是拿去制造更多结论。
六、以后我会怎么用它
先让AI讲清楚生意：卖什么、卖给谁、解决什么问题、处在客户价值链的哪个位置。
要求它区分事实、计算、推断、假设和价值判断，不允许没有逻辑出结论。
写竞争优势时，同时问竞争对手有没有、证据是否同口径、优势付出了什么代价。
遇到利润率、海外增长等结果数据，必须拆解原因；拆不了就明确说不知道。
所有正面黑天鹅都写出传导链、反向影响、缺失数据和失效条件。
最后单独写一节：如果我错了，最可能错在哪里，什么信号出现后必须改判断。
这套方法并不能保证研究正确，只是提高了错误被发现的概率。投资本来就不可能消灭不确定性，我们能做的，是别让自己在证据不足时就那么确定。
结语：对AI保持怀疑，不是拒绝AI
写到这里，我对AI Agent的态度反而比一开始更积极。不是因为它不会出错，而是因为我逐渐知道应该把它放在什么位置。
它可以是一位很能干的助手，也可以是一面放大镜：你平时怎么思考，它就更容易把什么放大。你习惯求证，它能让求证更快；你习惯脑补，它也能把脑补包装得更完整。从这个角度，它会放大人们的优缺点。
因此，真正稀缺的东西可能没有变化。还是常识，还是独立思考，还是承认自己可能错了，还是承认自己不知道，还是用开放的心态不断接纳自己之前不认可的观点。工具越强，这些品质反而越重要。
保持怀疑不是反AI，恰恰是认真使用AI。
AI不会替我完成投资，但它正在改变我做研究的方式，也让我看到了AI的强大潜力。不知道在训练几个月之后，它会成长成什么样，我会不断更新。我觉着我是多了一个强大的助手。起码，它让我更喜欢研究公司了，因为枯燥的查找资料的过程，它都干了。
