玩AI的老登

你有没有注意到一个现象——AI工具越来越像外卖平台上的店，每隔几周就冒出来一家新的，名字记不住，功能看着都差不多，你点进去翻了翻菜单，发现还是那几样菜。

如果你已经在用WorkBuddy，或者Alpha派，你大概率会有个反应：又来一个，烦不烦？

但这次有个反直觉的地方。库库AI——百度文库和百度网盘联合推出，8月14日官宣中文名"库库AI"并推出独立端——它既不是"什么都能干"的全能选手，也不是"只干一件事"的垂直工具。它卡在中间。

这种"中间态"看起来很尴尬。不全面、不垂直，两头不靠。但等我拆完它的三个独门本事，你可能会改主意。

三个工具，三种店

为了让你一秒定位，我打个比方。

WorkBuddy像大超市。什么都有，生鲜日用电器一站买齐，开箱即用，你不需要学什么操作手册。腾讯云CodeBuddy团队推出，定位全场景AI办公工作台，强在操作本地文件、自主拆解任务。日常办公够用了，但你让它给你搭一个DCF估值模型，它就傻眼了——就像你让超市理货员给你做一道法式鹅肝，他没那个本事。

Alpha派像专卖店。讯兔科技出品，只做投研这一件事，据其自述头部机构渗透率超过90%。你在投研场景里需要的它都有——会议纪要、公司一页纸、业绩点评。但专卖店的问题是，出了投研这个门，它什么都不管。你让它帮你做个PPT、整理个会议日程，它就帮不上忙了。

库库AI呢？它像那种开在写字楼底商的"半专业便利店"。日常用品够你买，但关键是——它后面连着一个大仓库（百度文库18亿文档+7亿学术内容），柜台里还坐着一个持证厨师（金融专业Skills），你点单他按菜谱做，不是自己瞎炒。

说白了，库库AI的定位是：通用办公能力有，但重点深耕金融投研场景，还有几个别的店都没有的独门绝技。

那这个"中间态"到底是优势还是尴尬？得拆开看。

库库AI到底多了什么？

我研究了一圈——说清楚，这个"研究"是让库库AI自己搜索自己的能力，我提出问题框架，要求它验证后、不能编造地生成。所以你看到的本质上是"库库AI自述能力+我的研究判断"，不是第三方独立评测。这个视角得诚实交代。

拆下来，库库AI有三个别的工具不具备的真本事。

真本事一：电脑关了，手机接着跑

这个功能叫"端云任务接力"，听起来是个技术名词，但说白了就一件事：你在办公室电脑上搭了一个财务模型，下班关机走人，路上掏出手机小程序，能接着调取整套项目资料继续干活。

这就好比便利店关了门，但墙上开了个窗口，24小时递东西。你半夜想买什么，不用等第二天开门。

不过这里得把边界说清楚。本地电脑关机后，系统不可能凭空读取一块已经断电的硬盘。所谓关机后继续工作，前提是资料已经上传到网盘、同步到项目云端，或者任务已经转到云端执行了。更准确的说法不是"关机后还能随意调取本地文件"，而是"资料完成同步后，任务不必依赖原电脑持续在线"。

这仍然很有用。它解决的不是炫技式遥控，而是办公室、手机和云端之间的交接成本。WorkBuddy和Alpha派都做不到这个（如说错了，欢迎拍砖）。对于投研人群来说，白天在办公室搭模型、下班路上改报告、出差时还要翻历史资料，这是个真实痛点。

真本事二：不是"角色扮演"，是"标准流程"

这是我觉得最值得展开的一点。

你用通用AI做金融分析，它会"假装"是分析师——本质上就是改了个系统提示词，让它说话的语气像那么回事。但你要它做DCF估值，它不知道卖方分析师的标准流程是什么，它即兴发挥。

库库AI的"技能"不是这个意思。它的技能是真正的专业能力封装——还是拿厨师打比方，这位厨师不是自己瞎炒，他手里有一本标准菜谱，一步步来。这本菜谱长什么样？拿DCF现金流折现技能来说，它的标准流程是这样的：

取历史财务数据 → 构建WACC（算清楚这家公司的资金成本，借的钱和自己的钱各占多少、各要多少回报） → 预测无杠杆自由现金流（估算这家公司未来几年真正能赚到手的钱） → 终值双法交叉验证（用两种方法算公司值多少钱，互相校验，避免一种方法算偏了） → 价值桥（从企业整体价值，扣掉债务，算出每股值多少钱） → WACC和增长率的双因子敏感性表（看看资金成本和增长率这两个关键假设变一变，估值会跟着变多少）。

最后产出的是一个Excel估值模型，资产负债表逐年配平。

这就好比便利店里那个厨师，不是自己瞎炒，而是拿着一本《米其林后厨操作手册》一步步来。你不需要懂DCF的每一步怎么做，技能替你封装了。

库库AI内置的金融技能还有：三张表财务预测（IS/BS/CF三表联动的Excel模型）、公司深度研究（30-50页Word研报，含预期差量化矩阵、反方视角、三情景估值、证伪信号跟踪）、行业深度研究、可比公司估值、盯盘监控、投资复盘……这些不是AI即兴写一篇长文，而是按卖方研究的标准流程执行。

通用AI工具没有这些。WorkBuddy能帮你处理文件，但搭不出配平的财务模型。Alpha派有投研场景的深度，但没有DCF和三张表这种机构级技能封装（欢迎拍砖）。

真本事三：数据不是"搜出来的"，是"取出来的"

这个区别很关键，但容易被忽略。

通用AI查金融数据，靠的是网页搜索。搜到的可能是过期信息、二手转述、论坛里随口说的数字。库库AI内置金融数据网关，直接对接交易所和上市公司披露源——A股、港股、北交所全覆盖，财报三表一键取数，每个数字标注报告期和披露日，毛利率、ROE这些核心指标由系统按统一算式计算，不是AI"估算"的。

还有一个容易被忽略的点：库库AI打通了百度网盘、百度文库和百度学术。你自己搜集的研报PDF、路演录音、调研笔记上传到网盘，在项目中直接引用，AI会读取并提取关键观点。这些"私域知识"跟公域数据放在同一个项目里，下次分析同一家公司时，AI自动引用所有历史资料，不需要重新找。

通用AI每次对话从零开始，上次聊了什么它不记得。库库AI的项目机制让知识跨会话、跨任务、跨设备长期留存——你的投研积累越用越厚，而不是每次重新开始。

但也别神化它

当然，这不是说库库AI什么都好。几个局限得说清楚。

第一，它不是万得的替代品。万得覆盖全球数十个市场、逐笔行情、全部历史回溯、债券衍生品外汇全品类。库库AI的金融数据以A股和港股的上市公司基本面、行情、研报、公告为主，在市场广度和历史深度上差得远。库库AI的价值不在于"自建了一个万得"，而在于把专业金融数据通过AI和技能封装后，让没有万得终端的普通投资者也能像分析师一样取数和分析。

第二，美股覆盖有限。虽然支持美股代码（比如NVDA.US），但财报和行情数据覆盖度远不如A股和港股完整。

第三，季报数据不是默认包含的。库库AI的金融数据模块（产品里叫"金融数据卡"，相当于一个数据取用接口）默认覆盖年报加最新半年报，季报单期数据需要额外调用。

第四，数据准确性显著高于通用AI，但不等于零误差。有实测反馈指出金融数据口径需要人工核对的情况。关键数字仍建议沿标注来源回溯核对。

第五，Alpha派在会议纪要领域的渗透率确实领先——据讯兔科技自述，头部机构渗透率超过90%（2026年3月A轮融资时披露），这是库库AI短期内追不上的。 这个赛道的竞争格局还在变化中，各家都在摸索合规边界。

这三个痛点，以前分散在三个工具里解决，
现在被同一个产品接住了。

如果你决定试，从哪下手？

18步操作教程我整理了一份，从入门到高级都有。但说实话，你不需要一上来就18步全走一遍。我给你一个更简单的路径——四层进阶，从最简单的开始，刚好够用就行。

第一层：先打字试试

提示词，说白了就是你告诉AI"要做什么、怎么做、做成什么样"的那段话。你去餐厅点菜，跟服务员说"来一份不辣的番茄炒蛋，少放油"——这段话就是提示词。你说得越具体，结果越好。

在库库AI里新建任务，输入指令就行。比如"帮我分析一下贵州茅台最近3年的财务状况"——这就是一个提示词。如果你想要更好的结果，加上角色、约束和格式要求。比如"你是一位卖方财务分析师，对贵州茅台最近3年做结构化分析，基于年报数据，数据标注来源，输出Markdown表格加200字结论"。你看，同一个问题，提示词写得好和写得差，输出质量天差地别。

什么时候提示词就够了？任务是一次性的、不需要重复执行、不需要调用外部数据源——那就直接打字，别折腾别的。

第二层：发现重复了，就封装成技能

当你发现自己每周都在写类似的持仓复盘，每次都要重新描述流程、口径还不一致——这时候就该升级了。

技能是一套预定义的专业工作流程，包含标准步骤、输出结构、检查规则。你把它想象成一本《操作手册》，AI拿到手册后按标准流程执行，不是即兴发挥。

库库AI内置了DCF、三张表、公司深度研究等金融技能，直接安装就能用。你也可以创建自定义技能——比如把你每周的持仓复盘流程封装成一个技能：取行情→算归因→排风险→出报告，以后一句话触发。

第三层：给个目标，让它自己跑

当你需要的不是"回答一个问题"，而是"完成一个任务"——从取数到分析到写报告，全流程自主完成——这时候就该用智能体了。

普通AI像咨询台，你问一个问题它回答一个答案，对话就结束了。智能体像一个被派去办事的助理——你交代一个目标，比如"帮我分析贵州茅台的投资价值"，它会自己拆解任务、查数据、调技能、写报告、存文件，中间遇到问题还会自己想办法解决，最后把成品交给你。

在库库AI里，你不需要"编写"一个智能体。你通过组合专家、技能和项目来配置它的行为：选专家（以什么角色思考）→装技能（按什么方法执行）→关联项目（给它什么资料和记忆）→发送任务。它自己跑。

第四层：多个专家分工协作

有些任务一个人干不了——分析师写报告、建模师搭模型、风控审风险。多智能体就像一个微型投研团队，每个Agent负责自己擅长的环节，结果汇总交付。

比如你创建一个"Q3投研"项目：Agent A负责行业分析（行业深度研究技能），Agent B负责公司分析（公司深度研究技能），Agent C负责估值建模（DCF技能加三张表技能）。三人在同一个共享项目中工作，各自的产出在项目空间中积累，最后汇总成一份完整的投资决策报告。

你甚至可以搞校验型协作——一个Agent生成模型，另一个Agent审核它：WACC参数合不合理、终值假设是否过于乐观、资产负债表配不配平。这就不是一个人什么都做，而是各司其职、互相把关。

还有一个问题：跟Perplexity比呢？

可能有人会问：我已经在用Perplexity Pro了，库库AI有什么不一样？

原先把Perplexity定义为"AI搜索引擎"，已经不够准确了。它现在远不只是搜索。

Perplexity的Deep Research仍然很强，能迭代检索、阅读大量来源并生成带引用的研究报告。但更关键的是，Perplexity Computer已经覆盖了浏览器操作、代码执行、连接器、定时任务、项目记忆和多智能体协作。官方也明确支持生成DOCX、PDF、XLSX、PPTX和HTML。

 Projects功能可以保存会话、文件、指令和连接的数据源，Memory和Brain用于跨会话积累上下文。持续监控方面，Perplexity Computer支持云端定时任务，电脑不必保持开机，可用于监控、报告和定期简报。

金融数据方面，Perplexity 已接入SEC/EDGAR，并提供或连接多类专业金融数据源。

那两者到底差在哪？

Perplexity更像全球研究与执行平台。它擅长开放网络与学术检索、多源交叉验证、跨工具连接、代码分析和复杂任务编排。对全球行业研究、海外公司、学术资料和跨应用工作流更有吸引力。

库库AI更像中文投研生产工作台。它的优势应体现在A股和港股数据口径、中文研报与网盘资料协同、DCF和三表联动模板，以及更贴近国内投研人员习惯的交付流程。

一个更合理的组合是：用Perplexity做全球信息检索、海外资料核验和跨来源研究；用库库AI做A股和港股取数、标准化建模和中文投研材料沉淀。 

Takeaway

库库AI不是因为"什么都能做"而值得关注，也不是因为多了几个金融按钮。它真正有意思的地方，是试图把三个长期割裂的环节接起来：任务跨设备不断线，金融分析按固定流程执行，历史资料能在项目中继续增值。

这就是它的"中间态"可能成立的原因。

如果你属于这样一群人——日常办公不少，金融分析要求又高，还经常在办公室、路上和家里切换设备——那么它值得拿一个真实项目试一周。

别从十八步教程开始。先挑一家公司，让它取一次数、搭一次模型、写一次报告。然后只看三件事：数字能不能追溯，模型能不能复现，第二次能不能接着第一次继续做。

能做到，它才不是又一家菜单相同的新店。

玩AI的老登