正文约 5,600 字；预计阅读 10 分钟。
说明：本文只讨论个人投研工作流和系统搭建，不构成任何投资建议；文中公司和行业只作为系统示例。
很多人把 AI 投研的焦点放在“让模型直接给答案”。
我觉得焦点错了。哪怕是最前沿的模型（GPT 5.5 或者是 Opus 4.7），本质上都是一个概率预测机，是很“容易飘”的。
一个用 Agent 做过复杂工程的人肯定明白，在工作中必须用一层层 Harness 去控制大语言模型的这种“飘”。
用 AI 做投研也一样，需要给大语言模型套上一层又一层 Harness，去控制它产生稳定的输出结果。
AI 投研真正的关键，不是让模型替你拍脑袋给结论，而是把信息、判断、风险和动作组织成一个能每天运行、能被验证、能复盘的系统。
研究的风险，往往不在信息太少，而在信息太多却没有秩序。
所以我用 Codex 搭了一个事件驱动研究 Radar。它更像一个前置操作层：每天从新闻、公告、市场、资金、情绪和行业代理变量里筛出少量值得优先研究的事件线索，再把它们压成一份研究者能在早上快速打开的事件作战单。
过去这类能力通常出现在专业投研团队里。但是，在 AI 时代，只要有想法，个人研究者也可以搭出一套自己的投研基础设施。
AI 有没有可能把一个研究者每天面对的混乱信息流，变成一个可运行、可复盘、可迭代的线索发现系统？
这是我做这个系统的起点。
一、我想解决的不是信息不足，而是线索排序
现在的市场世界，信息并不稀缺。
新闻、公告、研报、社交媒体、宏观日历、价格异动、资金流、产业链传闻，每天都在往外冒。单看某一条，似乎都有点重要；但如果全部都重要，最后就等于什么都不重要。
所以这个系统一开始就不是为了“抓更多新闻”。
它要回答的是另一个问题：
今天到底哪些事件值得我先看？
这里面的关键词不是“事件”，而是“先”。一个事件驱动研究系统的工作方式，本质上不是平均处理所有新闻，而是围绕催化事件建一本动态的事件账本：发生了什么、影响谁、是否已反映、下一步里程碑是什么、失败方式是什么、今天该先研究什么。
我希望 Codex 帮我搭的，就是这样一个前置雷达。
它不直接给交易指令，而是一个投研调度系统：
- 把事件事实整理出来；
- 把可能受影响的主体、行业链条和观察对象挂上；
- 把价格、资金、公告、情绪和行业代理变量拉进来做二次验证；
- 最后把一堆候选压缩成“立即研究 / 主题观察 / 风险复核 / 后台背景”。
换句话说，它的目标不是替代判断，而是把判断前面的信息分流和线索筛选系统化。
AI 在投研里的价值，不是“神谕式预测”，而是把一个人的研究操作系统工程化。
二、系统架构：新闻系统、数据底座、情绪系统和雷达系统
如果按产品职责看，这套系统大体分成两层：上游负责把信息压成事实和信号，下游负责把事实和信号压成研究线索队列。
Radar 的上游是三个系统：新闻事件中枢、数据底座，以及情绪系统。
这张图是整套系统的最简结构：新闻事件中枢负责事件事实，数据底座负责市场事实，情绪系统负责信号辅助，Radar 负责线索排序。
第一层是新闻系统，叫 News event hub(新闻事件中枢）。
它的职责不是写观点，也不是做具体决策，而是把外部信息流压成共享事实层。这个系统会每天自动从不同来源抓取新闻和事件输入，包括公告、交易所、监管、政府、主流财经快讯、社交讨论、论坛信号、宏观结构化事件等。
为了避免所有信息混成一锅粥，我把新闻源先分成两条线：
事实线 是确认事实的来源，比如公告、监管、交易所、政府、主流财经确认源。
信号线 是提前暴露线索的来源，比如微博、雪球、股吧、Reddit、论坛、预测市场和其他早期讨论信号。
第一层真正要做的，是把不同来源的新闻变成统一文章对象，再进一步聚合成事件，并尽量给每个事件挂上实体、行业、主题、时间、状态、来源、证据质量和下游导出视图。
举一个具体例子。
假设同一天系统看到几条信息：
- 公司公告写着：
安井食品第一季度净利润同比增长 42.74%。 - 财经快讯把它改写成：
安井食品一季度利润大幅增长，速冻食品龙头业绩改善。 - 另一条市场新闻写的是：
食品饮料板块盘中异动，安井食品成交放量。
这些在最原始状态下，只是几条“新闻”。它们可能来自公告、快讯、新闻网页或市场异动摘要，标题格式不同，时间戳口径不同，来源可靠性也不同。
进入 News Event Hub 之后，系统先把它们压成统一的“文章对象”。也就是说，不管来源长什么样，最后都要变成类似这样的结构：
来源 = 公司公告 / 标题 = 安井食品第一季度净利润同比增长42.74% / 发布时间 = 2026-05-03 / 来源线 = 事实线 / 原始链接 = ... / 正文 = ...
这一步解决的是“同一种东西用同一种格式表达”。
但文章对象还不是事件。文章对象只是标准化后的单篇材料。
下一步才是聚合成事件。系统会判断：这几条信息是不是都指向同一个事实，或者同一条研究线索？如果是，它们会被压成一个事件：
事件 = 安井食品一季度利润超预期 / 主体 = 安井食品 / 股票代码 = 603345 / 催化类型 = 业绩 / 事件状态 = 已确认 / 影响方向 = 正面 / 证据数量 = 3 / 后续验证 = 看首个交易日价格承接、成交量、食品饮料板块扩散
到这里，信息的形态已经变了。
它不再是一堆孤立标题，而是一条可以被 Radar 消费的事件对象：它有主体、有时间、有证据、有催化类型、有影响方向、有下一步验证动作。
这就是第一层新闻系统的价值。它不是“读新闻”，而是把新闻变成系统能处理的事件。
第一层最重要的不是抓取，而是把不同来源的信息压成同一种结构，再聚合成可以被 Radar 消费的事件。
这里面最关键的，不是“抓取”，而是清洗。
新闻系统的难点不在于“能不能抓”，而在于能不能把事件做厚、做干净、做成下游可消费的事实层。
数据底座是第二个上游。
它是一套市场事实层。里面沉淀的是可以反复查询、补抓和校验的市场数据：行情、成交、资金、行业资金流、代表性公司和 ETF、财务快照、对象映射，以及部分行业代理变量。
它里面有几类核心数据库和派生面板。这套底座的价值，不只是“有数据”。
更关键的是，它有一套读取和补数语义：优先读数据库；如果缺口存在，再使用数据系统进行补抓；抓到后写回底座数据库；同时按对象、日期和数据层级检查时效性和覆盖度。
换句话说，新闻事件中枢给 Radar 提供“发生了什么”，数据底座则提供“市场怎么反应、资金怎么流、价格是否已经确认”。
情绪系统是第三个上游。情绪系统会把市场事实和事件事实压成几类结构化信号：
- 市场级：资金流情绪、市场事件情绪、综合情绪；
- 公司级：事件情绪、行情情绪、综合情绪。
这层信号很有用，但我给它的权力很低。
它只能作为排序辅助和解释层，帮助判断风险偏好、事件热度和价格行为是否共振；它不能替代催化事件、证据质量和后续里程碑。一个对象就算情绪很强，如果没有可验证事件，也不能直接进入前排。
第二层才是事件研究 Radar。
Radar 会从 News Event Hub 拉共享新闻事件，从数据底座读取市场事实，从情绪系统读取情绪信号，然后叠加自己的辅助信号。
Radar 自己会把这些上游输入继续组织成几类辅助信号：
- 价格和成交量；
- 市场资金和行业资金；
- 公司公告；
- 情绪辅助信号；
- 行业基本面代理变量，比如猪周期、航运运价、券商交易景气；
- 代表股和 ETF；
- 主题链 / 产业链覆盖层；
- IPO 打新窗口；
- Agent 的结构化预检和研究摘要。
最后，Radar 做的是排序和分流。
它每天生成候选池，再生成线索快照，再进入催化事件台账、研究交接板、日度作战单和质量门禁。
候选池 -> 线索快照 -> 催化事件台账 -> 研究交接板 -> 日度报告 -> 质量门禁
如果通过质量门禁，系统会发布稳定别名的作战单和正式报告产物；如果源数据时效性、价格补数、Agent 预检、运行批次一致性有问题，就会报警。
一个真的能长期使用的投研系统，不能只追求“今天跑出一份漂亮报告”。它必须知道什么时候自己不该出报告，什么时候只能提示风险，什么时候应该把线索降权，什么时候应该把对象从“立即研究”打回“主题观察”。
三、我如何 harness 这个系统
我对这个系统的使用方式，不是让它每天替我给结论，而是把它当成一个投研前台。
每天系统会先跑新闻和事件层，确认上游源是否足够新。然后 Radar 会检查新闻、情绪、市场数据三层时效性。公司对象如果缺少目标交易日价格，它会优先逐票补抓，而不是因为某个边缘公司价格缺口就拖死整份日报。前排公司对象如果证据偏薄，它会触发新闻补核。Agent 研究层会对候选做结构化判断，判断它们应该升级、保留、只观察、剔除、进入风险复核，还是标记为研究缺口。
我真正消费的是最后那份 Radar 事件作战单。
作战单不是新闻列表，而是一个压缩后的线索面板：系统负责排序，人负责判断。
这份作战单不是新闻列表。它会把当天事件压成几个层次：
第一层是今日关键事件：对象、事件、影响方向、逻辑传导、弹性假设和今日动作。
第二层是三条作战线：系统认为今天最值得打开的线索。
第三层是中长期隐性线索：订单、产能、政策、资本动作、基本面质量这些 30-120 天维度的慢变量。
第四层是 IPO / 打新申购窗口：包括 A 股和港股，核心是把申购窗口、时间和风险提示集中整理出来。
最后是后台状态：上游源就绪状态、价格补数、新闻补核、催化事件台账、立即研究 / 主题观察 / 风险复核的数量。
也就是说，我不是读一堆新闻，而是看系统压缩后的研究线索面板。
这让我可以把精力放在更高一层的问题上：
- 这条线索是不是有真正催化事件？
- 它是否已经被价格反映？
- 有没有可以用于观察的代表性公司或 ETF？
- 下一步里程碑是什么？
- 最大失败方式是什么？
- 它应该进入即时研究，还是只进入观察？
不让 Codex 替我思考，而是把 Codex 变成一个能被调度、校验和复盘的投研系统。
四、真正的关键：不是相信模型，而是约束模型
这里有一层前提：我不认为大语言模型本身值得盲目相信。
从工程上看，它首先是一个概率预测机。它可以在大量语料和上下文中生成很像判断的文本，也可以把复杂信息压缩成很漂亮的解释，但这不等于它天然知道什么是真的、什么是重要的、什么可以进入研究动作。
如果把这种模型直接接到交易决策上，让它看几条新闻、读几份公告，然后直接输出行动名单，我认为风险很大。
因为模型最危险的地方，不是它完全不会判断，而是它有时候会用很流畅的语言，把一个不该成立的判断讲得像真的。
所以我做这套系统时，没有把大语言模型放在最高权力的位置。
我更多是把它关进一套 Python 脚本、结构化格式、校验器和硬门禁里面。
模型可以参与研究层，但事实、格式、门禁和发布条件必须由更硬的系统控制。
事实层由脚本和数据库负责。新闻有没有更新、价格有没有对齐、公司股票代码有没有映射、运行批次编号是否一致、正式报告是否真实生成，这些不让模型凭感觉说。
事件层由接口约束。一个候选对象必须有对象类型、来源、证据、价格样本、催化事件、里程碑、风险标记和后续验证路径，不能只靠一段漂亮解释进入前排。
研究层才让大语言模型参与。它可以做摘要、归因、预检、风险提示和研究分流，但它的输出还要经过结构化格式校验和质量门禁。Agent 可以说一个对象应该升级，也可以说只能观察，但系统会继续检查它有没有证据、有没有价格确认、有没有被报告显式展示、有没有和正式作战单运行批次对齐。
这就是我认为这个项目和很多“AI 直接给交易答案”项目的根本区别。
很多项目把 AI 当成预测器，问它“下一步该怎么操作”。我的系统把 AI 当成一个受约束的研究组件，问它“这条事件是否值得进入研究队列，以及它最可能在哪里失败”。
前者追求一个看起来很刺激的答案，后者追求一个可验证的流程。
前者容易变成提示词表演，后者更接近一套操作系统。
前提就是忽略大模型表现出的貌似神奇有思想。把它放在一个更硬的系统里：
上游有新闻事实层和数据底座，中间有市场与信号辅助层，下游有排序、门禁、报告、复盘和人工研究承接。模型可以提高效率，也可以帮助我看见一些容易漏掉的解释路径，但它不能绕过硬门禁直接变成交易结论。
AI 投研系统的关键，不是让模型更会说，而是让模型不能乱说。
五、目前它已经能做到什么
到目前为止，这套系统已经达到了一个初步可用状态：可以识别中短期事件线索，并把它们组织成每天可读、可复盘、可追踪的研究报告。
现在它已经具备几类能力：
第一，能做事件驱动的日度筛选。
比如最新作战单里，系统会把有色金属、电子、安井食品、上海医药、交通运输、石油石化、中路股份这类对象混排展示。每条线都会写出具体事件、影响方向、逻辑传导、观察对象、弹性假设和后续研究动作。
第二，能做价格和量能预检。
财报类事件如果已经被价格明显反映，就不应继续占据前排线索位。公司事件如果缺目标交易日价格，也不应假装样本完整。现在系统已经把这类检查前置到报告生成链。
第三，能做中短期研究分流。
同一个事件，不一定都要立刻研究。有些进入“立即研究”，有些进入“主题观察”，有些进入“风险复核”，有些只能留在后台背景层。这个分流比总分更重要，因为投研需要的是动作队列，而不是漂亮排行榜。
第四，能做中长期线索的初步捕捉。
比如订单、产能、客户质量、产品价格、行业扩散、资本动作这些 30-120 天维度的信号，系统已经开始用“中长期隐性线索”单列出来。它现在还不成熟，但方向是对的：短期事件只是一层，真正有价值的是从多次弱信号里识别慢变量。
第五，能输出成品报告。
我会把一份真实作战单单独整理成另一篇公众号文章，读者可以直接看成品长什么样。
六、但我不想把它写成神话
这里必须说清楚边界。
这个系统不是对外销售的产品，不是自动给结果的机器，也不是自动交易系统。它更像一个事件驱动研究前台。
它能帮助发现中短期事件线索，但还不能稳定识别真正长期的研究主线。
原因很简单：长期主线不是一天新闻触发出来的。长期主线往往来自产业结构、商业模式、资本开支、竞争格局、需求拐点、技术路径、管理层能力和估值误判的共同作用。
新闻系统能看到变化的表层，Radar 能识别变化的早期形态，但要把这些变化升级成长期研究线索，还需要更强的几层能力：
- 更稳定的带时间点口径的事件面板；
- 更好的历史回放和误报样本库；
- 更成熟的催化事件分类体系；
- 更完整的行业代理变量库；
- 更强的研究承接系统；
- 更清晰的研究假设生命周期；
- 更严肃的市场反应评估。
所以长期目标不是让系统每天多推几个热点，而是让它逐步从“中短期事件雷达”升级成“长期线索 Radar”。
真正理想的状态是：当一个主题还没有成为市场共识时，系统已经能看到多个弱信号正在累积；当一个事件看起来很热时，系统能判断它只是一次性噪音，还是进入了可验证的长期路径；当一个公司突然出现催化时，系统能提示我这只是财报脉冲，还是基本面拐点的第一层证据。
这才是我想要的东西。
不是更快地追热点，而是更早地识别可研究的变化。
七、为什么我觉得 Codex 适合做这件事
很多人讨论 Agent，会把重点放在“它能不能一次性完成一个复杂任务”。但在投研系统里，更重要的是它能不能长期嵌入一个人的工作流。
这个 Radar 的开发过程，基本就是我和 Codex 共同把一个想法压成系统的过程。
一开始只是一个问题：能不能做行业起势预警？
然后它变成新闻层、资金层、基本面代理层、状态机、日报。
再往后，它从行业榜变成多对象线索面板。
再后来，它开始有催化事件分类体系、里程碑、风险标记、研究交接板和质量门禁。
最后，它变成一个每天能跑、能出报告、能失败降级、能复盘的系统。
Codex 在这里不是一个“写代码工具”。它更像一个可以持续共建的工程化思维伙伴：我定义问题，它把问题拆成系统边界、数据接口约束、运行链路、验证命令和文档；系统跑出来不好，我指出不对，它继续回到架构层修。
AI Agent 最值得期待的方向：不是替你做判断，而是把你的判断系统化、可执行化、可复盘化。
八、这不是炫技，而是工作方式的改变
AI 时代可以把个人投研从手工作坊，推向一种更像小型研究团队的工作方式。
不是因为系统一定比人聪明，而是因为系统更有纪律。
投研最难的不是产生观点，而是让观点进入一个稳定、可校验、可复盘、可改进的系统。过去这件事只有机构有资源去做。现在，Codex 这样的 Agent 工具开始让个人也有机会搭出自己的研究基础设施。
投研的差距，很多时候不是谁看见了更多信息，而是谁更早把信息组织成判断、风险和动作。
AI 最先改变的不是某一个结论，而是我们组织判断的方式。
看新闻不是优势，组织判断才是。