我一开始真不是奔着财报去的。
最开始我想做的事情要大得多——搭建一个"行业调研报告智能体"。输入一个行业，AI 帮我判断边界、收集资料、提取数据、整理证据链，最后生成一份结构完整、有理有据的行业研究报告。
听起来很顺，对吧？
但真正做起来以后，我发现这件事的难度被严重低估了。不是 AI 写不出来，而是"行业研究"这件事本身，难点根本不在写作。
这篇文章就是我对这轮项目的完整复盘。不讲概念、不列功能清单，只讲我实际做了什么、卡在哪里、为什么转向、以及最后跑通了什么。
一、我原本想做一个行业调研报告智能体
最早的项目目标可以概括成一句话：围绕一个行业，搭一条半自动化的研究流水线。
流程大概是这样的：明确调研任务 → 判断行业边界 → 收集高价值资料 → 分类入库 → 结构化字段提取 → 数据分析 → 生成行业研究报告 → 复盘沉淀。
第一个测试行业选了茶饮。
这不是随便选的。茶饮行业有几个天然好处：品牌多、上市公司也不少、公众熟悉度高。既有财务数据，也有门店、价格、供应链、加盟模型、下沉市场这些可以分析的维度。
项目初期进展其实不慢。我们做了几件事：
收集了蜜雪集团、古茗、茶百道、沪上阿姨、奈雪、霸王茶姬等公司的招股书、年报和业绩公告。 整理了 KPMG 大湾区餐饮报告、灼识咨询新茶饮白皮书等行业资料。 建了公开资料库，做了来源索引、品牌核心指标对比和字段价值地图。 试了用高德 POI API 做品牌×城市的门店矩阵，看看能不能通过地图数据近似得到不同品牌在不同城市的分布。 开始做二次分析表：财务健康度对比、门店模型与单店效率、供应链能力证据、数据口径冲突说明表。
如果只看"资料整理"这个维度，项目不算失败。我们手里已经有了一批高价值资料、结构化表格、二次分析结果和高德 API 的 MVP 脚本。
但如果看"行业调研报告智能体"这个目标——还不够稳。
二、做着做着发现，行业调研不是不能做，是不能一上来就做大
真正卡住的地方有三个。
第一个：数据源太多，而且不在一个体系里
财报分析可以从一家公司的一份年报开始。但行业分析不行。
行业分析至少需要同时面对：公司财报和招股书、行业报告和白皮书、品牌门店数量和城市分布、平台价格和菜单数据、消费者评价和口味偏好、供应链和仓储物流、加盟商生态、行业政策和监管动态。
每一类数据都有自己的采集方式、更新频率和可信度层级。你不能把它们混在一起，假装所有数字都同等可靠。
举一个具体的例子：门店数。
看起来只是一个数字，但口径非常复杂。官方披露的门店数、地图 POI 搜出来的门店数、第三方平台统计的门店数，可能都不一样。
地图 POI 可以帮我们判断"某个品牌在某个城市大概有没有布局、相对多不多"。但它不能直接等于官方真实在营门店数——地图数据可能有重复点位、闭店残留、品牌关键词误匹配，也可能漏收录。
第二个：口径不统一，报告就不稳
行业调研里最容易出现一个情况：资料收集很多，报告写起来也很顺，但核心结论没有稳定的口径支撑。
在茶饮项目里，我们遇到的典型口径问题包括：
GMV 和收入不能混用。 官方门店数和地图 POI 数不能混用。 直营门店效率不能直接和加盟网络效率硬比。 年度数据和中期数据不能直接拼接。 平台样本价格不能代表全国真实成交价。 未上市品牌不能和上市公司放进同一张财务健康度表。
这些问题不是"写报告的时候注意一下"就能解决的。它要求你在动笔之前，先做一层很枯燥但很关键的工作：字段表、口径说明表、数据冲突说明表。
我们后来沉淀出了一个原则：
先资料，再字段；先字段，再指标；先指标，再判断；先判断，再报告。
跳过这几步，AI 可以很轻松地生成一份"看起来像报告"的报告。但它不一定可靠。
第三个：如果一上来就做大，很容易陷入资料堆积
行业调研报告智能体一开始很有吸引力，因为它的最终产物很漂亮：一份行业报告、一个行业看板、一套数据图表、一堆可复用模板。
但真正进入执行后会发现，它的底层依赖太多了。一边是财报数据，一边是品牌经营数据，一边是门店和城市数据，一边是平台和消费者数据。每条线都能继续往下挖，每条线都有口径问题。
如果项目一开始就把目标定成"完整行业报告"，最后很容易变成这样：资料越收越多、字段越来越杂、报告越来越长、但核心判断越来越难落地。
这也是我们后来做战略切换的原因。不是说行业报告没有价值，而是它更适合作为第三阶段的目标。第一阶段应该先选一个数据更稳定、结构更标准、可验证性更强的任务。
三、于是我把目标收窄到财报分析智能体
项目二的正式名称是："面对金融小白的专业财报分析智能体"。
目标从"分析一个行业"变成"把一家上市公司的年报、招股书和公告，转化成金融小白也能看懂的财报分析报告、核心洞察、网页看板和基础问答。"
这个目标比行业报告小，但更稳。因为财报天然有几个优势：
第一，资料来源更权威。年报、招股书、业绩公告、交易所披露文件，都是相对稳定的来源。你可以回到原文核对每一个数字。
第二，结构更标准。利润表、资产负债表、现金流量表、附注、管理层讨论——虽然每家公司的表达方式不同，但基本框架是稳定的。
第三，指标更容易复核。收入、毛利、净利润、经营现金流、存货、资产负债、门店数，这些数字都可以回到原文或表格里核对。不是"模型觉得是多少"，而是"原文写着是多少"。
第四，输出层次更清楚。可以先做一份专业母稿，再从母稿降维生成核心洞察、小白解释、FAQ、网页看板。每一步都有上一层的证据支撑。
所以项目路线从：
行业调研报告智能体（一步到位）
改成了：
财报分析智能体 → 品牌分析智能体 → 行业分析报告智能体（逐层叠加）
这个切换，本质上是一次降复杂度。先把最稳定的一段能力做扎实，再往外扩。
四、AI 工具怎么分工，不要让一个工具包打天下
这次项目里，工具分工这件事比我想象的重要得多。
如果只用一个 AI 工具从头做到尾，很容易出现几个问题：PDF 太长处理成本高、表格解析容易出错、项目文件散落各处、输出稿没有验收环节、内容化表达和事实边界互相打架。
所以我们逐步形成了三角分工。
Codex / ChatGPT：主工作台
Codex 和 ChatGPT 承担的是"项目大脑"和"正式产出"的角色。它们负责项目总控和分控、目录结构设计、任务拆解、文件归档、资料筛选、解析结果验收、字段表和指标表整理、专业报告生成、看板数据组织、复盘沉淀。
简单说：判断这件事要怎么做、做到哪里算合格、产物应该放在哪里、后续怎么复用。
Claude Code + DeepSeek：解析加工层
Claude Code + DeepSeek 的角色更像"外包加工层"。这里有一个背景：我们不希望 Claude Code 默认调用原生模型去消耗账号资源，所以后面明确采用了 DeepSeek 的 API，让 Claude Code 作为执行壳，实际模型消耗走 DeepSeek。
这条链路主要负责：PDF 和 HTML 原始文件解析、把长财报转成结构化中间格式、做文本压缩、做字段提取准备、对核心洞察稿生成内容化对照版本。
但这里有一个非常重要的边界：Claude Code + DeepSeek 输出的是中间产物，不直接等于事实来源。它解析出来的表格、页码、候选字段，都要经过 Codex 验收和二次复核。尤其是三张财务报表，不能因为模型"看起来提取了"就直接相信。
人：方向、审美和取舍
AI 可以帮你整理资料、提取字段、生成草稿，但它不能替你判断"这个方向对不对""这篇文章好不好""这个东西发不发"。方向判断、审美判断、最终取舍，还是人来做。
这个分工最后沉淀成了一条协作台流程：
Codex 找到高价值原始文件 → 复制到协作台输入目录 → 编写任务说明和来源索引 → Claude Code + DeepSeek 解析文件 → 输出到协作台输出目录 → Codex 验收 → 合格后进入字段提取、指标计算、报告生成和看板。
这条流程跑通以后，项目明显稳定了很多。
五、从一份报告到一套内容输出流程
项目二最后比较成功的一点，是没有一开始就追求"写得好看"。
我们先做专业深度报告——专业、全面、有深度、证据链扎实。蜜雪集团项目中，这份报告迭代到了 V2.0，补上了商业模式先行、存货结构拆解、毛利率下降的成本端解释、现金流和营运资金质量、FVTPL 与资金配置、结论置信度分层、后续待验证数据清单和金融小白解释。
有了母稿以后，再往下派生：
专业深度报告 → 核心洞察报告 → 面向小白的内容化稿 → 数据核对表 → 配图版 Markdown → 配图版 PDF → 网页看板 → FAQ。
这条路线的重要性，怎么说都不过分。如果一开始就让 AI 写公众号文章，它可能写得顺，但容易丢证据链。如果一直停在专业报告，又很难传播。所以更好的方法是：先把专业母稿做硬，再把它降维成读者能读懂的内容。
六、这次项目给我的收获
回头看，这轮项目最有价值的产物，不只是蜜雪集团的财报报告，也不只是配图 PDF 或网页看板。真正有价值的是那条可以反复使用的工作流：
项目目标 → 数据源判断 → 原始资料入库 → AI 解析 → Codex 验收 → 字段提取 → 指标计算 → 异常信号 → 专业母稿 → 核心洞察 → 内容化改写 → 图文/PDF/看板 → 复盘沉淀。
它把"让 AI 帮我写点东西"变成了"让 AI 参与一套可复用的生产流程"。
最后，这次项目让我意识到一件事：AI 工具真正有价值的地方，不是替你跳过思考，而是把你的思考、资料、判断和输出，组织成一个可以不断迭代的系统。
现在我们已经把这个过程正式沉淀成了第三个项目——"公众号内容输出智能体"。后续会沿着两条主线持续输出：一条是 AI 工具的使用方法和思路，一条是 AI 工具产出的真实项目结果。
这也是"子非鱼研习社"想持续记录的东西：不是追热点，不只是列工具，而是寻找并验证可以穿越周期的锚，感谢你的阅读，欢迎持续关注！
