去年我接了个活：两周内出一份 30 页的新能源行业深度研究报告，要机构级质量。
我算了笔账——读 50 份研报、提取关键信息、交叉验证数据、形成独立观点、写成报告、配图表……一个人干，至少 2-3 周，而且最后两天基本是在靠咖啡因硬撑。
今年同样的需求，我换了个打法：用 4 个 AI 模型分工协作，7 天出了报告，质量反而比我自己憋出来的高。
不是让一个 AI "全包"，而是让每个 AI 做它最擅长的事，我当项目经理（PM）负责定义分工、审每一棒的交付、最后整合。
今天这篇，把这套"多 AI 协作"工作流完整公开。
01 一个人做深度研究的"四宗罪"
先承认一个事实：深度行业研究，是人类智力活里最"反人性"的一种。
| 痛点 | 具体表现 | 代价 |
|---|---|---|
| 信息过载 | 50 份研报、几百页公告，读不完也记不住 | 时间 + 注意力枯竭 |
| 视角单一 | 你的认知边界 = 报告的认知上限 | 容易漏掉反向观点 |
| 数据易错 | 200+ 数据点手动核对，错一个全盘崩 | 专业信誉风险 |
| 图表费时 | 12 张图，每张调格式 30 分钟 | 大量低价值重复劳动 |
最核心的问题不是"能力差"，是"一个人要在同一时间扮演太多角色"——你既是研究员、又是分析师、又是数据员、又是美工。每个角色都做到 60 分，加起来就是 2 周 + 一身疲惫。
02 为什么用多个 AI，而不是一个？
很多人问我：用一个最强的模型不就行了？为什么搞 4 个？
因为单一模型有结构性的盲区。
| 模型 | 擅长 | 短板 |
|---|---|---|
| Claude | 长文本理解、结构化写作、文笔 | 实时数据、中文垂直语料 |
| GPT（含 o 系） | 逻辑推理、投资框架、代码 | 超长文档上下文易丢 |
| DeepSeek | 中文语料、数字核对、性价比 | 长文创意写作稍弱 |
| Gemini | 多模态、图表生成、长上下文 | 深度投资推理一般 |
关键洞察：让每个模型做它最擅长的，远比让一个模型"啥都凑合"质量高。
这就像你不会让同一个分析师既做买方研究、又做卖方销售、又做风控、又做美工。AI 也一样——分工，才能专业。
? 你的角色从"干活的人"变成"派活的人"。你定义谁干什么、交付什么格式、怎么验收。这是从"执行者"到"管理者"的跃迁。
03 我的 4 模型分工架构
整个工作流是一条"接力链"，你（PM）站在最上面把控全局：
┌─────────────────────────────────────────┐
│ 你（PM）：定义需求 · 审每棒 · 最终整合 │
└─────────────────────────────────────────┘
│
┌───────────┬───────┴────────┬──────────────┐
▼ ▼ ▼ ▼
【Claude】 【GPT】 【DeepSeek】 【Gemini】
研究员 分析师 数据官 视觉官
读50份研报 红队审查 核对200+数字 生成12张图
出20页初稿 补投资观点 标出存疑项 配图排版
│ │ │ │
└───────────┴───────┬────────┴──────────────┘
▼
【中转文档】markdown 接力棒
│
▼
Day7：你整合终审 → 30页报告每一棒的交付物，都是下一棒的输入。所以"接口对齐"是整个流程能不能跑通的关键（详见 06 节）。
04 各模型角色卡
? Claude —— 研究员 / 写手
- • 任务：读大量材料，提炼框架，出结构化初稿
- • 为什么用它：长上下文 + 长文本写作质量最高，最适合"把一堆材料变成一篇像样的草稿"
- • 交付标准：带
[来源]标注的初稿，每个论点附出处
? GPT —— 分析师 / 红队
- • 任务：对初稿做批判性审查，补投资逻辑，形成独立观点
- • 为什么用它：逻辑推理和投资框架能力强，最适合"挑刺 + 升华"
- • 交付标准：标注"哪句论点站不住""缺什么数据""观点应该是什么"
? DeepSeek —— 数据官
- • 任务：核对所有数字，找数据来源，交叉验证矛盾
- • 为什么用它：中文语料好、数字敏感、调用成本低，最适合"枯燥的核对活"
- • 交付标准：一份"数据勘误表"，列出每个存疑数字 + 建议来源
? Gemini —— 视觉官
- • 任务：根据报告内容生成图表、配图、排版建议
- • 为什么用它：多模态强、长上下文、原生支持图表生成
- • 交付标准：12 张图表（含数据标注）+ 每图一句话说明
05 实战：30 页报告诞生记（7 天时间线）
Day 1（你做）：定大纲 + 问题清单
你先出"研究框架"和"10 个核心问题"（如：行业空间多大？竞争格局怎么变？谁最受益？）。这是整个项目的"需求文档"。
Day 2-3（Claude）：读 50 份研报，出 20 页初稿
把研报 PDF 喂给 Claude，让它按你的大纲，产出带[来源]标注的初稿。20 页，含每个论点的出处。
Day 4（GPT）：红队审查，补观点
把初稿发给 GPT，指令"假设你是看空该行业的基金经理，挑出所有逻辑漏洞，并给出更严谨的投资结论"。GPT 返回一份"勘误 + 补强"清单。
Day 5（DeepSeek）：核对 200+ 数据点
把初稿里的所有数字抽出来给 DeepSeek，让它逐个找来源、交叉验证。结果：标出 15 个存疑数字（其中 3 个确实是错的）。
Day 6（Gemini）：生成 12 张图表
把定稿内容发给 Gemini，让它生成行业规模柱状图、竞争格局气泡图、产业链流程图等。每张图带数据标注。
Day 7（你做）：整合 + 终审
你把四棒成果拼成一个 30 页文档，做最终审核（重点看 Day 5 标的 15 个存疑项），输出成稿。
2-3 周 vs 7 天。而且因为有红队审查和独立数据核对，报告比一个人写更"经得起挑"。
06 工作流编排：怎么让 4 个 AI 接力
流程跑不跑得通，关键在"接口对齐"。三个原则：
原则 1：定义每一棒的输出格式。
Claude 必须输出"带[来源]标注的初稿"，DeepSeek 才能核对；如果 Claude 只给了一堆没出处的结论，DeepSeek 无从下手。格式即契约。
原则 2：用"中转文档"当接力棒。
我用一个research_draft.md文件贯穿全程：Claude 写进去 → GPT 在上面批注 → DeepSeek 改数字 → Gemini 读它生成图。所有 AI 围着同一个文件转，版本不混乱。
原则 3：串行保严谨，并行抢速度。
- •串行（推荐首次）：Claude → GPT → DeepSeek → Gemini，每一棒审完下一棒才动，质量最高。
- •并行（赶时间）：Claude 写初稿的同时，Gemini 先按大纲拟图表框架；最后再合。快但需你多花精力整合。
07 报告质量检查清单
多 AI 协作不是"甩手不管"。最后你必须按这张清单终审：
| 维度 | 检查项 | 一票否决项 |
|---|---|---|
| 数据 | 每个数字有来源？关键数据交叉验证过？ | 关键数字无来源 |
| 观点 | 有独立分析还是抄研报？有没有"抄而不标"？ | 大段未标注引用 |
| 逻辑 | 论证链完整？有没有跳跃？ | 结论无支撑 |
| 图表 | 图和文字一致？图表数据标注？ | 图文数据矛盾 |
| 合规 | 有没有未公开信息？版权风险？ | 含内幕/未公开数据 |
| 时效 | 数据是不是最新的？口径一致？ | 用了过期核心数据 |
这张清单是"人"的责任区。AI 帮你干体力活，但报告的专业责任和合规责任，永远在你身上。
08 协作指令模板（Prompt 库）
模板 1：研究员（Claude）
你是一名资深行业研究员。请基于以下研报材料，撰写{行业}深度研究报告初稿。
【材料】{粘贴研报要点或上传PDF}
【大纲】{你定的研究框架，按章节}
【要求】
1. 每个论点必须标注[来源]（研报名/作者/日期）
2. 不确定的数据标注"[待核实]"
3. 先给执行摘要，再按大纲展开
4. 篇幅约{20}页，语言客观、有数据支撑模板 2：分析师（GPT）
你是一名持怀疑态度的买方分析师。请对以下报告初稿做"红队审查"。
【初稿】{Claude的输出}
【任务】
1. 找出所有逻辑漏洞、证据不足、过于乐观的论断
2. 补强投资逻辑：给出更严谨的结论
3. 列出"报告缺了哪些关键问题"
输出：勘误清单 + 补强建议 + 核心观点模板 3：数据官（DeepSeek）
你是数据核查员。请核对以下报告中的所有数字。
【报告】{含数字的章节}
【任务】
1. 抽出每个数字，标注其声称来源
2. 对关键数字做交叉验证（不同来源是否一致）
3. 输出"数据勘误表"：数字 | 声称来源 | 核实结果 | 建议
4. 标出所有无来源、矛盾、明显异常的项模板 4：视觉官（Gemini）
你是报告视觉设计师。请为以下报告内容生成图表。
【内容】{定稿章节}
【要求】
1. 为每类数据推荐最合适的图表类型（柱状/气泡/流程图/热力图）
2. 生成图表，每张带数据标注和一句话说明
3. 风格：投行级、配色统一、字体清晰
4. 输出图表 + 每图"展示什么、结论是什么"09 踩坑与局限性
1. 幻觉会"传染"。Claude 编了个数字，GPT 当真分析，Gemini 据此配图——错误被放大三倍。解法：DeepSeek 这一棒必须真核对，你不能跳过；关键数字你亲自验。
2. 接口不一致最致命。上一棒格式没对齐，下一棒接不上，整个链断掉。每次改 Prompt 后，先跑一个小样本验证格式。
3. 成本不低。4 个模型 API 费 + 你协调的时间。一份报告几十块到上百块模型费。对比人工 2-3 周，值；但量小不划算。
4. 版权红线。研报有版权，不能乱喂给模型当训练或生成素材，商用更要谨慎。内部学习用注意脱敏和合规。
5. 最终观点和责任在你。AI 给的是"素材和视角"，不是"结论"。买方报告的核心判断——买不买、配多少——必须你自己下。
写在最后
多 AI 协作的本质，不是"AI 替你研究"，是你从"一个人干四份活"，变成"指挥四个专家各司其职"。
你的价值不再体现在"我能读多少研报"，而体现在：
- •你会不会派活（定义清晰的分工和接口）
- •你会不会验收（用检查清单卡质量）
- •你能不能整合（把四方的产出变成一份有观点的报告）
"未来的研究能力，不在于你和多聪明的一个 AI 对话，而在于你能不能让一群各有所长的 AI，按你的节奏奏出一首交响乐。"
关注「算力炼金术」，每周更新 AI×金融实战内容。