我是怎么用AI写分析报告的
——以一份新疆投行业务分析报告为例，还原完整制作过程
不耽误日常工作的前提下，我用AI从零完成一份新疆投行行业机会分析报告——一天不到。无模板、不代劳。
这篇文章不聊报告本身，只聊写它的过程。AI做了什么，我做了什么，以及这两件事是怎么结合在一起的。
---
先说这份报告是啥
新疆投行行业机会分析报告——就是系统地梳理一下新疆区域内投行业务有哪些机会。
内容包括：宏观政策（自治区、援疆、新丝路网）、资本市场（A股上市公司、IPO储备）、重点行业、各地州的经济底子，最后排了个业务机会优先级矩阵。
难点在于数据很散，有些数据不好找。
最后成稿是HTML格式，八个章节，十二条数据指标，带可视化表格。
完成时间：不到一天。
---
流程不是“输个题目，让它吐报告”
把题目丢给AI，它吐一篇文章，你检查一下发出去——这条路也试过，但写出来的东西还是差点意思。
我的做法是：把AI当高速协作者。
整个流程分了六步，每步人机分工不一样。
---
1. 选题定调：我是第一个读者，先过自己这关
我写的都是我自己想搞明白的事。写之前我会先问自己：这个话题我了解多少？盲区在哪？我最想知道什么？
这份报告得先过我这关。只有我自己真想清楚了，AI帮我写出来的东西才不会是一盘散沙。
· 我做：定义问题、明确目标
· AI做：无（这步必须自己来）
---
2. 框架共创：跟AI一起磨
我先给AI一个初步的框架想法，然后让它挑毛病、提建议。来回一般两三轮。
好框架不是“越全越好”，是有主线、有取舍、层次清楚。
比如这报告最开始有一节“国际政策环境对比”，我后来觉得放这儿有点突兀，就删了。这是我自己判断的，不是AI说的。
· 我做：判断取舍、锚定主线
· AI做：头脑风暴补充、提优化方向
---
3. 数据侦察：AI当侦察兵，我当核查员
AI能快速告诉我哪些数据应该存在、上哪儿找、引用什么来源。
比如新疆A股上市公司数量，我需要2025年底的最新数，AI帮我定位到来源是新疆证监局公告和证券时报2026年2月的报道，确认是62家。
但数据准不准得我自己核实，这步不能偷懒。
· 我做：核实来源、确认准确性
· AI做：线索挖掘、定位数据源
---
4. 内容起草：AI出初稿，我负责把关
一个章节一个章节地让AI写，我会给具体的要求：角度、语气、字数、要覆盖哪些数据点。
AI出初稿后我读一遍，标出要改的地方，再让它改。
这不是“让AI写”，更像是找了个写作能力强的助手，把我的想法变成文字，我来把关。
· 我做：校准方向、修正偏差
· AI做：文字落地、初稿生成
---
5. 视觉落地：告诉AI你要啥感觉
这份报告用HTML格式，我不会说“做一个好看的报告”——太模糊了。
我会说：封面只留「AI搭子」，不要副标题，不要出品方；核心数据卡片统一蓝色，别五颜六色；区域卡片按特定顺序排……
说得越具体，出来的东西越接近我想要的。
· 我做：描述审美、明确细节要求
· AI做：排版实现、视觉输出
---
6. 迭代打磨：把反馈变成精确指令
第一稿出来之后，我列了12条修改意见，一条一条让AI执行。
有内容判断的（删某一节），有数据更新的（62家改来源），有用词替换的（“立即布局”改成“优先推进”）。
反馈越具体，改得越准。含糊的反馈只会得到含糊的结果。
· 我做：输出精确指令、验收结果
· AI做：执行修改、迭代优化
---
一个真实的提示词长啥样
很多人觉得“提示词”是玄学，其实没那么神秘，就是把你对一个人的工作要求，清楚地说出来。
举个例子，我在改报告封面时的对话：
封面页面，上面只要「AI搭子」，不要“投行业务研究”；不要出品方字段；去掉“基于八维分析模型的全景研究”这种虚头巴脑的副标题。
这条指令的结构是：要什么 + 不要什么 + 为什么不要。
说清楚“为什么不要”很重要——它能帮AI理解你的审美标准，不只是执行这一条。后面类似的地方，它会自动往这个方向靠。
再举一个数据核查的例子：
4.1节A股上市公司数量显示的是截至2024年底的61家，帮我找一下截至2025年底的最新数字，并标注数据来源。
AI返回：
根据新疆证监局2025年度报告及证券时报2026年2月报道，截至2025年末，新疆A股上市公司共62家，较2024年底净增1家。建议来源标注为：新疆证监局、证券时报（2026.02）。
它给的是可追溯的来源，不是一个孤零零的数字。这是我对它的要求，也是我检查它输出结果的标准。
---
我做了啥，AI做了啥
· 我做的事：定义问题、设计框架、判断取舍、核实关键数据、审美把关、给具体修改指令
· AI做的事：起草文字、检索数据源、执行修改、排版实现
凡是需要判断的事，我来；凡是需要执行的事，AI来。
这条分界线不固定，但有一条底线要始终坚守：核心判断不外包。
哪个行业想了解、哪个数据值得信任、哪个结论太武断——都得自己过。
---
踩坑复盘：我踩过的4个AI协作雷区，你别再踩
做完这份报告，加上之前几期，攒了点教训，直接说：
1. 数据盲信
AI给的数字，尤其是具体年份的统计数据，一定要核实来源。它有时候会“合理捏造”一个看起来很像真的数字。
2. 框架模糊
框架越清晰，结果越好。开头花20分钟想清楚结构，比后面改十遍省力。
3. 反馈模糊
“这一段写得不好”是最没用的反馈。“这一段逻辑跳跃，第一句和第三句之间缺个过渡，帮我补上”才有效。
4. 版本丢失
保存版本，每次都保存。我吃过亏。报告迭代好几个版本，不保留中间稿，改错了没法回退。
---
这种方式值不值得借鉴
说我自己最直接的感受：
以前想搞清楚一个陌生领域，光信息检索就耗掉大半时间，还不一定能拼出完整图景。
有了AI之后，我能更快地看到一件事的全貌——政策、数据、行业、区域，所有维度同时展开，而不是东一块西一块地拼。
这不只是省时间，更是视野变宽了。以前可能因为信息成本太高而放弃了解的东西，现在值得一探。
我越来越觉得，AI从来不是“替你工作的工具”，而是让你长了翅膀。
在协作的过程里，你的判断边界在扩展，它的执行范围也在适应你——我们都在变得更好。
---
六步方法论·快速回顾
· 选题定调：我是第一个读者，先过自己这关
· 框架共创：人机协作打磨，有取有舍
· 数据侦察：AI做侦察兵，人做核查员
· 内容起草：AI出初稿，人做判断把关
· 视觉落地：具体描述感觉，而不是“做好看点”
· 迭代修改：把反馈变成精确指令，逐条执行
---
最后想说说对这个公众号“AI搭子”系列的期许:
今天在食堂吃饭，突然觉得想把这件事说清楚：
我真正想做的，是一个养成系的东西。
不是教程，不是资讯，而是一个普通人AI协作的真实记录——
我们是怎么一步步磨合的，做出了什么，走了什么弯路，又发现了什么可能性。
过程和结果，都算数。
做真实的事，等哪天回头看，希望这里有一段值得记录的成长过程。
如果你也在摸索怎么用AI做些有意思的事，欢迎一起来实践。
---
AI搭子
用AI做些想了解的，再把过程说清楚，一起成长
我是怎么用AI写分析报告的
