QVeris · 使用教程
这不是一篇“AI 怎么总结财报”的文章。
我们想讲的是：如果真的要做一个能进入研究工作流的财报助手，底层应该怎么搭。
QVeris 财报助手搭建链路 ｜教程感复盘
01
先说结论：不要先写 prompt，先定义证据包
很多人做财报 AI 的第一反应，是把财报、新闻、电话会材料丢给模型，然后让它总结“这家公司本季度表现如何”。
这个方向看起来很快，但很快会遇到一个问题：模型写出来的东西很顺，可你不知道每个数字从哪里来，也不知道它漏掉了什么。
所以我们做 QVeris Earnings Copilot 时，第一步不是写 prompt，而是先定义一个更底层的东西：
每次分析都必须产出一个 research packet。
这个 packet 里不只有 summary，还要有：
sources：这次分析用到了哪些来源；
missing：哪些材料没有拿到；
capabilityStatus：每个能力是可用、部分可用，还是不可用；
confidence：为什么这次结果是 high / medium / low；
conflicts：不同来源之间有没有冲突；
generatedAt：这次结果是什么时候生成的。
这一步决定了产品气质。普通财报摘要工具会努力把话说完整；真正可复核的财报助手，要允许自己说“这里没有数据”“这里置信度不够”“这里不能写成事实”。
02
第二步：把财报分析拆成可编排的能力
美股财报分析不是单一数据源能完成的任务。
一次 earnings event 至少会涉及：
财报日历：公司什么时候发布，盘前还是盘后；
一致预期：市场原本预期 revenue / EPS 到什么水平；
实际结果：actuals、margins、segment highlights；
历史表现：过去几个季度 EPS 和预期的关系；
filings：10-K、10-Q、8-K 等披露文件；
news：财报前后新闻与市场叙事；
transcript：管理层表述和分析师问答；
quote：价格、成交量和市场反应。
QVeris 在这里的价值，不是替你写一句“业绩超预期”，而是把这些能力做成可以被调用、组合、降级的 financial capabilities。
开发者页：QVeris 把 earnings 能力做成可接入的结构化接口
在官网的 developer 页面里，这条能力链路被拆成了几个模块：Calendar、Results、Estimates、Financials、Segments、Filings、News、Transcript。每个模块都可以进入同一个分析工作流。
这就是搭建财报助手时最关键的一点：不要让模型自己“想象”它需要什么数据，而是由产品先定义它能调用什么能力、每个能力失败时怎么展示。
03
第三步：设计一条固定研究流程
我们最后采用的主流程很简单：
Discover：找到相关财报事件、公司信息和覆盖范围；
Collect：拉取 results、estimates、filings、news、transcript 等材料；Validate：检查缺失、冲突和证据质量；
Synthesize：整理 drivers、risks、narrative、watch-next；
Output：输出 console、share page、image 和 API JSON。
官网工作流：从事件发现到可审计输出
这个顺序看起来像常识，但实际做产品时很容易反过来。
很多 AI 应用会先生成一段文字，再试图补来源。我们这次刻意反过来：先搭证据包，再让 AI 在证据包里工作。
这样做有几个好处：
缺 transcript，就不要写 transcript-derived analysis；
某个数字没有 sourceIds，就不要把它当作事实；
来源冲突时，confidence 应该下降，而不是强行给一个确定结论；
前端、分享页、API 都能共用同一份结构化结果。
04
第四步：让 API 返回“可审计结果”，而不是一段话
如果你也想基于 QVeris 搭自己的财报助手，我建议不要把 API 设计成：
ticker -> summary
而是设计成：
ticker -> AnalyzeEarningsResponse
这个 response 至少应该包含：
{"ticker": "NVDA","analysis": {"summaryBullets": ["..."],"confidence": {"label": "medium","reason": "Results, estimates, filings and news are available; transcript is unavailable."}},"capabilityStatus": {"results": "available","transcript": "unavailable"},"missing": ["transcript"],"conflicts": [],"sources": []}
这不是技术洁癖，而是金融 AI 产品的基本边界。
财报助手真正要交付的不是“看起来像分析师的一段话”，而是一个可以被页面渲染、可以被 agent 调用、可以被用户追问的结构化研究结果。
05
第五步：把同一个 packet 渲染成多个入口
我们做 Earnings Copilot 时，没有只做一个聊天框。
最后产品表面包括：
/earnings：研究控制台；
/earnings/calendar：财报日历；
/earnings/briefs：财报简报流；
/earnings/[ticker]：单标的研究页；
/earnings/[ticker]/share：可分享研究页；
/developers/earnings：开发者接入页；
POST /api/earnings/analyze：结构化分析 API。
研究控制台：从 ticker 开始生成 source-cited research packet
这套页面背后的核心是同一个：分析结果不是只给网页看，也可以给 API、分享页、后续 agent 工作流复用。
对一个 AI 产品来说，这一点很重要。
如果结果只是一段文本，它很难进入下游系统；如果结果是带来源、缺失项、置信度和结构化字段的 packet，它就能成为其他 agent 的输入。
06
第六步：边界要写进产品，而不是写在最后一行
官网底部写得很清楚：QVeris Earnings 是 research infrastructure，不输出 buy / sell / hold，不给 price targets，不构成 investment advice。
这不是一句装饰性的免责声明。
在产品结构里，我们也尽量让边界前置：
没有来源的数字不写成事实；
缺失能力要显示在 missing 里；
transcript 不可用时，不生成电话会分析；
conflicts 出现时，要降低 confidence；
输出定位是 research information，而不是投资建议。
分享页：把研究结果变成可传播但仍带来源和边界的页面
金融 AI 里最危险的不是“不会写”，而是“写得很像真的，但不可复核”。
所以我们宁愿让产品看起来克制一点，也不希望它用流畅文字把缺口盖过去。
07
如果你也要搭一个，最小可行结构可以这样做
不用一开始就做很复杂。
一个可用的财报助手，最小闭环可以是：
输入 ticker；
调用 QVeris earnings capabilities；
生成 source-cited earnings packet；
前端显示 summary、sources、missing、confidence；
对没有来源的数字直接拒绝展示；
给用户一个 share page 或 Markdown 导出。
等这个闭环跑通，再做 transcript、history、watch-next、MCP/agent 接入。
这也是我们这次搭建 Earnings Copilot 的经验：先把证据链打通，再谈更聪明的 AI。
08
结尾：财报助手的核心不是“更会总结”
做完这个项目后，我最大的感受是：
AI 在财报场景里的价值，不是把财报总结得更像人，而是把研究过程变得更可追溯。
一个真正能用的财报助手，应该能回答：
这个数字从哪来？
哪些材料没拿到？
哪些结论只是推断？
这次分析为什么是这个置信度？
如果我要把它接到自己的 agent 里，能不能拿到结构化 JSON？
QVeris Earnings Copilot 做的就是这件事：把一次美股财报事件，整理成可审计、可分享、可复用的 research packet。
网站：https://copilot.qveris.cloud/
开发者页：
https://copilot.qveris.cloud/developers/earnings
仅作研究信息整理与项目记录，不构成任何投资建议。
关于 QVeris AI
QVeris AI 聚焦于 Agent 时代的行动基础设施层，致力于构建 AI 可理解、可调用的"能力互联网"。
QVeris 当前定位：面向智能体的搜索和行动引擎，让智能体能够通过语义搜索发现并一键调用 10,000+ 真实且已验证的工具。
产品矩阵：
QVeris CLI — 终端中的万能 API 入口
QVeris MCP Server — IDE 智能体的工具网关
QVerisBot — 基于 OpenClaw 的生产级 AI 助手
QVeris REST API — 标准 HTTP 接口，适配任何语言和平台
官网：https://qveris.cn
GitHub：https://github.com/QVerisAI/QVerisAI
加入飞书群体验?
觉得有用？ 点个❤️在看，转给还不知道的朋友 关注「QVeris」，获取更多 AI 数据工具资讯
