1. 先从痛点说起：一个人盯盘，到底输在哪里

我自己做投研也有几年了，一直有个很深的感受： 信息差不是靠勤奋能抹平的，因为人的注意力本身就是稀缺资源。 白天看盘、晚上读研报、凌晨还得盯美股和突发新闻，这种节奏撑不了几天人就废了。更要命的是，人的情绪会干扰判断——看到持仓跌了就想割，看到利好就想追，明明有一套交易逻辑，执行的时候却总是变形。

我试过用各种工具辅助：RSS订阅、财经新闻客户端、群聊里的自动推送、定时脚本拉数据……结果信息倒是全了，可 噪音也成倍放大 。每天打开电脑先花两小时筛信息、看消息、翻公告，等真正开始分析的时候，精力已经消耗一半。后来我意识到，问题不在于"有没有信息源"，而在于缺少一套能自动完成"采集-分类-分析-预警-归档"的流水线。

这就是我搭 WorkBuddy 投研团队的初衷。我想让AI替我做那些重复、机械、消耗注意力的工作——盯盘、刷公告、读财报、做舆情监控。它不睡觉、不发脾气、不会因为连续亏损就心态崩盘，能老老实实按照预设的角色分工，一天24小时连轴转。

这个思路的核心，是把"AI助手"升级为"AI团队"。不是只有一个聊天机器人陪聊，而是像真实投研部门一样，有研究员、有风控员、有舆情专员、有汇总写手，各司其职，互相配合。WorkBuddy 的角色配置和安全机制，刚好可以支撑这种组织化分工。

在往下讲具体搭建步骤之前，我先说明一下目标读者：如果你自己平时做股票、基金、加密资产的研究，每天花大量时间在信息收集上，或者你想把团队的投研流程智能化，这篇内容应该能给你一套可以直接抄作业的方案。 不需要你会写复杂程序 ，会基本的 YAML 配置、能理解"给AI安排任务+提供工具"这个逻辑，就足够了。

2. WorkBuddy 的底层机制，决定了"团队模式"能成立

很多人第一次接触 WorkBuddy，会把它当成普通的 AI 对话工具。它能写代码、能问答、能翻译，但这都只是表象。真正让它区别于普通聊天的，是三个核心概念： Agent（智能体）、Skill（技能包）、Workflow（工作流） 。

2.1 Agent、Skill、Workflow 的关系

打个比方。一个真实的投研部门里，Agent 就是一个个员工——有人专门看新闻，有人专门算财务指标，有人专门写总结。Skill 是员工的"专业执照"，定义了这个员工能调用哪些工具、按照什么方法去执行任务。Workflow 则是部门的管理制度，规定谁先干、谁后干、结果交给谁。

WorkBuddy 里的 Agent 不是死的，它可以在一个会话里完成"理解任务→调用工具→输出结果"的完整循环。每个 Agent 启动时可以附带系统提示词，这个提示词相当于这个员工的"岗位说明书"，决定了它的言行举止、分析框架、输出格式。

Skill 就更灵活了。你可以把一大段复杂的分析逻辑打包成一个 Skill，像装了一个插件一样，Agent 需要时直接调用。比如我把"财报异常指标筛查"、"公告关键信息抽取"、"短线情绪温度计"都做成了独立的 Skill，哪个环节需要，就让对应的 Agent 去加载。

2.2 WorkBuddy 的"记忆"机制，是团队协力的基础

投研不是一次性问答，而是持续追踪。今天看好一只票，明天要跟进它的新公告、新财报。如果每天从零开始问AI，效率太低了。WorkBuddy 的会话记忆和知识库功能解决的就是这个问题。

我在配置里单独挂了一个"投研仓库"，把关注列表、行业笔记、历史交易复盘都放进去。Agent 每次分析之前，可以先去仓库里查一下历史观点，对比当前信息和之前假设的差异。这样它得出的结论就有连续性，不会出现昨天说看好、今天看到一条普通新闻就翻脸的情况。

另外 WorkBuddy 支持给不同 Agent 分配不同的数据源访问权限。执行层的 Agent 能读到的数据范围可以收窄，比如舆情专员只读新闻源，财务分析师只读财报数据库，汇总写手可以看全部。这种权限隔离虽然会带来一点配置成本，但能让每个角色保持"专业专注"，减少互相干扰。搭建团队级应用时，这一点我建议务必做。

2.3 需要注意的边界：这一步决定了稳定性

WorkBuddy 确实强大，但它不是本地独立软件，很多模型能力依赖于底层 API 的调用。我在实际使用中踩过一个坑：某个 Agent 的任务时间设置太短，但调用的模型推理速度慢，结果任务超时，整条工作流中间断掉了。 配置超时时间和任务轮询机制，是整个系统稳定性的关键 ，我在后面的章节会讲具体怎么调。

3. 搭一个投研团队，先从组织架构开始设计

很多人的误区是：装好 WorkBuddy，打开对话框，直接问"今天有什么机会"——这种用法跑几天就会发现结果很鸡肋。因为AI缺少上下文、缺少边界、缺少明确的任务分工，给出的答案大概率是东拼西凑的泛泛之谈。

正确的做法，是先像开公司一样，把你需要的能力拆成一个一个岗位，再为每个岗位配置一个 Agent。

3.1 五条战线：我设计的投研团队岗位

我根据自己的实际需求，把投研团队拆成了五个角色。你也可以根据自己关注的市场调整，但大体框架是通用的。

角色	核心职责	数据来源	产出形式
行情守卫	盯盘、价格异常监控、成交量变化追踪	行情API、交易所公开数据	定时播报、异动提醒
公告捕手	刷上市公司公告、监管文件、重大合同	巨潮、交易所披露平台	关键信息摘要
舆情雷达	监控新闻、社媒、行业讨论的情绪变化	新闻源、社交平台搜索、行业论坛	情绪指数、热点事件提醒
研报萃取师	深度分析财报、研报、行业数据	财报PDF、研报平台	投资逻辑梳理、财务指标体检
决策辅助	汇总前面所有角色的输出，形成综合判断	团队内部备忘录、知识库	复盘报告、风险提示、操作建议清单

看到这个表格你可能已经发现了，前四个角色分别在四个不同方向收集信息，最后一个角色负责汇总决策——这就完成了一个"采集≠决策"的分离。 AI 负责客观收集，人负责最终拍板 ，这个边界特别重要，能让整个系统帮你而不是替你做决定。

3.2 设计岗位时，要问自己的三个问题

别急着动手配置，先想清楚这几个问题，能帮你省下之后两个星期的返工时间。

第一， 什么信息是你真正需要的？ 比如说我要交易成长股，那我关注的重点是行业景气度、订单公告、产能进展；如果你是做价值投资的，市盈率、分红率、财务报表里的现金流细节就更重要。信息源和 Agent 的提示词，都要围绕这个核心需求展开。

第二， 每个角色多久汇报一次？ 高频信息（行情溢价、突发利好利空）需要分钟级监控，低频信息（财报季、公告期）按天甚至按周汇总就行。WorkBuddy 的定时任务支持不同的调度周期，这个要在设计工作流时提前想好，不然天天轰炸你手机，一天都受不了。

第三， 角色的输出最终给谁看？ 有的输出是给你自己复盘用的长报告，有的是一句话预警推送，有的是放进知识库作为历史记录。输出格式和长度直接决定提示词怎么写、后续流程怎么处理。

3.3 先小后大：我的第一版只跑了两个角色

不建议一上来就五路并发。WorkBuddy 的工作流是有依赖关系的，角色一多，任何一环出问题都会连锁反应。我的第一版只配了两个角色：公告捕手和决策辅助。跑通流程、确认输出质量后再逐步加人。你可以把这当成投研团队的"试运行期"，重点观察：AI 的输出是否稳定、定时任务是否准时、有没有误报漏报。

试运行期大概花了我两天时间，调整了三四版提示词，才把公告摘要的准确率从"能用"提升到"基本不用人工改"。这个迭代速度，比起人工盯盘来说还是快得多。

4. 核心玩法：给每个角色写一份"上岗说明书"

可能你已经发现，投研团队能不能干出活来，和模型本身的关系远没有你想象的大，真正关键的是 你怎么给角色写指令 。

4.1 指令写的越具体，角色越专业

我给你看一下我的"公告捕手"角色的系统提示词，已经调过很多版了：

你是一名专业金融公告分析师。你的工作是从上市公司公告中发现真实信号。

每次任务执行时：
1. 获取最新公告列表，筛出与你"关注列表"有关的公司。
2. 对每一条相关公告，按以下权重排序：
   - 重大合同（权重最高，股价影响大）
   - 股权变动、增减持
   - 重大资产重组
   - 业绩预告/修正
   - 日常经营公告（权重最低）
3. 用不超过100字概括每条公告的核心事实，必须包含：公司名、事件类型、数据或金额、时间节点。
4. 对利好/利空做出初步判断（仅为事实层面的方向判断，不构成投资建议）。
5. 将摘要写入投研知识库，标签格式为：[[公司名/日期/公告类型]]
6. 如果出现"业绩预亏50%以上""大股东清仓式减持""重组失败"等极端情况，立即触发高度预警标签。

看到了吧，后面几条全是可执行的判断规则。我没有说"认真分析公告"，而是给了它一个决策树—— 什么公告权重高、摘要包含哪些要素、极端情况如何标记 。AI 产业的人常说一句话：垃圾进，垃圾出。提示词也是一样，你写得模糊，得到的必然是模糊的产出。

4.2 Skill 打包：把重复的分析逻辑沉淀下来

如果说系统提示词是岗位说明书，那 Skill 就是岗位的"工具箱"。WorkBuddy 里可以把一组特定的分析流程打包成一个 Skill，让不同 Agent 反复调用。

以我做的"财务体检"Skill 为例，它封装了这样一套逻辑：

财务体检 Skill v2.0
输入：公司股票代码
执行步骤：
1. 拉取最近8个季度的营收、净利润、毛利率、经营活动现金流。
2. 计算同比环比增速是否稳定，识别是否存在"季报突变"。
3. 检查应收账款增速 / 营收增速的比值，大于1.5视为异常。
4. 检查负债率趋势，连续三个季度上升且超过70%，触发预警。
5. 输出结论到指定报告模板，附上关键比值数据和结论解释。

这个 Skill 的好处是，一旦写好，任何 Agent 在任何时候都可以调用，不需要重复把整段逻辑写在提示词里。而且 Skill 可以不断迭代——跑完财报季发现某一项指标不适用了，改一处，所有调用它的角色就都跟着升级了。

4.3 角色之间要有"交接规范"

团队协作最重要的就是交接。WorkBuddy 里，前一个 Agent 的输出可以作为后一个 Agent 的输入，但这里有个小问题： 文本格式如果不对，后面环节就分析不了 。

我给每个 Agent 都规定了严格输出格式。比如舆情雷达的输出固定是 JSON 格式：

{
  "date": "2025-01-15",
  "hot_events": [
    {"title": "某公司发布重大合同公告", "source": "东方财富", "sentiment": "positive", "hot_level": 0.87}
  ],
  "risk_alert": null,
  "summary": "整体情绪偏暖，新能源相关热度显著上升"
}

决策辅助 Agent 每次执行时先解析这个 JSON，再做下一步判断。如果格式乱了，它可以直接发一条"舆情数据格式异常"的通知，而不是继续在乱数据上硬分析。

4.4 一个小技巧：让 AI 角色之间"互相点评"

这是我自己加的一个环节，效果还不错。在每周的例行工作流里，我会让舆情雷达随机抽取两条研报萃取师产出的投资逻辑，做一次"反向验证"——拿最新的信息去对照之前逻辑是否成立。这样做的好处是， 角色之间形成了一种相互质检的机制 ，任何一方犯了错，另一方可能会及时发现。就像公司里的同事互相peer review，比老板一个人盯质量靠谱多了。

5. 让团队7×24小时运转的守夜机制

岗位设好了，提示词写好了，接下来最核心的问题： 怎么让这套系统真正跑起来，而不是需要你手动点按钮？

5.1 定时任务：给每个角色排值班表

WorkBuddy 的编排系统支持定时触发任务，我目前这么安排的：

时间段	值班角色	任务
全天每5分钟	行情守卫	核心持仓价格、成交量异动检测
9:00/13:00/21:00	公告捕手	抓取午间、收盘后、晚间公告
每2小时	舆情雷达	全网热点扫描、情绪分析
夜间2:00	研报萃取师	批量分析美股财报、更新投研数据库
工作日8:30	决策辅助	生成当日盘前简报
周五收盘后	决策辅助	生成周度复盘报告

这个排班表是根据A股、美股的交易时段错开的。 A股午间休盘时安排信息汇总，美股交易时段是我们的深夜，就让行情守卫和舆情雷达继续盯。 这就是 7×24 小时的核心逻辑——不追求每个时段都有所有角色在跑，而是确保任何时段都有一个或几个角色在值班，信息流不断线。

5.2 任务失败自动重试：稳定性是第一生命线

这是我觉得 WorkBuddy 做得比较踏实的地方，它支持给每个任务配置失败重试策略。如果你只是默认跑一次，那遇到某个 API 偶尔抖动、某个数据源短暂超时，整个任务链就断了，后果是后续角色拿不到输入。

我的配置是：

• 请求超时时间设置为 120 秒；
• 任务失败后等待 30 秒自动重试，最多重试三次；
• 三次仍失败的，立即发送一条"任务异常"通知到手机端，而不是静默丢任务。

这个配置帮我避免了很多次半夜爬起来看数据的尴尬。 有一次某数据源宕机了 15 分钟，系统自动重试了三次之后，终于在下一次抓取时恢复了正常，全程我都没介入。

5.3 工作流里为什么要加"检查点"

我设计的每个工作流，在关键环节之间都插了一个"检查点"——简单说，就是让一个中立角色对上一个角色的输出做一次快速确认。比如公告捕手抓取完一批公告后，决策辅助会先核对数量，如果发现数量异常偏少（可能漏抓了），就直接触发告警，而不是傻乎乎地把空数据往下传。

检查点本质上是 用一点点计算开销，换取整条流水线的可靠性 。在投研场景里，一次漏报的重大风险，代价远超多花的那几秒钟计算时间。

5.4 前端操作界面的小细节

如果你和我一样，习惯时不时打开 WorkBuddy 的界面看一眼团队状态，建议把所有 Agent 的日志开关打开。这样你能清楚地看到每个角色当前在做什么、上一次执行的结果如何、有没有异常告警。这种可视化管理，能让"7×24小时待命"不只是一个心虚的承诺，而是随时可以追溯、可以审查的真实运行状态。

6. 把团队接到你的"情报网络"：模型、数据和协作工具

角色内部已经能跑了，但投研团队要真正发挥价值，还必须和外部世界连接起来。WorkBuddy 在这一层提供了不少可能性。

6.1 接入不同模型：让便宜的和聪明的各司其职

大模型的成本差异很大。如果你让所有 Agent 都用最强的推理模型，一个月跑下来成本会很难看。我目前的分工是这样的：

• 高频、简单的任务 （公告列表筛选、新闻抓取、格式转换）用轻量模型，便宜、响应快；
• 深度分析、复杂推理 （财报趋势判断、投资逻辑生成）用更强更贵的模型，推理质量确实更高；
• 风险判断类任务 用中等模型，兼顾成本和稳定性，因为这类任务不能太蠢也不能太慢。

WorkBuddy 支持在不同的 Agent 上分别设定模型，这点非常实用。我记得它甚至可以接入第三方的本地部署模型，比如通过 API 跑 DeepSeek 之类的大模型，网上有现成的接入教程。如果你对数据隐私要求高，还可以在本地把模型跑起来，完全断网使用，适合那些不想把财务数据上传到云端的人。

6.2 知识库联动：把团队的记忆结构化

之前我提到把自己的投研笔记放进了 WorkBuddy 的知识库。实际操作上，我建议你用支持双向链接的笔记工具（比如 Obsidian）来管理这个知识库。WorkBuddy 可以直接读取 Obsidian 的文件夹，也可以把生成的内容写回去。

我现在的习惯是：每个交易日结束后，决策辅助 Agent 自动生成一份"当日复盘"Markdown 文件，写入 Obsidian 的投研目录。日积月累，这些文件就成了我自己的可检索投研档案。要回溯某天某个判断是怎么做出来的，直接搜索标签就行，比翻聊天记录高效太多了。

6.3 API 扩展：遇到 WorkBuddy 盖不到的地方，自己补

WorkBuddy 的 Skill 体系和内置能力覆盖了大部分常见需求，但投研总有一些高度个性化的场景。比如我这边有一个需求——跟踪某家公司的专利公开情况，判断它的技术路线布局。这个需求 WorkBuddy 默认覆盖不了，但好在我可以通过它的 API 接口自己扩展。

基本思路是：写一个常见的小脚本去目标专利数据库查询，拿到最新公开的专利摘要，然后用 HTTP 请求把结果推给 WorkBuddy 的一个专门 Agent 做语义分析，判断这些专利主要分布在哪些技术方向、和公司的历史技术积累是否一脉相承、有没有明显的护城河信号。这相当于 给团队增加了一个"专利侦察员"角色 ，而核心工作只是在 WorkBuddy 的 API 上做一层简单的数据适配。

如果你懂一点 Python，这个扩展方式不算难。如果不懂代码，也可以先用现成的 SkillHub 上的技能包，那上面有不少社区用户分享的现成工具，金融领域的也有不少，直接装上就能用。

6.4 Linux 服务器上部署：团队住进"永不关机"的家

WorkBuddy 支持在 Linux/Ubuntu 服务器上部署。我强烈建议你把团队放在一台长期运行的服务器上，而不是本地电脑。原因很简单：本地电脑一合盖、一断网、一关机，你的 7×24 小时团队就"下班"了。服务器则没有这个问题。

我在 Ubuntu 服务器上的安装流程大概可以概括为：先装好运行时环境，然后从官方渠道拉取安装包，按文档完成初始化，配置好 API 密钥，再启动服务。整个过程其实比想象中顺利。真正花时间的反而是后续的 Agent 配置和数据源调试。部署完成后，你就可以把本地客户端当作一个遥控器来用，真正的思考和工作都在服务器端完成，随时待命。

需要提醒一句：如果你是技术小白，不想折腾服务器，短期之内用云服务器或者一直开着的旧电脑都可以，但要把"长期在线"当成硬性要求。否则，守夜机制就没有意义了。

7. 实盘跑半个月后，我踩过的几个坑

最后这部分，分享一下我这套 AI 投研团队实际运行半个月后遇到的问题。提前知道这些坑，能让你少走不少弯路。

7.1 提示词里的"投资建议"陷阱

AI 在生成内容时，很容易越界，从"客观描述事实"滑向"主动推荐买卖"。刚配置好的时候，决策辅助 Agent 的输出里频繁出现"建议买入""建议加仓"这类表述。

我后来在提示词里加了硬性约束：

您的职责是提供投资逻辑和风险提示，而不是给出买卖指令。输出内容中禁止出现"建议买入""建议卖出""强烈推荐"等主观建议表述。您只分析：催化因素、风险点、关键跟踪指标。最终决策权在人类用户手中。

加了这段之后，输出的专业感明显上升。 AI 的角色定位必须是"情报参谋"，而不是"决策司令"。 这不仅是合规需求，更是在保护你自己——防止AI在一堆噪音里给你洗脑，造成过度自信。

7.2 上下文长度是隐形天花板

投研分析往往要引用大量历史信息，长周期任务跑起来，窗口长度很容易被撑爆。我遇到过一次，研报萃取师分析一份 150 页的年报时直接报错，原因是超出了模型的上下文限制。

我的应对办法有三招：

• 拆分输入：严格控制单次喂给 Agent 的文本量，超长文档先做分段摘要，再合并分析；
• 设计好 Summarization 节点：在长文档流程中插入一个"摘要先行"环节，把原始文本压缩成结构化要点再进入主分析；
• 定期清理知识库：自动归档过期数据，避免知识库无限膨胀影响检索效率。

7.3 API 的成本失控

有次我调高了行情守卫的轮询频率，从10分钟一次改成2分钟一次，结果月度 API 费用直接翻了三倍。 监控频率和成本之间不是线性关系，而是倍数关系。 后来我把高频任务全部切换到便宜模型，把昂贵的深度分析任务严格限制在每日几次内，成本才回到可控范围。

给你一个参考经验： 先按保守频率跑三天，看实际费用，再按需慢慢加 。别一上来就全火力输出，账单会很感人。

7.4 双人复核机制防"幻觉数据"

AI 的幻觉问题在投研场景是致命的。有一次舆情雷达把一条三个月前的旧新闻当成当日热点推送给我，差点误导我做出错误的短线判断。

后来我给抓取类任务都加了一个"双人复核"规则： 任何来源为网络的信息，必须同时匹配到至少两个独立信息源，才能标记为"可确认"；只有一个来源的信息，标记为"待验证"并在摘要里显著提示。 这个机制极大降低了单一信息源出错的概率。

8. 我的运营节奏：一个普通工作日的 AI 投研实录

光讲配置逻辑可能有点抽象，我拿一个普通交易日实际运行的节奏给你展示一下，可能会更直观。

早上 7:50 左右，我还没起床，WorkBuddy 的决策辅助 Agent 已经把当日盘前简报通过手机推送过来了。内容包含隔夜美股走势、亚太市场概况、今天值得关注的公告和事件、以及"风险预警"清单。

到了 9:30 开盘后，行情守卫进入高频轮询模式。 它会自动对比当时的价格与过去 20 日均线 ，如果偏离超过 5% 就推送提醒。盘中某一个持仓突然放量拉升，不到 20 秒，我的手机就收到了异常波动提醒，附带了近一周的成交量对比数据。

中午休盘时段，舆情雷达会汇总上午的网络热度，看看市场在讨论什么新概念、哪些板块情绪在发酵，生成一份午间情绪快报。

收盘以后，公告捕手集中处理当天所有公告，做关键信息摘要。研报萃取师则开始分析晚间美股将要发布财报的公司。

晚上 9 点左右，我打开 Obsidian，看到决策辅助已经自动生成了一份"当日复盘草稿"。 草稿里不仅有今天发生了什么，还有每个事件的逻辑链和与历史观点的对照。 我只需要在此基础上做删改和补充，就完成了一份合格的复盘日记。

整个过程中，我实际花在"主动查看信息"上的时间，每天加一起不到 30 分钟。剩下的时间，我只是被动接收真正值得关注的信号。

根据我个人这次的实战体会，有几点非常关键的建议：

先沉淀自己的投研框架再让AI跑。 如果你自己都不清楚需要关注什么信息，AI给你的大概率是"看了好像有道理、但不知道怎么用"的内容。先把目标、策略、关注指标写清楚，再翻译成提示词。

配置完成后至少人工盯一周。 不要第一天跑顺就直接撒手。看它的输出是否存在幻觉数据、是否漏报信息、预警是否太频繁。这个"调教期"是必须付出的成本，但回报很快。

把命令行、后台日志当成仪表盘。 养成每周看一下任务成功率、重试次数、失败通知的习惯。这些元数据能让你在问题变大之前提前发现异常。

用 WorkBuddy 搭 AI 投研团队这件事，本质上不是搞一套黑科技，而是把"纪律性、流程性、自动化"引入到你的决策辅助工作中。它能做到 7×24 小时待命不假，但真正让这套系统发挥价值的，是你对投研本身的理解深度。工具负责效率和广度，你负责方向和判断——这个组合，才是目前对我来说最舒服的协作方式。