AI 实战派，是盈米 AI 开放平台推出的访谈系列。我们邀请每一位一线 AI 实战者，分享他们对问题的定义、对事情的洞察和判断、任务拆解的过程，以及一路踩过的坑和取得的成果。
我们相信，理解 AI 最好的方式，不是反复谈论它“将要改变什么”，而是走进 AI 实战者的故事里，看他们如何从一个真实问题出发，去定义、去拆解、去构造。
也希望这些来自一线的故事，能为你带来一些灵感和启发，成为开启 AI 实战的一份路径参考。
本期分享者是盈米基金且慢投顾平台顾问——土豆。
（图｜土豆头像）
AI 实战派金句：
投资的核心，就是要有“有理有据”的数据，给投资者做出正确的判断提供支撑。
如果知道自己的短板在哪里，就可以让 AI 去学习，补上另一种视角。
AI 不应该替投资者作决定，而应该把数据和风险说清楚，让他知道自己为什么这样选。
投资者不应该抄我策略的作业，而应该抄我思考过程的作业。
——土豆 盈米基金且慢投顾平台顾问
「READING」
“这个策略能买吗？”
“已经亏了，我该继续拿着，还是卖掉止损？”
“最近又创新高了，现在是不是应该止盈跑路？”
这些是土豆在日常的投顾服务中经常面对的投资者问题。
面对这些提问，土豆需要把原始数据挖掘出来做分析，比如：
策略底层遵循什么样的资产配置逻辑？
历史上最大回撤是多少？
主理人管理后是否带来正向回报？
出现类似回撤后，通常多久修复？
如果投资者不巧买在高位，分别持有一年、两年、三年，历史上可能经历什么情况？
历史上当前的回撤，买卖的胜率如何？
只有先把这些问题说透了，投资者才能真正理解自己买了什么资产、接下来可能会经历什么情况，再结合自己的风险承受能力和资金安排，作出合理的投资判断。
过去，为了回答这类问题，土豆需要请同事帮忙导出数据、等待排期，再处理数据、制作图表。
等到几天后给出详细的回复，但与用户的最佳沟通时点可能已经错过。
如此一来，用户可能早就凭感觉和惯性操作，这样得到的收益结果往往不佳。
如今，她把这条服务链路用 AI 重构了一遍。
01
AI 不是替投资者做决定，
而是帮助他看懂投资
土豆希望通过投顾服务帮助投资者做好资产配置，减少“追涨杀跌”的投资行为，从而长期的在市场中“赚到该赚的钱”。
在她的逻辑框架里，投资者的投资收益可以拆成以下三个部分：
贝塔收益：来自市场与资产配置；
阿尔法收益：来自策略主理人的管理、调仓所创造的超额收益；
伽马收益：来自投资者自身的行为，是否能避免追涨杀跌、在更合适的位置作出投资决策。
在阿尔法收益交给主理人做好部署后，土豆会把大量的精力放在帮投资者赚到“贝塔收益”和“伽马收益”上，希望通过顾问的陪伴与服务，帮助投资者找到适合自己的资产配置方案，实现投资纪律，尽可能地创造长期、更多的账户收益。
在投资实战的场景中，土豆发现，投资者经常不知道自己该买什么，当行情上涨时，有人担心错过，想在高位追进去；当市场回撤时，又有人因为眼前的亏损慌张，想立刻卖出。
很多时候，投资者缺少的并不是更多的投资观点，而是一份来得足够及时、能够帮助自己判断的数据依据。
为此，土豆要做的，不是为投资者提供一个标准答案，而是更快地准备数据、呈现风险和机会，把辅助投资判断的关键依据迅速交到投资者的手中。
在方向想清楚后，她开始拆解工作流，并打造了11个Skill用来辅助顾问工作。
02
工作流怎么搭，
AI和人如何分工？
在土豆的实践中，一条完整的 AI 投顾服务工作流由以下四个部分组成：
WorkBuddy ：负责承接任务的工作入口
土豆会在 WorkBuddy 等 AI 工具中提出需求、组织任务、编写和运行 Skill。
从分析一个策略，到生成一组图表，再到监控关键指标，任务从这里开始。
（图｜土豆用WorkBuddy调用盈米MCP、Skill的工作界面）
顾问 Skill ：负责把个人的历史经验变成可复用的方法论
哪些数据有参考价值？先分析收益，还是先分析风险？面对亏损和创新高，应该从哪些角度指导投资操作？
土豆把自己多年积累的分析框架、业务经验和表达标准打造成包括AI策略分析、AI策略回撤等11个Skill，让 AI 不必每次从零摸索，而是迅速交付顾问需要的内容。以下是土豆给 AI 构建Skll时候的约束条件和交付标准。
（图｜土豆搭建策略分析Skill的逻辑框架）
盈米 MCP ：负责连接投顾场景所需的数据
有了方法论和经验，但如果没有准确、全面的数据，AI 仍然无法完成真实的服务任务。
土豆通过盈米 MCP 让 WorkBuddy 等AI工具能够获取策略、资产及市场研究所需的数据，为顾问的分析、回测和制图提供底座支持。
投资顾问：负责核实、判断并沟通具体的人
在AI 准备好数据图表和初步的分析结论后，土豆负责核实其内容的准确性、判断是否适用、完成合规审核、并结合投资者的风险承受能力、资金久期等真实诉求，最后发送给有对应需求的用户。
（图｜顾问的AI服务工作流）
通过这套人机协同的分工机制，土豆让AI不再是聊天工具，也不只是完成单个任务的提效，而是通过将数据、经验、工具和人进行有效的串联，让AI真正嵌入到投顾的服务工作流中。
03
生产一篇陪伴文章，
如何从一周缩短到一个下午
在今年7月上旬，土豆曾判断红利资产进入了一个值得关注和配置区间。她希望尽快把相关的数据材料整理出来，形成图表和文章，为投资者提供参考信息。
按照过去的流程，她需要向投研提需求、等待排期和交付，再自行加工数据、走合规流程、完成编辑，交付时间通常最快也需要三天。
这一次，她通过投研拉出原始数据后，立马在AI 工具中发起任务，让自己编写的 Skill 完成数据的加工和图表的生成。
从拿到原始数据，到完成加工、制图和内容合规审查，只用了一个下午的时间。第二天，这篇陪伴内容就发给了投资者。
（图｜土豆用Skill生产的红利资产分析图表）
从原来的3天，到现在一个下午，投顾真正节省的不只是工时。市场信息有时效性，更快地完成分析和测算，也就意味着顾问能在投资者真正需要的时候给出参考，而不是在情绪和行情都已变化后，再补上一份迟到的答案。
“在真实的投资服务场景中，好饭还是怕晚的。”土豆说。
04、
如何把每一次的投资者问答，
沉淀成可复用的 Skill
投资者在挑选策略时，往往容易只看收益，不一定了解底层资产、投资逻辑、风险表现、调仓行为，以及扣除相关费用后的实际表现。这是土豆对投资者行为背后的一大洞察。
基于这个洞察，土豆把自己多年的策略分析经验与投资者的一次次沟通经验，写成了“策略分析”Skill。运行这套技能时，土豆让 AI 通过盈米 MCP 来调取相关数据，主要围绕以下几个关键问题展开：
策略配置了什么资产，历史收益与风险特征如何；
历史最大回撤是多少，历次回撤后多久修复，“抄顶”后会怎么样；
滚动持有一年、两年或三年，历史正收益概率如何；
调仓频率以及是否有超额收益；
2倍信号定投的频次，以及是否创造了更好的回报；
扣除相关费用后，收益表现是否仍然符合预期，等等。
其中，土豆尤其重视“最坏的投资情况”，也就是历次最大回撤及修复时间、抄顶后结果。
她很少用“历史年化收益”和“近一年收益”去吸引用户，更愿意告诉用户，假设你买在了历史高位，最难熬的阶段可能持续多久？这样的波动，你真的承受得了吗？
（图｜假设用户在「之前的高点」买入后就开始回撤，持有不同时间的测算结果）
“我希望投资者在购买之前，就能做好最坏的打算。只有管理好预期，投资操作行为才能可控。”土豆说。
围绕更多真实的投资者投资问题，她又陆续写出了“亏损怎么办”“新高要不要卖”等投资者疑问较多的Skill。
当面对投资者账户产生的亏损，AI 会通过回撤分析Skill协助投顾梳理策略当前的回撤在历史中处于什么位置。
举个例子，如果眼下的 3%—4% 回撤，在极端情况下可能扩大到 20%，土豆就会及时提醒用户慎重考虑是否要换一个更符合自己实际风险承受能力的投资方案；如果配置的逻辑依然合理，海量历史数据也支持长期持有，她则把长期的历史数据摆出来，帮用户减少一点慌张,而更加理性。
当面对用户询问“创新高要不要卖”，土豆也不会给出统一答案。她的判断依据在于，一个长期配置策略如果在很长时间里经常创新高，那现在的新高本身未必构成卖出的理由；但如果长期数据呈现明显的暴涨暴跌，或当前的状态偏离原有的逻辑，则需要重新审视当下市场情况该策略是否还值得持有了。
（图｜面对用户对新高的困惑土豆制作的分析图表）
过去，给用户提供一次这样的分析可能涉及七八张表格或走势图，光是材料准备的过程就花了一个下午。
现在通过连接盈米MCP和设计Skill，通过 AI 只需要大概 5 分钟就能生成美观、专业的分析表格。在投资者提出问题后，土豆最快 10 分钟之内就能带着数据做详细的回应。
“原来我跟同路人说‘你等我去分析一下’，可能1-2天后才能回复。现在我说‘你等我去分析一下’，大约10 分钟后就可以把相对复杂的数据挖出来。”土豆说。
05
送 AI 去学习自己不擅长的事
土豆并不只把自己擅长的经验教给 AI，赋能AI。她也会先审视自己的短板，再让 AI 进行有针对性地补位。
她发现，在自己的投资习惯中会更习惯左侧交易——在下跌过程中提前判断机会。为了补充右侧交易的思考，她把自己之前读过的书《炒股的智慧》交给 AI 去进行阅读、提炼，让它形成相应的分析逻辑；为了补足择时和量价分析的能力，她又让 AI 学习《威科夫操盘法》。
这样，当土豆再次想按照左侧思路惯性作出判断时，AI 则会从右侧交易、择时和量价分析的角度提出反例和提醒，让她先停一下，重新审视自己的判断标准。
而这种AI补位的思路，也被她用进策略监控的工作流中。她通过且慢AI小顾的定时功能，自动观察低波动资产的回撤幅度，同时也会监控几位擅长 A 股策略、资产配置策略的主理人是否调仓、为什么调仓。而这些信息都会成为她对下一步策略部署的判断依据。
（图｜土豆用且慢AI小顾做自动化监控和提醒）
如此一来，投资者不必反复打开 App查阅数据，只有当出现值得关注的变化时，AI 再提醒投资者点击查阅即可。“就像一个小助理一样，关键时候告诉我就行，平常安心生活就好了。”土豆说。
土豆认为，“人”的历史经验是可以赋能AI的，让 AI 更懂业务；另一方面，人最稀缺的还是对自身局限的认知，当你认识到自己的短板在哪里，就可以通过AI 为人补充不同的视角，尽量补齐短板。
这样一来，AI 不只是执行人的原有思路，而且还能帮助人对抗自身的思维惯性，找到问题背后的本质。
06
踩过一些坑后，
她总结出一条可参考的实践路径
写了许多 Skill 之后，土豆总结出了以下经验：
第一，除了好用的AI工具，可靠的数据其实更重要。如果拿不到准确、及时的数据源，再好的提示词和 Skill 也只是泛泛而谈。盈米 MCP 的价值就在于能把 AI 与真实投顾服务所需要的数据连接起来。
第二，不能把 Skill 当成一段万能提示词。一个真正有效的 Skill，需要写清楚分析的框架、适用的条件和判断的标准，而且这不是一次性就能完成的工作，这需要业务人员在反复运行中不断进行校验和修正。
第三，历史数据不等同未来答案。AI 反馈的回测数据仅仅能够提供参考，不能代替人的判断。AI 生成的结果需要人来核实，要由顾问结合投资者的具体情况作出解释，并严格遵守合规边界。
第四，先定义好问题，再来调用 AI。土豆的许多实践都不是从“AI 能做什么”开始，而是从一个具体问题开始的——投资者为什么拿不住？投顾的回答如何才能更快更及时？自己有哪些思维惯性？
而这套方法也被她用到生活中。在去年成为妈妈后，土豆用 AI 做了一个“教育金储蓄计算器”，按孩子的年龄规划「投入期 → 取用期 → 开花结果期」，来测算复利增长与取用安排。
（图｜“教育金储蓄计算器”）
因为非常契合真实的生活场景，土豆同路人社区中发布孩子投资方案后，收获不少投资者的咨询，纷纷表示希望能直接“抄作业”，但土豆都会建议“你不应该抄我策略的作业，你应该抄我思考过程的作业。”
因为，工具可以复用，但真正值得我们复用的，其实还是定义问题和拆解任务的方法。（当然还需要足够的token）
如果你也想拥有同款金融专业级 AI 能力，
欢迎申请使用【盈米 MCP/Skills】，
开启你的 AI 实战之旅！
开启方式｜登录盈米 AI 开放平台官网 ：
ai.yingmi.com，即可免费开通。
扫描下方二维码加入官方社群，可获得产品使用交流与专业技术支持。
风险提示：
投资有风险，入市需谨慎。基金过往业绩并不预示其未来表现。文章中为说明mcp/skills功能的例子中所涉及的基金、投顾组合、投资策略、市场观点，仅作释义展示，不作为任何投资建议。文中测算仅作示例，不作为收益保证或者投资建议。所引用指数在特定期间的收益率表现不能代表基金现在或未来的收益表现。基金投资存在本金亏损风险，投资者应充分了解基金产品特性、自身风险承受能力，谨慎做出投资决策。
请投资者在购买前认真阅读基金的基金合同、招募说明书、产品资料概要等销售文件，基金管理人发布的公告及公开披露的其他信息。投资者需全面认识基金的风险收益特征，对基金招募说明书风险揭示章节中提示的投资风险有足够了解，根据自身的风险承受能力、投资期限和投资目标，做出独立的投资决策，并自行承担购买基金的投资风险和相关责任。
因现阶段科学技术的局限性和生成式人工智能的特殊性，我们不能保证本服务生成内容合规、准确和完整。由于AI技术存在固有的不确定性，系统无法保证定期任务（包括但不限于定期分析、定期提醒、定期报告生成等）在每个既定周期内均被准确、完整地触发和执行。投资者不应将定期任务的自动执行作为其投资决策、风险管理或合规义务履行的唯一依据，请投资者务必定期核对账户信息及相关任务执行结果。
热门跟贴