#第零阶段：AI 协作能力建设（2-3 周，与第一阶段并行启动）

核心原则：2026 年个人投资者的竞争力，不在于"自己能分析多少"，而在于"能否用好 AI、能否识别 AI 的错、能否做最终判断"。没这个能力，不该启动定投。

本阶段目标：建立清晰的人机分工边界、掌握结构化提示词、能识别 LLM 幻觉、保护个人隐私。

建议周投入：4-6 小时 总投入：8-12 小时（2-3 周完成）

#学习目标

完成本阶段后，你应该能够：

1. 用三句话说清楚"哪些事委托给 AI、哪些事保留给自己、哪些事绝不交给 AI"
2. 建立个人 AI 提示词库，至少 10 条经验证的提示词
3. 能在 3 分钟内识别出 LLM 回答中的至少 1 处幻觉
4. 建立个人数据验证 SOP（标准操作流程）
5. 配置个人 AI 协作工具栈（至少 1 个 LLM + 1 个数据源 + 1 个笔记工具）

#模块一：AI 协作心智模型

#1.1 人机分工的底层框架

#1.2 三条铁律

1. AI 建议不盲从：任何 LLM 给出的标的判断、估值数字、政策解读都需独立验证
2. 不让 LLM 直接下单：LLM 可作为分析助手，但交易决策权必须是人类
3. 不向公共 LLM 泄露隐私：持仓详情、账户信息、身份证号不进公共 LLM

#1.3 心智模型自检

能否用三句话说清楚以下问题：

• 第一句：我把什么工作委托给 AI？（具体到任务类型）
• 第二句：我把什么决策保留给自己？（具体到决策类型）
• 第三句：我绝不把什么交给 AI？（具体到红线）

示例答案：

我把政策原文摘要、行业研报整理、估值数据汇总委托给 AI。 我把仓位比例、止盈时机、标的选择保留给自己。 我绝不把下单操作、持仓详情、账户密码交给 AI。

#模块二：提示词工程基础

#2.1 结构化提问模板（政策解读）

角色：你是一位政策分析师
任务：解读以下政策文件
输入：[政策原文/链接]
输出格式：
  1. 方向性 vs 落地性判断
  2. 直接受益方/间接受益方/受损方
  3. 受益行业的当前估值分位（需说明数据时点）
  4. 可量化考核指标
  5. 已存在的可投指数/基金
  6. 历史相似政策兑现节奏
约束：如不确定，明确说"不知道"，不要编造

#2.2 结构化提问模板（行业分析）

角色：你是一位行业研究员
任务：分析[行业名称]的投资逻辑
输出格式：
  1. 行业生命周期阶段（含判断依据）
  2. 市场规模与渗透率（含数据来源）
  3. 竞争格局（CR3/CR5 + 壁垒）
  4. 产业链上下游
  5. 跟踪指标清单（3-5 个领先指标）
  6. 当前估值分位与历史对比
约束：所有数字标注数据时点与来源

#2.3 结构化提问模板（财报拆解）

财报三大表完整解读详见 /04-终点段/01-基金标的研究/06-财报三大表完整解读，财报排雷具体方法详见 /04-终点段/01-基金标的研究/07-财报排雷具体方法。

角色：你是一位财报分析师
任务：拆解[公司名称]最近一期财报
输入：[财报链接/原文]
输出格式：
  1. 营收/利润/现金流三年趋势
  2. 毛利率/净利率/ROE 变化
  3. 应收账款/存货异常识别
  4. 关联交易占比
  5. 现金流与利润匹配度
  6. 红旗清单（按严重程度排序）
约束：所有数字标注财报页码；不确定的标"待核验"

#2.4 提示词库构建要求

阶段要求：建立自己的"AI 提示词库"，至少 10 条经验证的提示词。

每条提示词包含以下要素：

• 任务类型（政策解读/行业分析/财报拆解/估值对比等）
• 输入要求（需要提供什么材料）
• 输出格式（结构化模板）
• 验证方式（如何核验 LLM 输出）
• 已知陷阱（该提示词容易出现的幻觉类型）

#模块三：幻觉识别与数据验证

#3.1 LLM 在投资领域的常见幻觉类型

#3.2 数据验证的"双源原则"

• LLM 给出的任何具体数字，必须回原始数据源二次核验
• 政策类：国务院政策文件库原文
• 估值类：理杏仁/集思录/天天基金
• 财报类：巨潮资讯网原始公告
• 宏观类：国家统计局原始数据

#3.3 幻觉识别训练

训练方法：故意让 LLM 回答一个你熟知的问题，识别其幻觉。

示例：

• 问 LLM："请说明 2015 年大牛市的起止日期、最高点、最低点。"
• 你已知答案：2015 年 6 月 12 日 5178 点为最高点，6 月 15 日开始暴跌，8 月 26 日跌至 2850 点
• 检查 LLM 回答的日期、点位是否准确
• 若有错误，记录错误类型（时间错位/数字虚构/因果强加）

训练目标：能在 3 分钟内识别出 LLM 回答中的至少 1 处幻觉。

#3.4 数据验证 SOP

步骤 1：识别 LLM 输出中的"具体数字"（日期、金额、比例、分位数） 步骤 2：对每个数字标注其声称的来源 步骤 3：回原始数据源二次核验 步骤 4：记录差异，标注"✅ 一致 / ⚠️ 有差异 / ❌ 完全错误" 步骤 5：基于验证后的数字重新判断结论是否成立

#模块四：人机分工框架

#4.1 "三段式"人机协作流程

阶段 1：AI 初稿
├─ LLM 生成结构化分析初稿
├─ 输出包含数据、结论、建议
└─ 注意：所有内容视为"草稿"，未经验证

阶段 2：人类验证
├─ 核对关键数字（回原始数据源）
├─ 识别幻觉（政策编造/估值虚构/因果强加）
├─ 补充本地知识（个人能力圈、家庭情况）
└─ 输出：验证后的信息清单

阶段 3：人类决策
├─ 基于验证后的信息做最终判断
├─ 决策维度：仓位比例、止盈时机、标的选择
└─ 决策权 100% 在人类，AI 不参与最终决策

#4.2 不该委托 AI 的事

• 仓位比例决策（涉及个人风险承受力）
• 止盈/止损时机（涉及个人财务规划）
• 标的更换（涉及能力圈判断）
• 家庭沟通内容（涉及情感与关系）

#4.3 AI 协作的"五不一必须"

五不：

1. 不让 LLM 直接下单
2. 不让 LLM 接 API 直连账户
3. 不向公共 LLM 输入隐私
4. 不盲从 LLM 的"确定性"判断
5. 不在回撤时让 LLM 给实时建议

一必须：

1. 必须对 LLM 给出的每个具体数字做二次核验

#模块五：隐私与安全

#5.1 绝不向公共 LLM 输入的内容

• 身份证号、银行卡号、账户密码
• 真实持仓详情与金额
• 家庭成员信息
• 工作单位与收入详情

#5.2 可用本地 LLM 处理的隐私内容

• 持仓复盘（用本地模型，如 Ollama+Llama）
• 个人财务规划
• 家庭沟通演练

#5.3 本地 LLM 配置建议

入门方案：LM Studio + 开源模型（如 Qwen 2.5 7B）

• 优点：图形界面、安装简单
• 缺点：性能依赖本地硬件

进阶方案：Ollama + Llama 3.1/Qwen 2.5

• 优点：命令行灵活、可脚本化
• 缺点：需要一定技术基础

隐私数据处理流程：

1. 持仓详情、账户信息用本地 LLM 处理
2. 处理前用脱敏脚本去除身份证号、银行卡号
3. 处理后清空对话记录
4. 不将本地处理结果上传至公共 LLM

#模块六：时间预算与完成标准

#6.1 周度推进计划

• 第 1 周：建立 AI 协作心智模型 + 配置工具栈（公共 LLM + 本地 LLM + 笔记工具）+ 阅读《投资第1课》相关章节（本地化笔记见 /02-起点段/05-投资书籍参考/01-投资第1课）
• 第 2 周：完成 5 条提示词的编写与验证 + 完成 1 次幻觉识别训练 + 建立数据验证 SOP
• 第 3 周：补齐提示词库至 10 条 + 完成 3 个 LLM 出错实例的案例集 + 总验收

#6.2 月度产出物

• 1 份个人 AI 提示词库（至少 10 条经验证提示词）
• 1 份幻觉识别案例集（至少 3 个 LLM 出错的实例）
• 1 份个人数据验证 SOP

#6.3 阶段交付物

• 能用一条结构化提示词让 LLM 输出符合"政策六问"模板的分析
• 能识别 LLM 在某个政策细节上的幻觉并改正
• 建立个人 AI 协作工具栈（至少 1 个 LLM + 1 个数据源 + 1 个笔记工具）

#6.4 阶段自检

能否用三句话说清楚"哪些事委托给 AI、哪些事保留给自己、哪些事绝不交给 AI"。

#模块七：常见问题与陷阱

#Q1：用 Claude 还是 ChatGPT 还是国产模型？

A：建议组合使用：

• 政策解读/中文场景：Claude、Kimi、DeepSeek、通义
• 英文资料/海外财报：Claude、ChatGPT
• 实时搜索：Perplexity、Genspark
• 隐私内容：本地 LLM（Ollama+Llama/Qwen）

不要只用一个模型，不同模型擅长领域不同，交叉验证能降低幻觉风险。

#Q2：LLM 给出的 PE 分位可以直接用吗？

A：不可以。LLM 训练数据有时滞，且容易编造看似精确的数字。所有 PE 分位必须回理杏仁/集思录核验，并标注数据时点（PE/PB 等估值指标定义详见 /04-终点段/01-基金标的研究/01-估值指标公式与计算，分位计算方法详见 /04-终点段/01-基金标的研究/02-估值分位计算方法）。

#Q3：可以用 LLM 自动执行定投吗？

A：绝对不行。LLM 可作为分析助手，但下单权必须是人类。让 LLM 接 API 直连交易账户是红线，原因：

1. LLM 输出有幻觉，可能误下单
2. 自动化执行绕过了人类的最终判断
3. 异常市场环境下 LLM 决策可能失控

#Q4：本地 LLM 配置需要什么硬件？

A：

• 7B 参数模型：8GB 显存或 16GB 内存可运行
• 13B 参数模型：建议 16GB 显存或 32GB 内存
• 若无独立显卡，可用 CPU 推理（速度较慢）

#Q5：如何让 LLM 更诚实地说"不知道"？

A：在提示词中加入以下约束：

• "如不确定，明确说'不知道'，不要编造"
• "对每个具体数字标注数据时点与来源"
• "不确定的结论标注'待核验'"
• "对政策原文引用，必须提供原文链接"

#本阶段作业

#作业 1：AI 协作心智模型自述

用三段话写清楚你的"三件事"分工：委托给 AI 什么、保留给自己什么、绝不交给 AI 什么。每段话至少包含 3 个具体例子。

#作业 2：提示词库初稿

编写 5 条结构化提示词，覆盖以下任务类型：

1. 政策解读（使用"政策六问"模板）
2. 行业分析（使用生命周期+竞争格局模板）
3. 财报拆解（含红旗清单）
4. 估值对比（多只同类基金对比）
5. 自由命题（你常用的某类分析）

每条提示词需附：①实际使用案例 ②LLM 输出摘录 ③你的验证结果

#作业 3：幻觉识别案例集

记录 3 个 LLM 出错的实例，每个案例包含：

1. 提问内容
2. LLM 回答（原文摘录）
3. 错误类型（政策编造/估值虚构/历史错位/因果强加/概念混淆）
4. 你如何识别出错误
5. 正确答案与来源

#作业 4：数据验证 SOP

编写个人数据验证 SOP，包含：

1. 哪些数字必须验证（类型清单）
2. 各类数字的原始数据源（具体网站/工具）
3. 验证步骤（从 LLM 输出到最终判断的完整流程）
4. 验证记录模板（表格格式）

#下一阶段衔接

完成本阶段后，进入第二阶段：政策解读能力。本阶段建立的提示词库与幻觉识别能力，将直接用于政策六问的拆解工作。

详见 01-政策解读能力.md。

配套文档

• 路线图——本课程的学习路径总览
• 个人投资者借鉴分析——借鉴对象与方法论