<mark id="oztn4"></mark>
0
在OpenClaw火熱到頻頻登上頭條的那幾天，有分析師在行業群里沮喪發言，“正在拼命學OpenClaw的投研應用……感覺自己快要失業了。”
近期流傳甚廣的Anthropic報告也顯示，“商業與金融”是AI理論可覆蓋率和實際滲透率都較高的領域，財務和投資分析師的實際暴露度已達57.2%。
但在這樣一個容易被AI滲透的領域，進門CEO程建輝告訴我們：
現實市場并非100%有效，會存在信息孤島、小樣本信息，也會存在傳播延遲和解讀效率的問題。AI無法吃掉所有信息，也不可能完全捕捉市場的 “漏洞和機會”。但這正是人的機會，分析師的機會。
主攻AI投研的進門（深圳進門財經科技股份有限公司），成立于2013年，目前已累計服務超過3100家上市公司、74家券商研究所及300多萬專業投資者。2023年獲得騰訊戰投后，全面升級為「機構AI投研工作臺」。
2025年至今，進門超級投研智能體“AI進寶”，已從AI投研助手，進化為能“干活”的AI數字研究員。通過12個Agent、投研大腦和近期上線的投研龍蝦，幫助用戶處理投研場景的高頻任務，并不斷捕捉投資信號。
“沒想到大家的熱情這么高。” 程建輝聲音沙啞地說道。自從“進門投研龍蝦”上線，他就穿梭在各場路演中，他感受到，券商分析師、投資者們對于AI能真正“干活”這件事，充滿了前所未有的好奇與期待。
在AI投研這件事上，進門的商業邏輯比較“特別”——以溝通為基礎，試圖構建上市公司、券商研究所、專業投資者三大群體的閉環生態，做深專業智能投研。過去兩年，進門不斷閉環投研溝通場景，并幫助投研用戶提效降噪、挖掘信號、用AI自動化處理各類繁瑣的任務。
通過AI工具矩陣，幫助用戶提高信息處理的效率和信息獲取的密度：AI轉寫、AI會議托管，AI翻譯、AI錄音，甚至做了自家的錄音智能硬件，將觸角延伸到線下。
深耕溝通場景的同時，程建輝發現，AI沒辦法突破信息孤島和小樣本問題，像頂級分析師、研究員那樣，聽懂真實世界溝通的“弦外之音”，給出非共識性的判斷。
他認為，專業 AI 讓共識性信息實現了平權普惠，正在不斷提升普通投資者的投資能力下限，“直白點說，過去老是被割韭菜，往后割韭菜也沒那么容易了。”
進門的樣本，實際指向了這樣一個思考：比起“替代多少人力”，人類的價值是否重新得到肯定、得到聚焦，或許才是AI真正的價值所在。
以下是雷峰網與程建輝的對話，有不改變原意的編輯：
雷峰網：現在一些分析師用OpenClaw做投研，進門目前也接入了OpenClaw。其實OpenClaw、Manus這些相對通用的AI，聲量是更高一些的，您怎么看它們和進門的競合關系？
程建輝：進門是聚焦于金融投研領域的AI產品，不管在場景、數據、工具，還是對行業know-how的認知上，都會比其他通用AI要好。
當然，Manus、OpenClaw等產品給了我們很多啟發。我們很早就在系統思考AI如何解決投研場景的問題，充分發揮AI的“思考”與“執行”雙重能力。
Manus這類產品的方向是，從會話模式向“幫用戶完成特定任務”轉變，感覺挺有意思。但任務執行的完整度不夠好。OpenClaw的誕生，標志著AI從“對話腦”進化出了“干活的手”。
我們很興奮，一直在觀察，春節也沒休假，加班夯實底層基礎工作。不過，早期的OpenClaw 比較脆弱，升級、開關機、處理任務時經常報錯。操作繁瑣，門檻很高，所以最開始只有極客用戶在使用。迭代了幾個版本后，成熟度比以前高很多，我們才感覺時機成熟，于是推出了自己的“投研龍蝦”。
進門投研龍蝦采用云端部署的方式，對OpenClaw進行封裝、改良，讓用戶能夠拿來即用。這極大地降低了使用門檻，讓用戶不用再費心折騰底層系統基建，把全部精力都放在完成核心任務上。
雷峰網：真正實現AI在投研領域的自動化有哪些難點？
程建輝：要解決多樣化的問題。基于同樣的事實和數據，各人看法不一。因此，光靠模型遠遠不夠，還要涵蓋不同群體的思維范式。
AI進寶的任務模式（即投研龍蝦），以及對話模式下的投研大腦，都能有效解決這個問題。
投研龍蝦能夠將Agent的能力原子化，讓用戶根據自身需求，靈活組合、定制，實現個性化工作流的搭建。會話模式中的投研大腦，支持用戶自定義創建思維鏈，或讓系統自行拆解優秀研究范本中的方法論，比如可以拆解芒格、巴菲特的著作中蘊含的投資心得。
當然，會話模式的能力不止于此。2025年，我們上線了12款Agent，包括業績點評、觀點對比等等，在這個模式下，進寶就能夠自由發揮，用預訓練時候形成的思維鏈來回答問題。
但用戶的新想法、新要求源源不斷，不可能無限滿足，所以才有了投研大腦和“龍蝦”任務模式。（雷峰網近期將持續關注投研等AI Agent實際應用案例，歡迎添加作者微信 LorraineSummer 交流）
雷峰網：可以說通用AI對進門沒有太大威脅？
程建輝：我們在數據基座、專業邏輯、安全風控、工作流與決策閉環上，擁有通用AI無法替代的垂直壁壘。通用類AI缺乏權威金融數據源、不懂投研范式，也難以深度嵌入投研全流程，無法替代專業投研AI的核心價值。
而生產力級別投研AI，對數據準確度、顆粒度要求都很高，一般市場產品做不到。很多網絡分享，號稱利用模型抓信息形成研報、自己炒股掙錢，在我理解都是Demo級別、玩具級別的東西，距離生產力級別還很遠，這是民品和軍品的區別。
Demo級別的投研AI大家都能玩，但真正做到生產力級別，你要相信市場上最專業的那群機構投資者的選擇和判斷，這是世界上最聰明的一群人。我們目前也和南方基金、鵬華基金、平安基金、招商基金等頭部公募達成了深度合作。
雷峰網：說到投研領域，大家更熟悉的可能還是萬得、東財、同花順。進門和這些老牌金融信息廠商的最大差異是什么？
程建輝：他們主要做過程交付，而我們做結果交付；他們的產品設計以人為中心，但我們是AI原生產品，設計上主要考慮如何讓AI以更智能、更自然的方式服務于人。
什么是過程交付呢？舉個例子，老牌廠商把交易所的公告，處理成數據表，這個過程就像把胡蘿卜從地里拔回來，洗干凈切好放著。
但進門做的是端到端交付，直接給出結果，一步到位。像西紅柿雞蛋這類簡單的菜，機器人直接炒好了；復雜的、需要高超手藝的，才留給大廚去做。
當然，現在AI還有幻覺問題，理解數據不夠準，所以要通過大量工程方法去解決。但在技術趨勢上，“端到端”一定會比傳統“過程交付”做得好。
雷峰網：AI幻覺給投研帶來的挑戰應該是非常大的。
程建輝：是的，所以要做好數據治理。在我看來，投資的本質其實就兩層：第一層是數據治理，第二層是信號捕捉。
數據治理，就是要利用大量工程方法，對原始數據進行處理。就算最頂級的模型，要減少幻覺，保證結果可靠演進，也要基于治理后的高質量數據。
不管是人還是模型，都要在數據干凈的基礎上，去挖掘信號，獲得洞察。
對于我們來說，主要治理兩大類數據。一是從溝通場景沉淀的路演、調研等動態信息，這些信息比靜態的公告更及時、全面；二是外購的財報、行業、宏觀、行情因子等數據。
通過治理和結構化表達，我們推出了《進門內參》（一日三更的投研日報）、事件信號等能力，幫助用戶更快、更精確地捕捉信號。
雷峰網：互聯網上本來也有很多真偽難辨的信息，數據治理很難做，AI采納這些信息之后給出的回答，質量不會太理想。進門怎么防范這種風險？
程建輝：AI會遭遇“數據投毒”問題，今年3·15晚會也提到了這點。有人為GEO批量制造數據，誘導模型抓取；有人在紀要中刻意夾雜私貨，通過“小作文”擾亂市場——這些有毒信息，會侵蝕決策的準確性。
為了防范這種風險，我們一直在做數據溯源、數據準確性校驗與底層數據治理體系建設。二是不斷累積最真實、最原始的一手信息，包括上市公司、分析師在進門的會議。從源頭有效規避數據投毒風險。
雷峰網：涉足AI投研的技術廠商不少，但像進門這樣從“開會”起家的不多見。為什么最初會選擇“溝通場景”來做？
程建輝：在金融領域，溝通是僅次于行情和交易之后，最高頻的場景。其次，溝通場景是一個天然的信息富礦，是存在信息差的地方。第三，現在股價對信息的反饋速度非常快。相比于其他交流形態，溝通是一個效率最高的形式。
另外，溝通場景有天然的雙邊市場效應，分析師開會、上市公司路演，都會吸引投資者，場景自帶流量。三個群體形成生態，自然會沉淀大量內容和數據。大家在市場上看到的券商研究路演海報、上市公司路演海報、業績說明會信息，背后基本都是進門在支撐。
我創業的時候是2013年是，移動互聯網元年，路演還在用“八爪魚”那種有點“古老”的機器，我覺得這里面是有機會的。
雷峰網：進門切入AI，可以說是從會議轉寫這些做起。
程建輝：會議是天然的信息富礦，做好會議內容的轉寫，是形成完整的數據、應用閉環的核心。豐富干凈的數據底座，也是模型進行文本理解、信息提取、投研分析的關鍵。
但早期處理會議音視頻信息，成本非常高。邀請速記員做一場會議的錄音轉寫，大概需要400元左右的費用。我們算過一筆賬，想把歷史積累的幾十萬個小時錄音都處理一遍，得上億成本。
AI來了之后，能實現極致的降本增效。路演、調研等音視頻轉寫，是投研高需求場景。語音識別（ASR）也是AI領域最早實現工程化落地的成熟技術。所以，我們把會議轉寫作為首要切入的場景之一。
外界一直誤解進門是個開會平臺。其實路演只是“抓手”，真正的目標是用它構建生態，深度服務投資者。
圍繞上市公司，我們做了IR（投資者關系） SaaS系統；圍繞券商研究所，推出了全場景統一研究系統，涵蓋了會議安排、調研活動、客戶管理、員工管理、合規管理、數據統計分析等。面向專業投資者，我們則打造了AI投研工作臺。
雷峰網(公眾號：雷峰網)：這些服務聽起來都是圍繞“會議”這個場景展開的。但現在的會議工具已經很多了，進門做的和別人有什么不一樣？
程建輝：最大的不同在于，進門不是一個通用的會議連接工具，而是一個垂直于金融領域的AI投研入口。
普通工具解決的是“怎么開好會”——音視頻流暢、共享清晰；進門是在這個基礎上，解決“開完會留下了什么”以及“如何讓會議服務于投資決策”。
我們在投研會議的全流程嵌入AI：會前自動梳理相關研報與數據，會中可隨時向AI提問獲取背景，AI無法解答時再舉手與分析師或高管直接交流；會后通過調優后的金融轉寫模型，自動生成帶思維導圖的紀要、提煉章節，并提取問答環節的財務指標，方便用戶復盤研究。
騰訊戰投后，我們與騰訊會議實現互聯互通，客戶可以在進門、騰訊會議多端接入，擁有輕量化的會議體驗。
另外，我們推出了AI會議托管，將Zoom、騰訊會議等鏈接丟給機器人，即可自動錄制并生成紀要。這些紀要都會沉淀在用戶云文檔里，成為個人數據資產。
音頻轉寫同樣經過金融模型深度調教，在人名、術語、數字上達到專業投資者所需的高準確率。簡言之，別的工具是把線下會議搬到線上，而進門是把每一次會議變成一次數據價值挖掘的過程。
雷峰網：據說你們還做了會議錄音的智能硬件？這在金融Agent廠商身上似乎不太常見。這兩年Plaud很火，進門的錄音硬件和Plaud那類產品有什么本質區別？
程建輝：錄音硬件（Finnote AI小餅干錄音機）是進門生態的一部分。主要目標是補齊線下溝通場景，解決手機錄音質量不佳、容易被打斷、待機時間有限的問題，同時在錄音結束自動處理數據。
上市公司每天迎來送往十幾波投資者，聊完還得一個個翻錄音、對名片，根本搞不清誰是誰。
2025年初產生了這個想法，年中立項，10月份發貨，一個季度就出來了。我們找了硬件廠家ODM，軟件全部是我們自己做的，一起設計，他們把我們的想法實現。現在市場反響很熱烈，客戶特別喜歡。
雷峰網：AI+投研通常讓人想到量化選股或智能研報，投資者關系這個細分賽道相對不那么常見。進門投入精力做IR SaaS，具體解決什么問題？
程建輝：解決三個具體問題。一是建立與買方市場的溝通橋梁，給上市公司做IR網站、管理私有數據；二是通過平臺用戶行為分析，幫助上市公司挖掘潛在投資人——比如誰看過你的公告、誰參加過你的會；三是打通溝通行為和股東數據，追蹤“誰最終買了股票”這個核心轉化指標。
以前上市公司IR（投資者關系）是個糊涂賬，每天迎來送往很多投資人，聊完搞不清楚誰是誰、聊了什么。我們實現從會議管理、重點投資人篩選、投關資料庫、投關報告與股東分析等全流程數字化。這個系統在國內是首創，年收入數千萬，已經有1000多家付費客戶。
雷峰網：行業里一些投研AI還是以基本面、資金面、診股選股這樣的場景切入，進門對AI的設計思路是怎么考慮的？
程建輝：研究的本質是基于事實和數據，加上思維鏈推導，最后得出觀點。所以我們的設計思路是，通過數據治理和信號涌現這兩層，給用戶做結果交付。
這個過程中有個問題：現在很多人只關注觀點，其他東西都被忽略掉了，比如思維鏈。AI只能靠自身的涌現能力給你回答，但研究員在實際投研工作中，有很多自己的想法，對于同一個事實數據會得出不同的結論。
進門投研大腦，支持用戶創建自己的思維鏈，在這個基礎上調用垂域Multi-agent。你可以把自己的研究方法論表達出來，比如你怎么研究周期股，把整個邏輯思維鏈寫清楚，存進去。以后再問AI相關問題時，它就會調用你那個周期股的研究框架。
還可以讓AI從研報里提取思維鏈，提取完研究員可以在上面再改，根據自己的想法調整怎么看這家公司。調整完馬上可以用模型測評打分。我們用模型交叉打分，看這個思維鏈到底好不好。
可以理解成，Prompt加上SOP流程，再加上底層數據調用。你的需求、方法論、工作經驗越具體，反饋效果就越好。
AI的回答總是有點“騎墻派”的意思，我們希望用戶能很輕松簡單地去分析，去得出自己獨有的結論。
雷峰網：進門的AI工具已經很全面了，資料扔進去套用舊研報的思維鏈，出來的又是新的研報，這個時候人類分析師的價值是什么？
程建輝：那就沒有價值了呀（笑）。AI確實在某些能力上比人厲害，但現階段，AI的思維能力還不及頂級人類投資者。AI本質上是用函數模擬世界，做統計學上的概率猜測，表現好了我們叫它“涌現”，表現不好叫“幻覺”。
工業革命讓腦力勞動者成為主流，AI時代里，普通腦力勞動者也會被替代。會議紀要、簡單總結、PPT制作這些例行工作，交給AI又快又好，如果水平較低的分析師能力就停留在做這些工作上，那確實有被替代的風險。但懂得思考、提問，懂得去跟AI交互的人，肯定更有價值。有想法的人，總是稀缺的。
雷峰網：但畢竟不是每個人都是頂級分析師。
程建輝：恰恰因為很多人不是頂級分析師、專業研究員，思維鏈這個功能反而能幫他們提升上限。
其實每個人每天都在做研究工作——腦子里想問題，想把一件事研究清楚，這就是研究。只是有的人方法論成熟，有的人沒那么系統。思維鏈這個東西，就是把你的思考過程結構化、表達出來。
我們希望通過這個形態，讓大家生產出不同的思維鏈。這些思維鏈可以私有，自己用；也可以貢獻出來，給別人參考。
未來高水平研究人員的思維鏈，可以被付費訂閱。比如一個很牛的分析師，他研究周期股的方法論寫成了思維鏈，或許平臺可以幫他分發變現，別人花199塊錢就能訂閱使用。
中國有2億股民、7億基民，這些專業AI能力能把普通投資者的能力提升到一個新臺階，直白點說，至少不會那么容易被割韭菜了。
雷峰網：AI能替代人類分析師的部分很明確了，不能被替代的部分是什么？比如某些分析師對市場的“直覺”？
程建輝：現實市場并非100%有效，會存在信息孤島、小樣本信息，也會存在傳播延遲和解讀效率的問題，AI無法吃掉所有信息。AI不可能完全捕捉市場的 “漏洞和機會”。但這正是人的機會，分析師的機會。
尤金·法瑪的有效市場理論，講的是如果股價真的反映所有信息，價格和價值應該完全一致。但事實上，市場沒有我們想象得那么“聰明”。如果真的有一天，AI真的能吃進去所有的信息，成本和代價會非常巨大，再用它來解決投研問題，已經不劃算了。
雷峰網：思維鏈可以這樣“傳播”出去，會不會像量化投資那樣導致“信號擁擠”，策略失效？
程建輝：不會。因為市場能形成交易，就是因為有不一樣的想法。即使事實和數據都很明確，仍然有人看多，有人看空。
如果全部看多或全部看空，就沒有交易了，沒有對手盤。單邊行情即使短暫出現，拉長看也會回到相對均衡的狀態。最終還是看價格，多少價格才算是“好”？
這里沒有絕對的答案。
雷峰網：AI時代可以賣的不光是信息，更可以賣方法論、賣知識框架。
程建輝：思維方式、方法論都是可以共享和商業化的。比如，我在進門筆記里的思維鏈，可以分享給好朋友、重要客戶。他調用AI的時候，既可以調底層數據，又能調我的思維鏈，以及他自己的思考方法。
AI時代的很多內容和產品交互結構不是給人看的，是給AI看的。過去SaaS軟件做的都是復雜圖形界面，給人點擊、給人看，現在不需要那么多圖形界面，年前硅谷SaaS那波下跌行情和這個也有關系。
雷峰網：這是不是意味著，在AI時代，設計邏輯已經完全改變了，軟件的首要用戶不人類，而是AI本身？
程建輝：未來的趨勢是人機協同，AI會是首要執行者，但人類仍然要掌控判斷、創意、關鍵決策。人只需要把思維鏈（思考方法）表達出來，剩下的讓AI去組合、去執行。
所以，軟件的設計邏輯，要從人類交互優先，轉向AI原生能力優先，不管是底層架構、數據接口，還是執行流程，首要適配AI Agent的自動化調用，而非人類手動操作。
現在AI新名詞特別多，Function call、MCP Server、Sub Agent什么的，本質上都是在解決Agent與工具的交互問題。我們希望給AI大腦思考的能力，再加上人類的思維表達能力。
雷峰網：從“給人看”到“給AI看”，軟件的范式轉移會不會遇到阻力？
程建輝：很多人確實還停留在過去軟件使用的圖形界面思維范式里。但實際上已經在往AI幫干活、對話式交互的方向變化。
比如紀要、研報，其實都不需要表達出來給人看，直接AI讀、理解、輸出就完了。但金融行業的一些用戶，使用習慣確實沒那么容易改變，比如網絡通話更好，有些人還是喜歡打電話，所以我們還留了一點“尾巴”，讓習慣圖形界面的用戶還能用，但希望逐步全部收到AI的對話框里處理，只留幾個Tab。
雷峰網：大模型這股熱潮出現之前，已經有AI+投研/投顧的技術方案了，現在進門做的事情，還可以怎么進一步幫助人類做判斷、提高決策效率？
程建輝：先用量化投資的事件回測，驗證驅動信號（如供給側變化），比如歷史上類似情況股價怎么走，是真有效還是假有效。再結合基本面與專業投研信息，輸出多空判斷、驅動類型、關聯個股，實現市場信號的快速捕捉。
現在信息太多了。好在AI的信息吞吐能力很強，第一時間獲得信息，幾十秒或一分鐘內處理完，涌現信號。
但在過去，一個事件發生，分析師馬上組織專家會議討論、形成觀點，這個過程至少幾小時，甚至幾天，整個流程非常低效。
雷峰網：要實現這個功能，底層聽起來非常復雜。
程建輝：處理海量信息、識別和理解事件信號，工程難度很高。要讓AI像頂級分析師那樣思考問題，同時要保證底層數據干凈、真實。
我們做了很多底層的創新，比如AI進寶的架構，上下文感知與意圖對齊、異構信息動態檢索、遞歸式假設驗證，不是簡單的React那種方式。
雷峰網：目前進門的“進度條”，走到了您預期的哪個階段？
程建輝：在數據治理上，進門已經做得比較扎實了。在信號挖掘上，我們也上線了事件信號等能力。
信號涌現是一個逐步推進的過程：第一，識別并捕捉信號，初步判斷其影響方向；第二，進一步明確信號對股價的影響程度；第三，嘗試定量表達這種影響。比如，當某個事件發生后，AI分析師可以快速推演，將目標股價從50元調整至60元，給出初步的定價判斷。
當然，定價本身并不容易。不同模型基于各自的假設，得出的目標價也可能存在差異。這也正是投研的復雜性和深度所在。
雷峰網：在模型的選用上，進門是怎么考慮的？Token消耗是不是成本大頭？
程建輝：最開始我們也做過一段時間自研，做SFT（監督微調）和強化學習，跟一家大模型廠家合作過。后來發現了一些問題，就調整了方向。
我們的定位是應用型公司，不是做基座大模型的。把應用做好，特定場景的小模型做好，大小模型耦合使用就足夠解決問題了。花點時間做工程方法立竿見影，比把所有資源投入基座模型訓練更經濟、更劃算。作為創業者，要追求資源投入最大化。
目前我們接入了多個基座大模型，不是一家。把模型架構結構化了，不同任務用不同模型。根據模型工程方法的體系，不斷調優，每個步驟根據需要選擇不同模型——有些模型推導推理很強，有些泛化能力很強，各有優劣勢。
Token消耗量其實還好。整體技術開支確實比較大，不過還在可承受范圍內。出于對安全的考慮，用國內的模型會多一點，個別部分在保障數據安全的基礎上，考慮用境外模型提高性能。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
