博客
什么是投研 Agent？
投研 Agent 是一种按照特定研究框架分析投资问题的 AI 分析视角。它帮助用户把问题整理为可检查的假设、证据、风险和后续观察信号，但不替用户作出买卖决定。
如果你问通用 AI：“这家公司值得研究吗？”它通常会根据当前问题生成一份回答。投研 Agent 更关注研究过程：你究竟想验证什么、哪些证据支持这个判断、哪些风险可能推翻它，以及下一步还要检查哪些信息。
关键要点
投研 Agent 的核心不是预测涨跌，而是按特定框架组织投资研究。
不同 Agent 可以侧重基本面、估值、会计风险、宏观环境、供应链或投资组合风险。
nashnova 支持持仓记忆、偏好记忆和每日简报，帮助用户在后续研究中保留必要背景。
投研 Agent 不提供个性化买卖指令；重要事实、来源和推断仍需用户核验。
为什么一次 AI 问答往往不够？
投资研究很少由一个问题结束。看好一家公司的理由，可能涉及收入增速、利润率、订单、竞争格局、估值、监管变化和宏观环境。即使其中大部分信息都正确，只要关键假设没有说清，结论仍然很难复核。
个人投资者常见的困难不是“完全找不到信息”，而是信息没有形成结构：
买入或关注的理由说不清，过一段时间很难回看最初判断。
支持证据很多，但没有区分事实、推断和市场预期。
风险只写成一句“注意波动”，没有说明什么变化会推翻原判断。
每次提问都从头开始，持仓和研究偏好没有进入上下文。
看到新消息后立即改变结论，却没有检查它是否真的影响核心假设。
投研 Agent 的作用，就是给这些零散信息加上一套研究框架。它不保证得出正确结论，但可以让用户更容易检查结论是如何形成的。
投研 Agent 如何组织一个投资问题？
一个完整的研究流程可以拆成五步：
明确问题。 与其问“这只股票能买吗”，不如先问“当前市场预期建立在哪些经营假设上”或“哪些指标最可能推翻我的判断”。
选择研究视角。 根据问题选择侧重基本面、估值、会计风险、宏观、供应链或组合风险的 Agent。
补充必要上下文。 提供关注市场、持仓、已有投资逻辑和风险偏好，减少泛泛而谈。
组织研究结果。 将信息整理为假设、支持证据、反面证据、风险因素和后续观察信号。
核验并决定下一步。 检查来源、时间、计算和限制，再由用户决定是否继续研究或采取行动。
这个流程可以概括为：
研究问题 → 选择 Agent → 补充持仓或偏好上下文 → 整理假设、证据、风险和观察信号 → 用户核验并独立决策。
这里的“观察信号”是研究中识别出的后续核验项，例如下一次财报中的毛利率、订单变化或管理层指引。它不表示系统会自动、实时追踪所有变量。
投研 Agent 和通用 AI 问答有什么区别？
两者都可以帮助整理信息，但工作重点不同。通用 AI 适合解释概念、总结材料和回答开放问题；投研 Agent 则把分析限制在一个更明确的研究框架中。
维度 | 通用 AI 问答 | 投研 Agent |
起点 | 一个开放问题 | 一个明确的投资研究问题 |
分析方式 | 通用生成 | 按特定研究框架组织 |
上下文 | 主要依赖当前对话 | 可使用已保存的持仓与偏好背景 |
输出重点 | 回答本次问题 | 假设、证据、风险和观察信号 |
后续使用 | 用户通常需要重新提供背景 | 可借助记忆和每日简报延续研究上下文 |
决策边界 | 不应直接采信 | 仍需用户核验并独立决策 |
投研 Agent 不是“更会预测股价的聊天机器人”。它的价值在于让研究过程更明确，让用户知道一个结论依赖哪些事实，也知道哪些变化可能使结论失效。
不同投研 Agent 分别关注什么？
同一个问题可以从不同角度研究。用户应根据任务手动选择框架合适的 Agent，而不是默认某个 Agent 适合所有情况。
研究视角 | 典型关注点 | 适合提出的问题 |
公司基本面 | 收入结构、利润率、竞争优势、管理层执行 | 公司的增长来自哪里？哪些经营指标最关键？ |
估值 | 市场预期、关键假设、情景区间 | 当前价格隐含了怎样的增长和利润率预期？ |
会计风险 | 现金流、应收、资本化、一次性项目 | 利润与现金流为什么出现偏离？ |
宏观环境 | 利率、通胀、流动性、政策与周期 | 哪些宏观变量会影响这个行业的需求或估值？ |
供应链 | 上下游、产能、价格、库存和交付 | 产业链信号是否支持公司的增长叙事？ |
投资组合风险 | 集中度、相关性、共同风险因子 | 我的持仓是否暴露在同一种风险下？ |
Agent 给出的仍是 AI 生成研究。不同市场、资产和任务的数据深度可能不同，用户需要检查页面展示的来源、数据时点和分析限制。
nashnova 的记忆与每日简报如何参与研究？
一次研究是否有用，取决于它有没有使用正确的背景。nashnova 当前支持持仓记忆和偏好记忆。用户保存或在对话中提供的持仓、投资逻辑和风险偏好，可以作为后续研究的背景。
例如，同一条利率变化，对高估值成长股持仓和高股息组合的影响并不相同。有了持仓和偏好上下文，Agent 可以把新信息与用户已经关注的风险联系起来，而不是只给出一段通用解释。
记忆并不意味着上下文永远正确。持仓、研究假设和风险偏好发生变化后，用户应及时检查和修改已保存的信息；不再需要的内容也应删除。
nashnova 还提供每日简报，用于定期整理用户关注的市场或研究主题。每日简报可以减少重复搜集信息的工作，但它不等于自动替用户判断所有变化，也不保证覆盖每一个重要事件。用户仍需回到原始来源，判断新信息是否真的改变核心假设。
投研 Agent 适合做什么，不适合做什么？
适合 | 不适合 |
把模糊问题改写成可研究的问题 | 直接要求“告诉我明天哪只股票会涨” |
拆解公司、行业或宏观主题的关键假设 | 把单次输出当成确定预测 |
汇总支持证据、反面证据与风险 | 跳过来源核验后直接交易 |
检查持仓之间的共同风险 | 要求保证收益或消除风险 |
为财报、行业数据或政策变化建立观察清单 | 让 Agent 替用户下单或管理账户 |
结合持仓和偏好背景继续追问 | 把 AI 输出视为专业人士的个性化建议 |
判断一个任务是否适合投研 Agent，可以先问自己：这个问题能否被拆成事实、假设、风险和可核验信号？如果答案是否否定的，它很可能更接近价格预测、情绪判断或直接交易指令，而不是研究任务。
新用户如何开始使用投研 Agent？
nashnova 可通过官网、Apple App Store 和 Google Play 使用。第一次使用时，不需要先写一份完整投资报告，可以从一个具体问题开始：
选择一家公司、一个 ETF、一个行业主题或一项组合风险。
把问题改写为需要验证的研究问题。
手动选择与任务相匹配的投研 Agent。
补充已有持仓、投资逻辑或风险偏好。
检查输出中的来源、时间、假设、反证和限制，再继续追问。
可以直接尝试的问题
这家公司的收入增长主要由哪些业务驱动？哪些指标可以验证？
当前估值隐含了怎样的收入增速和利润率假设？
最近一次财报中，哪些变化支持或削弱了原来的投资逻辑？
这家公司最大的会计或现金流风险是什么？
我的持仓是否集中暴露在利率、AI 资本开支或美元周期上？
如果我看好某个行业，下一阶段最值得观察的三类公开信号是什么？
这些问题要求的是研究结构，不是买入、卖出或持有指令。
可以直接复制的初始 Prompt（适合新用户）
下面 6 段 prompt 可以直接复制到 nashnova 对话框使用。把括号里的内容换成你自己的信息即可。它们要求的都是研究结构，不是买卖指令。
1. 我刚开通 nashnova。先帮我建立研究上下文：我的持仓包括（填写代码或基金及大致比例），目前最关注（行业 / 公司 / 主题）。请基于这些信息，给我后续研究的起点建议，不要给买卖指令。
2. 请站在公司基本面视角，研究（公司名 / 代码）：它的收入增长主要由哪些业务驱动？哪些公开指标可以验证这个判断？列出 3 个我后续应持续观察的信号。
3. 我持有（公司名），原来看多理由是（你的投资逻辑）。请帮我检查：最近一次财报或公告里，哪些变化支持或削弱了这条逻辑？哪些风险可能推翻它？
4. 请站在估值视角，分析（公司名 / 代码）：当前价格隐含了怎样的收入增速和利润率假设？如果这些假设落空，会怎样反映在估值上？
5. 请站在投资组合风险视角，检查我的持仓（列出代码）：是否集中暴露在同一类风险因子下，例如利率、AI 资本开支或美元周期？给我一张风险敞口清单。
6. 我关注（行业 / 主题）。请帮我建立一份跟踪简报：当相关财报、新闻或价格出现重要变化时，提示我哪些变化最可能影响核心假设，以及我该回看哪些原始来源。
涉及持续跟踪的 prompt 6 依赖 nashnova 的 Continuous tracking 能力，实际触发与配置方式以产品界面为准。所有 prompt 输出均为 AI 生成研究，关键事实、来源和推断仍需用户独立核验。
如何判断投研 Agent 的输出是否值得采用？
阅读结果时，至少检查下面五项：
来源。 关键数字来自公司公告、监管文件、财报、权威数据，还是未经核验的二手转述？
时点。 材料对应哪个报告期或发布日期？是否把旧信息当成当前事实？
假设。 结论依赖哪些增长、利润率、估值或宏观假设？
反证。 输出是否主动列出可能推翻结论的信息，而不是只搜集支持材料？
限制。 数据覆盖、工具权限、计算方法和未知项是否被说明？
AI 研究不经过人工审核，多来源整理也不能保证每个来源、信息提取或推断都正确。对投资决策有实质影响的说法，应回到原始材料独立核实。