财报季开始后，在格隆博士的带领下，格隆汇研究团队开始尝试把千问接入日常工作流。从行业资讯筛选、公司财报拆解，到行情复盘、图表制作和会议材料整理，不同岗位的研究员都在寻找适合自己的使用方式。本文以团队成员Marco的一次实际使用为主线，同时记录其他成员在不同研究场景中的尝试。以下由Marco以第一人称讲述。

周四早上八点半，我到办公室打开电脑，千问的定时任务已经把过去24小时的重要行业信息整理好。排在第一条的，是公司A刚刚公布的最新财报。

中午，团队要开一场财报季内部讨论会。我们不仅要判断公司A这份财报本身，还要讨论它是否改变了我们对相关产业链需求、资本开支和竞争格局的判断。留给我准备核心材料的时间，大约三个小时。

公司A的财报由此成为一个切入口：千问能否帮助研究员更快地理清事实、找到关键变量、检查反方证据，并把个人分析转化为团队可以讨论的材料？

一、财报季真正消耗研究员的，不只是读财报

财报季真正消耗团队的，往往不是写下最后那句结论，而是结论之前的大量准备工作：收入结构、利润来源、现金流和管理层指引要重新梳理，关键数字还要核对口径和出处。

更重要的是把事实、公司指引、市场预期和研究员自己的判断分开。研究员还需要主动寻找反方证据，检查逻辑最薄弱的地方。财报季节奏快、信源分散，这些工作未必最复杂，却会持续消耗团队的时间和注意力。我们希望千问先接手的，正是其中可以标准化、重复执行的环节。

二、三个小时，我怎么把千问放进财报研究流程

08:30到办公室：先判断今天最重要的任务

定时任务把公司A列为当天头条，并提取了几个重要变化：公司收入和核心业务收入继续保持较快增长，下一季度指引也高于此前市场预期。

它没有代替我阅读原始材料，但先帮我完成了信息筛选，让我知道当天最需要优先处理什么。省下的不是读一篇新闻的时间，而是在十几个信息源之间寻找新闻、判断轻重缓急的时间。

08:50先读原始材料：不给AI抢答

我没有马上问千问"公司A怎么看"，而是先把公司发布的新闻稿快速读了一遍。当时我在纸上记了三个问题：核心业务还能维持多高的增长速度？毛利率变化是产品切换带来的短期扰动，还是成本和竞争压力正在增加？部分区域市场收入没有被纳入下一季度指引，又会怎样影响业绩确定性？我习惯先形成自己的问题，再去看市场怎么说。否则，研究很容易变成替别人的观点寻找证据。

09:10舆情观察：市场究竟在争论什么

千问给出的不是简单的"看多比例"，而是一张争议地图。从它汇总的媒体、机构和投资者观点来看，市场对本季度需求仍然强劲的分歧不大，但对增长能够持续多久、毛利率能否维持，以及部分产业投资是否形成循环融资，意见明显不同。

这一步让我意识到，讨论会真正需要回答的，不是某个收入数字好不好，而是市场此前已经计入了多少乐观预期。

舆情任务在后台运行时，我同步开始处理财报原始材料。

09:40财报陪读：把"很好"拆成可以验证的变量

舆情观察告诉我市场正在争论什么，接下来则要回到财报本身，判断这些担忧有没有数据支持。

我把公司新闻稿、财务材料和管理层表述交给用千问搭建的"格隆汇财报陪读"Skill，让它对公司A的财报做一次较完整的拆解。输出内容不少，我从中挑出了对午间讨论最有用的一部分——未来一年值得持续跟踪的五个变量。

这五项变量包括：客户资本开支、下一代产品爬坡与供给、毛利率与核心部件成本、应收账款和账期，以及担保和权益投资敞口。

这比一段"行业需求依然旺盛"的总结更有用，因为研究最终需要落到可以持续观察的指标上：下一次财报出来究竟看什么，什么变化意味着原来的判断需要调整。

我更看重的是，它没有把所有证据都放在支持乐观判断的一边。在同一张表里，收入增长、业绩指引和供给承诺被列为支持证据；客户集中度、现金流、应收账款和担保敞口则被列为风险或待验证问题，盘后股价反应只作为观察市场预期的一个信号。

这张表当然不能替我完成判断，但它会迫使我继续追问：现在看到的究竟是需求已经得到验证，还是需求的持续性也已经得到验证？这两个判断看起来接近，实际上差得很远。

10:30，历史复盘：好财报之后，股价一定上涨吗

看完财报，我又提出了一个更接近交易层面的问题：公司A交出好财报以后，股价真的总会上涨吗？

千问整理了公司A过去两年的复权股价，并标注历次财报发布日期。仅看曲线，很容易得出"长期上涨"的印象；但把每次财报后的T+1和T+5单独拉出来，结果并没有那么整齐。财报后的短期表现，经常和财报发布时的直觉不同。

我又让千问加入主要科技指数和行业指数作为参照。这样至少可以区分，公司A的股价变化究竟来自公司自身，还是整个科技和相关行业的风险偏好发生了变化。

这组历史样本数量有限，而且每次所处的利率、估值和行业环境都不同，因此不能用来预测下一次涨跌。它更像一个提醒：好公司、好财报和短期股价上涨，从来不是同一件事。

11:15，让千问站到我的对面

到这里，我的初步观点已经比较清楚：公司A的财报继续支持相关产业投资处于上行周期，但市场关注点正在从"有没有需求"转向"需求能否持续转化为收入、现金流和利润"。

不过，人最容易忽略的，恰恰是与自己结论不一致的证据。我把这段判断原样交给千问，让它不要润色，而是分别站在管理层、看空分析师和谨慎产业研究员的立场反驳我。

它给出的反驳并不客气。站在管理层立场，千问认为我对供给释放的理解过于谨慎；站在看空分析师立场，它提醒收入超预期不代表需求持续性已经得到验证；从谨慎产业研究员的角度，它进一步指出，客户资本开支增长和公司A收入增长之间，不能简单画等号。

千问还指出了几处需要重新核验的数字和信源。这反而是我觉得它最像真实研究助理的一刻：不是再写一遍我的观点，而是指出哪些判断还没有足够证据。

我没有太在意它给三个角色打出的具体分数。更有价值的是，它迫使我重新检查了毛利率、应收账款和融资支持这几处容易被强劲增长掩盖的问题。

11:40，形成讨论会的一页纸

我没有直接把千问生成的材料拿进会议室，而是重新检查了数字来源，删掉了几句证据不足的判断，并把单一的短期方向判断改成了三种情景。

最终带进讨论会的核心结论是：公司A的财报继续支持相关产业资本开支仍处于上行周期，但增长约束正在从需求不足转向供给、毛利率和投资回报；短期股价表现，则更取决于市场此前已经计入了多少乐观预期。

从早上到中午，千问没有替我决定应该看多还是看空。它完成的是另一件事：把散落的信息变成一套可以讨论、可以质疑，也可以继续验证的材料。

三、从公司A的财报，到整个团队的日常研究工作流

公司A的财报，只是千问进入格隆汇研究流程的一个集中案例。在这次尝试之外，团队其他同事也在使用类似的方法处理业绩比较、产业链梳理和市场材料制作等任务。

相比某一家公司的分析结果，我们更关心的是：这些方法能否被不同研究员反复调用，并逐渐沉淀成一套可以共享的工作流程。

场景一：把85家公司的业绩预告放到同一张图上

负责科创板跟踪的同事，让千问按照净利润增速、估值和市值三个维度，整理其初步收集的85家公司业绩预告。千问生成气泡图并附上公司明细，帮助研究员快速发现异常值和需要进一步跟踪的区域。

它节省的主要是数据清洗、匹配和作图时间。图表只是研究初稿，异常数据和背后原因仍需研究员核验。

场景二：从分散资料到一张产业链全景图

负责医药医疗研究的同事，让千问联网搜集AI for Science相关资料，并按照上游基础设施、中游细分赛道和下游应用场景整理产业链。

千问在初步结果中归纳了80多家公司，并生成产业链全景图。公司分类和数据口径仍需行业研究员复核，但它已经完成了最耗时的第一轮信息搜集和结构搭建。

场景三：把市场资讯直接整理成可讨论的PPT

负责市场跟踪的同事，则让千问整理港股月度资讯，并调用数据可视化和PPT能力生成会议材料。千问完成了图表制作和页面排版，研究员再检查数据来源、调整表述和最终观点。

在这一场景中，千问负责提高材料生产效率，研究员则负责核验数据、调整逻辑并形成最终观点。

写在最后

回头看这次财报研究，千问并没有替我回答"公司A应该看多还是看空"。它做的，是把资讯整理、财报拆解、历史复盘、反方挑战和会议材料串进同一条工作流，让我能把更多时间留给真正需要判断的地方。

公司A只是其中一个案例。对格隆汇团队来说，更重要的变化是，一些原本依赖个人习惯的研究步骤开始变得可以复用：先核对信源，再区分事实、指引和判断；找到关键变量后补充反方证据，最后形成观点和团队讨论材料。

在与格隆博士复盘这次使用后，我们对千问的定位基本一致：它已经是一名掌握了基本研究规范、执行速度很快的研究助理，当然还需要带领和复核。

AI擅长快速执行、整理和比较，研究员则要负责提出问题、判断证据强弱，并对最终结论负责。千问带来的不只是一次财报解读效率的提升，也让个人的研究经验有机会沉淀为团队可以反复调用的方法。

AI不会让研究工作变得不再需要判断，恰恰相反，它让研究员有更多时间去做真正有价值的判断。

风险提示：本文仅为研究流程及产品使用体验记录。文中"公司A"等均为场景化代称，相关内容不构成任何证券研究报告、投资建议、证券买卖依据或收益承诺。文中涉及的公司信息、市场数据及前瞻性判断具有时效性，应以公司公告、监管披露及权威市场数据为准。历史表现不代表未来结果，市场有风险，投资需谨慎。