1. 为什么“让AI直接给结论”是基本面研究里最危险的偷懒我见过太多人拿着AI生成的“XX公司深度研报”当宝贝三页纸里两页是废话剩下一页是“建议关注”四个字。问题出在哪出在大多数人把AI当成了“答案生成器”而不是“结构化思考的脚手架”。基本面研究的本质不是得到一个“买不买”的结论而是搞清楚三件事这家公司靠什么赚钱、这种赚钱方式能持续多久、当前价格是否值得出手。AI可以帮你快速整理信息、搭建框架、查漏补缺但它没法替你判断“这门生意的本质好不好”。我刚开始做基本面研究的时候也走过弯路。那时候我把年报PDF丢给AI让它“总结一下这家公司的核心竞争力”结果它洋洋洒洒写了八百字把“品牌优势”“技术领先”“渠道完善”全列了一遍——这些词放在任何一家消费品公司身上都成立等于什么都没说。后来我才明白AI的输出质量完全取决于你给它的“思考模具”。你给它一个模糊的问题它就还你一堆模糊的答案你给它一套结构化的分析模板它才能帮你把散落的信息填进正确的位置。这套模板的核心逻辑是把基本面研究拆解成四个递进的层次生意模式→护城河→财务验证→估值判断。每一层都有具体的追问清单和判断标准AI负责在每一层里帮你搜集、整理、对比信息但“这家公司到底行不行”的最终判断必须由你自己来做。下面我把这套模板的完整结构和实操方法拆开来讲你可以直接拿去用也可以根据自己的行业偏好做调整。注意本文提到的所有分析框架和判断标准都是基于公开信息和通用商业逻辑的讨论不构成任何投资建议。具体决策请结合自身风险承受能力独立判断。2. 第一层拆解用“生意三问”看透公司到底靠什么赚钱很多人做基本面研究上来就看PE、PB、ROE这些财务指标这是典型的“先看仪表盘再开车”。财务数据是结果不是原因。你得先搞清楚这家公司到底在做什么生意才能理解那些数字背后的含义。我习惯用“生意三问”来拆解任何一家公司的商业模式这三个问题看起来简单但能答清楚的公司其实不多。2.1 第一问它卖的是什么客户为什么掏钱这个问题听起来像废话但真正拆到细节层面很多人的理解是模糊的。比如一家做工业软件的公司它卖的到底是“软件授权”还是“生产效率提升的解决方案”这两种理解对应完全不同的分析路径。如果是卖软件授权你要关注的是 license 续费率、客户获取成本、版本迭代节奏如果是卖解决方案你要关注的是客户产线改造的深度、切换成本、实施周期和客单价。我通常会让AI帮我做一件事把公司年报里“主营业务”那一节的描述拆解成“产品形态→交付方式→收费模式→客户类型”四个维度然后逐一追问。比如某家做检测设备的公司产品形态是硬件软件一体机交付方式是直销渠道代理收费模式是设备销售年度服务费客户类型是制造业工厂和第三方检测机构。拆到这一步你就能看出这家公司的收入结构里哪部分是“一锤子买卖”哪部分是“细水长流”。前者看订单节奏后者看续约率分析重点完全不同。这里有个实操技巧让AI把公司最近三年的收入按“产品线×客户类型”做一个交叉表然后问它“哪一类收入占比在提升哪一类在下降”。这个变化趋势往往比绝对数字更有信息量。如果一家公司的高毛利产品线占比持续提升说明它在往价值链上游走如果低毛利产品线占比扩大可能是为了冲营收规模在牺牲利润质量。2.2 第二问它的钱是怎么收上来的现金流长什么样利润是观点现金是事实。我见过太多公司利润表光鲜亮丽现金流一塌糊涂。拆解收费模式的时候要特别关注三个节点收款节点、确认节点、回款周期。收款节点是客户什么时候把钱打过来确认节点是公司什么时候把收入记在账上回款周期是从确认到实际到账的时间差。举个例子一家做企业级SaaS的公司客户按年付费收款节点在年初确认节点按服务周期逐月分摊回款周期几乎为零。这种生意的现金流特征就是“先收钱后干活”经营现金流净额通常大于净利润是很健康的模式。反过来一家做工程项目的公司收款节点按项目进度分阶段确认节点按完工百分比回款周期可能长达一年以上这种生意的现金流就很容易出现“纸面利润、实际缺钱”的情况。我让AI做这件事的时候会要求它把“销售商品收到的现金”和“营业收入”做一个比值连续看五年。这个比值长期低于1的公司要么是在给下游垫资要么是在压货给渠道两种情况都值得警惕。同时还会看“经营活动现金流净额”和“净利润”的比值这个比值长期低于0.8的公司利润质量大概率有问题。2.3 第三问它的成本结构里哪一块是刚性的成本结构决定了公司的经营杠杆。固定成本占比高的公司收入下滑时利润跌得更狠变动成本占比高的公司抗风险能力更强但利润率通常更薄。我通常会把成本拆成四块原材料/采购成本、人工成本、折旧摊销、销售管理费用。然后让AI帮我算一个“收入下降10%时净利润会下降多少”的敏感性分析。这个分析的意义在于它能帮你判断一家公司在行业下行期的生存能力。比如一家重资产的制造业公司折旧摊销占比很高收入下滑10%可能直接导致净利润腰斩而一家轻资产的软件公司主要成本是研发人员工资收入下滑时可以通过控制招聘来缓冲利润波动相对小一些。实操心得让AI做成本拆解的时候一定要让它把“成本”和“费用”分开列。营业成本里的固定部分和变动部分要区分清楚销售费用、管理费用、研发费用要单独看趋势。很多公司的“降本增效”其实是把费用挪到了成本里或者把当期的费用资本化了这些操作在AI的汇总表里很容易被掩盖需要你手动追问。3. 第二层拆解护城河不是“有优势”而是“优势能挡住谁”“护城河”这个词被用烂了几乎每份研报里都会说某公司“护城河宽广”。但护城河的本质不是“这家公司有什么优势”而是“这种优势能阻止谁进来抢生意”。我判断护城河的时候会从四个维度去追问每个维度都让AI帮我找具体的证据而不是泛泛的形容词。3.1 转换成本客户换掉它要付出什么代价转换成本是最容易被低估的护城河。一家公司的产品可能不是最好的但如果客户换掉它需要重新培训员工、迁移数据、调整流程、承担业务中断风险那客户就会倾向于继续用下去。我让AI做转换成本分析的时候会要求它从“时间成本、资金成本、业务风险”三个角度去找证据。比如企业级软件转换成本体现在数据迁移的复杂度和员工重新学习的周期工业零部件转换成本体现在重新认证的周期和产线停线的风险消费品转换成本体现在口味习惯和品牌信任。这些证据通常散落在年报的“客户粘性”描述、行业调研报告、甚至招聘网站上的岗位要求里。AI可以帮你把这些碎片信息拼起来但“这个转换成本到底高不高”的判断需要你结合行业常识来做。3.2 网络效应用的人越多是不是越好用网络效应是互联网平台型公司最常被提及的护城河但真正有网络效应的公司其实很少。判断标准很简单新增一个用户是否能让老用户的体验变好。如果是那就是真网络效应如果只是“用户多了摊薄成本”那是规模效应不是网络效应。我让AI验证网络效应的时候会看两个数据用户增长和单用户价值的关系。如果用户数增长的同时单用户平均收入或活跃度也在提升那网络效应可能在起作用如果用户数增长但单用户价值在下降那可能只是补贴换来的虚假繁荣。另外还会看“跨边网络效应”——比如电商平台买家多了会吸引更多卖家卖家多了又会吸引更多买家这种双边效应比单边网络效应更强。3.3 成本优势是“规模大所以便宜”还是“便宜所以规模大”成本优势要区分“结构性”和“执行性”。结构性成本优势来自地理位置、资源禀赋、专利技术、规模经济这些很难被复制的东西执行性成本优势来自管理效率、采购谈判、工艺优化这些可以被追赶的东西。我让AI分析成本优势的时候会要求它把“单位成本”和“竞争对手”做对比然后追问“这个差距是来自规模、技术、还是资源”。比如一家水泥公司它的成本优势可能来自矿山资源的地理位置——离矿区近运输成本低这种优势很难被复制。而一家组装厂的成本优势可能来自管理效率——人均产出高这种优势理论上可以被追赶。两者的护城河深度完全不同。3.4 无形资产品牌、专利、牌照哪个是真壁垒无形资产包括品牌、专利、特许经营权、牌照等。这里面最容易被高估的是品牌——很多公司说自己“品牌优势明显”但消费者其实只是“知道这个牌子”而不是“非它不可”。我判断品牌护城河的时候会看一个指标提价后销量是否明显下滑。如果提价5%销量基本不变说明品牌有定价权如果提价后销量大跌说明品牌只是知名度不是忠诚度。专利和牌照的护城河相对好判断关键看“到期时间”和“替代难度”。我让AI整理专利信息的时候会要求它列出核心专利的到期时间表以及公司正在申请的下一代专利。如果核心专利即将到期而下一代专利还没形成壁垒那护城河就在变窄。注意护城河分析最容易犯的错误是“把行业特点当成公司优势”。比如“医药行业研发周期长”是行业特点不是某家公司的护城河“这家公司有五个重磅专利”才是。让AI帮你区分“行业共性”和“公司特性”是这一步的关键。4. 第三层拆解财务数据是“验证器”不是“指南针”财务分析在基本面研究里的角色是验证你对生意模式和护城河的判断而不是反过来用财务数据去推导结论。我见过太多人盯着ROE选股结果选出来一堆高杠杆堆出来的“伪成长”。正确的顺序是先有对生意和护城河的判断再用财务数据去验证这个判断是否成立。4.1 ROE拆解高回报到底来自哪里ROE是基本面研究里最重要的单一指标但它的高低本身没有意义关键看它是怎么来的。杜邦分析把ROE拆成三个部分净利率×资产周转率×权益乘数。这三个部分对应三种完全不同的商业模式。高净利率驱动的ROE通常来自品牌溢价或技术壁垒比如高端消费品和专利药。这种模式的可持续性取决于护城河是否牢固。高周转率驱动的ROE通常来自高效的供应链管理或薄利多销的零售模式比如超市和快时尚。这种模式的关键是规模效应和成本控制。高杠杆驱动的ROE通常来自金融行业或重资产行业这种模式的脆弱性最高一旦资产质量恶化或融资环境收紧ROE会迅速崩塌。我让AI做杜邦拆解的时候会要求它把过去五年的三个因子分别列出来然后看哪个因子在驱动ROE的变化。如果ROE在提升但主要是杠杆在推那就要警惕如果ROE在提升且主要是净利率或周转率在推那质量更高。4.2 现金流验证利润是不是“真钱”现金流是验证利润质量的最好工具。我通常看三个比值经营现金流净额/净利润、销售商品收到的现金/营业收入、自由现金流/净利润。这三个比值长期低于1的公司利润质量大概率有问题。但这里有个坑不同行业的现金流特征完全不同。消费品公司通常经营现金流很好因为先收钱后发货工程类公司现金流差因为先干活后收钱。所以不能跨行业比较现金流比值只能和同行业公司比或者和公司自己的历史比。我让AI做现金流分析的时候会要求它把这三个比值和“行业均值”以及“公司五年均值”同时对比这样才有参考意义。4.3 资产负债表有没有“隐藏的雷”资产负债表是基本面研究里最容易被忽略的部分但很多雷都埋在这里。我重点关注四个科目应收账款、存货、商誉、有息负债。应收账款增速超过营收增速说明可能在放宽信用政策冲收入存货增速超过营收增速说明可能在压货或者产品滞销商誉占净资产比例过高说明可能有减值风险有息负债过高且短期借款占比大说明可能有流动性压力。我让AI做资产负债表排查的时候会要求它把这四个科目的“绝对值”和“占营收/净资产的比例”都列出来然后看五年趋势。同时还会让它去年报附注里找“应收账款账龄结构”和“存货跌价准备计提比例”这两个细节往往能提前暴露问题。实操心得财务数据最大的价值不是告诉你“这家公司好不好”而是告诉你“你的判断对不对”。如果你认为一家公司有品牌护城河但它的毛利率在持续下滑那要么是你的判断错了要么是护城河在变窄。这种“判断-验证-修正”的循环才是基本面研究的正确姿势。5. 第四层拆解估值不是算出来的是“比”出来的估值是基本面研究里最容易被神化的部分。很多人追求“精确计算内在价值”但说实话DCF模型里随便改一个假设结果就能差出50%。我的做法是不做精确估值只做相对比较和情景分析。估值的本质不是算出“值多少钱”而是判断“当前价格隐含了什么预期”。5.1 相对估值和谁比比什么相对估值的核心是找到“真正可比”的公司。我让AI做可比公司分析的时候会要求它从三个维度筛选业务结构相似、收入规模相近、增长阶段相同。很多AI生成的可比公司列表里会把行业龙头和尾部公司放在一起比这完全没有意义。筛选出可比公司后我会看三个指标PE、EV/EBITDA、PEG。PE适合盈利稳定的公司EV/EBITDA适合折旧摊销大的重资产公司PEG适合高成长公司。但不管用哪个指标都要结合“增长质量”来看。两家PE都是30倍的公司一家增长20%但现金流很差另一家增长15%但现金流很好前者可能更贵。5.2 情景分析乐观、中性、悲观三种假设情景分析是估值里最实用的工具。我让AI做情景分析的时候会设定三个情景乐观情景收入增速超预期、利润率提升、中性情景收入增速符合预期、利润率持平、悲观情景收入增速低于预期、利润率下滑。然后分别算出三种情景下的合理估值区间。这个分析的价值在于它能帮你判断“当前价格反映了哪种预期”。如果当前价格已经接近乐观情景下的估值上限说明市场预期很满任何低于预期的情况都可能导致下跌如果当前价格接近悲观情景下的估值下限说明市场预期很低超预期的可能性反而更大。5.3 估值陷阱哪些“便宜”不能碰低估值不一定是机会也可能是陷阱。我总结了几种常见的估值陷阱周期顶部的低PE利润在高点PE看起来很低但周期下行时利润会暴跌、一次性收益导致的低PE卖资产或补贴带来的利润不可持续、会计政策调整导致的低PE折旧年限延长或坏账计提减少虚增利润。我让AI排查估值陷阱的时候会要求它把“扣非净利润”和“归母净利润”做对比看差异有多大同时看“非经常性损益”的构成判断哪些是一次性的。另外还会看“经营现金流净额”和“净利润”的比值如果这个比值很低但PE也很低那大概率是陷阱。注意估值没有标准答案只有“合理区间”。我通常会把三种情景下的估值区间都算出来然后看当前价格落在哪个位置。如果当前价格在悲观和中性之间我会更关注如果在乐观和中性之间我会更谨慎。这个判断没有绝对的对错但至少能让你知道自己“在赌什么”。6. 把模板交给AI提示词怎么写才能拿到有用的输出前面四层拆解讲的是“分析什么”这一节讲“怎么让AI帮你分析”。我试过几十种提示词写法总结下来最有效的结构是角色设定分析框架输出格式追问指令。下面我直接给一个可复用的模板你可以根据自己的需求调整。6.1 提示词模板四层拆解一次到位你是一位有十年经验的基本面研究员。请基于我提供的公司年报和公开信息按照以下框架做分析 第一层生意模式 - 产品形态、交付方式、收费模式、客户类型分别是什么 - 收入结构按产品线和客户类型怎么拆分近三年变化趋势如何 - 收款节点、确认节点、回款周期分别是什么 - 成本结构中固定成本和变动成本各占多少 第二层护城河 - 转换成本客户换掉它需要付出什么代价找具体证据 - 网络效应新增用户是否让老用户体验变好用数据验证 - 成本优势单位成本和竞争对手差多少差距来自哪里 - 无形资产品牌、专利、牌照的壁垒有多深专利到期时间表 第三层财务验证 - ROE杜邦拆解过去五年三个因子的变化趋势 - 经营现金流净额/净利润、销售商品收到的现金/营业收入、自由现金流/净利润 - 应收账款、存货、商誉、有息负债的五年趋势和异常变化 - 扣非净利润和归母净利润的差异非经常性损益的构成 第四层估值判断 - 筛选三家真正可比的公司对比PE、EV/EBITDA、PEG - 设定乐观、中性、悲观三种情景分别估算合理估值区间 - 当前价格隐含了哪种预期是否存在估值陷阱 输出要求 - 每个结论都要有数据或事实支撑不要用“较强”“明显”这类模糊词 - 不确定的地方明确标注“需要进一步验证” - 最后列出三个你最想追问的问题这个模板的关键在于“输出要求”那一段。很多人写提示词只写“帮我分析一下”AI就给你一堆正确的废话。加上“每个结论都要有数据支撑”和“不确定的地方标注”AI的输出质量会明显提升。6.2 追问技巧怎么让AI把“废话”变成“干货”AI的第一轮输出通常比较泛需要你追问才能挖到细节。我常用的追问方式有三种要证据、要对比、要反方。要证据当AI说“公司品牌优势明显”时追问“请给出三个具体证据比如提价后销量变化、客户复购率、品牌搜索指数”。要对比当AI说“公司毛利率较高”时追问“和行业均值比高多少和主要竞争对手比高多少这个差距在过去三年是扩大还是缩小”。要反方当AI说“公司护城河宽广”时追问“如果我要反驳这个结论最有力的三个论据是什么”。这三种追问方式能逼着AI从“泛泛而谈”转向“具体论证”。我通常会把AI的第一轮输出当作“初稿”然后通过三轮追问把它打磨成“可用的分析”。6.3 人工复核哪些地方AI最容易出错AI在基本面分析里有几个高频出错点需要你手动复核。第一是数据口径AI经常把“营业收入”和“销售商品收到的现金”搞混或者把“归母净利润”和“扣非净利润”混用。第二是时间范围AI可能把不同年份的数据放在一起比较或者把季度数据和年度数据混用。第三是行业常识AI可能给出一些在特定行业里明显不合理的判断比如认为一家重资产公司的“轻资产转型”很容易。我的做法是AI输出的每一个关键数据我都会去原始年报里核对一遍。这个过程很枯燥但能避免很多低级错误。另外AI对“行业惯例”的理解往往比较浅比如它可能不知道某个行业的“正常账期”是多久这时候需要你用自己的行业经验去修正。实操心得AI最擅长的不是“判断”而是“整理”和“对比”。让它帮你把散落在年报各处的信息整理成表格让它帮你把不同公司的同一指标放在一起对比这些工作它做得又快又好。但“这家公司到底行不行”的判断永远要你自己来做。7. 几个让我少走弯路的实操习惯最后分享几个我在实际研究中养成的习惯这些习惯看起来不起眼但长期坚持下来能显著提升研究质量。第一个习惯先看“风险因素”再看“经营讨论”。年报里的“风险因素”章节是管理层被迫披露的信息量往往比“经营讨论”更大。我通常会让AI先把“风险因素”章节里的每一条风险提取出来然后追问“这条风险在过去三年是否发生过公司是如何应对的”。这个习惯帮我提前发现了很多后来暴雷的公司。第二个习惯把“管理层讨论”和“实际数据”做交叉验证。管理层说“行业竞争加剧”但毛利率在提升那就要追问为什么管理层说“加大研发投入”但研发费用率在下降那就要警惕。AI可以帮你把管理层的表述和财务数据放在一起对比但“哪个是真的”需要你自己判断。第三个习惯每季度更新一次“核心假设清单”。我会为每只跟踪的公司列一个“核心假设清单”比如“假设A公司的高毛利产品线占比继续提升”“假设B行业价格战不会持续超过两个季度”。每季度财报出来后逐条检查这些假设是否成立。如果连续两个季度假设不成立就要重新审视投资逻辑。这个习惯能帮你避免“爱上自己的持仓”。第四个习惯用“如果我是竞争对手我会怎么打”来检验护城河。这个思维实验比任何定量分析都有效。如果我是竞争对手我会从哪里切入是打价格战、挖核心团队、还是绕开专利如果我能想到一个可行的进攻策略那这家公司的护城河可能没有想象中那么深。AI可以帮你列出竞争对手的可能策略但“这个策略是否可行”的判断需要你对行业有深入理解。这套模板和习惯我用了好几年最大的体会是基本面研究没有捷径但有方法。AI可以帮你把信息整理得更快、把框架搭得更全但它替代不了你对生意的理解和对商业的判断。把AI当成一个“不知疲倦的研究助理”而不是“替你决策的专家”你才能真正从这套工具里获得价值。