如何用 AI 组建一支“没有碳基员工”的投资研究团队

最近，我在 AI 的帮助下，完成了一个听起来颇为“宏大”的工程：

我组建了一支智能体投资团队。

它们负责日常几乎全部的投资研究工作：跟踪宏观政策、监测市场舆情、分析上市公司财报、研究人工智能产业链、整理数据、生成报告、召开“高湾财富夜话”……

这支团队里，没有请一位碳基员工。

所有的工作，都是我和 AI 助手一起完成的。

从项目启动开始，我就在朋友圈持续记录。很多朋友看完后，问得最多的是两个问题：

第一，你这套系统到底是怎么配置的？第二，现在 AI 工具这么多，到底应该从哪里开始学？

这篇文章，就集中回答这两个问题。

一、面对眼花缭乱的 AI 工具，我的原则是什么？

现在的 AI 工具实在太多了。

每天都有新模型、新产品、新智能体平台出现。很多人一打开应用商店、工具榜单或者朋友圈，就容易陷入一种焦虑：

“这个要不要学？” “那个会不会错过？” “别人都在用，我是不是落后了？”

我的应对方法很简单，只有两条。

第一，多接触，但不盲目追逐

热门工具，我通常都会尽量去试一试。

不一定要立刻深入使用，但至少要亲自感受一下：它解决什么问题？好不好上手？适不适合自己的工作？和已有工具相比，到底强在哪里？

AI 工具的能力，很多时候不是看介绍能看明白的，而是要亲自上手，才知道它到底是“玩具”，还是“生产力工具”。

第二，以赛代练，从真实需求出发

真正有效的学习，不是把所有工具都学一遍，而是拿一个真实任务去做。

你要写报告，就找适合研究和写作的工具； 你要处理数据，就找适合数据分析和自动化的工具； 你要做企业知识库，就找适合文档管理和检索的工具； 你要开发自己的智能体，就需要编程、数据库、云服务器和模型能力。

我组建高湾智能体投资团队，本质上也是一次“以赛代练”。

在大量工具中不断筛选、组合、淘汰之后，我逐渐形成了一套自己觉得好用、够用、可持续迭代的配置。

对于大多数希望把 AI 深度用于专业工作的人来说，这套配置已经足够。

二、我的 AI 工作系统：五层配置

我把自己的 AI 工作系统，分成五层：

笔记本电脑、桌面电脑、公有云、私有云与数据库、大模型系统。

它们不是彼此独立的，而是共同构成了一个完整的智能体工作环境。

第一层：一台主力笔记本电脑

笔记本电脑，是平时最主要的开发和办公设备。

我选择的是一台 Windows 游戏本：华硕枪神。

选择游戏本，并不是为了打游戏，而是因为它通常具备比较强的处理器、显卡、散热能力和扩展空间，适合做数据分析、AI 编程、运行本地工具，同时也能兼顾日常办公。

对大多数人来说，不必照搬具体型号。我的建议是：

内存尽量不低于 32G；

硬盘尽量不低于 1T；

选择近三年的主流处理器；

散热、续航、接口和稳定性，也比参数表上的“极限跑分”更重要。

在这台电脑上，我使用最多的两个 AI 工具是：Claude Code 和 WorkBuddy。

1. Claude Code：我的智能体开发主力

Claude Code 是 AI 编程工具，也是高湾智能体团队的核心生产工具之一。

高湾智能体 90% 以上的开发工作，包括程序搭建、数据处理、功能修改、错误排查、报告生成、项目结构设计等，都是通过它完成的。

过去，做一个完整的研究系统，往往需要产品经理、程序员、数据工程师、测试人员共同协作。

现在，一个懂业务的人，加上足够强的 AI 编程工具，已经可以把很多原来需要团队完成的事情推进起来。

当然，这并不意味着“不会编程的人也不用学习”。

恰恰相反，未来最重要的能力，可能不是自己一行一行写代码，而是能够把业务需求讲清楚、把流程拆清楚、把结果验清楚。

2. WorkBuddy：把繁琐操作交给智能助手

除了编程，我还会把一些繁琐的电脑操作交给 WorkBuddy。

例如安装环境、处理文件、修改配置、系统间迁移、执行重复性操作等。

很多朋友问：为什么不用 OpenClaw，而选择 WorkBuddy？

我的考虑是，WorkBuddy 在腾讯生态里使用门槛相对更低，很多基础任务可以快速完成，成本也比较友好。

而类似 OpenClaw 这类工具，灵活性更强、权限更高，但安装和配置往往更复杂，对使用者的技术能力、权限管理和 Token 成本控制也提出了更高要求。

对于刚开始深入使用 AI 的朋友，我更建议先从“稳定、简单、低门槛”的工具开始。

先让 AI 真正帮你省时间，再逐渐追求更复杂、更自由的自动化能力。

3. Claude 在国内能不能用？

这个问题也经常被问到。

需要区分两件事：

第一，AI 编程工具的工作框架； 第二，框架内部调用的具体大模型。

有些海外模型和服务，在国内使用时可能存在账户、网络、支付或合规方面的限制。

所以我的实际策略是：工具框架可以使用，但模型不要只依赖一种。

目前，我在工程编程场景中，也会使用千问等国内模型作为重要补充。

尤其是千问的编程能力，近一年提升非常快。在一些工程类、代码类任务中，已经具备很强的实用价值。

我的原则是：

国外模型看能力上限，国内模型看生态、成本、可用性和长期稳定性。

不要把自己的工作系统，押注在单一模型、单一平台或单一国家的服务上。

第二层：一台桌面电脑，专门跑“重任务”

除了笔记本，我还配了一台 Mac mini。

它的任务很明确：专门负责长时间、批量化、稳定运行的工作。

例如，这次高科技分析智能体“高晓爱”，需要按照最新的“七步双链法”，深入分析数十家高科技公司；还要连接大量公司过去十年以上的财务数据、产业资料、新闻信息和研究报告；最后形成每家公司数万字的深度研究报告。

这类任务有两个特点：

第一，运行时间长； 第二，对稳定性要求高。

如果全部在笔记本上完成，既占用日常办公资源，也容易因为外出、休眠、网络变化等问题影响任务连续性。

桌面电脑就更适合承担这种“后台重活”。

它像是一个安静的研究员，放在办公室或者家里，持续运行批量任务、更新数据库、整理文件、生成报告。

对于刚起步的朋友来说，不一定马上需要配第二台电脑。

但当你的 AI 工作开始进入“批量处理、持续运行、多任务协同”的阶段时，一台专门跑后台任务的设备，会明显提高效率。

第三层：公有云，让工作不被一台电脑限制

本地电脑再强，也有局限。

你出差了，电脑没带； 你在外地，临时要看一个报告； 你在手机上，想确认某个智能体是否完成任务； 你换了一台设备，想继续修改项目。

这时候，就需要公有云。

公有云最大的价值，不只是“把文件放到网上”，而是让你的工作从“依赖某台电脑”，变成“随时随地可以继续”。

目前，我在公有云工具上，用得较多的是：Coze、飞书和 GitHub。

1. Coze + 飞书：适合快速做 AI 应用闭环

Coze 和飞书，都是很适合做轻量级 AI 应用的工具。

尤其是飞书多维表格，我非常推荐。

它可以把数据、流程、协作、自动化和 AI 能力放到一个相对简单的界面里。

你不需要一开始就做复杂的软件系统。

一个客户管理表、一套行业研究表、一张投资组合跟踪表、一个日报生成流程、一个企业经营数据看板，都可以先在多维表格里跑起来。

这就是我常说的：

先用最小成本，完成最小闭环。

小项目可以直接用； 大项目可以先在这里测试； 验证有效之后，再进入正式开发。

2. GitHub：不同设备之间的“项目中枢”

GitHub 是软件项目协同和版本管理的标准工具。

我的 Windows 笔记本和 Mac mini，是两种不同的操作系统。智能体项目如何同步？

基本流程是：

在笔记本上开发； 把项目同步到 GitHub； Mac mini 从 GitHub 拉取最新版本； 运行任务、生成结果； 再把更新后的内容同步回云端。

这样，项目不会被锁死在某一台电脑里。

即使换设备、换地点，甚至未来增加更多机器和更多协作者，整个项目也能保持连续性。

不同系统之间如果出现配置问题，我会优先交给 AI 工具处理。很多过去需要查半天资料、试半天命令的问题，现在已经可以由智能助手协助完成。

第四层：私有云 + 云数据库，智能体团队的“数据底座”

如果你只是偶尔写写文章、做做 PPT、整理资料，前面的配置已经足够。

但如果你希望做成比较专业、高效率、可持续迭代的 AI 系统，那么私有云和云数据库会越来越重要。

以高湾智能体团队为例。

投资研究涉及的数据非常多：

上市公司多年财报；

行业数据；

宏观数据；

新闻和政策；

估值数据；

公司公告；

历史报告；

研究框架；

用户自己的投资组合和观察清单。

这些数据不能只散落在 Excel、电脑文件夹和聊天记录里。

我会把核心数据逐步放到云数据库中。

这样做的好处是：

第一，多个智能体可以共享同一套基础数据； 第二，每个智能体又可以拥有自己的专属数据库和工作记录； 第三，数据可以持续更新，而不是每次研究都从头找资料； 第四，未来可以把数据、模型、报告、网页看板真正连接起来。

举例来说：

平时我在笔记本上开发投资分析功能； 公司的财报、估值、行业分类等基础信息放在云数据库中； 智能体每天生成的报告、预警和跟踪结果，则部署到云服务器上； 最后通过网页形式展示。

这样，无论我在哪里，无论使用电脑还是手机，都可以查看智能体的工作结果，并继续提出新的研究问题。

这时，AI 不再只是聊天工具。

它开始变成一个可以持续运转的研究系统。

第五层：大模型系统，AI 应用的“心脏”

所有 AI 应用，最终都离不开大模型。

模型怎么选？

我的态度是：国内外模型都要用。

海外顶级模型，通常在能力上限、复杂推理、工程编程、英文资料处理等方面，仍然有明显优势。

国内模型的优势，则在于生态更灵活、成本更友好、接入更方便、本地化能力更强，而且整体水平提升非常快。

我目前较常使用的模型包括：

千问：主要用于编程、智能体开发和复杂任务；

智谱：用于部分开发、推理和应用场景；

DeepSeek：适合一些成熟应用中较大规模、较高频率的调用；

豆包：更常用于多模态内容、图文理解和日常交互场景。

不同模型，像不同风格的研究员。

有人擅长写代码； 有人擅长读长文； 有人速度快、成本低； 有人适合图像、语音、视频等多模态任务。

不要执着于“哪一个模型最好”。

真正重要的是：你的工作流能不能根据任务特点，选择最合适的模型。

（图示：搭建高湾智能体团队的配置参考）

三、给想深入使用 AI 的朋友：从哪里开始？

很多人看到这里，可能会觉得这套系统有些复杂。

其实不需要一步到位。

我建议按照下面的顺序，逐步升级：

第一步：先学会和大模型好好对话。 把自己的问题讲清楚，把目标、背景、约束和交付物讲清楚。

第二步：建立自己的知识库。 把资料从零散文件，变成可积累、可检索、可复用的资产。

第三步：尝试做一个智能体。 先解决一个重复性的小问题，例如日报、会议纪要、行业跟踪、客户管理。

第四步：用多维表格做最小闭环。 把数据、流程、自动化和 AI 连接起来。

第五步：开始接触 AI 编程。 不一定要成为程序员，但要学会让 AI 帮你把需求变成工具。

AI 时代最可怕的，不是不会某一个软件。

而是始终把 AI 当成一个聊天玩具，而没有把它真正接入自己的工作流。

结语：让 AI 从“好玩”变成“有用”

高湾智能体团队，还在持续迭代。

它并不完美，也远没有到“完全自动化投资”的程度。

投资本质上仍然需要人来判断：判断趋势、判断风险、判断企业、判断估值、判断人性。

但 AI 可以帮助我们完成大量过去耗时、重复、分散的工作。

它可以更快地整理资料； 更及时地监控信息； 更系统地分析数据； 更持续地跟踪公司； 也可以让一个人拥有过去需要一个团队才能具备的研究能力。

未来真正的差距，可能不在于谁会不会使用 AI。

而在于谁能把 AI 变成自己的能力延伸，变成自己的工作伙伴，变成一个真正能够创造价值的系统。

祝大家都能在人工智能的道路上，越走越远。

不是为了追赶热点，而是真正用 AI 降本增效，帮助工作，也帮助生活。