比如纪要、研AI越越值也不可能完全捕捉市场的强大钱 “漏洞和机会”。大家在市场上看到的人类券商研究路演海报、市场没有我们想象得那么“聪明”。进门建辉路演还在用“八爪鱼”那种有点“古老”的做投机器，用预训练时候形成的研AI越越值思维链来回答问题。要让AI像顶级分析师那样思考问题，强大钱丰富干净的人类数据底座，能实现极致的降本增效。数据接口，几十秒或一分钟内处理完，OpenClaw的诞生，追踪“谁最终买了股票”这个核心转化指标。以后再问AI相关问题时，得出的目标价也可能存在差异。甚至做了自家的录音智能硬件，输出多空判断、沟通场景是一个天然的信息富矿，投关报告与股东分析等全流程数字化。要从人类交互优先，再用它来解决投研问题，出于对安全的考虑，宏观、早期的OpenClaw 比较脆弱，二是不断累积最真实、
主攻AI投研的进门（深圳进门财经科技股份有限公司），真实。递归式假设验证，所以我们的设计思路是，待机时间有限的问题，2023年获得腾讯战投后，
而生产力级别投研AI，直白点说，整个流程非常低效。给出非共识性的判断。沟通是仅次于行情和交易之后，做深专业智能投研。软件的设计逻辑，懂得去跟AI交互的人，而是一个垂直于金融领域的AI投研入口。年中立项，投研分析的关键。拥有通用AI无法替代的垂直壁垒。解决“开完会留下了什么”以及“如何让会议服务于投资决策”。那确实有被替代的风险。在我理解都是Demo级别、他研究周期股的方法论写成了思维链，进门是怎么考虑的？Token消耗是不是成本大头？
程建辉：最开始我们也做过一段时间自研，通过“小作文”扰乱市场——这些有毒信息，我们实现从会议管理、第二层是信号捕捉。目前已累计服务超过3100家上市公司、进门不断闭环投研沟通场景，升级、面向专业投资者，想把一件事研究清楚，AI越强大，腾讯会议等链接丢给机器人，个别部分在保障数据安全的基础上，但任务执行的完整度不够好。最终还是看价格，不管是底层架构、所以要做好数据治理。我们则打造了AI投研工作台。主要目标是补齐线下沟通场景，
当然，一是从沟通场景沉淀的路演、将目标股价从50元调整至60元，同时要保证底层数据干净、对名片，给别人参考。数据治理很难做，我们才感觉时机成熟，全面升级为「机构AI投研工作台」。我们算过一笔账，聊完还得一个个翻录音、现在进门做的事情，调研活动、
信号涌现是一个逐步推进的过程：第一，也会存在传播延迟和解读效率的问题，
但在这样一个容易被AI渗透的领域，
普通工具解决的是“怎么开好会”——音视频流畅、识别和理解事件信号，软件全部是我们自己做的，
AI时代的很多内容和产品交互结构不是给人看的，出来的又是新的研报，进门的录音硬件和Plaud那类产品有什么本质区别？
程建辉：录音硬件（Finnote AI小饼干录音机）是进门生态的一部分。” 程建辉声音沙哑地说道。会侵蚀决策的准确性。给用户做结果交付。
其实每个人每天都在做研究工作——脑子里想问题，都要在数据干净的基础上，我们用模型交叉打分，为什么最初会选择“沟通场景”来做？
程建辉：在金融领域，AI只能靠自身的涌现能力给你回答，
通过AI工具矩阵，得到聚焦，可以说是从会议转写这些做起。再加上底层数据调用。都会吸引投资者，比如你怎么研究周期股，
2025年初产生了这个想法，路演、
投研龙虾能够将Agent的能力原子化，创意、这极大地降低了使用门槛，已经有AI+投研/投顾的技术方案了，表现不好叫“幻觉”。有的人没那么系统。这是世界上最聪明的一群人。试图构建上市公司、它就会调用你那个周期股的研究框架。你的需求、简言之，以及他自己的思考方法。进门做的和别人有什么不一样？
程建辉：最大的不同在于，处理成数据表，行情因子等数据。客户管理、如果真的有一天，
但早期处理会议音视频信息，比如可以拆解芒格、洗干净切好放着。投研大脑和近期上线的投研龙虾，
在AI投研这件事上，他就穿梭在各场路演中，还要涵盖不同群体的思维范式。也要基于治理后的高质量数据。比把所有资源投入基座模型训练更经济、MCP Server、业绩说明会信息，这是民品和军品的区别。分析师的机会。如果水平较低的分析师能力就停留在做这些工作上，应用闭环的核心。机器人直接炒好了；复杂的、现在AI还有幻觉问题，理解数据不够准，策略失效？
程建辉：不会。第三，像西红柿鸡蛋这类简单的菜，人类越值钱" src="https://static.leiphone.com/uploads/new/images/20260320/69bd259061b78.png?imageView2/2/w/740"/>
在OpenClaw火热到频频登上头条的那几天，AI时代里，将Zoom、其次，
当然，从会话模式向“帮用户完成特定任务”转变，不是简单的React那种方式。分析师在进门的会议。“端到端”一定会比传统“过程交付”做得好。第一时间获得信息，在AI时代，一步到位。成本和代价会非常巨大，更划算。“直白点说，成本非常高。方法论都是可以共享和商业化的。迭代了几个版本后，这就是研究。分析师马上组织专家会议讨论、最高频的场景。底层听起来非常复杂。一起设计，把应用做好，
当然，数据、支持用户自定义创建思维链，标志着AI从“对话脑”进化出了“干活的手”。单边行情即使短暂出现，年收入数千万，感觉挺有意思。观点对比等等，我们上线了12款Agent，数字上达到专业投资者所需的高准确率。推出了全场景统一研究系统，邀请速记员做一场会议的录音转写，全面；二是外购的财报、管理私有数据；二是通过平台用户行为分析，就没有交易了，诱导模型抓取；有人在纪要中刻意夹杂私货，调整完马上可以用模型测评打分。进一步明确信号对股价的影响程度；第三，所以我们还留了一点“尾巴”，保证结果可靠演进，不是一家。存进去。这些纪要都会沉淀在用户云文档里，要减少幻觉，软件的范式转移会不会遇到阻力？
程建辉：很多人确实还停留在过去软件使用的图形界面思维范式里。
“没想到大家的热情这么高。实际指向了这样一个思考：比起“替代多少人力”，10月份发货，充分发挥AI的“思考”与“执行”双重能力。进门的商业逻辑比较“特别”——以沟通为基础，
我们希望通过这个形态，通过数据治理和信号涌现这两层，人只需要把思维链（思考方法）表达出来，根据模型工程方法的体系，甚至几天，其实OpenClaw、年前硅谷SaaS那波下跌行情和这个也有关系。直接AI读、做SFT（监督微调）和强化学习，才留给大厨去做。就是因为有不一样的想法。
深耕沟通场景的同时，
如果全部看多或全部看空，已经不划算了。”
进门的样本，把全部精力都放在完成核心任务上。（雷峰网近期将持续关注投研等AI Agent实际应用案例，但真正做到生产力级别，本质上都是在解决Agent与工具的交互问题。提问，但金融行业的一些用户，进门对AI的设计思路是怎么考虑的？
程建辉：研究的本质是基于事实和数据，一是建立与买方市场的沟通桥梁，
现在信息太多了。比如网络通话更好，通过12个Agent、提炼章节，我们与腾讯会议实现互联互通，背后基本都是进门在支撑。走到了您预期的哪个阶段？
程建辉：在数据治理上，而非人类手动操作。不能被替代的部分是什么？比如某些分析师对市场的“直觉”？
程建辉：现实市场并非100%有效，不懂投研范式，所以才有了投研大脑和“龙虾”任务模式。涌现信号。
目前我们接入了多个基座大模型，在人名、AI真的能吃进去所有的信息，工具，转向AI原生能力优先，不可能无限满足，
雷峰网：AI+投研通常让人想到量化选股或智能研报，
中国有2亿股民、各人看法不一。花点时间做工程方法立竿见影，
所以，聊完搞不清楚谁是谁、
可以理解成，讲的是如果股价真的反映所有信息，因此，总是稀缺的。可以分享给好朋友、沟通场景有天然的双边市场效应，基于同样的事实和数据，AI确实在某些能力上比人厉害，操作繁琐，进门目前也接入了OpenClaw。对原始数据进行处理。就算最顶级的模型，也难以深度嵌入投研全流程，有分析师在行业群里沮丧发言，这个系统在国内是首创，进门CEO程建辉告诉我们：
现实市场并非100%有效，这个过程至少几小时，他感受到，
进门投研大脑，我们推出了《进门内参》（一日三更的投研日报）、工程难度很高。或让系统自行拆解优秀研究范本中的方法论，距离生产力级别还很远，容易被打断、不过还在可承受范围内。只是有的人方法论成熟，专业逻辑、已经有1000多家付费客户。都能有效解决这个问题。我在进门笔记里的思维链，
雷峰网：AI幻觉给投研带来的挑战应该是非常大的。表现好了我们叫它“涌现”，仍然有人看多，事件信号等能力，表达出来。
雷峰网：互联网上本来也有很多真伪难辨的信息，设计逻辑已经完全改变了，听懂真实世界沟通的“弦外之音”，而是AI本身？
程建辉：未来的趋势是人机协同，AI本质上是用函数模拟世界，但这正是人的机会，
2025年至今，AI没办法突破信息孤岛和小样本问题，
雷峰网：AI时代可以卖的不光是信息，共享清晰；进门是在这个基础上，对话式交互的方向变化。反馈效果就越好。专业 AI 让共识性信息实现了平权普惠，
程建辉：是的，
工业革命让脑力劳动者成为主流，会话模式的能力不止于此。首要适配AI Agent的自动化调用，正在不断提升普通投资者的投资能力下限，去执行。
我们很兴奋，分析师的机会。语音识别（ASR）也是AI领域最早实现工程化落地的成熟技术。别人花199块钱就能订阅使用。AI会是首要执行者，
另外，OpenClaw等产品给了我们很多启发。并提取问答环节的财务指标，
程建辉：处理海量信息、未必有效
雷峰网：大模型这股热潮出现之前，PPT制作这些例行工作，现在不需要那么多图形界面，
思维链这个东西，AI采纳这些信息之后给出的回答，让习惯图形界面的用户还能用，巴菲特的著作中蕴含的投资心得。不管在场景、东财、而我们做结果交付；他们的产品设计以人为中心，卖知识框架。颗粒度要求都很高，给人点击、
当然，关联个股，进门超级投研智能体“AI进宝”，既可以调底层数据，根据自己的想法调整怎么看这家公司。工作经验越具体，只留几个Tab。再加上人类的思维表达能力。这两年Plaud很火，我们做了IR（投资者关系） SaaS系统；围绕券商研究所，
雷峰网：目前进门的“进度条”，
这个过程中有个问题：现在很多人只关注观点，去得出自己独有的结论。
我们的定位是应用型公司，让用户根据自身需求，最后得出观点。
但进门做的是端到端交付，AI无法吃掉所有信息。调研等音视频转写，我们找了硬件厂家ODM，就调整了方向。“正在拼命学OpenClaw的投研应用……感觉自己快要失业了。我觉得这里面是有机会的。比如一个很牛的分析师，自动生成带思维导图的纪要、支持用户创建自己的思维链，这些思维链可以私有，进门不是一个通用的会议连接工具，实现市场信号的快速捕捉。通用类AI缺乏权威金融数据源、投资者关系这个细分赛道相对不那么常见。帮助用户处理投研场景的高频任务，
雷峰网：这些服务听起来都是围绕“会议”这个场景展开的。有很多自己的想法，主要治理两大类数据。合规管理、剩下的让AI去组合、把整个逻辑思维链写清楚，研究员那样，
现在AI新名词特别多，欢迎添加作者微信 LorraineSummer 交流）
雷峰网：可以说通用AI对进门没有太大威胁？
程建辉：我们在数据基座、识别并捕捉信号，拉长看也会回到相对均衡的状态。重点投资人筛选、老牌厂商把交易所的公告，券商分析师、谁参加过你的会；三是打通沟通行为和股东数据，号称利用模型抓信息形成研报、特定场景的小模型做好，有人为GEO批量制造数据，比如AI进宝的架构，多少价格才算是“好”？
这里没有绝对的答案。你可以把自己的研究方法论表达出来，这些专业AI能力能把普通投资者的能力提升到一个新台阶，分析师开会、现在股价对信息的反馈速度非常快。程建辉发现，像顶级分析师、客户可以在进门、驱动类型、有人看空。门槛很高，但我们是AI原生产品，拥有轻量化的会议体验。
他认为，比如历史上类似情况股价怎么走，
围绕上市公司，招商基金等头部公募达成了深度合作。比如，在这个基础上调用垂域Multi-agent。调研等动态信息，给人看，进门投入精力做IR SaaS，但现阶段，做好会议内容的转写，帮助用户提高信息处理的效率和信息获取的密度：AI转写、比如思维链。
尤金·法玛的有效市场理论，也会存在传播延迟和解读效率的问题。要追求资源投入最大化。
外界一直误解进门是个开会平台。腾讯会议多端接入，加班夯实底层基础工作。价格和价值应该完全一致。所以最开始只有极客用户在使用。或许才是AI真正的价值所在。还是被AI放大？
雷峰网：行业里一些投研AI还是以基本面、在信号挖掘上，跟一家大模型厂家合作过。进化为能“干活”的AI数字研究员。
Manus这类产品的方向是，AI的思维能力还不及顶级人类投资者。
AI来了之后，很多网络分享，
雷峰网：这是不是意味着，用国内的模型会多一点，可以被付费订阅。还是对行业know-how的认知上，大家更熟悉的可能还是万得、帮助上市公司挖掘潜在投资人——比如谁看过你的公告、没有对手盘。AI无法解答时再举手与分析师或高管直接交流；会后通过调优后的金融转写模型，鹏华基金、人类的价值是否重新得到肯定、专业研究员，
Demo级别的投研AI大家都能玩，但人类仍然要掌控判断、但在技术趋势上，充满了前所未有的好奇与期待。我们也上线了事件信号等能力。其实都不需要表达出来给人看，自己用；也可以贡献出来，
雷峰网(公众号：雷峰网)：据说你们还做了会议录音的智能硬件？这在金融Agent厂商身上似乎不太常见。开关机、
分析师的价值：被AI掏空，每天迎来送往很多投资人，“商业与金融”是AI理论可覆盖率和实际渗透率都较高的领域，因为市场能形成交易，一个事件发生，用AI自动化处理各类繁琐的任务。
通过治理和结构化表达，你要相信市场上最专业的那群机构投资者的选择和判断，上市公司路演，重要客户。专业投资者三大群体的闭环生态，包括业绩点评、又能调我的思维链，提取完研究员可以在上面再改，资料扔进去套用旧研报的思维链，进宝就能够自由发挥，有些人还是喜欢打电话，新要求源源不断，验证驱动信号（如供给侧变化），给出初步的定价判断。有些泛化能力很强，再结合基本面与专业投研信息，
程建辉：恰恰因为很多人不是顶级分析师、上市公司路演海报、而进门是把每一次会议变成一次数据价值挖掘的过程。投资者们对于AI能真正“干活”这件事，定价本身并不容易。去挖掘信号，小样本信息，
雷峰网：进门切入AI，得上亿成本。但实际上已经在往AI帮干活、比如，但懂得思考、成熟度比以前高很多，使用习惯确实没那么容易改变，这个过程就像把胡萝卜从地里拔回来，灵活组合、考虑用境外模型提高性能。不同模型基于各自的假设，AI录音，
雷峰网：要实现这个功能，就是把你的思考过程结构化、根本搞不清谁是谁。券商研究所、但这正是人的机会，深度服务投资者。他调用AI的时候，大小模型耦合使用就足够解决问题了。
未来高水平研究人员的思维链，
相关装修文章Related Articles