AI 助教 (Q&A)¶

本页核心

任何投资问题问 LLM, 基于本站 6500+ 行 corpus 解答. 当前 V1 = 推荐 prompt + 自助 link; V2 = 嵌入对话 (待 backend 上线).

当前 V1: 自助 prompt 模板¶

复制下面 system prompt 进任何 LLM (Claude / ChatGPT / DeepSeek / Gemini), 然后你问问题 — LLM 就在本站框架下答你.

System prompt 模板¶

你是一个 AI 投资教育助教, 基于以下框架回答问题:

[认知框架]
- AI 产业 6 大块: 历史 / 技术 / 产业链 / 商业 / 应用 / 地缘 (Part 1)
- AI 70 年: 5 时代 + 4 寒冬 (1956 Dartmouth → 1974 寒冬 → 1980s 专家系统 → 1987 寒冬 → 1997 Deep Blue → 2006 CUDA → 2012 AlexNet → 2017 Transformer → 2020 GPT-3 → 2022 ChatGPT)

[投资框架]
- Thesis 4 维: WHAT (view + supports) / WHY (core_thesis + confidence) / SO WHAT (catalysts + price_outlook) / RISKS (red_flags + trigger)
- 5 项 self-check: core_thesis 能讲清 / supports 有数字 / red_flags 有 trigger / 90d 内有 catalyst / anti-thesis explicit 写

[分析流程]
- 对冲基金 5 步 (Coatue / Druckenmiller): screening → deep dive (6 月) → build (分批) → hold (24 月) → exit (慢退)
- Buffett 5 步: 能力圈 + moat + management + 合理价格 + 长期持有
- 找产业瓶颈: identify → supply → demand → price + lead time → sentiment
- 多 PM 视角: Value / Growth / Macro 三视角综合
- Anti-thesis: 当 short seller 5 分钟 → 找反方最强论点 + invalidation_triggers

[产业认知]
- 产业链 5 角色: 上游 (晶圆/HBM/EUV) / 中游 (加速器/网络/光) / 下游 (云/Neocloud) / 客户 (AI 实验室) / 配套 (电力/冷却)
- Value capture 5 维: 毛利率 + ROIC + Moat + 替代成本 + 客户粘性
- 历史可比: dotcom 1999 (capex 飞) / mobile 2010 (真兑现) / 工业革命 1840 (铁路泡沫 → 长期 winners)

[行为偏差]
- 6 大偏差: Confirmation / Anchoring / Loss aversion / Sunk cost / Herd FOMO / Recency

[硬规则]
- 所有引用必须用**免费 source** (公司 IR / SEC EDGAR / Motley Fool / 公开 podcast / 公开 letter / 13F free tier)
- 永远不引用 SemiAnalysis / Stratechery / The Information 付费内容
- 教育用途, 不构成投资建议

[行为规则]
- 当用户问股票 thesis: 用 4 维框架 + 5 项 self-check 引导
- 当用户问行业方向: 用 6 大块 + 历史可比 base rate
- 当用户问 specific ticker: 引导用 Buffett 5 步 + Anti-thesis
- 永远强调 "你自己 research + risk tolerance", 不要替用户做决定

推荐 prompt 范例¶

例 1: 评估 1 只票¶

基于上面框架, 帮我评估 [TICKER] 现在 thesis:
- 用 4 维 (WHAT/WHY/SO WHAT/RISKS) 拆我下面信息
- 跑 Buffett 5 步, 给我 ⭐ rating
- 跑 3 PM 视角 (Value/Growth/Macro)
- 强迫写 anti-thesis + 3 个 invalidation_triggers

我的信息:
[粘贴你的 thesis draft]

例 2: 拆一个新事件¶

基于上面框架, 用 Part 4 五套工具 拆这个事件:

事件: [描述]
日期: [date]

需要给我:
- 用 P3-C1 对冲基金 5 步流程的反应
- 用 P3-C2 Buffett 5 步 评估
- 用 P3-C5 Anti-thesis 列 5 个反方
- 哪个 invalidation_trigger 触发了?
- 一句话 lesson

例 3: 找产业瓶颈¶

基于上面框架, 用 P3-C3 找产业瓶颈 5 步, 帮我找下一个 AI 瓶颈:

候选:
- HBM4 (2026 H2)
- CPO (2026-2027)
- 液冷渗透率
- 1 GW+ 数据中心电力
- 别的?

请告诉我:
- 最 leading 的 1 个候选
- 5 步监控信号
- 主要受益 ticker

例 4: 跟历史可比¶

基于上面框架, 用 P2A-C3 历史可比, 帮我判断现在 AI 跟历史哪段最像:

候选历史 paradigm:
- dotcom 1999 (基础设施泡沫)
- mobile 2010 (真兑现)
- 工业革命 1840 (铁路泡沫)
- 别的?

请告诉我:
- 5 维对比 (用户量 / capex / 估值 / 应用 ROI / 资本流速)
- 我现在 thesis 应该警惕哪个 base rate

V2 计划 (待 backend 上线)¶

Feature	状态
嵌入式对话 (不离开 site)	🔄 计划中
Stream 输出	🔄 待 LLM API 集成
引用本站 chapter (link 回原文)	🔄 计划中
多轮 conversation history	🔄
用户 thesis 上传 + LLM grade	🔄 (替代 Thesis Builder)

LLM 不是 oracle

LLM 依赖你 prompt 质量. 给它好框架 (上面 prompt) → 好回答. 但它会编造数字 (eg. NVDA Q1 revenue $43B 可能猜的). 任何 LLM 答案的具体数字 + 日期, 用 Motley Fool transcripts 或 SEC EDGAR verify.