调研不再是瓶颈
在上一篇《AI时代，分析师的能与不能》里，我讨论了一个正在发生的变化：人工智能（Artificial Intelligence，AI，指用模型完成信息处理、生成与辅助推理）正在让公开信息的整理与成文快速商品化。过去需要几天完成的行业扫描、资料汇总和报告初稿，现在可能在几十分钟内得到一个相当完整的版本。
这会自然引出下一个问题：当知识性工作被很好地胜任，当调研本身不再是最稀缺的环节，分析师还剩下什么？
一份项目材料进入以后，有没有被及时归档？会议上出现的重要人物和关系，有没有进入可以持续更新的记录？调研发现的未知项，有没有变成下一步行动？三个星期以后出现的新证据，能不能重新找到当时的假设？项目结束后，判断为什么正确或错误，有没有降低下一次项目的认知成本？
过去，当大部分时间被找资料和写报告占据时，其他环节的低效并不显眼。现在，即使调研从八小时缩短到一小时，一个待验证问题仍可能在笔记里躺两周，一场访谈的结论仍然找不到，一次错误判断仍然没有进入下一次筛选规则。瓶颈没有消失，只是迁移了。
如果我们继续优化已经不再稀缺的能力，只会得到更快的报告，而不是更好的投资工作。真正需要重新设计的，是调研之外的整条业务链。
不要从工具清单开始
面对这种变化，最容易产生的是工具焦虑。每天都有新的模型、智能体、笔记软件、自动化平台和任务系统出现。分析师不断迁移笔记、修改模板、尝试插件，最后却拥有了更多入口、更复杂的操作和更多彼此隔离的数据。问题不在于产品没有价值，而在于顺序反了：我们先遇到工具，再努力给它寻找场景。
技术栈应该从实际工作流里长出来。先把自己的工作还原成一条链：
项目进入 → 初步判断 → 找人验证 → 访谈调研 → 更新模型 → 推进材料 → 跟踪任务 → 做出决策 → 等待结果 → 复盘
然后再问：信息停在哪里，哪一步需要重复录入，什么最容易丢失，哪类错误总在重复发生？只有当一个问题高频出现、真实影响业务结果，而且无法通过更简单的习惯解决时，它才值得进入技术系统。
因此，所谓“个人技术栈”并不是一张软件订阅清单。它是一条稳定的数据流：同一条信息进入以后，可以被识别、关联、检索、转化为行动，并在结果出现后重新回到原来的判断中。
衡量这套系统，也不应该看使用了多少先进产品，而应该看三件事：信息到行动的距离是否缩短，关键事实与判断是否更少丢失，一个项目是否降低了下一个项目的认知成本。
先找出等待、搬运、丢失与遗忘
具体而言，分析师的工作流中通常存在四类摩擦。
第一类是等待。
访谈结束时发现一个关键问题，需要补充材料或找专家验证，但它没有负责人、没有时间，也没有进入提醒系统。它看起来仍在“研究中”，实际上已经停止流动。
第二类是搬运。
项目介绍、附件、人物信息、访谈纪要和待办散落在不同工具里，相同的公司名、日期和结论被反复输入。搬运不仅浪费时间，还会制造多个版本。
第三类是丢失。
丢失的不只是文件，更重要的是上下文。我们记得“看过这家公司”，却忘记当时为什么放弃；记得一个判断很重要，却没有记录它成立所依赖的价格、客户进度和时间条件。事实还在，能够解释事实的关系消失了。
第四类是遗忘。
项目做完以后，结果与原始判断不再相遇。没有保留原始假设、关键未知和触发条件，就无法区分运气、认知与执行。所谓经验，只剩下一段可以被重新叙述的记忆。
等待让信息无法变成行动，搬运让流程成本不断上升，丢失让判断无法被重建，遗忘让结果无法产生学习。分析师真正需要寻找的技术，不是帮助自己再写一份更快的报告，而是系统性减少这四类摩擦。
五层个人投资操作系统
如果把这些问题继续抽象，可以得到一套五层的个人投资操作系统。
第一层是数据层。它保存公司、人物、行业、事件、证据、访谈、假设和项目状态，并让它们围绕同一个对象关联起来。这里最重要的不是软件，而是统一的对象、标识和字段。一条判断必须知道来自哪次访谈、针对哪个时间点。以 Obsidian 的 Properties 与 Bases 为例，笔记可以保存文本、链接、日期和数字等结构化属性，也可以在本地 Markdown 文件之上建立可筛选的数据库式视图。但产品只提供容器，公司、人物、假设与证据怎样连接，仍然需要分析师自己定义。
第二层是自动化层。它负责收集、归档、转写、分类、提醒和同步，减少相同信息在不同工具之间的重复搬运。例如，n8n 工作流可以通过触发器和相互连接的节点获取、发送与处理数据，把邮件附件、会议记录、资料库和任务系统串起来。但“连接成功”不等于“流程可靠”，字段映射、异常处理和人工检查仍然不可省略。
第三层是智能层。它在已有数据上完成检索、比较、总结、发现冲突和提出未知项，而不是每次都从公开世界重新开始。例如，OpenAI Responses API（Application Programming Interface，应用程序编程接口，指软件之间按约定交换数据和调用能力的接口）可以调用文件检索，让模型使用既有文件回答问题。但文件可被检索，不代表来源已经可信，也不代表结论已经成立。智能层扩大的是分析能力，不是证据强度。
第四层是行动层。它把“我还不知道什么”转化为“接下来谁在什么时间完成什么”。待验证问题需要变成材料请求、专家访谈、客户核实、内部讨论或持续跟踪。像 Todoist 这样的任务工具可以承载日期、优先级、子任务和完成状态，但它不会自动知道哪个未知项最影响投资结论。行动的优先级仍然来自分析师的判断。
第五层是反馈层。它把后来发生的事实重新连接到当时的假设、价格、风险和触发条件。真正有价值的不是写一篇泛泛的复盘，而是回答：哪个事实判断正确，哪一段因果链错了，哪个未知项本应更早验证，哪种信号值得加入下一次筛选。
这五层不是五套软件，更不是依次采购的五个模块。它们必须构成一个闭环：数据进入判断，判断进入行动，行动产生新证据，结果再回到原始判断。任何一层断开，技术栈都会退化为新的信息孤岛。
让一个项目完整穿过系统
假设一份先进材料公司的融资材料今天进入系统。
第一步不是让模型立即写长报告，而是形成公司记录：团队、赛道、融资轮次、材料来源和接触时间被统一归档，创始人与已有的人物记录关联，原始文件与后续判断分开保存。人工智能再完成公开资料扫描，把产品路线、客户表述和关键时间线整理进证据库，同时保留来源、日期和证据强度。系统的产出不只是“公司值得关注”，还包括客户验证、样品状态、量产稳定性等明确未知。
然后是访谈。访谈纪要不只作为一篇长文本保存，而是与公司、人物和具体假设关联。专家对良率的质疑进入对应假设，公司对客户进展的回答进入证据记录，尚未解决的问题直接转化为行动。
系统中出现的不再是一篇“待继续研究”的纪要，而是索取检测记录、联系客户侧专家、到期重查假设等明确任务。任务完成后，结果回填到原来的问题，而不是留在另一个聊天窗口里。
当分析师决定投资或放弃时，还要记录当时真正成立的判断：核心假设是什么，哪些变量仍然未知，什么价格下风险收益成立，哪些事件发生后必须重新评估。几个月后，新的融资、客户、产品或经营变化出现，系统应能提醒分析师把它与原判断对照。
最终，项目留下的不只是一份报告，还有结构化的公司与人物记录、被验证和证伪的假设、可复用的访谈问题、行动链和复盘结果。
整套系统听起来庞大，但起点可以非常小：
访谈记录 → 待验证问题 → 跟进任务 → 结果回填
只要先打通这一条链，分析师就已经把一次性的谈话变成了可追踪、可验证、可复用的工作资产。等这条闭环稳定运行，再逐步连接数据、模型和复盘，而不是从第一天就建设一个想象中的完整系统。
通用能力购买，流程连接组合，差异化资产自建
面对不断扩大的工具选择，我更愿意使用一条简单原则：
通用能力购买，流程连接组合，差异化资产自建。
通用能力应该购买。文件存储、会议转写、任务提醒、模型推理和标准检索已有大量成熟产品。只要数据能够导出、成本可以接受、隐私边界符合要求，就应优先使用现成能力。
流程连接应该组合。附件怎样进入项目目录，纪要怎样生成待验证问题，任务完成后怎样回填结果，通常用轻量自动化、快捷指令和少量规则就已足够。
真正值得自建的是差异化资产：如何定义公司、人物和证据，如何给事实分级，如何记录假设版本、触发条件和复盘。这些东西反映分析师理解行业和作出决策的方式，会随项目增加而越来越有价值。
因此，在引入一项技术以前，可以先问五个问题：它解决的是不是高频重复问题？这个问题是否真的限制业务结果？它能否进入现有数据与流程？数据是否可以导出并由自己控制？维护它的成本是否低于它节省的成本？
如果答案是否定的，再新的产品也不必采用。尤其需要警惕两种冲动：为每一个新产品寻找用途，以及从第一天就建设一套完整的投资系统。前者会制造工具债务，后者会在还不了解真实瓶颈时，把想象固化成流程。
技术栈不是越完整越好，而是越贴近真实瓶颈越好。最小但能够闭环的系统，往往比功能丰富却彼此断开的工具组合更有价值。
下一代分析师，也是自己的系统设计者
以公共信息整理为核心的调研能力正在商品化，但这并不意味着分析师的价值只能退回到直觉、关系或责任承担。
新的能力差距正在另一处形成：有人把人工智能当作一次性的回答机器，每个项目都重新提问、重新整理、重新开始；有人则把人工智能放进一套持续运转的系统，让每次调研都留下结构化数据，让每个未知项都产生行动，让每次结果都修正下一次判断。
两者短期都能更快地写出报告，长期产出却会完全不同。前者获得的是单次效率，后者获得的是复利。
这种复利来自三个方面：历史信息可以直接调用，真实行动与结果不断增加专属数据，保存下来的判断过程也让分析师能够识别自己稳定的优势与偏误。
系统化也不等于把判断交给机器。恰恰相反，它要求分析师更清楚地表达判断：什么是事实，什么是推断，什么尚未确认，什么变化会让我改变结论。技术负责保存、连接和提醒，人负责定义问题、取得关键证据、决定优先级并承担后果。
下一代优秀分析师，不会仅仅因为更会使用人工智能而胜出。他还需要成为自己工作系统的设计者：知道哪里真正稀缺，哪些流程值得连接，哪些数据必须掌握在自己手中，也知道什么时候不需要再增加一个工具。
当调研不再是瓶颈，真正拉开差距的，将是把调研、判断、行动和反馈组织成一个持续学习的系统。这个系统最终积累的，不是一叠更长的报告，而是一种能够随每个项目共同成长的投资能力。