手把手教你用 AI 辅助出研报先说一句实话：AI 写出来的文字，痕迹很重，它的措辞习惯高度一致，很多时候能明显感觉到这不是人写的，比如这些笔记就是假狗波波夫用AI 写的。所以 AI 更适合的定位是：帮你找数据、搭框架、出初稿、省掉体力劳动。但不建议完全依赖它写最终交付。好的研报需要有观点、有判断、有你自己对行业的理解，这些目前 AI 替代不了。第一样是新鲜的数据。股价、财务报表、资金流向、行业新闻——这些信息每天都在变，每次写研报都要重新拿。它们的特点是“动态的、实时的、过时就没用的”。第二样是公司背景和行业知识。这家公司做什么的、竞争力在哪、行业政策有什么变化、合规要求有哪些——这些信息相对稳定，不会每天变。它们的特点是"静态的、写一次能长期用"。第三样是统一的排版格式。封面长什么样、字体多大、标题几级、图表编号怎么排、页眉页脚放什么——这是形式层面的东西。它们的特点是“定好模板以后不用再操心”。第四样是独到的分析判断。同样是看到营收涨了 20%，有人觉得是行业景气，有人觉得是基数低。这才是研报的灵魂，也是 AI 最难替代的部分。这四样东西里，前三样都有条件用 AI 和工具来加速。唯独第四样，要独到深刻，还得靠人。以前写研报查数据，基本靠手动：打开东方财富或新浪财经，复制股价、切换标签页看财务数据、截图保存、粘贴到 Excel、再整理。每写一篇研报，这个流程要重复一遍。耗时 30 分钟起步，而且容易抄错、抄漏、抄到过时数据。现在可以换一种方式：让 AI 通过 MCP 直接调数据接口，实时拿到股价、历史行情、三大报表、财务指标、新闻资讯。你不需要告诉它“去哪个网站、点哪个按钮”，它自己会调用对应工具。这个能力背后是 akshare-one-mcp 这样的数据接口工具。它免费、不需要 API Key、配置好以后就能用。配置方法是把一段 JSON 代码粘贴到 TRAE 的 MCP 手动配置里，重启就能生效。从“手动查 30 分钟”变成“AI 自动拿 0 秒”，省下来的时间可以花在分析上。第一层是 MCP 数据接口。它拿的是结构化、可量化的数据：股价、PE、PB、ROE、营收、利润。这些数据准确、可验证，适合做定量分析。第二层是联网搜索。它拿的是非结构化的信息：新闻、政策解读、行业评论、专家观点。这些信息帮助理解“为什么”——为什么这个行业在涨、为什么这家公司有优势、为什么政策会转向。最基础的用法是让它搜一次，拿到几条结果就用。这适合简单查询，比如“查一下腾讯最近有什么大事件”。但搜出来的信息量有限，而且 AI 不会自己判断信息够不够。更高级的用法是“深度研究”。核心思路是让 AI 像一个真正的研究员一样工作：先拆分主题，再逐个深入，再判断信息够不够，不够就继续搜。先把研究主题拆成 3 到 7 个维度。比如研究一家光伏公司，可以拆成：行业政策、产能扩张、技术路线、竞争格局、下游需求、海外市场。然后对每个维度进行多轮搜索。不是搜一次就停，而是搜完一批结果后判断信息是否充分，不充分就换关键词继续搜。搜索过程中要自动去重、交叉验证、标注哪些信息有争议、哪些还没查到。每个维度最多深入 5 层，总节点不超过 50 个。当所有分支都搜不出新东西了，说明信息基本饱和，可以停了。最后输出结构化的研究结果，而不是一坨散乱的网页摘要。深度研究和普通搜索的区别，就像“请一个研究员花两天调研”和“问同事一个简单问题”。前者覆盖面广、有深度、有交叉验证；后者快，但只是浅层信息。下面是 一个完整的深度研究指令参考，使用时把 XXX 替换成你的研究话题：请对「XXX」进行深度研究。研究流程：1. 明确话题：精确重述核心问题或研究主题，确保方向不偏。2. 初始分解：将话题拆分为 3-7 个主要维度/分支，每个分支拟定针对性搜索关键词。3. 递归深入（树状扩展）：a. 对每个分支执行一次或多次搜索，分析结果b. 总结发现，提取关键实体、观点和争议c. 为新发现子问题或新视角创建子节点，用同样方式探索d. 维护动态研究树（嵌套大纲形式），追踪所有节点的探索状态4. 广度与深度参数：a. 至少 3 个主分支，每个分支 2-4 层深度（除非提前饱和）b. 单分支最大深度：5 层c. 最大叶节点数：50 个（话题特别宽泛时可调整）5. 避免冗余：创建新节点前先检查已有覆盖，不重复搜索相同或高度相似的内容。6. 交叉验证：通过多个独立来源核实事实，标注争议点、共识和信息缺口。停止条件：- 所有活跃叶节点均未返回新的实质性信息（信息饱和），或- 已达到最大深度和节点上限最终输出：生成一份结构化研究报告，包含：- 执行摘要（关键发现 + 置信度）- 研究树（实际探索过的多层级大纲）- 详细发现（按分支组织，所有主要观点附带来源引用）- 未解决问题或争议点（记录模糊之处和正在进行中的讨论）- 来源列表（所有引用的网址或标识符）光有数据不够。MCP 拿到的是“原始数字”——营收 500 亿、PE 15 倍、负债率 45%。但这些数字意味着什么，需要背景知识来支撑。比如同样是 PE 15 倍，对于一家稳定增长的消费品公司和一家周期性强的原材料公司，解读完全不同。再比如合规要求——研报必须有免责声明、风险提示、数据来源说明——这些规则如果每次靠口头告诉 AI，既说不完也不稳定。解决方式是把背景知识和规则整理成文件，放进知识库。AI 每次生成研报前，先读这些文件，写出来的内容就会贴合你的业务要求。- 公司背景介绍。这家公司的发展历程、主营业务、核心竞争力、管理层情况。按季度更新就行。
- 合规规则和免责声明模板。什么话必须说、什么话不能说、风险提示的格式。一年更新一次。
- 写作框架和章节规范。研报分几章、每章写什么、分析逻辑是什么、术语怎么用。很少变。
这些文件用 Markdown 格式写最好，AI 读取最稳定。不要用扫描版 PDF 或复杂排版的 Word，AI 读不了或容易读错。一句话总结：MCP 提供“原材料”，知识库提供“加工方法”。没有知识库，AI 写出来的就是数据堆砌；有了知识库，AI 才知道怎么解读这些数据。AI 直接生成 Word 文档有一个致命问题：每次格式都不一样。这次标题是宋体四号，下次变成了黑体小三；这次页眉有公司 logo，下次没有了；这段缩进了两字符，那段没缩进。原因很简单：AI 生成文档时，它是在“创造”格式，而不是“套用”格式。每次创造的结果自然不一样。第一步，先拿一份你们已有的标准研报 Word 文件，让 AI 解析出它的格式规范——标题用什么字体字号、正文行距多少、图表怎么编号。这些规范写成一个 format-spec.md 文件。第二步，让 AI 只负责生成文字内容，严格按 format-spec.md 的章节结构来写，但不要碰排版。第三步，用一个 Python 脚本（比如 generate_report.py），把 AI 生成的文字内容注入到 Word 模板里。模板负责锁定格式，脚本负责填充内容。这样做的好处是：格式 100% 一致，因为每次都从同一个模板来。AI 只管内容，脚本管排版，各司其职。把上面三件事串起来，生成一篇研报的完整流程大概是这样的：- 通过 MCP 拿到最新的行情数据、财务报表、新闻资讯。
- AI 把数据、背景知识、写作框架综合起来，逐章节生成有分析的内容。注意，是"有数据支撑的分析"，不是数据罗列。
- 运行 Python 脚本，把内容注入 Word 模板，输出排版合规的 docx 文件。
这六步就是“研报生成”这个 Skill 的完整骨架。你不需要每步都自己操作，只需要把流程写成 SKILL.md，让 AI 按步骤执行：使用 skill-creator 这个 Skill，帮我创建一个新的 Skill，名字叫 research-report-generator。这个 Skill 的功能是：根据用户指定的股票/公司/行业，自动生成数据准确、格式合规的研报 docx 文件。SKILL.md 中必须定义以下 6 步工作流：第一步：调用 akshare-one-mcp 获取行情/K线/财务数据/新闻；多轮联网搜索补充行业信息第二步：读取 references/compliance-rules.md 获取合规规则和免责声明模板第三步：读取 references/format-spec.md 获取报告章节框架和格式规范第四步：综合三方信息，逐章节生成有数据支撑的分析内容（不只是罗列数据）第五步：运行 scripts/generate_report.py 生成格式合规的 docx 文件第六步：交付最终研报 docx 文件，告知用户文件位置请将新 Skill 保存在项目根目录的 .trae/skills 子目录下，不需要打包为压缩包。SKILL.md 请用中文。- SKILL.md：完整的流程说明书，是整个 Skill 的总指挥
- scripts/generate_report.py：把内容注入 Word 模板的 Python 脚本
- references/ 知识库目录的骨架：包含 compliance-rules.md 和 format-spec.md 的空模板
- template/ 模板目录：放 Word 排版模板的位置和说明
注意：知识库里的内容需要你手动填充，AI 只生成骨架和空模板。
