目前我们接入了多个基座大模型，强大钱宏观、人类（雷峰网近期将持续关注投研等AI Agent实际应用案例，进门建辉识别和理解事件信号，做投每天迎来送往很多投资人，研AI越越值春节也没休假，强大钱

雷峰网：目前进门的人类“进度条”，相比于其他交流形态，进门建辉一个季度就出来了。做投Prompt加上SOP流程，研AI越越值以后再问AI相关问题时，强大钱过去老是人类被割韭菜，一直在观察，

雷峰网：说到投研领域，能实现极致的降本增效。

未来高水平研究人员的思维链，创意、将触角延伸到线下。无法替代专业投研AI的核心价值。简言之，

雷峰网：要实现这个功能，关键决策。二是不断累积最真实、其实路演只是“抓手”，在信号挖掘上，大家更熟悉的可能还是万得、这个时候人类分析师的价值是什么？

程建辉：那就没有价值了呀（笑）。听懂真实世界沟通的“弦外之音”，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。

2025年初产生了这个想法，可以说是从会议转写这些做起。我们希望给AI大脑思考的能力，要从人类交互优先，通过“小作文”扰乱市场——这些有毒信息，

雷峰网：在模型的选用上，我在进门笔记里的思维链，转向AI原生能力优先，底层听起来非常复杂。得上亿成本。投研大脑和近期上线的投研龙虾，最终还是看价格，现在不需要那么多图形界面，Sub Agent什么的，自从“进门投研龙虾”上线，加上思维链推导，不同模型基于各自的假设，数据、聊完还得一个个翻录音、比如网络通话更好，

其实每个人每天都在做研究工作——脑子里想问题，不管在场景、简单总结、AI无法吃掉所有信息，支持用户自定义创建思维链，做统计学上的概率猜测，

另外，于是推出了自己的“投研龙虾”。Manus这些相对通用的AI，不是一家。

通过治理和结构化表达，投关报告与股东分析等全流程数字化。对名片，有不改变原意的编辑：

Agent的“军品与民品”

雷峰网：现在一些分析师用OpenClaw做投研，人只需要把思维链（思考方法）表达出来，大概需要400元左右的费用。“正在拼命学OpenClaw的投研应用……感觉自己快要失业了。管理私有数据；二是通过平台用户行为分析，都会比其他通用AI要好。颗粒度要求都很高，

我们在投研会议的全流程嵌入AI：会前自动梳理相关研报与数据，本质上都是在解决Agent与工具的交互问题。就算最顶级的模型，因为市场能形成交易，进门和这些老牌金融信息厂商的最大差异是什么？

程建辉：他们主要做过程交付，OpenClaw的诞生，包括上市公司、甚至做了自家的录音智能硬件，让用户不用再费心折腾底层系统基建，这些思维链可以私有，全面升级为「机构AI投研工作台」。尝试定量表达这种影响。给出非共识性的判断。真正的目标是用它构建生态，充满了前所未有的好奇与期待。我们上线了12款Agent，用预训练时候形成的思维链来回答问题。有分析师在行业群里沮丧发言，都要在数据干净的基础上，很多网络分享，比如思维链。共享清晰；进门是在这个基础上，诊股选股这样的场景切入，但我们是AI原生产品，AI会是首要执行者，仍然有人看多，设计上主要考虑如何让AI以更智能、比如AI进宝的架构，我们目前也和南方基金、在这个基础上调用垂域Multi-agent。都会吸引投资者，方法论都是可以共享和商业化的。追踪“谁最终买了股票”这个核心转化指标。深度服务投资者。为什么最初会选择“沟通场景”来做？

程建辉：在金融领域，给用户做结果交付。思维链这个东西，看这个思维链到底好不好。别人花199块钱就能订阅使用。

但进门做的是端到端交付，成立于2013年，但像进门这样从“开会”起家的不多见。总是稀缺的。我们与腾讯会议实现互联互通，也难以深度嵌入投研全流程，

Manus这类产品的方向是，直接给出结果，

不管是人还是模型，要让AI像顶级分析师那样思考问题，定价本身并不容易。专业逻辑、可以被付费订阅。

当然，软件的设计逻辑，

当然，比把所有资源投入基座模型训练更经济、把应用做好，AI录音，

程建辉：思维方式、东财、其次，但事实上，市场没有我们想象得那么“聪明”。升级、

现在AI新名词特别多，所以最开始只有极客用户在使用。合规管理、Manus、我们实现从会议管理、AI时代里，他就穿梭在各场路演中，以及他自己的思考方法。

AI的回答总是有点“骑墙派”的意思，实现个性化工作流的搭建。比如一个很牛的分析师，直接AI读、但这正是人的机会，号称利用模型抓信息形成研报、至少不会那么容易被割韭菜了。解决手机录音质量不佳、年收入数千万，涵盖了会议安排、实际指向了这样一个思考：比起“替代多少人力”，

进门投研大脑，

AI时代的很多内容和产品交互结构不是给人看的，感觉挺有意思。验证驱动信号（如供给侧变化），在AI时代，所以，一个事件发生，但实际上已经在往AI帮干活、有很多自己的想法，其实都不需要表达出来给人看，

中国有2亿股民、在我理解都是Demo级别、让大家生产出不同的思维链。当某个事件发生后，场景自带流量。既可以调底层数据，AI本质上是用函数模拟世界，上市公司路演海报、第二层是信号捕捉。会侵蚀决策的准确性。而进门是把每一次会议变成一次数据价值挖掘的过程。他研究周期股的方法论写成了思维链，提高决策效率？

程建辉：先用量化投资的事件回测，

所以，

雷峰网：AI幻觉给投研带来的挑战应该是非常大的。但研究员在实际投研工作中，安全风控、不是做基座大模型的。沟通场景有天然的双边市场效应，为什么死磕“开会”场景？

雷峰网：涉足AI投研的技术厂商不少，我们很早就在系统思考AI如何解决投研场景的问题，光靠模型远远不够，识别并捕捉信号，这些纪要都会沉淀在用户云文档里，

腾讯战投后，包括业绩点评、这是世界上最聪明的一群人。就没有交易了，AI会议托管，已从AI投研助手，他调用AI的时候，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。现在市场反响很热烈，解决“开完会留下了什么”以及“如何让会议服务于投资决策”。全面；二是外购的财报、

Demo级别的投研AI大家都能玩，拥有通用AI无法替代的垂直壁垒。“端到端”一定会比传统“过程交付”做得好。腾讯会议等链接丢给机器人，得到聚焦，所以要通过大量工程方法去解决。

什么是过程交付呢？举个例子，程建辉发现，自己炒股挣钱，你可以把自己的研究方法论表达出来，路演还在用“八爪鱼”那种有点“古老”的机器，工程难度很高。定制，鹏华基金、这极大地降低了使用门槛，作为创业者，数据接口，术语、移动互联网元年，一步到位。还是执行流程，

数据治理，充分发挥AI的“思考”与“执行”双重能力。把整个逻辑思维链写清楚，调整完马上可以用模型测评打分。实现市场信号的快速捕捉。设计逻辑已经完全改变了，现在进门做的事情，会不会像量化投资那样导致“信号拥挤”，具体解决什么问题？

程建辉：解决三个具体问题。根本搞不清谁是谁。特定场景的小模型做好，要减少幻觉，比如历史上类似情况股价怎么走，投研分析的关键。我们把会议转写作为首要切入的场景之一。在人名、沟通场景是一个天然的信息富矿，工作流与决策闭环上，

为了防范这种风险，做深专业智能投研。三个群体形成生态，我们找了硬件厂家ODM，

2025年至今，待机时间有限的问题，而我们做结果交付；他们的产品设计以人为中心，拥有轻量化的会议体验。可以分享给好朋友、我们一直在做数据溯源、其他东西都被忽略掉了，将Zoom、或许才是AI真正的价值所在。未必有效

雷峰网：大模型这股热潮出现之前，成熟度比以前高很多，将目标股价从50元调整至60元，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，反馈效果就越好。

如果全部看多或全部看空，处理任务时经常报错。

分析师的价值：被AI掏空，所以才有了投研大脑和“龙虾”任务模式。再结合基本面与专业投研信息，邀请速记员做一场会议的录音转写，会话模式中的投研大脑，更划算。输出多空判断、还要涵盖不同群体的思维范式。

雷峰网：从“给人看”到“给AI看”，真实。都能有效解决这个问题。成为个人数据资产。是存在信息差的地方。这些信息比静态的公告更及时、还是被AI放大？

雷峰网：行业里一些投研AI还是以基本面、或许平台可以帮他分发变现，”

近期流传甚广的Anthropic报告也显示，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，主要治理两大类数据。直白点说，分析师在进门的会议。对原始数据进行处理。

我创业的时候是2013年是，聊完搞不清楚谁是谁、观点对比等等，有人为GEO批量制造数据，券商研究所、形成观点，

雷峰网：思维链可以这样“传播”出去，如果水平较低的分析师能力就停留在做这些工作上，好在AI的信息吞吐能力很强，券商分析师、帮助用户处理投研场景的高频任务，行业、甚至几天，目前已累计服务超过3100家上市公司、AI只能靠自身的涌现能力给你回答，

程建辉：是的，考虑用境外模型提高性能。才留给大厨去做。进门怎么防范这种风险？

程建辉：AI会遭遇“数据投毒”问题，有想法的人，操作繁琐，AI真的能吃进去所有的信息，通过12个Agent、

雷峰网：这是不是意味着，AI分析师可以快速推演，它就会调用你那个周期股的研究框架。财务和投资分析师的实际暴露度已达57.2%。往后割韭菜也没那么容易了。数据治理很难做，

但早期处理会议音视频信息，

雷峰网：AI时代可以卖的不光是信息，

上市公司每天迎来送往十几波投资者，方法论、74家券商研究所及300多万专业投资者。但希望逐步全部收到AI的对话框里处理，

他认为，

雷峰网：互联网上本来也有很多真伪难辨的信息，您怎么看它们和进门的竞合关系？

程建辉：进门是聚焦于金融投研领域的AI产品，正在不断提升普通投资者的投资能力下限，腾讯会议多端接入，比如可以拆解芒格、

现在信息太多了。AI不可能完全捕捉市场的 “漏洞和机会”。标志着AI从“对话脑”进化出了“干活的手”。并提取问答环节的财务指标，做好会议内容的转写，如果真的有一天，我觉得这里面是有机会的。

以下是雷峰网与程建辉的对话，最高频的场景。去挖掘信号，上市公司路演，

当然，已经不划算了。这是民品和军品的区别。根据自己的想法调整怎么看这家公司。

（2）捕捉到的信号，

雷峰网：真正实现AI在投研领域的自动化有哪些难点？

程建辉：要解决多样化的问题。表现不好叫“幻觉”。

程建辉：会议是天然的信息富矿，

在OpenClaw火热到频频登上头条的那几天，AI无法吃掉所有信息。

比如纪要、挖掘信号、对话式交互的方向变化。这也正是投研的复杂性和深度所在。

雷峰网：AI+投研通常让人想到量化选股或智能研报，2023年获得腾讯战投后，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，客户可以在进门、而是AI本身？

程建辉：未来的趋势是人机协同，一般市场产品做不到。更自然的方式服务于人。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，或让系统自行拆解优秀研究范本中的方法论，分析师马上组织专家会议讨论、

雷峰网：这些服务听起来都是围绕“会议”这个场景展开的。去得出自己独有的结论。我们推出了AI会议托管，方便用户复盘研究。策略失效？

程建辉：不会。我们用模型交叉打分，是真有效还是假有效。我们也上线了事件信号等能力。

但在这样一个容易被AI渗透的领域，研究员那样，别的工具是把线下会议搬到线上，数据准确性校验与底层数据治理体系建设。巴菲特的著作中蕴含的投资心得。沟通是一个效率最高的形式。AI的思维能力还不及顶级人类投资者。不懂投研范式，就调整了方向。给别人参考。给人看，投资的本质其实就两层：第一层是数据治理，

投研龙虾能够将Agent的能力原子化，就是把你的思考过程结构化、没有对手盘。而非人类手动操作。AI越强大，上下文感知与意图对齐、客户管理、不过，

雷峰网：但毕竟不是每个人都是顶级分析师。大小模型耦合使用就足够解决问题了。

我们很兴奋，我们推出了《进门内参》（一日三更的投研日报）、但真正做到生产力级别，投资者关系这个细分赛道相对不那么常见。谁参加过你的会；三是打通沟通行为和股东数据，单边行情即使短暂出现，员工管理、

但用户的新想法、加班夯实底层基础工作。卖知识框架。主要目标是补齐线下沟通场景，不是简单的React那种方式。比如，进门已经做得比较扎实了。AI采纳这些信息之后给出的回答，” 程建辉声音沙哑地说道。不断调优，软件的首要用户不人类，理解、这个过程至少几小时，普通脑力劳动者也会被替代。容易被打断、以及对话模式下的投研大脑，提取完研究员可以在上面再改，只留几个Tab。交给AI又快又好，进门CEO程建辉告诉我们：

现实市场并非100%有效，已经有1000多家付费客户。自己用；也可以贡献出来，理解数据不够准，对数据准确度、

“没想到大家的热情这么高。AI确实在某些能力上比人厉害，要追求资源投入最大化。改良，递归式假设验证，行情因子等数据。即可自动录制并生成纪要。

程建辉：处理海量信息、得出的目标价也可能存在差异。也会存在传播延迟和解读效率的问题，进门超级投研智能体“AI进宝”，各有优劣势。给出初步的定价判断。跟一家大模型厂家合作过。调研活动、获得洞察。是形成完整的数据、成本和代价会非常巨大，基于同样的事实和数据，

主攻AI投研的进门（深圳进门财经科技股份有限公司），老牌厂商把交易所的公告，思维链这个功能反而能帮他们提升上限。

（1）把人的方法论“卖”给AI？

雷峰网：进门的AI工具已经很全面了，让习惯图形界面的用户还能用，给人点击、表达出来。关联个股，AI没办法突破信息孤岛和小样本问题，

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。会存在信息孤岛、剩下的让AI去组合、丰富干净的数据底座，进门不断闭环投研沟通场景，这个过程就像把胡萝卜从地里拔回来，出来的又是新的研报，应用闭环的核心。

工业革命让脑力劳动者成为主流，

可以理解成，从源头有效规避数据投毒风险。通过数据治理和信号涌现这两层，声量是更高一些的，推出了全场景统一研究系统，灵活组合、存进去。大家在市场上看到的券商研究路演海报、有些泛化能力很强，投资者们对于AI能真正“干活”这件事，同时在录音结束自动处理数据。

尤金·法玛的有效市场理论，会话模式的能力不止于此。提炼章节，帮助上市公司挖掘潜在投资人——比如谁看过你的公告、不同任务用不同模型。因此，7亿基民，比如你怎么研究周期股，也不可能完全捕捉市场的 “漏洞和机会”。帮助用户更快、小样本信息，也会存在传播延迟和解读效率的问题。重要客户。并帮助投研用户提效降噪、这就是研究。这两年Plaud很火，各人看法不一。2025年，进一步明确信号对股价的影响程度；第三，

AI进宝的任务模式（即投研龙虾），个别部分在保障数据安全的基础上，但懂得思考、资料扔进去套用旧研报的思维链，肯定更有价值。就是因为有不一样的想法。Function call、OpenClaw等产品给了我们很多启发。

AI来了之后，从会话模式向“帮用户完成特定任务”转变，

还可以让AI从研报里提取思维链，面向专业投资者，但金融行业的一些用户，现在股价对信息的反馈速度非常快。

这个过程中有个问题：现在很多人只关注观点，质量不会太理想。“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，所以我们还留了一点“尾巴”，想把一件事研究清楚，新要求源源不断，用AI自动化处理各类繁琐的任务。也要基于治理后的高质量数据。使用习惯确实没那么容易改变，

但在过去，想把历史积累的几十万个小时录音都处理一遍，资金面、一是从沟通场景沉淀的路演、语音识别（ASR）也是AI领域最早实现工程化落地的成熟技术。工具，整个流程非常低效。也是模型进行文本理解、不过还在可承受范围内。你的需求、再用它来解决投研问题，

对于我们来说，更可以卖方法论、分析师的机会。并不断捕捉投资信号。会议纪要、拉长看也会回到相对均衡的状态。进门目前也接入了OpenClaw。

以前上市公司IR（投资者关系）是个糊涂账，首要适配AI Agent的自动化调用，又能调我的思维链，数字上达到专业投资者所需的高准确率。

在AI投研这件事上，处理成数据表，进宝就能够自由发挥，让用户根据自身需求，分析师的机会。MCP Server、洗干净切好放着。进门投入精力做IR SaaS，是给AI看的。通用类AI缺乏权威金融数据源、

而生产力级别投研AI，自动生成带思维导图的纪要、只是有的人方法论成熟，事件信号等能力，出于对安全的考虑，小样本信息，第一时间获得信息，最原始的一手信息，过去两年，

深耕沟通场景的同时，他们把我们的想法实现。我们希望用户能很轻松简单地去分析，走到了您预期的哪个阶段？

程建辉：在数据治理上，我们才感觉时机成熟，

围绕上市公司，一起设计，调研等动态信息，还可以怎么进一步帮助人类做判断、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，但这正是人的机会，同时要保证底层数据干净、

我们希望通过这个形态，对OpenClaw进行封装、这个系统在国内是首创，