案例篇 - WorkBuddy实战案例合集

第 12 章 从整理桌面文件这些小事做起

整理桌面发票，不再回电脑前翻文件

桌面发票是典型的“电脑在替人承受混乱”的场景：电子发票、截图、PDF、微信下载文件、邮件附件混在一起，命名方式各不相同。人不在电脑前时，最烦的不是不知道怎么报销，而是不知道哪几张发票已经在电脑里、哪些字段还缺、哪些文件可能重复。

场景痛点

• 发票散落在桌面、下载目录、微信文件目录，格式可能是 PDF、JPG、PNG。
• 文件名经常只叫“发票.pdf”“image.png”“微信图片_2026xxxx.jpg”。
• 报销真正需要的是结构化字段：抬头、税号、金额、开票日期、发票号码、销售方。
• 远程批量整理最怕误删、覆盖、移动原件，导致后面找不回来。

请帮我整理电脑里的发票，但不要删除、移动或覆盖原文件。
扫描范围只包括桌面、Downloads 和微信文件接收目录，时间范围为最近 30 天。
候选条件：文件名包含“发票”“电子发票”“invoice”，或内容识别为发票的 PDF、JPG、PNG。
第一步先返回候选清单和数量。
第二步识别抬头、税号、金额、开票日期、发票号码、销售方、文件路径。
第三步生成 invoice-ledger.xlsx，并列出“重复发票”和“无法识别字段”的人工确认清单。

执行后仅新增台账文件，桌面原发票不移动、不改名、不删除

第 13 章 远程控制你的电脑，不用发愁不在电脑前

你人不在电脑前，WorkBuddy 小程序可以成为远程任务入口，把指令发回正在运行的电脑端，让电脑继续查文件、读资料、整理发票、处理微信文件，甚至持续汇报一个长任务的进展。

小程序远程控制电脑

传统远程办公通常有两种方式：一种是把电脑屏幕投到手机上，自己点鼠标；另一种是把文件先传到云端，再在手机上处理。

WorkBuddy 的远程方式介于二者之间：用户不直接操控鼠标，而是把任务说清楚；电脑端 WorkBuddy 根据授权范围读取本地文件、调用 Skill 或本地工具，把中间结果和最终产物回传到手机端。

先分清：云端模式还是本机模式

移动端适合在通勤、出差、跨设备办公时继续推进任务。但在使用前，必须先判断任务究竟应该跑在云端，还是跑在本机。

这个判断会直接影响它能否读取电脑文件、是否需要电脑在线，以及数据是否适合进入云端环境。

人在外面，临时要电脑里的文件

这是最容易让用户第一次感受到远程控制价值的场景。合作方突然问培训课件、项目汇报、合同版本、报价单、活动海报源文件在哪里，而资料都在办公室电脑里。过去只能回复“我回去找一下”，现在可以在小程序里语音发起任务，让电脑端 WorkBuddy 在指定目录中查找候选文件，读取内容并整理摘要。

场景痛点

• 文件名不一定记得完整，只记得“培训”“项目汇报”“某客户”等关键词。
• 电脑里可能有多个版本，远程状态下不能凭感觉直接发。
• 临时需求往往只需要先给对方一个摘要或确认口径，不一定马上发送原文件。

推荐流程

1. 先限定目录，比如桌面、Downloads、项目资料、training 文件夹。
2. 让 WorkBuddy 只读扫描，列出候选文件、修改时间、文件大小和可能匹配原因。
3. 确认目标文件后，再读取内容并生成手机端可转发的摘要。
4. 需要发送文件时，先整理到一个单独输出目录，不直接移动原文件。

你帮我看一下，我电脑上在我这个local long GPT里边有一个关于xx公司的一些PPT，然后你整理一下内容发给我。

微信文件直接处理，不必先搬来搬去

很多任务不是从电脑文件夹开始，而是从微信聊天里突然冒出来：客户发来一个合同 PDF，朋友发来一张票据照片，同事丢来一个 Excel，供应商转来一个压缩包。传统流程是先下载到手机，再传电脑，再找目录，再打开软件。小程序更适合把“微信上下文里的文件”直接变成 WorkBuddy 的输入。

远程监控长任务，让手机成为任务看板

远程控制还有一个更进阶的用法：不是让 WorkBuddy 做一个几秒钟的小任务，而是让它持续推进一个需要等待、分阶段处理或容易失败的任务。比如批量转换文件、整理大目录、生成网站、处理会议录音、运行代码测试、下载资料、爬取公开网页、自动化检查系统状态。

远程监控适合什么

• 任务耗时超过 3 分钟，需要阶段汇报。
• 任务中间可能遇到失败项，需要记录并继续处理其他文件。
• 任务结果需要先看预览，再决定是否批量执行下一步。
• 任务过程中可能触发登录、付款、发送消息、覆盖文件等高风险动作。

请启动这个批量处理任务，并把手机端当作进度看板。

你控制摄像头拍张照片，描述一下电脑前面的画面

第 14 章 生活助手的价值，是减少琐碎

生活问题比办公问题更模糊

“帮我规划旅行”“看看体检报告”“今天吃什么”“给我算算运势”，看起来都只需一句话，背后却混合了偏好、实时数据、隐私和风险。办公文件做错还可以返工，医疗、付款、签证和重大决定做错，代价可能完全不同。

因此生活场景先分三类：

场景一：三天旅行，不想打开二十个 App

攻略、地图、天气、酒店、交通、预算和同行人偏好都存在于不同应用中。普通 AI 规划的行程看起来完整，却可能把相距很远的地点排在一起，有的会引用过期营业时间，甚至虚构餐厅。

• 旅游助手：行程、目的地、住宿、美食和行李清单；
• 腾讯地图地图助手：POI、路线、距离、天气与地图；
• 旅游行李清单：按天气、天数和人群生成打包清单；
• 旅游天气风险：需要精细天气风险时补充。

第一步：先收集约束

先不要排行程，用不超过 8 个问题收集旅行约束：
出发地、日期、同行人、预算、交通偏好、每日步行上限、兴趣、
饮食禁忌、必须去和明确不去的地点。
已经提供的信息不要重复询问。

第二步：候选路线与实时核验

为 2 名成人规划 7 月 18-20 日上海到泉州的 3 天自由行。
预算 5000 元，偏好人文与本地小吃，每天步行不超过 15000 步。
先给两个路线方向并解释取舍，我确认后再生成逐日计划。

使用地图能力核对地点顺序、路程和预计交通时间；
把票价、开放时间、预约、天气和交通班次标注查询时间与来源。
无法实时核验的内容写“待确认”，不要补造。
输出雨天替代方案、预算区间和行李清单。
不要登录、预订、付款或代替我接受退改条款。

WorkBuddy 在执行过程中并不是一来就直接帮你做决定，而是尽可能详尽的再向你询问一些问题，确保真的像个专属导游那样帮你规划行程。

执行链与交付物

偏好问卷 → 两个路线草案 → 人工选方向 → 地图优化 → 天气与开放信息核验 → 预算与行李 → 可分享行程页。真正可用的交付物应包含了地图行程规划、合理的游玩和交通时间规划、数据来源与真实的车次，而不只是一张漂亮日程表。

预订前由人再次确认库存、价格、签证、证件、保险和退改政策。涉及老人、儿童、孕妇、慢性病或无障碍需求时，要把限制明确写入任务，不能由模型自行推断。

场景二：旅行结束后，把照片和账单变成可复用记录

WorkBuddy 还可以在旅行后完成照片按日期地点整理、票据分类、预算复盘和攻略草稿，但不要默认读取整本相册或删除原图。

只读取 trip-quanzhou/import 中的照片和票据副本。
按拍摄时间生成每日时间线，识别失败的文件列入人工确认。
票据按交通、住宿、餐饮、门票分类，金额汇总后与预算对比。
根据我确认的地点和感受生成一份私人旅行记录，
人物照片、定位和订单号在公开版本中全部脱敏。
不移动、不删除原文件。

这个场景最终可以反哺自媒体章：私人记录确认后，再选择哪些信息适合做小红书攻略或公众号长文。

场景三：体检报告看不懂，先准备一次更有效的就医

体检指标和症状记录很多，用户容易在网上搜索后自行诊断；部分健康 Skill 甚至宣称可以给出患病概率。蓝皮书不采用这种写法。

• 健康管理顾问：强调生活方式、体检数据理解和就医准备，不诊断、不处方；
• 腾讯健康相关临床 Skill 只应在符合资质、授权和实际医疗工作流时使用；普通用户不能把输出当诊断结论；
• 用药安全问题应优先咨询医生或药师，不让通用 Agent 决定停药、换药和剂量。

世界卫生组织在 AI 健康治理中强调，应把伦理、人权和问责置于技术设计与使用中心。对个人用户而言，最实用的边界是：AI 帮助整理信息和准备问题，不代替临床判断。参考：WHO《Ethics and governance of artificial intelligence for health》

安全指令

把我提供的体检报告和症状记录整理成一页就医准备材料。
输出：症状时间线、报告中的原始指标与参考区间、
我还需要补充的信息、挂号时可询问的问题、日常观察模板。

不得给出确定诊断、患病概率、处方、剂量、停药或换药建议；
不得把相关性写成因果。发现可能需要及时线下处理的信息时，
只提示我联系当地医疗机构或急救服务，不继续在线推演。

以上是我从网上找的一份就诊记录，当我把这份不太详尽的就诊记录同步给WorkBuddy，他会帮我分析并生成就医材料。

场景四：健康习惯与饮食计划，可以做得更日常

低风险健康管理更适合 WorkBuddy：饮水、睡眠、运动、膳食记录和复诊提醒。可选 营养健康、健康食谱推荐等 Skill，但仍需声明过敏、疾病、用药、孕期和专业限制。

根据我确认的饮食偏好、过敏信息、预算和可用厨具，
生成 5 天晚餐候选与采购清单。每餐说明主要食材、预计时间和替换项。
不要声称治疗疾病或保证减重效果。
涉及糖尿病、肾病、孕期或药物相互作用时，停止个性化建议，
改为列出需要向医生或注册营养专业人员确认的问题。

同样的在执行过程中会仔细询问我的饮食结构和目前厨房里可用的厨具，给出真正的属于我自己的晚餐计划，而不是一份看似精确但对我个人并不适配的医疗饮食方案。

场景五：算命、星盘与卜卦，怎样写得有趣又不越界

传统文化和娱乐测试是很多普通用户接触 Agent 的入口，可以用于传统文化体验、社交互动、写作灵感和自我提问。

不过出生时间、地点和家庭信息属于个人信息；解释结果容易被写成确定预言；用户也可能据此做医疗、投资、招聘、婚恋或职业决定。

更稳妥的指令

使用传统文化娱乐方式，根据我主动提供的信息生成一份八字文化解读。
开头明确“仅供娱乐与文化体验，不预测确定未来”。
区分排盘计算、传统说法和现代反思问题，不把传统解释写成事实。
不提供医疗、投资、法律、婚恋或职业决策建议。
结尾把每个结论改写成可验证的自我提问，并提供至少一个反例角度。
不要长期保存出生时间和地点，任务结束后提醒我清理输入。

场景六：穿搭、家庭清单和消费比较

生活助手还有很多低风险、但非常实用的场景：

使用天气查询和 每日穿搭灵感，输入城市、场合、已有衣物和不喜欢的风格。结果应优先使用衣柜现有单品，不要默认推荐购买。

把证件、药品、充电设备、儿童用品和宠物安排做成按人分组的清单，明确负责人和完成状态。自动化负责提醒，不负责确认药品是否适合某个家庭成员。

让 WorkBuddy 建立参数、价格、售后、隐私和长期成本表，再由人查看官方页面和真实合同。广告软文、联盟链接和商家评分要单独标记，不能混入事实列。

比较 3 款扫地机器人，只使用厂商官网、说明书和我提供的报价。
表格列出清洁结构、避障、耗材、隐私、保修、价格和不确定项。
把营销表述与可验证参数分开，不根据销量自动推荐。
最后根据“家中有宠物、门槛 2cm、重视隐私”给条件性建议，
不要代替我下单或接受服务条款。

场景七：情绪记录与现实支持

WorkBuddy 可以帮助记录情绪触发点、睡眠、事件和应对方式，生成复盘问题或与咨询师沟通的摘要。它不会冒充心理医生，也不会让用户只依赖 Agent。

把我本周的情绪记录按“事件、想法、感受、身体反应、采取行动”整理。
只总结重复模式，不诊断、不贴人格标签。
生成 5 个我可以与可信赖的人或专业人员讨论的问题。
如果内容出现自伤、他伤或即时危险信号，停止普通复盘，
提示我立即联系当地紧急服务、专业机构或身边可信赖的人。

生活 Skill 安装前的四项检查

1. 实时性：天气、价格、库存、政策和营业时间从哪里来，查询日期是什么；
2. 隐私：出生信息、位置、健康数据和家庭资料发送到哪里，能否只在本地处理；
3. 动作权限：是否会登录、预订、付款、发送消息或修改日历，能否在动作前暂停；
4. 专业边界：是否把娱乐写成事实，把健康建议写成诊断，把推荐写成保证。

第 15 章 资讯整合：把信息流变成每日通知

资讯整合最怕两件事：一是信息太多，真正重要的内容被淹没；二是通知太吵，最后所有人都把它当背景噪音。

WorkBuddy 把多个信息源变成可筛选、可解释、可追踪的通知系统。比如，GitHub 热点项目每日通知、AIHOT 行业日报、论文与技术趋势追踪、公众号和博客监控、新闻与热榜舆情、事实核查与来源补证。

让用户每天少错过真正值得看的东西。

资讯通知的共同工作流

无论是 GitHub 项目、AI 新闻、论文、政策还是热榜，稳定的资讯通知都可以拆成同一条链路：先收集，再去重，再筛选，再摘要，最后按人群和场景推送。

flowchart LR
    A[订阅源与检索任务] --> B[抓取与去重]
    B --> C[分类与重要性评分]
    C --> D[摘要、翻译和影响判断]
    D --> E[来源补证与事实核查]
    E --> F[生成通知卡片]
    F --> G[推送到飞书、微信、邮件或文档]
    G --> H[归档与复盘关键词]

可用的资讯类 Skill

大致可以分成六类：新闻、AI 行业、开发者趋势、科研论文、内容监控、事实核查与搜索补证。

GitHub 热点项目每日通知

比如：每天 9 点抓取 GitHub Trending 和 AI 热门项目。按语言、主题、star 增长、最近提交、license 过滤。只推送 Top 5-10 个，并给出“是否值得试用”的判断。

 定时每天早上7点返回gthub热门项目，并输出项目大概简介

AIHOT 生成 AI 行业日报

AI 行业信息更新快，AIHOT 可以作为一个现成的信息源。它面向 AI 动态提供精选内容，覆盖模型、产品、行业和论文等方向，并支持 Agent 使用。

比如：每天固定时间从 AIHOT 拉取 AI 动态。按模型、产品、行业、论文、开源项目、商业化分组。对每条内容做“影响范围、可信度、与本团队相关性”评分。只推送 5-8 条重点，其余进入文档归档。对高影响内容追加二次检索，补充原始链接或官方来源。

安装aihot skill，

帮我安装这个 skill：https://aihot.virxact.com/aihot-skill/

请看一下最近 OpenAI 发布了什么新东西

总结今日热点新闻，值关注AI大模型方向

第 16 章 收藏不是知识管理，能再次用起来才是

工具都装了，知识还是散的

继续向前一步：如果一个人同时使用 WPS、ima、Obsidian、微信收藏、会议记录和本地文件，怎样分工才能避免“每个地方都有一份，但没有一份可信”。

先决定主版本，再连接工具

一个稳健的个人知识系统可以有多个入口，但只能有清楚的主版本：

场景一：灵感来了，只记下一句话

灵感最怕两种处理：一种是没来得及记，另一种是 AI 立刻把一句话扩写成一篇看似完整、却已经偏离原意的文章。

• 灵感捕手：自动分类并写入 Markdown 收件箱；
• ima-skills或 ima：移动端记录、知识库读写与检索；
• Obsidian 本地目录作为长期主版本时，可接入后文的 Wiki Skill。

把下面内容记入“灵感收件箱”，保留我的原话，不扩写、不评价：“AI 工具真正的门槛不是提示词，而是验收结果。”

场景二：微信收藏很多，真正写作时还是搜不到

• 微信收藏知识库：导出、分类，并可选择进入 ima、Obsidian 或 Notion；
• URL to Obsidian：抓取网页、总结并保存到 Vault；
• 公众号内容提取：将公众号文章保存为本地 Markdown。

处理本周微信收藏，只读，不删除原收藏。

场景三：ima 作为移动知识入口

ima 的优势不是“问答更聪明”，而是手机收集、知识库读写和微信上下文衔接。使用 ima-skills 时，先明确目标知识库和写入规则。

将我刚选择的 3 份文件放入 ima“WorkBuddy 案例库”的收件箱。

场景四：Obsidian 不是文件夹，而是可维护的 Wiki

• Obsidian 资料整理：维护核心笔记、专题综合和目录链接；
• agent + Obsidian 长期记忆：在明确项目边界后读写长期记忆。

把一篇公众号文章交给 WorkBuddy 解析，再要求放进指定的 Obsidian 素材目录。

WorkBuddy 能识别文章正文和作者，并生成 Markdown 条目。

第 17 章 会议结束不是终点，工作才刚刚开始

日常办公为什么总在重复搬运

很多办公室的一天由同一组动作组成：约会议、找材料、开会、记笔记、发纪要、建待办、追进度、写周报、做汇报。每个动作看似不难，真正消耗精力的是信息不断从聊天、会议、邮件、文档和表格之间流转，而且每流转一次都可能丢掉上下文。

flowchart LR
    A[会前目标与议程] --> B[创建会议与日历邀请]
    B --> C[会议录制与转写]
    C --> D[事实、决策、分歧和待办]
    D --> E[任务系统与会后通知]
    D --> F[PRD / 方案 / PPT]
    E --> G[日报、周报与进度跟踪]
    F --> G
    G --> H[项目记忆与下一次会议]

主案例：一次产品评审会，怎样真正推动项目

场景设定：产品团队要评审“会议纪要自动生成待办”功能。过去会后由产品经理回听录音、整理纪要，再把行动项逐个录入任务系统，通常要半天，而且参会人对“谁答应了什么”经常理解不同。

这条协同链不追求无人值守。它在创建会议、读取录制、创建待办和确认 PRD 四处保留人工检查点。

第一步：会前先定义要做出什么决定

没有议程的会议，转写再完整也只是大量对话。会前最重要的不是发链接，而是明确会议类型、要回答的问题和期望产物。

为“会议纪要自动生成待办”产品评审准备 45 分钟议程。
参会角色：产品、研发、设计、测试、运营。
本次必须形成三个决定：首期范围、待办字段、上线验收指标。

读取 project/meeting-to-task 中的需求草案和上次决策记录，
输出：会议目标、会前材料、按分钟议程、每个议题的主持人、
需要当场决定的问题、可以会后异步处理的问题。
事实与建议分开；缺少的信息列入会前补充，不自行补造。

第二步：创建腾讯会议，并同步日历

腾讯会议 Skill用于会议全生命周期：创建、修改、取消、查询会议，查看参会成员，并在权限允许时获取录制、转写和智能纪要。官方说明要求通过环境变量保存 Token，并提醒使用者遵守企业数据和隐私要求。

腾讯会议 Skill 不等于通用日历。正确顺序是：先创建会议得到会议号和链接，再通过日历或办公协作连接器创建日程、邀请参会人和预定会议室。

创建前必须确认的字段

使用腾讯会议 Skill 创建一场会议。
主题：会议纪要自动生成待办 - 首期评审
时间：2026-07-08 14:00-14:45，时区 Asia/Shanghai，单次会议。
先返回拟创建信息让我确认；确认后创建会议。

创建成功后，把会议号、链接、开始结束时间写入 meeting-brief.md。
再生成日历邀请草稿，包含议程和会前材料链接；
不要自行添加参会人、发送邀请或预定会议室，等待我确认名单。

创建、修改和取消是不同风险等级。取消会议、修改周期规则、扩大参会范围前要展示目标会议和影响范围，不能只凭一句“把下午的会取消”。

ps：以上提示词可以根据自己的会议修改。

第三步：会后获取录制、转写和会议内容

会议结束后，最容易犯的错误是把“有录音”当成“已经有可用信息”。录制可能没有开启，转写可能尚未生成，调用人也可能没有查看权限。

查询会议号 123 456 789 对应的已结束会议。
先返回主题、时间和主持人，确认是目标会议后，再查询录制列表。
如果有权限，获取转写全文、分段信息和智能纪要；
如果无权限，停止读取并返回所需授权，不尝试绕过。
下载或保存前说明文件类型、大小、目标目录和保留期限。

在这个过程中需要连接腾讯会议连接器，按照提示在连接管理器中找到“腾讯会议”，并授权连接就行。

腾讯会议能力通常需要先把 9 位会议号转换成内部 meeting_id，再查询详情、录制和转写。这个过程由 Skill 完成，不需手工转换，但保留会议号、会议 ID、录制 ID、查询时间和权限状态，方便排错。

录制与转写的边界

• 会前或会中明确告知录制和转写安排；
• 不把录制链接转发给没有权限的人；
• 不因获取失败而把聊天截图或未经同意的录音当替代来源；
• 转写是机器识别结果，专有名词、数字、责任人和否定句必须回听核对；
• 企业会议遵守所在组织的保留期限、数据分类和合规要求。

第四步：从转写生成可执行会议纪要

一份纪要，包含五类信息

生成会议纪要，不得只依赖平台智能摘要；关键数字、责任人和否定表达回到转写核验。

输出：
1. 会议基本信息；
2. 三句话结论；
3. 按议题整理的讨论摘要；
4. 决策表：决定、理由、决定人、时间戳；
5. 行动项表：任务、负责人、截止日期、交付物、依赖；
6. 未决问题与下次确认时间；
7. 转写中无法确认的人名、数字和术语。

没有明确负责人的任务写“待认领”，没有明确日期写“待确认”，
不得根据语气猜测负责人或截止时间。

第五步：纪要里的待办，不能直接静默写入任务系统

为什么要两步确认

会中发言和正式任务不是同一件事。把“可以看看”直接变成分派给某人的任务，会制造额外管理成本。

读取 minutes-approved.md 中的行动项，只生成待办导入预览。
每条显示：标题、描述、负责人、截止日期、优先级、验收物、来源会议。
负责人或日期缺失的条目进入“待补充”，不要创建。
先按负责人分组让我确认；确认后再写入指定任务清单。
写入完成后返回成功、失败、跳过和重复四个清单，不发送催办消息。

这里由于我这次的会议主要是为了演示用，所以待办项的相关责任人都是待确认状态。

稳定流程是：纪要草稿 → 参会人确认 → 待办预览 → 人工补齐责任与日期 → 写入任务系统 → 返回任务链接。重复运行时使用“会议 ID + 行动项序号”作为幂等键，避免创建重复任务。

第六步：会后通知和跟踪

会议后可以生成邮件或群消息草稿，但发送前必须确认对象和可见范围：

根据会议记录生成两份会后通知草稿：
A. 发给全体参会人：结论、行动项、未决问题和纪要链接；
B. 发给管理层：三句话结论、关键风险和需要支持的决定。
不要包含录制下载地址、内部争议原话或未确认个人责任。
只生成草稿，不发送。

批量重命名要保留映射表；同名冲突不覆盖；合同、财务和人事文件按组织规则处理，不能只按文件名猜分类。

会后延伸：把会议纪要变成汇报 PPT

先确定汇报对象和结论，再设计页面：

根据会议纪要生成 8 页项目汇报 PPT。
受众是管理层，目标是确认首期范围和资源缺口。
页面：结论、背景、用户问题、已确认范围、进度、风险、资源请求、下一步。
每页只表达一个结论；数字来自状态表，决定来自纪要；
不使用无法解释的装饰图表。先返回页级大纲和证据映射，确认后再生成 PPT。

一套基础办公 Skill 栈

不要一开始安装十几个 Skill。先选择一个每周都会发生、输入稳定、结果容易验收的任务，例如会议纪要到待办；连续跑通后，再把 PRD、周报和汇报接到同一条链上。

第 18 章 把投资分析变成你的日常

投资本身就是一件高度信息密集、强结构化、又极度依赖判断的事：读不完的财报、理不清的行业、吵不停的多空。而整理碎片信息、拆解复杂材料、把思考过程摆到台面上，恰好是 AI 擅长的。

在一次完整的股票研究里，AI 到底能替你做掉哪些低质量的重复劳动，把精力还给判断本身。

先想清楚：AI 在投资里该干什么

多数人对「AI 炒股」的想象是让它预测涨跌。但从真实的高频用法看，绝大多数有价值的提示词其实只集中在四类事上：

• 读不完的财报，帮我总结；
• 行业太复杂，帮我把逻辑理一遍；
• 市场吵得太凶，帮我把多空观点放进一张表；
• 我怕自己自嗨，帮我找反证。

这四类都不是「预测涨跌」，而是减少低质量思考的时间。AI 在投资里最合理的位置，是一个不知疲倦、不带情绪、随叫随到的研究助理——它负责把事实底座打牢，把判断留给你。

和办公三件套一样，动手前先用五个问题给这次研究定标。很多「AI 分析得不好」，根源不是模型不会分析，而是人没把研究目标说清楚。

先选对工具：金融场景的 Skill 组合

在进入提示词之前，先认识本章会用到的几个 Skill。它们分工不同，可以单用，也可以像流水线一样串起来。

一个实用的搭配思路是：日常盯盘和批量选股用 a-share-analyst 与 financial-expert；要对一只票下深功夫、出一份完整报告，用 stock-advisor；需要跳出单一视角、逼自己看反面时，叫上 peers-advisory-group。

从查资料到下判断：一套可复用的研究提示词链路

这一节是纯提示词。它们按「最简单 → 相对复杂」排列，覆盖了从「查资料」到「下判断」的完整链路。你不必每条都用——先用前三条建立事实底座，需要深挖时再往后走。第 8 条是把前面所有环节压进一个框架的「全家桶」，也是日常在 ChatGPT、Gemini、豆包、千问的 DeepResearch 里最常用的一条。

每条提示词的用法统一是：把方括号 【】 里的占位换成你的标的，粘贴运行即可。

Prompt 1｜最基础：给公司建一个「事实底座」

解决的场景：刚接触一家公司，先别急着判断，先搞清楚它到底是干什么的。很多错误判断，从第一步认错了业务就开始了——你以为它靠 A 赚钱，结果利润主要来自 B。这一步的价值，是压缩你「搞清楚事实」的时间成本。

请帮我系统梳理【XXX 公司】的基础情况，输出结构化总结，包括：
1）核心业务与主要产品线
2）收入与利润来源构成
3）主要客户与应用场景
4）公司在产业链中的位置
5）近几年最重要的战略变化

## 要求：
- 只使用可核实的信息
- 每一部分用 3–5 条要点说明
- 不做投资建议，只做事实整理

Prompt 2｜行业视角：这是不是一个「好行业」

解决的场景：股票研究里一个常被低估的问题——你选的往往不是公司，而是行业。AI 很适合做行业的「第一性梳理」。但行业拐点、价格见底这种问题，别指望它给答案。

请从行业研究的角度，分析【<XXX公司>】所在的【<XXX行业>】：
1）行业所处的周期阶段（复苏/扩张/衰退/萧条）
2）供需关系与主要驱动因素
 - 产能、开工率、库存、订单/交付周期
3）价格变化机制与历史波动
 - 产品价格指数/价差/成本传导
 - 资本开支：Capex趋势、扩产项目、行业新增产能
4）行业集中度与竞争格局
5）影响行业的关键外部变量（政策、技术、宏观）
 - 政策与外部变量：利率、汇率、监管、补贴、贸易限制
请明确指出：哪些是长期结构性因素，哪些是短期波动因素。输出周期阶段判断 + 关键证据图表清单 + 领先指标(3个)与滞后指标(3个)。

Prompt 3｜业务拆解：钱到底是怎么赚来的

解决的场景：从「看公司」到「看生意」的关键一步。很多「看起来很美」的公司，核心利润来源其实很脆弱。混杂型公司（主业 A、利润却来自 B）尤其适合让 AI 帮你看清楚。

请你以【价值投资 / 基本面研究】视角，对【XXX 公司】进行"业务拆解"，目标是回答一个核心问题：
👉 这家公司【真正、长期】是靠什么赚钱的？

## 要求
- 仅基于可验证信息（年报、招股书、定期公告、投资者交流纪要、权威行业报告等）
- 明确区分【事实】与【判断】，所有判断必须给出证据或逻辑链
- 输出为 Markdown 结构化报告

## 必答结构
一、公司"赚钱方式"的一句话结论
- 用不超过 50 字，概括公司最核心的赚钱逻辑（卖什么 → 卖给谁 → 为什么能赚钱）

二、业务结构全拆解（必须量化）
1. 业务板块拆分
   - 列出所有核心业务 / 产品线 / 服务线
   - 对每一块给出：收入占比、毛利率、增长趋势（近 3–5 年）
2. 利润来源判断
   - 哪些业务"贡献了大部分利润"
   - 哪些业务"收入大但不赚钱 / 甚至亏钱"
   - 是否存在【主业≠利润核心】的情况？（如：主业A，利润来自B）

三、赚钱机制拆解（Business Engine）
对核心业务逐条回答：
- 钱是怎么收进来的？（一次性/订阅/持续复购/项目制）
- 成本主要花在哪？（原材料、人力、渠道、研发、营销）
- 毛利率由什么决定？是结构性优势还是周期红利？
- 是否具备规模效应？规模扩大后，哪一项成本会被摊薄？

四、客户、渠道与定价权
- 核心客户是谁？是否集中？（Top5/Top10 客户占比）
- 销售渠道结构（直销 / 经销 / 平台 / 政府 / 大客户）
- 是否具备定价权？历史是否成功提价？证据是什么？
- 客户更换供应商的成本高不高？为什么？

五、子公司 / 联营公司 / 非经常性业务
- 列出重要子公司、联营公司及其业务性质
- 明确哪些利润来自：
  - 可持续经营
  - 周期波动
  - 投资收益 / 政策补贴 / 资产处置
- 判断这些"非主营利润"对长期估值逻辑的影响（正面 / 负面 / 干扰）

六、商业模式的"稳定性与脆弱点"
- 哪些假设一旦被破坏，赚钱逻辑就会失效？
- 最容易被竞争 / 技术 / 政策冲击的环节在哪里？
- 用 3–5 条"关键监控指标"总结如何持续验证这门生意是否还成立

## 最终输出
- 一句话商业本质总结
- 业务结构表（收入 / 利润 / 毛利率）
- 赚钱机制逻辑链（文字 + 列点）
- 对长期投资者最重要的 3 个判断结论

Prompt 4｜财务质量：这家公司赚的钱干不干净

解决的场景：财务调研指标很多，这里给一个通用格式。核心是强制做「利润 vs 现金流」的交叉验证——账面利润漂亮，现金流跟不上，往往是第一个预警信号。

请分析【<公司>】近几年的财务质量：
1）收入、利润与经营现金流的匹配情况
2）应收账款、存货、合同资产变化
3）非经常性损益对利润的影响
4）是否存在一次性项目或会计口径变化
5）可能需要重点关注的财务风险点

## 研究原则
- 不预测股价，只判断财务"质量"
- 强制进行"利润 vs 现金流"的交叉验证
- 对所有异常必须给出解释假设与验证路径

请重点指出：哪些指标值得持续跟踪。

Prompt 5｜股权与治理：老板和你是不是一条船上的

解决的场景：生意好 + 治理差 = 高波动风险资产。股权质押、减持、关联交易、激励条款，这些「筹码面」的信息很分散，适合让 AI 一次性梳理成时间表和风险雷达。

1、梳理【<公司>】股权结构与关键股东：
- 实控人、控股股东、董事会结构
- 股权质押比例与变化、减持计划、潜在控制权变更风险
- 关联交易、同业竞争、资金占用风险
输出：治理结构图（文字版即可）+ 风险雷达(高/中/低) + 需要跟踪的公告清单。

2、请建立【<公司>】未来<12个月>的"筹码事件时间表"：限售解禁、员工持股解锁、定增/配股、回购进度。
对每个事件给出：潜在抛压/承接能力判断、对估值中枢的影响路径、历史上类似事件的股价反应统计（如能找到）。

3、分析【<公司>】管理层薪酬与股权激励：
- 激励指标是否容易"做账达成"？（收入/利润/现金流/ROIC）
- 目标难度与行业对比
- 是否存在短期行为激励（冲收入、降研发等）
输出：同向性结论 + 关键条款摘录 + 改进建议。

Prompt 6｜市场分歧：多空到底在吵什么

解决的场景：多空双方的观点最有信息量。这一步不是告诉你该信谁，而是帮你把分歧摊平，看清楚未来该盯哪些数据来验证。

请整理市场对【XXX 公司】的主要分歧点：
1）多方核心逻辑
2）空方核心逻辑
3）各自最重要的论据
4）哪些分歧可以被未来数据验证
5）关键验证节点是什么

## 分析要求
- 不得站队
- 不给投资建议
- 不使用情绪化或立场性语言
- 所有判断必须可被未来数据或事件验证

Prompt 7｜估值与护城河：市场在押什么假设

解决的场景：护城河和估值，是价值投资绕不开的两块。下面两条一条评护城河强度，一条搭 DCF 反推市场隐含预期。

以价值投资视角分析【<公司>】的护城河，必须引用公司披露/权威来源。
1) 定价权：过去<5-10年>毛利率/提价能力/成本转嫁证据？
2) 转换成本：客户更换供应商的成本是什么（系统、流程、合规、生态）？
3) 网络效应/规模效应：规模如何降低单位成本或提升体验？
4) 无形资产：品牌、专利、牌照、数据、渠道壁垒的可验证证据？
5) 竞争反应：主要对手如何攻击，公司如何防守（历史战役）？
输出：护城河强度评分(0-5)+证据表+最可能被侵蚀的点与监控指标。

请为【<公司>】构建 DCF 估值（允许使用公开财务数据，必须引用来源）：
- 明确WACC/折现率假设与依据
- 预测5-10年自由现金流：收入、利润率、再投资率
- 给出敏感性分析表（折现率×永续增长率 或 折现率×利润率）
- 反推：当前市值隐含的收入增速/利润率路径
输出：估值区间 + 关键假设清单 + 最容易错的2个假设及验证方案。

Prompt 8｜全家桶：一份尽调级 DeepResearch

解决的场景：这是把前七步的逻辑压进同一个框架的「投资者尽职调查报告」。它强制区分事实与判断、强制交叉验证、强制推演空方逻辑与黑天鹅——用来对抗人最容易犯的「确认偏误」。这条在各家 AI 的 DeepResearch 模式里都很好用。

我需要你帮我完成一份投资者尽职调查报告。目标是对标的 `<股票名称/代码>` 进行全方位的商业模式、财务质量、行业周期及估值逻辑推演。
请严格按照以下逻辑框架进行推演。

## Constraints & Standards (研究原则)
1. 数据时效性与跨度：财务数据需涵盖**过去 3-5 年**的趋势（CAGR），估值分位需回溯**过去 5-10 年**的历史区间。
2. 事实底座优先：区分【事实 Fact】与【判断 Opinion】。所有判断必须基于可验证的数据（年报、招股书、监管问询函）。
3. 双重验证：必须进行"利润 vs 现金流"的交叉验证，以及"公司 vs 同行"的对比验证。
4. 反直觉思考：必须包含"空方逻辑"与"黑天鹅风险"推演，避免确认偏误。

## Research Context (用户输入)
- **研究标的**：[在此输入股票名称/代码]
- **投资风格**：[如：价值投资 / 成长接力 / 困境反转]
- **持有周期**：[如：中长线 1-3 年]

## Workflow
### Phase 1: 商业模式与护城河拆解 (Business Engine & Moat)
> 核心任务：搞清楚它真正靠什么赚钱，剔除噪音，看清本质。
1. 业务透视与提纯：
    - **拆解营收/利润结构**：核心业务是什么？是否存在"主业赚吆喝，副业（投资/补贴）赚利润"的现象？
    - **子公司/联营公司穿透**：深挖主要子公司和联营公司的实际贡献，**剔除噪音**，明确指出哪些业务是拖累，哪些是隐形金矿。
2. 护城河判定：
    - **定价权**：是否有提价能力？（证据：毛利率是否随成本波动？还是能转嫁成本？）
    - **核心壁垒**：是品牌溢价、极高的转换成本、网络效应，还是单纯的低成本优势？
    - **行业天花板**：该行业 TAM 有多大？当前市场份额分布如何？公司是否触及增长天花板？

### Phase 2: 行业周期与供需格局 (Industry Context)
> 核心任务：判断是顺风还是逆风，是红海还是蓝海。
1. 周期定位：行业目前处于哪个阶段（复苏/过热/滞胀/衰退/萧条）？请引用库存水平、开工率、Capex（资本开支）趋势作为证据。
2. 供需剪刀差：寻找"领先指标"与"滞后指标"。未来 1-2 年行业是否有大规模新增产能投放？
3. 竞争格局变化：行业集中度（CR5）是在提升还是分散？主要竞争对手近期有什么大动作（价格战/技术突破）？

### Phase 3: 财务健康度与质量扫雷 (Financial Health)
> 核心任务：这笔钱赚得干不干净？增长是否有质量？
1. 核心指标趋势：
    - 计算过去 3-5 年的 **营收 CAGR** 和 **净利润 CAGR**，判断增长的持续性。
    - 分析 **ROE（净资产收益率）** 的驱动因素（杜邦分析：是靠加杠杆，还是靠周转快，还是利润高？）。
    - 绘制 **毛利率与净利率** 趋势图，判断盈利能力的稳定性。
2. 异常排查（扫雷）：
    - 周转率警报：存货周转率、应收账款周转天数是否有恶化（变长）趋势？
    - 含金量测试：经营性现金流净额 / 净利润是否匹配？（长期 <1 则为危险信号）。
    - 非经常性损益：剔除一次性收益后，扣非净利润是否依然健康？

### Phase 4: 治理结构与资本配置 (Governance & Allocation)
> 核心任务：管理层是股东的伙伴，还是收割者？
1. 资本运作回顾：
    - 盘点近 2 年的增发、回购、股权激励或重大并购。这些动作对中小股东是**增厚 EPS** 还是**稀释权益**？
2. 股权与筹码：
    - 实控人持股比例？是否有**高比例质押**风险？是否有重要股东（大基金/高管）持续减持？
3. 管理层画像：
    - 他们的言行是否一致？
    - **资本配置能力**：历史上赚到的钱投向了哪里（瞎投资/扩产/分红/回购）？回报率（ROIC）如何？

### Phase 5: 估值逻辑与风险反脆弱 (Valuation & Risk)
> 核心任务：价格是否包含了过高的预期？
1. 相对估值（纵向+横向）：
    - **历史分位**：当前 PE/PB/PS 处于历史（过去 5-10 年）的什么分位点？
    - **同行对比**：与同行业主要竞争对手相比，估值是溢价还是折价？理由充分吗？
2. 绝对估值（反向思维）：
    - 不仅仅做预测，请进行**反向 DCF 推演**：当前股价隐含了未来 3-5 年多少的净利润增速？这个隐含预期是否过于乐观？
3. 风险与空方逻辑：
    - **空方视角**：全网搜索看空该股票的核心理由（做空报告/负面舆情）。
    - **黑天鹅**：政策监管风险、技术路径被颠覆风险、地缘政治风险。

## Output Format (输出结构)
请以结构化输出，并在文末附上【引用来源清单】：
1. 投资结论摘要
    - 信号灯评级：🟢买入 / 🟡观望 / 🔴卖出
    - 核心逻辑总结（One-liner）
2. 关键财务数据表（含 CAGR, ROE, 现金流匹配度）
3. 深度分析正文（按上述 5 个 Phase 展开，每个结论需附带数据支持）
4. 估值仪表盘（历史分位 + 隐含预期 + 同行对比）
5. 未来监控清单
    - 只有当 [事件A] 发生时，才强化买入逻辑。
    - 一旦 [数据B] 恶化（如毛利率跌破X%），逻辑证伪，立即退出。

到这里，一套从「查资料」到「下判断」的提示词链路就齐了。但你可能已经发现一个问题——它们是散装的。每换一只票，你都要一条条重新粘贴、手动把上一步的结论喂给下一步、最后还要自己整理成报告。下一节，我们把这套链路装进一个 Skill。

从提示词到 Skill：stock-advisor 是怎么长出来的

这个场景的痛点

上一节的提示词单独看都好用，但真要完整研究一只票，痛点很明确：

• 要手动串：技术面、基本面、多空、估值，八条提示词得一条条跑，还要人肉把中间结论搬来搬去；
• 换标的重来：每分析一只新股票，整个流程从头走一遍；
• 数据靠眼睛：截图里的数字全靠人核对，容易看错；
• 决策容易自嗨：一个人分析，很难跳出自己的立场；
• 交付靠手工：最后整理成一份像样的报告，又是一轮体力活。

stock-advisor 要解决的，就是把这条链路从「一堆提示词」变成「一条按一次就跑完的流水线」。

创作原理：编排，而不是重写

stock-advisor 的设计核心是一个词——编排（Orchestration）。它没有把所有能力重新造一遍，而是把「已经好用的部件」按顺序接成一条流水线：

用户输入（截图 / 股票代码）
        │
        ▼
  ① 技术面分析 → ② 基本面分析 → ③ 多维交叉验证 → ④ 私董会讨论 → ⑤ 排版输出

五个模块各司其职：

这里藏着 Skill 创作最值得学的一点：复用而非重写。stock-advisor 的依赖清单里，技术指标脚本复用了 a-share-analyst，决策讨论复用了 peers-advisory-group，排版复用了 magazine-layout，上传复用了 lark-doc。它自己新写的，只有「基本面分析」「HTML 转 PDF」等少数几块。

换句话说，做一个复杂 Skill，不一定要从零写一个庞然大物。先把已有的能力当积木，缺哪块补哪块，再用一条主线把它们编排起来——这就是 stock-advisor 的创作方法论，也是把个人经验沉淀成工具的通用思路。

它还有两个体现「产品化」意识的小设计：

• 首次使用建档：第一次跑会问你 3-4 个问题（风险偏好、投资周期、关注行业、仓位上限），存进记忆，之后的建议会按你的风格调权重；
• 两种入口同一条流水线：上传截图走「图像识别 + 数据验证」，直接给代码走「纯数据驱动」，差异只在取数方式，后面完全一致。

它到底解决了什么问题

一句话：把「一次严肃的股票研究」从半天的手工活，压缩成一次对话。 你提供截图或代码，它自动完成取数、多面分析、交叉验证、多视角辩论和报告排版。人要做的，从「搬运和拼接」变成了「拍板和质疑」——这正是第一节说的，把精力还给判断。

在 WorkBuddy 里触发 stock-advisor Skill 的界面（技能被识别、开始执行的那一刻）。

实战案例：用 stock-advisor 跑一遍天孚通信（300394）

光讲原理不够，下面是一次真实的完整对话。标的是天孚通信（300394），光通信 / CPO 板块。整个过程分三步递进：先看图、再看财报、最后开一场私董会。

第一步：上传 K 线图，先要一份技术面速读

我上传了这只票的 K 线日线图和 MACD 指标图，让它先做技术分析。用的提示词就是第二节思路的实操版：

我上传了一只 A 股的 K 线日线图和技术指标图（MACD）。请你作为一位专业的技术分析师，完成以下任务：
1. 识别股票信息：这是哪只股票？当前股价大约是多少？
2. K 线形态分析：近期呈现什么形态？近 5 日 K 线的具体表现？
3. 均线系统分析：MA5/MA10/MA20 的排列状态，最近是否出现金叉或死叉
4. MACD 分析：DIF 和 DEA 的位置关系，柱状图趋势，是否出现背离
请以表格 + 文字结合的方式输出技术面速读报告。

上传 K 线图 + 输入上述提示词的对话界面。

WorkBuddy 先从图里识别出这是天孚通信（300394），当前股价约 368.70 元，然后给出了结构化的技术面速读。核心结论：

• 趋势：MA5 > MA10 > MA20，标准多头排列，未见死叉，仍在主升浪；
• 风险信号：当日一根长上影线（最高冲 376.10 回落到 368.70），MACD 红柱开始缩短，乖离率偏大；
• 关键位：支撑看 MA5（347）/ MA10（319），压力看当日高点 376。

技术面速读报告的完整输出（含 K 线形态、均线、MACD 四张小表）

一句话点评：这一步它没有猜涨跌，而是把「图里能读到的事实」结构化了——形态、均线、指标、支撑压力，一目了然。

第二步：补上财报截图，做一次全面分析

接着我又上传了 2025 年三季报和全年预增公告的截图，让它把基本面接进来，做一次完整评级：

我又上传了这只股票的 2025 年三季度报数据和 2025 年全年预增数据。
现在请你：
1. 先识别截图中的所有财务指标数据
2. 然后结合第一轮的技术面分析，帮我做一次全面的 A 股分析：
   - 技术面总评（综合 K 线、均线、MACD、KDJ 给出方向判断）
   - 基本面总评（营收增速、盈利能力、估值水平）
   - 资金面观察（成交量变化趋势）
   - 综合评级：强烈推荐 / 推荐 / 中性 / 谨慎 / 回避
3. 给出短期（1-2 周）、中期（1-3 月）的操作建议
4. 明确标注关键支撑位和压力位，请按照专业研报的格式输出。

上传财报截图 + 输入上述提示词的对话界面。

这一轮它先把截图里的财务指标逐条识别出来（营收 39.18 亿、同比 +63.63%，归母净利 14.65 亿、ROE 31.30%、毛利率 51.87%，PE 146.70……），然后合成了一张综合评级表：

最终评级：推荐。 核心结论是一句很克制的话：中期趋势向好（CPO 高景气 + 高成长），但短期估值透支、涨幅过大，不宜追高，等回调再择机。 它还给了分投资者类型的仓位建议、四档支撑位和三档压力位。

全面分析报告的完整输出（财务识别表 + 综合评级表 + 操作建议 + 支撑压力位）。

值得注意的是，这一步已经体现了模块二的设计：技术、基本、资金三面分开打分，再加权合成，估值太贵就在总分里扣回来——不会因为成长性好就无脑看多。

还可以从不同角度去分析，使用`a-share-analyst` `skill去完成。

第三步：拿不定主意，开一场私董会

评级出来了，但「推荐」不等于「现在就买」。这时候我叫上了第四个模块——私董会，请四位风格迥异的幕僚就这只票交叉辩论：

但我对这只股票还是拿不定主意。现在请帮我启动一场私董会，我要请四位幕僚来讨论这只股票是否值得投资：
- 巴菲特：从价值投资的角度（内在价值、护城河、安全边际）
- 马斯克：从科技趋势和颠覆性创新的角度
- 比尔·盖茨：从商业模式和行业格局的角度
- 乔布斯：从产品力和用户体验的角度
讨论要求：
1. 每位幕僚先各自发表 3-5 分钟的独立观点。
2. 然后进入交叉质询环节——幕僚之间互相挑战对方观点。
3. 最后每人用一句话给出"买入/持有/卖出"的最终建议。
4. 你作为私董会主持人，综合四位意见给出最终执行方案。
请基于前两轮的分析数据来展开讨论，让幕僚们"带着数据聊"。

启动私董会的对话界面。

私董会环节里，系统先联网更新了四位幕僚的近况，还补检索了更新的数据（2025 全年营收 51.63 亿、净利 20.17 亿，2026 Q1 环比下滑，以及和中际旭创、新易盛的横向对比）——这正是模块三「多维交叉验证」在起作用，把讨论从截图数据推进到了全网最新事实。

四位幕僚各自独立发言、再互相质询，观点很快分成两派：

四位幕僚独立观点 +

交叉质询环节（篇幅较长，建议分屏截图）。

最后每人一句话定调，形成了鲜明的「2:2」分裂：

• 巴菲特（回避）：「PE 142，安全边际为零，护城河在收窄。除非跌到 200 元以下，否则这不是投资，是赌博。」
• 比尔·盖茨（等待 / 换仓）：「基本面尚可，但估值太贵、竞争格局恶化。建议等 PE 回到 60 倍以下，或换性价比更高的新易盛 / 中际旭创。」
• 马斯克（All in）：「CPO 是光通信的 iPhone 时刻，天孚是上游的铲子王。超买是最后的上车机会，不是下车理由。」
• 乔布斯（有条件持有）：「相信 CPO 革命就现在持有，但前提是 CPO FAU 在 2026 H2 如期兑现，否则果断离场。」

主持人最后综合出一份分投资者类型的执行方案，而不是一个笼统的「买或不买」：

并且把决策挂到了几个未来验证节点上：8 月中报预告看 Q2 是否环比改善，H2 看 CPO FAU 能否放量、毛利率能否回到 55%+，10 月三季报看营收增速。逻辑证伪就退出。

主持人的综合执行方案（分类型建议表 + 决策节点表 + 替代标的）。

最后：一键成稿

对话结束后，让它把整场分析生成一份杂志风格的报告，stock-advisor 会调用排版模块出成品，可以本地存 PDF，也可以直接上传飞书云文档。

杂志风格投资分析报告成品（首屏 / 封面）。

回头看这一个案例，stock-advisor 把第二节那八条散装提示词，变成了一次三轮对话就跑完的完整研究：看图 → 看财报 → 开私董会 → 出报告。而全程它没有替我做那个最关键的决定——买还是不买。它只是把该看的都看了，把该吵的都吵了，最后把判断权，干干净净地交回到我手里。

常见错误与使用边界

金融是强监管、强风险的场景，比办公三件套更需要守住边界。下面几条，是把 AI 用在投资上最容易踩的坑。

风险提示：股市有风险，投资需谨慎。 **本章所有提示词、Skill 与案例，均以「辅助研究」为目的，不构成任何投资建议。**AI 只是把事实和分歧摆到你面前的工具，最终的判断和后果，始终在人这一边。据此操作，风险自担。

第 19 章 一句话召唤 AI 视频团队

在 WorkBuddy 里把短视频工作拆成两支 AI 专家团：一支负责自动生产视频，一支负责拆解爆款视频。

这两个团队并不是互相替代的关系。视频生成团队解决“今天怎么做一条出来”，爆款拆解团队解决“为什么别人那条能火，我能学到什么”。一个负责生产，一个负责学习，组合起来才有持续迭代的可能。

如何召唤：从一句话开始，但不要停在一句话

召唤视频生成团队，制作一条 46 秒 AI 周报短视频。

第一支团队：视频生成团队

视频生成团队里有四个核心角色：视频生成团队主理人凌导、信息采集员灵阅、内容策划师灵枢、视频制作师灵映。它们不是四个换名字的聊天窗口，而是一条有上下游交接关系的视频生产线。

这才是多 Agent 的关键：不是角色越多越好，而是每个角色都有清晰输入和输出。信息采集员不直接写成片脚本，策划师不重新编造热点，制作师不重写事实，团长负责让流程不断档。

底层生产引擎：HyperFrames

文章提到，这条视频流水线基于 HyperFrames 搭建。它的核心思路是用 HTML 渲染视频，天然适合 Agent 生成结构化工程，再交给渲染工具输出 MP4。它还带有 CLI 工具链、TTS、字幕、去背景和视频组件模板。

生成流程一：信息采集员先让热点有来源

做视频最耗时间的往往不是剪辑，而是“今天到底拍什么”。所以视频生成团队先让信息采集员灵阅抓 RSS、搜新闻、扫社媒、聚合 AI 热点，并去重输出结构化摘要。

这个阶段的产物至少应该包含：标题、来源、发布时间、事件发生时间、原始链接、热度线索、为什么值得关注。热度只能帮助排序，不能替代事实核验。

生成流程二：内容策划师把主题变成镜头

选题有了之后，真正费脑子的是“这条视频怎么讲”。内容策划师灵枢负责选题评估、脚本写作、分镜设计、旁白文案、镜头节奏，以及转场建议、素材清单、BGM 节奏、字幕停顿和情绪节点。

这里建议设置第一次人工检查：开头 3 秒是否有钩子，46 秒是否塞入过多信息，旁白是否准确，画面是否真的支撑观点。脚本不过关时，不要进入配音和渲染。

生成流程三：视频制作师把分镜变成成片

灵映会把确认后的脚本转成 HTML，再调用 HyperFrames 渲染 MP4。文章里提到，系统会自动完成 Azure TTS 配音、Whisper 字幕对齐、动画与转场生成、素材拼接、字幕叠加和视频渲染。

成片验收不要只看“能不能播放”。至少检查旁白与字幕是否一致、镜头时长是否匹配、文字是否遮挡主体、BGM 是否可用、素材是否有版权风险、画面是否适合目标平台安全区。

生成流程四：发布可以自动化，但默认要人工确认

发布 Agent 自动生成标题、自动打标签、自动上传封面，并通过云手机发布到抖音、视频号和 B 站。这是很强的自动化能力，但蓝皮书建议默认不要直接自动发布，除非账号、素材、标题和合规边界都已经过人工确认。

第二支团队：爆款视频拆解团队

光会生成还不够。

内容创作者真正需要的是理解“为什么别人能爆”，把一条爆款视频拆成可以参考的操作手册：提取视频、转录文案、分析景别运镜、剪辑节奏、色调风格，并给出仿拍建议。

拆解流程一：视频下载要有降级策略

爆款拆解的第一步是拿到视频。文章里专门提到，最复杂的是视频下载，所以设计了一套三层降级策略：官方 API、Playwright、yt-dlp。只要有一层成功，流程就继续。

这里必须加上边界：视频下载和分析要遵守平台条款、版权授权和合理使用范围。拆解的目的应该是学习结构和方法，不是搬运原视频。

拆解流程二：音频提取与文案转写

视频下载完成后，小凯用 ffmpeg 提取音频，把 video.mp4 转成 audio.mp3，再调用语音识别 API 自动转录完整口播文案。以前一句句听、一句句敲的工作，现在可以被稳定自动化。

拆解流程三：视频理解与镜头语言分析

接下来是最有意思的一步：视频理解。小淼会分析整条视频的景别、运镜、转场、剪辑节奏、色调、镜头时长。很多看起来“有感觉”的爆款视频，背后其实有稳定的镜头规律。

两支团队如何形成闭环

两个专家团可以合作。先用爆款拆解团队学习镜头语言和节奏，再让视频生成团队生产新视频，发布之后继续分析数据，再反过来优化下一版内容。

flowchart LR
    A[爆款视频链接] --> B[拆解团队：转写、镜头、节奏、仿拍建议]
    B --> C[形成拍摄手册和内容规律]
    C --> D[生成团队：热点、脚本、分镜、渲染]
    D --> E[人工验收与发布]
    E --> F[数据复盘]
    F --> B

这就是专家团比单个工具更有意义的地方。它不只是帮你做一条视频，而是让“学习、生产、发布、复盘”变成一个可以重复运转的系统。

第 20 章 自媒体不只是靠努力，而是一条增长闭环

内容没人看？往往不是因为你不够努力

一个人做自媒体，做自媒体最浪费时间的事，就是一上来就把内容打磨到满分。

听起来很反常识，但我真踩过这个坑。你写得很深，资料查得很全，结构改了三遍。结果发出去，阅读量个位数。

后来我才意识到，起号前期真正要先解决的，不是“写得够不够好”，而是“有没有人愿意点进来”。

工作流

flowchart LR
    A[趋势、评论与用户问题] --> B[选题池]
    B --> C[事实包与观点]
    C --> D[标题和结构]
    D --> E[公众号 / 小红书 / 视频脚本]
    E --> F[封面、长图与分镜]
    F --> G[合规和发布前体检]
    G --> H[草稿或人工发布]
    H --> I[数据与人工修改回流]
    I --> B

Skill 的作用是补上其中一个环节，不是接管账号判断。下面用八个具体工作现场说明。

场景一：每天刷热点，仍然不知道账号该写什么

热榜告诉你“大家正在看什么”，却不告诉你“这个账号为什么值得写”。只跟热点，容易得到同质化内容；只凭感觉，又很难判断用户是否真的关心。

• 公众号热门文章查询：观察同主题热门文章；
• 小红书爆款笔记查询：获取热门笔记和数据线索；
• 小红书评论洞察：从评论中提取问题、反对意见和未满足需求；
• 灵感捕手：把临时想到的角度放进统一收件箱。

指令怎样写

围绕“AI 办公自动化”建立本周选题池，不直接写文章。
分别收集公众号与小红书近 30 天的高互动内容，记录标题、发布日期、
核心承诺、内容结构、互动信号和原链接。
再从评论中提取：重复问题、反对意见、失败经历和用户原话。

结合我的账号定位：面向非技术职场人，强调真实流程和结果验收。
输出 12 个候选选题，每个包含：目标读者、真实问题、已有内容缺口、
我能提供的新证据、适合平台、制作成本和时效性。
不要把阅读量高直接解释成选题一定适合我。

执行流程与结果

WorkBuddy 先生成跨平台样本表，再把评论聚成问题簇，最后把“热度、账号匹配、新增价值、证据充足度、制作成本”分别评分。交付物是一张可以人工删选的选题看板。

有时候光找热门还不够，我们还需要去找低粉爆款。

大家应该都听过，起号要找低粉爆款去抄，这确实是这样的。

PS：这里说的抄，是抄选题，不是原封不动的抄内容。

推荐一个叫viral-topic的skill，它可以获取各个平台近期的指定领域的多个低粉爆款内容。

比如获取公众号最近7天的AI领域低粉爆款文章。

筛选X上的低粉爆款

以及YouTube的低粉爆款

场景二：想要爆款标题，但不想标题党

“给我 20 个爆款标题”很容易得到数字、悬念和夸张承诺，却没有任何标题能准确兑现正文。标题不是独立文案，它是读者与正文之间的一份承诺。

• 公众号标题生成与评分；
• 小红书爆款笔记自动生成器中的标题与标签模块；
• 短视频钩子方案生成。

指令怎样写

读取 approved-article.md，只根据正文已经出现的事实生成标题。
分别生成：公众号标题 8 个、小红书标题 8 个、短视频开场钩子 5 个。

每个候选都输出：
1. 面向谁；2. 承诺什么；3. 正文哪一段能够兑现；
4. 采用的问题/结果/清单/案例/反常识角度；
5. 可信度、具体性、平台适配和夸大风险评分。

删除无法证明的数字、绝对化承诺、虚假稀缺和与正文不一致的结论。
不要自动选择最终标题，先让我确认内容承诺。

验收方法

把标题单独给一个不了解正文的人看，请他写出“我预计点进去会得到什么”。再与正文核对。预期与实际不一致，标题分数再高也不能用。

workbuddy通过这几个skill，生成的标题还真有那味儿。特别是小红书的标题，很有小红书的感觉。

可以进行 A/B 测试，但一次只改变一个主要变量，例如“问题式”与“结果式”。不要同时改标题、封面、发布时间和正文开头，否则数据无法解释。

再推荐一个标题skill：viral-title，很适合用来给公众号起标题

场景三：公众号封面每次从空白画布开始

封面既要让人看懂主题，又要适配大小封面、安全区和账号品牌。直接说“做一张高级感封面”，通常会得到与正文无关的装饰图、错误文字或失真的 Logo。

• 公众号爆款封面生成：分析同赛道视觉规律并给出方案；
• 公众号图片生成器：处理大小封面、文内配图和引导图；
• 海报设计或图像生成 Skill：执行已确认的视觉 brief。

指令怎样写

为文章《收藏不是知识管理，能再次用起来才是》制作公众号封面 brief。
目标读者：知识工作者；核心信息：从收藏走向可复用知识流。
品牌色：#1677FF、白、黑；禁止紫色渐变、夸张科技光效和虚构产品界面。

先输出 3 个构图方向，每个包含：主体、层级、封面文案、色彩、留白、
大小封面裁切风险和正文对应段落。我确认后再生成图片。
生成后检查：文字是否准确、Logo 是否变形、主体是否被小封面裁掉、
是否使用未经授权的人物或素材。不要直接上传公众号。

结果是否可用

生成的封面还不错，有汉字、封面负责表达的主题也比较贴切，如果换成更强的生图模型，效果应该会更好。

场景四：小红书不只是“把长文切成九张图”

公众号文章改成小红书时，常见做法是截短段落、加入表情符号，再把文字铺到九张卡片上。结果信息很多，但封面没有钩子，第二页没有承接，最后一页没有行动，移动端也难读。

• 小红书封面图制作；
• 小红书图片生成器：将结构化内容渲染为竖版卡片；
• 小红书运营副驾：发布前体检与复盘。

工作流

1. 从长文提取不带平台语气的事实包；
2. 选择一个核心问题，删除与它无关的支线；
3. 设计“封面承诺 → 问题共鸣 → 方法 → 示例 → 误区 → 清单”的滑动节奏；
4. 先输出逐页线框和字数，再生成图片；
5. 在真实手机宽度检查字号、断行、边距和重点；
6. 最终标题、正文、标签和图片逐一核对数字与专有名词。

把 approved-article.md 改造成 8 页小红书图文，不新增事实。
第 1 页只表达一个承诺；第 2 页写读者正在经历的问题；
第 3-6 页每页只讲一个动作并给一个例子；第 7 页写常见误区；
第 8 页给可保存的检查清单。
先返回逐页文案、视觉层级和预计字数，我确认后再调用封面与长图 Skill。

场景五：一段长文怎样变成可拍的短视频

“改成 60 秒口播”通常只是把文章压缩成更快的朗读稿，没有镜头、节奏、证据画面和停顿，也没有说明谁能拍、需要什么素材。

• 短视频选题素材研究；
• 短视频脚本与矩阵内容工厂；
• AI 短视频导演用于分镜和生成提示；
• 配乐 Skill 只在确认版权和商用范围后使用。

指令怎样写

把这篇文章改造成 60 秒真人口播，目标是让第一次使用 WorkBuddy 的人
理解“为什么任务简报比一句模糊需求更重要”。
输出时间轴表格：时长、景别、画面、口播、屏幕文字、素材来源、转场。
前 3 秒必须提出真实问题，不夸大收益；20 秒前展示一次产品过程证据；
结尾给一个可以立即尝试的指令，不做虚假互动承诺。
同时列出必须实拍、可用产品截图、可由 AI 生成的画面，禁止伪造用户反馈。

生成的口播文案，效果还不错哦。

场景六：发布前，别让自动化越过责任边界

• 公众号违禁词检测：标记风险表达；
• 公众号排版 Skill：渲染 Markdown 并创建草稿；
• 文章去 AI 味工具：只用于减少套话，不用于伪装来源或原创。

检查本次公众号文章是否有违禁词，如有请标记出来，并对每个违禁词给出修改建议。检查整体内容的 AI 味，并降低AI味，最后把文章排版。

发布链建议停在草稿箱：事实检查 → 引用与版权 → 品牌与合规 → 链接检查 → 手机预览 → 人工确认账号 → 发布。自动点赞、批量私信、刷评论、绕过平台风控和未经确认的群发，不属于本书推荐的效率场景。

场景七：发布后不复盘，下一篇仍从零开始

复盘主要是把AI写的和人工修改后的终稿进行对比，让skill自动进化，下一次，它将写出更好的内容。

可以使用 公众号写作自我迭代 或小红书运营副驾，把人工修改和数据写回风格库：

读取本期内容数据、发布版本和人工修改记录，生成复盘。
先陈述数据事实，再列出最多 3 个可验证假设，不把相关性写成因果。
把表现按选题、标题、封面、开头、结构、发布时间和渠道拆开。
为下轮设计 2 个单变量实验，并说明成功指标和停止条件。
将长期有效的修改规则写入 style-guide.md；一次性热点不要写入永久规则。

把AI最开始产出的文案和终稿都丢进去，最终产出复盘报告和style-guide.md，下次AI写的东西就能离你的期望更进一步啦～

一套够用的自媒体 Skill 栈

第 21 章 WorkBuddy也能做GEO专家

GEO 是 Generative Engine Optimization，中文常叫生成式引擎优化。

过去做品牌，很多人关心的是 SEO：用户在搜索引擎里搜某个关键词，官网、文章、媒体报道能不能排到前面。现在越来越多用户直接问元宝、DeepSeek、豆包、Kimi 这类生成式 AI：“哪个产品适合我？”“某个领域有哪些工具？”“这家公司靠谱吗？”品牌面对的问题就变了：AI 回答里有没有你，提到你时准不准，推荐你时有没有信任依据。

GEO 诊断到底解决什么问题

GEO 不是让 AI 帮你写一篇品牌软文，而是回答一个更基础的问题：在用户真实提问的场景里，你的品牌有没有被 AI 理解、引用和推荐。

先选对专家：品牌 GEO 诊断专家

GEO 诊断 Skill 上架到了 WorkBuddy 的专家市场，变成一个可以直接召唤的「品牌 GEO 诊断专家」，已经封装好一套诊断流程：从品牌输入、问题集设计、平台测试，到可见度、基建、竞品、舆情、路线图输出。

这个专家适合谁用

• 产品团队：想知道产品在 AI 搜索里的可见度、竞品压力和内容短板。
• 企业品牌：想知道公司是否被 AI 准确识别，官网和媒体资料是否足够可信。
• 个人 IP / 自媒体：想知道自己的名字、账号、代表作品是否被 AI 正确召回。
• 市场和增长团队：想把“发内容”变成有目标、有复测、有证据的 GEO 优化计划。

推荐输入材料

GEO 诊断

GEO 诊断也可以先拆成一条稳定工作流。不要一上来就问“我的 GEO 怎么样”，而是让专家先把诊断范围、测试问题和评分口径说清楚。

flowchart LR
    A[确认品牌与官方资料] --> B[建立用户真实问题集]
    B --> C[选择测试平台与采样口径]
    C --> D[记录提及率与回答准确性]
    D --> E[检查官网、内容矩阵与权威来源]
    E --> F[分析竞品、收录和舆情]
    F --> G[生成报告与 30/60/90 天行动计划]

提示词示例：产品 GEO 诊断

召唤“品牌 GEO 诊断专家”，帮我诊断 WeSight 这个产品的 GEO 情况。
官方资料：官网、开源项目地址、官方账号。
目标用户：需要统一管理多个 AI Agent、桌面工作流和开发工具的用户。
已知竞品：请先根据用户问题自动识别，再让我确认。
请先输出测试问题集、测试平台、采样次数、评分口径和局限，等待我确认后再执行。
最终输出：诊断概览、AIVO 评分、用户画像、搜索可见性、基建评估、竞品分析、收录效果、舆情分析和优化路线图。
无法重复验证的结果标为“样本观察”，不要写成绝对事实。

可得到的结果：不是一句“GEO 做得好不好”，而是一份能拆解问题的报告。案例中，WeSight 的问题不是产品没有差异化，而是在测试样本里 AI 搜索可见度和竞品对比优势偏弱，导致综合得分被拖低。

报告模块一：诊断概览与风险提示

诊断概览的作用是先给经营者一个全局判断：当前品牌总体表现如何、最主要风险是什么、哪些问题应该立刻处理。它不应该只给一个分数，而要解释分数从哪里来。

比如 WeSight 仅支持 macOS Apple Silicon 这类产品边界，如果官网、README 和外部资料没有解释清楚，AI 可能会在推荐时附带限制提醒，甚至把它排除在部分用户需求之外。

报告模块二：AIVO 评分，看清短板在哪

把 GEO 拆成四个维度：AI 搜索可见度、基建完善度、竞品对比优势、舆情健康度。这个拆法比单一总分更有价值，因为它能告诉你到底是“没人提你”，还是“有人提你但说不准”，或者“竞品资料更强”。

WeSight 的案例中，综合得分约 38 分；舆情健康度相对较好，但 AI 搜索可见度和竞品对比优势偏弱。这个结果说明问题不一定在产品本身，而在“用户提问语义”和“品牌内容供给”之间存在断层。

报告模块三：用户画像与意图漏斗偏移

很多品牌做内容时只写自己想表达的卖点，但 GEO 更关心用户真实怎么问。公众号案例中，专家发现用户在大模型里更容易提出“有没有能统一管理多个 AI Agent 的桌面软件”这类问题。这意味着用户关心的是场景和任务，而不一定知道你的品牌名。

报告模块四：搜索可见性，提及率就是新的排名

在传统搜索里，用户至少还会看到一页链接；在 AI 搜索里，用户往往只看一段回答。品牌是否被提及、在什么位置被提及、是否被作为推荐项出现，就成了新的“搜索排名”。

报告模块五：数字基建，先让 AI 有可信资料可读

GEO 不是只靠“发声量”。生成式 AI 需要可引用、可验证、相互印证的可信来源。把基建评估拆成三类：官网评估、自媒体矩阵、权威媒体背书。

报告模块六：竞品分析，争的是语义心智份额

GEO 的竞品分析不是简单列出市场竞品，而是看同一条用户问题下，AI 把推荐位给了谁。你和竞品争夺的不是网页排名，而是语义心智份额。

报告模块七：收录效果，最终看 AI 回答里有没有你

收录效果可以理解为 GEO 的结果指标。前面的官网、内容矩阵、舆情、竞品分析最终都要落到一个问题：AI 回答里有没有你。

这里最容易犯的错误，是只测品牌名。品牌名能被搜到，不代表用户问场景问题时会出现你。正确做法是把问题分层：

• 品牌名问题：某品牌是什么，官网是什么，是否开源。
• 品类问题：某类工具有哪些，适合谁，怎么选。
• 场景问题：我遇到某个具体任务，有什么产品能解决。
• 对比问题：A 和 B 有什么区别，哪个更适合某类用户。

报告模块八：舆情分接绕开。

个人 IP 也可以做 GEO 诊断

GEO 不只适合产品和企业，也适合个人 IP。用“苍何”做个人 IP 诊断，得到约 72 分，并用元宝做了额外搜索验证。

个人 IP 诊断要额外注意什么

• 身份消歧：同名人物很多，必须提供所在地、职业、代表作品、官方账号。
• 平台分散：公众号、知乎、小红书、B 站、视频号的信息可能不一致。
• 代表作品：AI 需要知道你最重要的作品、观点和标签。
• 内容定位：个人 IP 不只是“被搜到”，还要看 AI 如何描述你。

召唤“品牌 GEO 诊断专家”，帮我诊断个人 IP 的 GEO 情况。
姓名 / 昵称：____。
身份消歧：所在地、职业、公司或组织、代表作品、官方账号。
目标问题：用户问哪些主题时，我希望被 AI 正确提到？
请测试品牌名问题、领域问题、作品问题和对比问题。
输出：可见度、身份准确性、代表作品识别、同名混淆风险、内容缺口和 30 天优化建议。

企业品牌诊断，不要为了 GEO 而 GEO

企业做 GEO 最容易走偏：还没诊断，就开始批量买内容、铺渠道、刷曝光。公众号案例里提到，给企业做 GEO 诊断时，真正重要的是先知道品牌在 AI 眼里是什么样：有没有被提及，是否被误解，风险在哪里，竞品为什么更容易被推荐。

企业品牌建议重点检查

从诊断到行动：不要追求一次性刷高分

一份 GEO 报告如果不能转成行动，就只是漂亮仪表盘。给出快速赢利点、优先行动建议和阶段路线图，比如补齐 GEO 曝光、处理舆情、优化可信来源等。