撰文：Gandalf，Techub News
导语
AI 可以在几分钟内搜集资料、阅读财报、整理数据，甚至生成一篇看似完整的研究报告。但对投资者而言，信息获取变快，并不意味着判断自动变好。真正难以回答的问题往往是：当初为什么看好？后来哪些判断被事实验证，哪些只是碰巧赚钱？下一次又如何避免重复同一种错误？
Crazyox 曾长期从事法律工作，也做过作者，后来进入 Web3，并持续投入 AI 产品与自动化实践。法律训练让她习惯从一个结论反向追问：证据是什么？这是事实还是推断？是否存在相反证据？又有哪些新事实会推翻既有判断？
这种证据思维，成为她发起「积木投研」的起点。她想做的不是一个替用户预测市场、输出买卖答案的 AI 工具，而是一套能够帮助个人投资者搭建研究框架、保存决策原点、跟踪证据变化、接受反证并持续复盘的系统。它更像一本“投研错题集”：记录的不只是买卖与盈亏，而是一个人如何思考，以及反复在哪里犯错。
核心观点
“信息会越来越便宜，但判断不会自动变得更好。”
在 Crazyox 看来，AI 最适合做的是提高研究和认知效率：整理资料、追踪新事实、找支持与反对证据、提示证据冲突；但最终的判断、证据权重与投资决策，必须由用户自己保留和承担。
“积木投研”的目标也不是提供一套不可质疑的标准答案，而是让用户从一个朴素的观点开始，将其拆解、验证、推翻或重建。用得越久，系统越不应只是产品发起人的方法论，而应逐步沉淀为用户自己的研究框架、投资错题集与认知历史。
从律师思维到投研错题集
TECHUB NEWS：请先介绍一下自己，以及为什么会发起「积木投研」？
Crazyox：我的经历比较跨界，做过很多年法律工作，也写过书，后来进入 Web3，现在主要从事 AI 产品和自动化，同时长期关注投资研究。
积木投研最早源自我自己的一个痛点。AI 已经能够很快搜资料、读财报、写研报，未来信息生产会越来越便宜；但真正困难的不是“能不能找到资料”，而是如何判断：我当初为什么看好？后来到底哪里对了、哪里错了？下一次能否少犯同样的错误？
所以最开始，我只是想做一个“投资错题集”，后来才逐渐发展成积木投研。它不是替人预测市场，而是帮助用户搭建、验证、复盘和迭代自己的投资判断。
TECHUB NEWS：法律工作的习惯，如何影响你的投资研究方法？
Crazyox：律师有一种职业习惯：别人给出一个结论，我的第一反应通常是“证据呢？”接着会问，这到底是事实还是推断？证据来源是否可靠？有没有相反证据？哪些新事实出现以后，原来的结论会被推翻？
后来我发现，法律和投资很相似，都是在信息不完整的情况下作出判断。法律训练带给我的，并不是不断找证据证明“我是对的”，反而是让我习惯追问：如果我是错的，我会错在哪里？
这也是为什么，积木投研会把证据、反证与证伪机制放进研究流程。研究不是为了替已有立场找更多支持，而是要允许自己的观点被事实挑战。
留住决策的原点
TECHUB NEWS：什么是“投研错题集”？它与一般交易记录有什么不同？
Crazyox：传统交易记录通常记的是何时买入、何时卖出、赚了多少或亏了多少，更像一张成绩单。但学生做错题集，不是只记录考了多少分，而是弄清楚这道题为什么错。
积木投研希望做两件事。第一，为每一次重要投资决策留下一个原点。无论是买入、加仓、减仓，还是改变判断，用户都可以把这个决策标记在 K 线和时间轴上，同时保存当时的投资逻辑、核心驱动与证据。半年之后重新回看，用户能够回到当时的信息环境，问自己：如果只知道当时这些信息，这个决定做得怎么样？
这有点像投资决策的“黑匣子”。它保留的不是今天根据结果重新整理过的解释，而是决策时真实的观点、依据与未知。
第二，每一轮研究和复盘都会形成报告，记录观点如何变化、证据是增强还是减弱、收益表现如何，以及最终可以如何归因。未来，这些报告也可以再被 AI 分析。
错题集真正积累的并不是“我买过哪些股票”，而是“我过去如何思考，以及我反复在哪里犯错”。
TECHUB NEWS：为什么记录原始判断，是做好复盘的前提？
Crazyox：因为人很容易用今天已经知道的结果，重新解释昨天的自己。所以系统会保存一个 T0，也就是决策原点。T0 记录的不是后来的解释，而是当时真实的观点、依据和未知；之后可以增加新事实，但不能改写最初判断。
这样过一段时间再复盘，才有机会区分：当时究竟是判断正确，还是后来恰好赚到了钱。没有原始判断，就没有真正的复盘。
用积木搭建研究框架
TECHUB NEWS：为什么叫“积木投研”？这些积木具体指什么？
Crazyox：很多普通投资者并不是没有观点，而是不知道如何研究自己的观点。比如有人觉得“AI 算力需求还会增长”，或者“存储行业进入上行周期”，接下来该研究什么？传统投研往往会给出一整套复杂模板，普通用户很容易因此放弃。
积木投研希望从一句最简单的问题开始：“你为什么看好？”随后，将一个观点拆成若干核心驱动因素，例如需求、资本开支、财报、现金流、扩产、价格、库存周期或市场份额。
再往下，每一个核心驱动可以挂载不同的 Skill，也就是研究方法积木，例如估值分析、AI 价值迁徙、稀释分析、杠杆风险等。整个逻辑可以概括为：
观点 → 核心驱动 → Skill 研究方法 → 证据 → 形成个人研究框架
之所以称为积木，是因为它不是固定模板。某个 Skill 不适用可以拆掉；发现漏掉一个关键驱动可以补上；如果整个框架被新事实证明有问题，也可以推倒重来。目标是让一个原本不熟悉系统化投研的人，也能从自己的一个观点出发，一块一块地搭出研究框架，并在真实市场中不断验证、拆除和重建。
TECHUB NEWS：从初步想法到可验证的投资论点，系统如何帮助用户验证？
Crazyox：主观投资很难的一点，是人的观点如何“回测”。假设选中一只科技股，一年上涨 30%，这能否证明研究能力很强？不一定。如果同期 QQQ 上涨 40%，这个 30% 的含义就不同了。
因此，积木投研会引入外部基准。研究科技股可以与 QQQ 比较，更广泛的美股可以与 S&P 500 或 SPY 比较，特定行业也可以与对应的行业 ETF 比较。它不只看绝对收益，还会看相对表现。
但收益只是一个维度。另一个关键维度是：当初支撑观点的证据，后来变强了还是变弱了？也就是说，系统同时观察研究逻辑是否被事实验证，以及结果是否跑赢相应基准。两者结合后，才有机会逐步区分研究能力、市场 Beta 与运气。
让 AI 寻找反证
TECHUB NEWS：如何处理支持证据、反方证据，以及 Skill 和证据的权重？
Crazyox：这里需要区分三个层次：核心驱动回答“什么决定我的判断”；Skill 回答“我用什么方法研究它”；Evidence，也就是证据，回答“事实到底是否支持它”。
目前我们不会给 Skill 预设固定权重。比如规定估值分析占 30%、库存周期占 20%，看起来很科学，但不同公司、不同阶段和不同投资逻辑下，同一种研究方法的重要性并不相同。Skill 是尺子，不是事实本身。
真正需要被区分权重的是证据。公司财报原文、已经兑现的收入，与市场传闻、管理层对未来的预测，不应有相同的证明力。AI 可以协助寻找证据、提示来源、查找反证和发现冲突，但最终由用户确认一条证据对自己判断的重要程度。
至于哪些 Skill 在长期中真正有效，我更希望让复盘结果告诉用户，而不是在一开始人为规定。这也是积木投研未来重要的一层：让研究方法本身接受长期检验。
TECHUB NEWS：新财报、行业数据或公司事件出现后，工具如何帮助用户回到研究逻辑，而不是跟着股价走？
Crazyox：核心只有一句话：不要让价格替你思考。
新的财报出现后，系统首先应该回到原来的核心驱动。比如最初看好一家公司，是因为相信资本开支最终会转化成收入和现金流，那么下一次财报就应检查：投入是否增加？收入是否兑现？现金流是否跟上？原有支持证据是在增强还是削弱？是否触发了此前设定的重审条件？
而不是因为当天股价上涨 8%，就认定投资逻辑已被验证。价格变化不等于投资论点变化。系统真正持续追踪的，应是事实发生了什么，以及这些事实有没有改变原来的研究逻辑。
TECHUB NEWS：你希望 AI 成为“反方研究员”，主动挑战用户观点吗？
Crazyox：非常希望，而且我认为这可能是 AI 在投研里最有价值的角色之一。投资者很容易产生确认偏误：如果已经买入一家公司，AI 还每天按照既有观点找十条利好，它可能就成了高级版的信息茧房制造机。
所以，当我越相信一个东西时，AI 越应该攻击它。你认为需求会增长，AI 应去找需求走弱的证据；你认为公司有护城河，AI 应去寻找正在绕过这一护城河的竞争者；你认为管理层优秀，AI 应检查他们过去的承诺是否真正兑现。
我很希望积木投研具备“Attack My Thesis”的能力——攻击我的投资逻辑。它不是为了反对而反对，而是强迫用户看见自己最不愿意看的那部分证据。
复盘能力，而非标准答案
TECHUB NEWS：一项投资结论应该如何设置失效条件？
Crazyox：失效条件本质上是在回答：发生什么事实以后，我愿意承认原来的判断需要重审，甚至已不成立？
例如，看好一家公司是因为预期收入和利润会持续改善，那么就应提前定义观察指标、验证周期、什么情况算成立，以及在什么条件下必须重新审视。如果收入增长，但毛利率或经营利润持续恶化，原来的核心驱动可能已经出现问题。
系统中的验证积木，会围绕“观察指标、成立条件、重审条件、验证周期”保存研究过程。之所以要在作出决策前就写下来，是因为一旦有了仓位，人很容易为自己找理由。先定义什么时候认错，再允许自己下注。
TECHUB NEWS：如果一项投资赚钱了，但研究逻辑其实错了；或者短期亏损了，但研究过程严谨，该如何评价？
Crazyox：不能简单地用“赚了等于判断对，亏了等于判断错”来评价。因此，积木投研尝试采用一个四象限归因框架：一条轴是原有证据在后续事实中变强还是变弱；另一条轴是最终结果是否跑赢对应市场基准。
当证据变强但没有跑赢基准时，未必是研究完全错误，可能是行业看对了但标的选错了，也可能是价格或时间的问题；当证据变强且跑赢基准时，重点是继续识别哪些核心驱动与研究方法值得复用；当证据变弱且结果也差时，应进入错题集，反思研究逻辑到底哪里出了问题；最值得警惕的是证据变弱却仍然赚钱，因为这可能只是市场整体上涨或情绪行情奖励了错误方法。
赚钱不等于看得准。投资中很危险的一件事，是用错误的方法赚到了钱。四象限希望尽可能把能力、运气与市场 Beta 分开，让复盘不止停留在“有没有赚钱”，而是进一步追问：这一次究竟是研究有效，还是市场刚好奖励了我？
TECHUB NEWS：参与「AI 投研精英孵化计划」后，你最希望验证什么？
Crazyox：我现在最想验证的已经不是 AI 能不能写研报——这件事并没有太大悬念。我真正关心的是，AI 能不能提高人的判断质量，而不只是提高信息生产速度。
其次，是这套“观点 → 核心驱动 → Skill → 证据 → 验证 → 复盘”的过程，能否让原本不熟悉系统投研的人真正用起来，让他们从自己的一个观点出发，逐步形成自己的研究框架。
最后是产品本身：哪些积木有用，哪些 Skill 有效，哪些设计应该拆掉重来。这也符合积木投研自身的方法——提出假设，接受反证；错了就改，失效了就拆。
结语
Crazyox 希望用户长期留下来的，不是一堆研报，也不是一套由产品规定的标准模板，而是三种更长期的资产：属于自己的研究框架、属于自己的投资错题集，以及一部由真实市场与持续复盘写成的个人认知进化史。
当用户使用得足够久，系统或许能从其历史判断中发现一些规律：研究某类公司时，哪些核心驱动或 Skill 更有效；哪些方法曾多次导致误判；在何种市场环境中，哪些证据更值得重视。届时，AI 的价值不再只是研究一家公司或整理一份资料，而是帮助用户回看和改进自己。
“用得越久，这套系统越不像我的积木投研，越像你的积木投研。”Crazyox 说。
未来，信息、研报和许多标准化分析能力都可能越来越便宜。但个人的判断能力不会自动产生。真正的投资能力，也许不是永远判断正确，而是越来越快地发现自己错了，越来越准确地理解自己为什么错，并让下一次判断比这一次更好。
编辑说明：本文根据 TECHUB NEWS 对 Crazyox 的采访终稿及采访提纲整理。文中关于「积木投研」的产品定位、功能机制、研究方法与后续设想，均以受访者表述及提供资料为基础。项目仍处于开发与验证阶段，文中内容不构成对任何证券、基金、资产类别或市场走势的推荐、预测或保证。
免责声明：本文仅作信息交流与投资研究方法讨论，不构成任何投资建议。证券、基金、期货合约及虚拟资产价格可升可跌，过往表现不代表未来结果。文中提及的公司、指数、ETF、研究框架或案例仅用于说明方法，不构成买卖建议。读者不应仅依赖本文内容作出投资决策，并应根据自身投资目标、财务状况及风险承受能力审慎评估，必要时咨询独立专业意见。
