17.6 常见误区与风险防范
面向经管学生、研究者与从业者的 AI 智能体设计教材
AI 辅助投研的价值在于加速信息处理，不在于替代投资判断。这一节列出五个最常见的误区，每个都附带验证方法和防范策略。
误区一：把 AI 分析结果当投资建议
AI 生成的投资备忘录在法律上不是投资建议。未经持牌分析师审核签署的投研报告，对外分发可能违反《证券法》和《证券投资顾问管理暂行办法》。AI 产出的定位始终是内部研究参考，不是对客交付物。
正确定位：AI 是研究助手，分析师是决策者。备忘录的结论板块不能出现”建议买入”“应该增持”等建议性措辞，只能用”基于当前分析，估值处于合理区间”这类描述性表述。在 CLAUDE.md 中写入措辞禁令，report-writer 生成文本时自动遵守。
误区二：不验证 AI 提取的财务数字
AI 从财报 PDF 中提取数据时，最常见的三类错误：
| 错误类型 | 示例 | 后果 |
|---|---|---|
| 小数点偏移 | 营收 2850 亿写成 28.5 亿 | 估值偏差百倍 |
| 单位混淆 | 人民币和美元不区分 | 可比公司分析失效 |
| 年份错位 | 2024 年数据标成 2023 年 | 增速计算方向错误 |
验证方法：在 earnings-extract Skill 的输出格式中强制包含 source_page 字段，标注每个数字来自财报的具体页码。分析师抽查 3-5 个关键数字，与原始财报对照。
AI 不会说”我不知道这个数字”。当财报中某个指标缺失时，AI 可能用行业平均值或历史趋势”推断”一个数字，且不标注推断来源。在 Skill 中明确要求：数据缺失时标注”N/A”，不得自行填充。
误区三：过度依赖单一数据源
只用券商研报做行业分析，结论会偏向卖方视角。只用新闻做舆情判断，可能放大短期噪音。投研系统设计了三路并行采集（财报、研报、新闻），正是为了用多源交叉验证对冲单一来源的偏差。
防范策略：在 CLAUDE.md 的数据来源声明规范中要求每个核心结论至少引用两类数据源。report-writer 在整合时检查引用计数，单源结论标注警告标签。
误区四：评分体系的边界值处理不一致
在一次干跑测试中，基本面分析 Skill 用 > 10% 作为盈利增长率的达标阈值。标的公司的盈利增长率恰好是 10%，严格大于的条件下不达标。这个边界行为导致增长性维度直接判为 bearish，影响了最终信号。
同一次干跑还发现了评分公式的语义缺陷：某个分析维度的信心度公式为”总分 / 满分 × 100”。当信号为 bearish（总分极低）时，信心度也趋近于 0。但 0% 信心度的语义是”完全不确定”，与分析师对零价值特征标的的高信心看空判断矛盾。公式衡量的是”有多少正向特征”，不是”对信号方向的信心”。
防范策略有两条。第一，Skill 中的阈值统一用 >=，或在文档中显式注明边界行为。第二，信心度公式要与信号方向挂钩：bullish 时用正向计算，bearish 时用反向计算。
误区五：Agent Teams 的上下文隔离
Agent Teams 的并行架构意味着每个 agent 只看到自己窗口内的数据。financial-analyst 算出标的公司 ROE 极高，但不知道 industry-analyst 发现行业正在经历产能过剩。两个维度的结论单独看都成立，交叉看可能需要调整权重。
防范策略：report-writer 是唯一读取所有分析报告的 agent。在它的 agent.md 中明确要求：当不同维度的信号方向冲突时，必须在备忘录中列出分歧并分析原因，不能简单取多数投票。分析师在审阅环节重点关注这些分歧点。
每份投资备忘录交付前，分析师用以下清单做最终检查：
五个误区的共同防范逻辑是同一条：把约束写进配置文件，让系统替你守住底线。数据来源声明写进 CLAUDE.md，阈值边界行为写进 Skill 定义，免责声明检查写进 Hooks。配置越具体，分析师在审阅环节需要操心的事情越少，精力就能集中在核心假设、分析逻辑和结论措辞这些真正需要专业判断的地方。