打开功能列表，行情监测、研报生成、财报解读、策略回测——条目很多，但没有一条对应得上你今天要做的事。
这是初次接触金融 AI 时最普遍的困境。功能清单回答的是"它能做什么"，而使用者真正需要回答的是"我该从哪一步开始，下一步长什么样"。
对 AutoClaw 连续六周、十万条量级真实提问记录的观察显示，使用深度最高的那一组用户，平均提问长度约为新手的三分之一，而单次交付的内容量在两倍以上。差距不在模型，在他们把背景一次性交代清楚了。
这些习惯可以归纳为五层用法。由浅入深，每上一层，交给系统的部分多一样，留给自己的判断少一分——但不归零。
五层用法，从下往上
多数使用者的交互停在最下面：问一句，看一次，结束。
两端之间隔着五层。顺序不是随意的——下面一层不成立，上面一层的结论就不可靠。所以这里从最下面一层开始：它最便宜，也最容易被跳过。
| 你交出的 | 它承担 | 你保留 |
| 背景 | 记住持仓、成本与偏好 | 决定关注什么 |
| 材料 | 读取原文、拆解结构 | 判断材料是否可靠 |
| 规则 | 转化为可回测规则并运行 | 提出想法、解释结果 |
| 时间 | 按设定时间交付 | 决定要不要看 |
| 注意力 | 全天候扫描、按条件触发 | 判断与决策 |
值得注意的是每一层剩下的那部分。五层收窄的是你需要操心的范围，不是你的责任。判断始终留在人这一侧，只是从"每一次都要判断"变成了"在触发的那一刻判断"。
第一层：AI 记住持仓——一次设置，以后不用重复说
新用户的提问总是完整的：持仓几只、成本多少、偏好什么、能承受多大回撤，每一项都要在句子里交代清楚。让 AI 记住持仓，就是把这层重复劳动一次性消除。
"帮我分析我持有的几只股票：某公司、某公司，成本价分别为……"
问题不在长。问题在于，第二天打开对话框，同一段话又要打一遍；第三天再一遍。同一份背景被重复描述三次以上，这件事本身没有产生任何新信息。而每次重述都有损耗：这一次漏掉成本价，下一次忘了说"不看短线"，它给出的建议就跟着漂移。
解法是一句很短的补充。完整陈述一次持仓，在末尾加上：
"此后提及'我的持仓'时，均以此为准。"
这句话的作用不是让它记住，而是让你自己不必再说。第二次起，几个字即可完成一次持仓更新——真实提问中存在大量这样的短句：
"这是我的持仓"
"更新我的持仓"
"回测半年看下"
"继续"
这些句子单独看几乎无法理解。它们能够成立，是因为持仓、成本与偏好已经完整陈述过一次，此后无需重复。
参考范式：首次使用时完整陈述持仓（或自选列表、策略思路），并注明"此后提及'我的持仓'时均以此为准"。
这是五层里最便宜的一层：五分钟，一次陈述。也最容易被跳过，因为它看起来像"设置"，不像"用法"。但它决定了上面四层的效率——背景不交，每一次提问都要重来一遍；重来一遍，前四层的产出就都要打折。
第二层：AI 读财报——直接提交材料比转述更准
用文字转述材料，是这一层最常见的浪费。AI 读财报、读研报，直接给原文比口头描述更准。
提问里有一部分并非键入的文字，而是直接提交的材料——多页研报、财报附注、持仓截图、基金持仓页，乃至手绘的策略逻辑图。这类提问在使用超过三个月的用户中明显更常见。典型提问包括：
"这是本月的交割单（截图），请计算实际胜率与盈亏比，并与我的策略回测结果对比差异。"
"请从这份财报中拆解营收结构、毛利率变化、经营现金流与净利润的差异，整理为对比表。"
差别不只是快慢，是颗粒度。转述一份财报，你能给出的通常是“营收增长 12%，毛利率下降 2 个点”。系统读原文，能给出的是：这 12% 里多少来自销量、多少来自提价；毛利率掉的 2 个点，是原材料涨价还是产品结构变化；经营现金流和净利润的差额，落在应收还是存货上。
前者是结论，后者是结论的构成。结论可以抄，构成才支撑判断。
交割单、对账单、研报、公告、新闻长文与图表截图，均可直接提交。参考范式："提交[材料]，请[拆解／对比／识别异常／整理为表格]，重点关注[指标]。"
材料读得再准，如果系统不知道你的持仓与偏好，结论仍然用不上——它会按一个"平均投资者"的假设回答。至于怎么判断它读得对不对，参见它什么时候在编，你怎么看得出来。
第三层：AI 策略回测——把交易想法变成可验证的规则
规则解决的是"凭什么这么算"。
在真实提问中，体量最大的一类需求既非行情查询，亦非研报生成，而是策略回测——把一段交易想法转化为可检验的规则，在历史数据上运行，输出胜率、收益与最大回撤等绩效指标。典型提问如下：
"将我的策略想法转化为可回测规则并完成回测：股价站上 20 日均线且成交量放大 1.5 倍时买入，跌破 10 日均线时卖出。"
"回测最近一个月，若选择不卖出并持有到期，胜率与期望值是多少？"
这是金融 AI 与通用对话工具差异最大的环节：使用者负责提出想法，系统负责把想法翻译成数据。AI 策略回测的核心价值在于：想法有误，数据会指出问题所在；想法成立，即获得一份可重复执行的规则。
使用强度最高的用户会在一日之内完成数十轮"回测—调整参数—再回测"的迭代（产品方公开口径），相当于在对话中调试一套属于自己的交易系统。
规则的价值在于可重复：同一套条件，今天和三个月后跑出来的口径一致，才有比较的基础。
参考范式：以一句话描述入场、出场与仓位条件，并要求"转化为回测规则，以最近两年数据运行，输出胜率、最大回撤与收益曲线"。
而规则要写得出来，前提是读过原始材料。靠转述写出来的规则，条件往往是错的。
第四层：AI 定时推送——每天自动给你财经早报与盘后复盘
定时不关心发生了什么，只关心什么时候。AI 定时推送解决的是"我不用惦记着去查"这件事。
多数使用者与金融 AI 的交互止于一次性查询：提问、查看、结束。而发送量最高的一类提问，呈现另一种形态：
"每天早上 10 点把最近的财经热点资讯和股市情况告诉我。"
"每天下午 18:00 帮我总结 A 股盘后关键信息：涨跌板块、资金流向、市场信号，以及我持仓的两只股票当日表现。"
同一需求，表述为一次提问，得到的是一次查询；表述为定时要求，得到的是一项持续服务。财经早报、盘后复盘、持仓异动——凡是每天都会提出的问题，均值得改为定时表达，由系统按时交付，无需使用者主动发起。
判断标准很简单：凡是每天都会问一遍的问题，都应该改成定时表达。 但它有一个前提——定时交付的内容得是按你的规则算出来的，否则每天收到的只是一份谁都能拿到的通用盘后总结。
参考范式："每天[时间]向我提供[内容一]与[内容二]，并包含[个性化条目]。"
第五层：AI 盯盘——让它全天候监控你的股票
盯守是最消耗注意力的环节：自选股异动、板块资金、公告与新闻难以同时覆盖，更难以延伸至夜间市场。用 AI 盯盘，就是把"一直看"这件事交给系统。
"监控[标的]，若跌破 250 港元，即时通过飞书提醒我，并推送可能的原因与近期相关新闻。"
"监控自选股中放量突破 60 日新高的个股，盘中提醒。"
这是人机分工最为清晰的用法：系统全天候值守，按预设条件触发提醒；是否关注、如何应对，始终由使用者决定。
代价是，它只在条件成立时才说话，而条件本身要事先想清楚。写不出条件的人，用不了这一层。关于 AI 用不好的三个前置条件，参见AI 在金融行业用不好，多半是这三个条件没满足。
参考范式："监控[标的／板块／指标]，当[具体条件]成立时，通过[渠道]提醒我，并附[原因／新闻／数据]。"
五层用法之间是一条依赖链
把这五层拆开看，像五个功能；连起来看，是一条依赖关系：下层不成立，上层的结论就不可靠。
背景不清，材料读了也用不上——系统不知道这份财报跟你的持仓有什么关系；材料不读，规则就写得不准——凭印象写出的条件，和财报里的真实口径未必是一回事；规则不准，定时交付的就是错的内容；内容错了，值守报出来的就是错信号，而且会准时地、持续地报错。
反过来，每往上一层，收益不是线性的。背景这一层只花五分钟，却能让后面每一次交互都少写几十字；值守这一层要事先想清楚条件，但换来的是不再需要盯着盘面。至于哪些活能交给 AI、哪些不能，参见哪些活能交给 AI，哪些不能。
延伸场景：预期之外的用法
真实提问中还存在若干超出普遍预期的用法：财经内容创作者要求将宏观数据改写为六十秒口播文案；一级市场从业者用于整理 IPO 时间线、拟定尽职调查问题清单；备考人员将其用作习题陪练，要求按科目生成题目并逐题讲解。
这些用法有一个共同点：都不是"查一个数"，而是"完成一件需要多步处理的活"。金融 AI 的适用范围，比多数使用者的预期更宽。
这五层用法的边界与风险
它提供判断依据，不提供判断本身。 回测给出的是历史数据上的表现，不是未来的收益；监控给出的是触发条件，不是应对方案。
定时与值守会持续产生成本。 任务越频繁，消耗越高。估算口径：一次定时任务大致相当于一次完整对话的消耗；每天一次、持续一个月，约等于每天多问三到五个问题。设定之前，先确认这件事是否真的需要每天知道。
材料提交需要注意脱敏。 交割单与持仓截图包含账户信息。必须遮蔽四项：姓名、账号、资金总额、身份证号；持仓标的与仓位比例建议保留，否则系统无法判断持仓之间是否重叠，分析结果会失真。
历史回测不代表未来表现。 参数调得越细，越可能只是拟合了过去。一个简单的自检：把参数固定，换一段时间窗口重跑。如果胜率从 60% 掉到 45%，前面那个 60% 就是拟合出来的。
常见问题
Q: AI 金融助手能替我做投资决策吗？
A: 不能。它提供判断依据，不提供判断本身。回测给的是历史表现，监控给的是触发条件，最终买不买、卖不卖，始终由使用者决定。但它能替你完成决策之前的全部准备工作：查数据、算指标、列三种情景各自的后果。判断仍由你做，准备时间从两小时压到二十分钟。
Q: AI 回测的结果靠谱吗？
A: 历史回测不代表未来表现。参数调得越细，越可能只是拟合了过去。把回测当作验证逻辑的工具，而不是验证收益的工具——前者帮你确认条件是否自洽，后者会让你产生"找到了规律"的错觉。具体怎么用：它的价值在排除法，不在预测法。一个想法如果过去两年都跑不出正期望，它大概率现在也不成立。这比"能不能赚钱"可靠得多。
Q: 提交持仓和交割单安全吗？
A: 提交前应做脱敏处理。必须遮蔽四项：姓名、账号、资金总额、身份证号。持仓标的与仓位比例建议保留——否则系统无法判断这些持仓之间是否重叠，分析结果会失真。
Q: 我每天都问的问题，一定值得设成定时吗？
A: 不一定。判断标准是：过去一周这个问题你问过三次以上，且每次的答案结构相似。如果每天问的内容差异很大，定时推送反而会给你一堆你不想看的东西。
可以立即尝试的三件事
从第一层开始，成本最低，见效最快。
第一，完整陈述一次持仓或自选列表，并注明"此后提及'我的持仓'时均以此为准"。这一步花五分钟，此后每次提问都能省下几十字。
第二，把最近一份研报或交割单直接提交，要求拆成一张对比表。先不要求结论，只要求结构。
第三，找出一个你每天都会问的问题，改成定时表达。判断标准是：过去一周，这个问题你问过三次以上。
收束
五层用法，归纳为三句话：
- 先建立上下文：持仓、偏好与策略完整陈述一次，此后简化表达；
- 要求具体交付物：回测报告、对比表格、提醒规则——任务越具体，交付质量越高；
- 将一次性的转为持续的：凡是每日都会提出的提问，均应转为定时服务。
从"今天大盘怎么样"到"每天 10 点见"，改变的只是一句表述，建立的是两种完全不同的使用关系：前者每次都需要你想起它，后者它按时出现在你需要的地方。
打开 AutoClaw 桌面端，点亮「金融分析」，完成你的第一个定时任务。
风险提示
本文所述用法来自对真实用户提问的脱敏观察与归纳；文中例句均经改写，不含任何个人与账户信息。本文仅供产品使用参考，不构成任何投资建议；历史回测结果不代表未来表现。
