通用方法论 来自《金融人AI提效指南》
A:建议从最低门槛的L1提示词层（Prompt）开始。先选一个低风险任务——比如研报摘要或会议纪要——用通用Prompt模板跑起来，花1小时就能看到效果。不要等完美方案，先跑起来再迭代。
A:L1提示词层（Prompt）：复制粘贴就能用，适合单次、偶发任务，门槛最低但每次都要手动输入。L2技能层（Skill）：将固定工作流程打包成可复用的配置，一次配置反复调用，输出稳定但灵活性不如Prompt。L3智能体层（Agent）：AI自主决策链路，能理解目标、规划步骤、调用工具并验证结果，适合高频、多步骤的复杂任务。
A:目前验证靠谱的场景集中在结构化输出类任务：研报摘要与关键信息提取、会议纪要生成、合规文件与监管法规的逐项对比、客户资产配置方案初稿生成、市场数据整理与表格化、周报月报草稿撰写。共同特征是规则明确、量大、可验证。需要深度判断、承担法律责任、涉及客户隐私的场景，AI只做辅助，最终决策必须由人拍板。
A:不需要。L1提示词层完全零代码，会用自然语言描述需求即可。L2技能层和L3智能体层虽然底层涉及程序化配置，但当前主流AI工具（如ChatGPT、Claude）已经将复杂逻辑封装在图形界面之下。金融人真正需要的能力不是写代码，而是拆解任务——知道哪些活可以交给AI、哪些必须自己拍板。
A:不可以。AI会幻觉，金融数据尤其容易出错——目标价可能多打一个零，"看多"可能写成"看空"。任何AI输出都必须经过人工验证。建议机制：AI出结果后，人工抽查至少20%，发现偏差立刻调整Prompt或流程。涉及投资决策、合规判断、客户沟通的内容，最终责任永远在人。
提示词工程 来自《金融AI提示词写法》
A:好的金融AI提示词必须包含四个要素：角色（告诉AI它是谁，如资深金融分析师）、任务（具体要做什么，如提取研报核心观点）、约束（边界和限制，如不超过500字、用表格输出）、示例（给出参考模板）。四要素齐全的提示词能让AI输出稳定可用。
A:金融场景Prompt要遵循三步法：先写草稿（用大白话描述需求）、再加结构（补全角色/任务/约束/示例四要素）、最后测试迭代（跑2-3轮调整直到满意）。关键是把背景、约束、示例都补上，AI才能给出符合金融行业要求的准确输出。
A:提示词长度没有绝对标准，关键是信息完整。一个好的金融Prompt通常包含：角色设定（1-2句）、任务描述（3-5个要点）、输出约束（格式/字数/风格要求）、输出示例（1-2个）。总长度可能在100-500字之间。不是越长越好，也不是越短越好——是要把话说清楚。
投资顾问AI工具 来自《投资顾问AI工具实战》
A:AI工具本身不涉及合规问题，关键在于如何使用。用AI辅助数据查询、持仓分析、报告生成等效率型工作完全合规。但AI生成的投顾建议需经人工审核，不得直接向客户输出未经人工确认的AI观点。所有面向客户的内容应符合基金销售合规要求，不得包含保本承诺、收益预测等违规表述。
A:根据需求场景选择：快速查基金基础数据用天天基金API（最简单，命令行即可调用）；需要深度持仓诊断、风格分析、信号监控用且慢MCP（最专业，8大分析模块）；需要完整AI工作流（客户画像→资产配置→报告生成一站式）用FinRobot（最全面，但需自备LLM API和自行对接数据）。三者可以组合使用，分别覆盖不同深度的分析需求。
A:不能。AI擅长的是数据收集、信息整理和框架生成，但它不会替你拍板。真正的投资判断——对客户需求的洞察、对市场情绪的感受、对风险的直觉——这些只能由投资顾问自己完成。AI的价值是把「翻数据」的时间从每天数小时压缩到几分钟，让你有更多时间做真正有附加值的决策和客户沟通。正如决策框架所说：AI能给你赔率，但下注只能自己来。
金融产品PRD与AI 来自《AI金融产品需求文档实战指南》
A:金融PRD额外需要覆盖合规审查节点、风险控制逻辑、资金安全路径、监管报送要求等模块。普通PRD关注功能和体验，金融PRD必须在满足监管框架的前提下设计功能。
A:gstack是YC CEO Garry Tan开源的AI工作流工具套装，包含23个skill，覆盖从需求定义到上线发布的完整流程。金融产品经理可以直接套用，在/office-hours、/plan-ceo-review等步骤中加入合规和风控检查即可适配金融场景。
A:AI生成的PRD在结构完整性、逻辑一致性上已经接近甚至超过初级PM水平。但金融产品的合规判断、业务权衡和风险决策仍需要产品经理亲自主导。AI的角色是"高效执行者"，PM的角色是"判断者"。两者协同才能产出高质量金融PRD。
基金运营AI实战 来自《基金运营AI实战》
A:fund-operation-workflow 覆盖三大核心场景：投教内容运营（内容数据采集、竞品动态监控、用户反馈分析）、基金产品运营（产品页面数据、转化漏斗分析、用户分群运营）、投顾服务运营（服务数据监控、客户活跃度追踪、服务满意度调研）。六大节点（收集→归档→策略→实施→测试→监控）可灵活适配不同场景。
A:监控节点（INFJ型）会自动对比今日/昨日/上月数据，检测超出正常波动范围的指标。例如评论数突增50+（日平均20），AI会自动标注为异常并溯源原因（如某篇文章引发争议），同时生成建议行动（回复争议评论、引导讨论方向），无需运营人员手动逐条排查。
A:无需编程基础。fund-operation-workflow 通过命令行自然语言指令驱动，例如输入"/收集 投教内容运营数据"即可自动完成多平台数据采集。安装仅需三步：克隆项目仓库、复制skills到对应AI工具目录、重启即可使用。支持Claude Code、Cursor/Windsurf、OpenClaw（飞书集成）三种方式。
AI基金周报生成教程 来自《AI基金周报生成教程》
A:传统方式依赖运营人员手动完成所有环节——收集数据、整理分析、编写报告、交叉审核，耗时且容易遗漏。六节点AI工作流将每个环节拆分为标准化步骤，每个节点由AI辅助完成：收集环节AI自动对接数据源并标注异常，归档环节AI自动结构化整理，策略环节AI提供STAR分析框架和归因逻辑，实施环节AI生成报告草稿，测试环节AI做交叉检验，监控环节AI追踪关键指标。运营人员从执行者升级为审核者和决策者。
A:入门门槛很低。提示词版零代码——只需复制本文提供的Prompt到ChatGPT/Claude即可使用。Skill版需要将提示词封装为可复用模块（需在Agent平台中配置）。Agent版需要一定技术基础（YAML配置+数据源对接），但一次配置、长期复用。建议从提示词版开始，感受到效率提升后再逐步升级到Skill和Agent版。
AI客户问答实战 来自《AI客户问答实战》
A:能。AI客户问答系统内置情绪感知模块，可以识别客户文字中的愤怒、焦虑、失望等情绪，并自动匹配对应的话术策略。例如面对愤怒投诉，AI会优先使用降温语言、承认对方情绪、避免讲道理；面对焦虑客户则提供数据和事实来安抚。但最终回复仍需人工审核确认。
A:AI客服工作流内置了合规话术生成模块，会在生成回复时自动检测并过滤以下违规表述：保本承诺（"保证收益""稳赚不赔"）、收益预测（"预期年化X%"）、比较性诱导（"远超银行理财"）、虚假紧迫感（"限时机会""最后一天"）。但最终合规责任仍由金融机构和人工审核者承担，AI只做预检和提示。
A:起步阶段建议覆盖前20%高频问题（通常30-50条核心FAQ），就能解决80%的客户咨询量。后续根据客户新发问持续补充。关键是每条FAQ包含完整信息：问题原文、标准答案、合规要求标注、关联产品/政策引用。结构化程度比数量更重要。
金融Prompt模板库 来自《金融Prompt模板库》
A:模板库覆盖五大岗位共15套以上模板：投资分析类（市场早报、持仓诊断、暴跌四问）、基金运营类（指标巡检、活动复盘、用户分层）、合规风控类（文章审查、方案审查、话术审查）、产品设计类（需求排序、竞品分析、PRD框架）、市场增长类（产品包装、市场解读、持有人答疑）。每套模板含适用场景、完整提示词和标签。
A:遵循三步法：变量抽取——把提示词中的具体值（基金名称、日期、金额）替换为[变量名]；参数化——为每个变量定义取值规则（如[基金名称]=从系统字段自动填充）；规模化——将参数化后的模板存入模板库，后续只需填充变量即可批量使用。建议用Markdown表格管理模板，一列是变量，一列是取值说明。
A:三者是逐级封装的关系：模板库是Prompt层的最佳实践集合（最灵活，每次手动使用）→Skill是将单个模板+执行逻辑封装成可调用模块（稳定性高，一次配置反复用）→Agent是将多个Skill串联成自主决策的工作流（自动化程度最高，适合高频复杂任务）。建议从模板库开始，高频使用的模板逐步升级为Skill，多步骤协作的场景再升级为Agent。
AI Agent选型 来自《金融AI Agent选型指南》
A:从数据不出域的角度，本地部署更安全。金融行业涉及客户隐私和交易数据，本地部署确保所有数据在本地处理，不会上传至第三方服务器。但本地部署需要自身具备一定的安全运维能力。云端部署适合经过脱敏处理的非核心数据场景，选择通过金融等保认证的云服务商（如阿里金融云、腾讯金融云）也能满足合规要求。
A:CrewAI最适合三类金融业务场景：1）研究分析类——个股研究、行业研究、宏观经济分析，通过多Agent协作实现数据收集→分析→报告生成自动化；2）监控预警类——市场异动监控、风险指标预警、舆情监控，配合云部署实现7×24小时运行；3）流程自动化类——定期报告生成、合规检查清单、数据对账等重复性工作。但不适合投资决策和客户沟通等需要人类判断力的场景。
A:最关键的是四个维度：数据敏感度（数据是否包含客户隐私和交易信息）、合规要求（监管是否要求数据不出域）、业务连续性需求（是否需要7×24小时不间断运行）、团队技术能力（团队是否具备本地运维能力）。通常遵循"核心数据本地化，非核心服务云端化，关键链路混合化"的原则。
A:个人金融从业者推荐本地版为主、云端为辅的策略。日常研究分析、数据处理等高频场景使用本地版（如本地运行CrewAI加开源模型），数据不出本地电脑，零服务器成本。需要持续监控或跨设备访问时才考虑云端部署。如果使用云端API（如GPT-4o、Claude），注意不要在Prompt中直接粘贴客户敏感数据。
AI知识库搭建 来自《金融人如何搭建AI知识库》
A:当AI在回答你产品逻辑、合规条款、财报数据等专业问题时频繁出现编造或过时信息时，就需要知识库。核心判断标准：如果AI回答依赖你的私有文档或最新数据——比如产品手册、内部法规、季度财报——就必须用知识库。通用问题如翻译、写诗则不需要。
A:不一定。有三种路径适合不同背景：Notion AI零代码上手，适合个人知识管理；飞书知识库适合团队协作，同样无需技术；本地RAG方案（如LlamaIndex）需要Python基础，适合私有化部署和高安全要求场景。你可以根据自身需求和技术能力选择。
A:知识库解决"AI能不能答对"的问题——把专业文档向量化后供AI检索，核心是结构化+可检索。个人知识管理解决"知识能不能生长"的问题——把收藏的文章、笔记、思考建立连接形成知识图谱，核心是打标签+建连接+生认知。两者是互补关系：知识库是AI的外挂记忆，知识管理是你自己的认知外骨骼。
A:四类不适合：非结构化内容（会议录音、聊天记录，噪声多难解析）、主观判断（个人经验、直觉、预测，难验证易误导）、实时数据（实时行情、突发新闻，变化快易过期）、复杂逻辑（数学证明、代码算法，需要推理而非检索）。知识库最适合的是结构化文档、FAQ问答对、流程规范和格式化的数据指标。