2026 年春節，他做了一個決定：把自己的業務流程 Agent 化。

起點不是什麼科幻感很重的示範，而是某個周五晚上 11 點，他還在電腦前整理市場資料。美股大跌，他要看完 50 多條重要新聞、分析 10 家公司的盤後表現、更新投資組合策略，還要寫一篇市場解讀。

他算了一下，至少還要 3 小時。隔天早上 8 點，同一套流程又會重來一次。

那一刻的轉折很直接：真正需要人判斷的決策，可能只占 20%；剩下 80% 都是在收集、整理、搬運資訊。

一週後，系統跑通了接近三分之一。照這份案例自述，每天 6 小時的常規工作縮成 2 小時，業務產出提升 300%。他的投研 Agent 每天自動處理 20,000 多條全球財經新聞、50 多家公司財報、30 多個宏觀指標和 10 多份產業研究；如果用人力做，這是他估算大約需要 5 人團隊的工作量。

Mogu 真心話：

這裡的「年薪 150 萬」是人民幣，是文中拿基金經理薪資做的人力成本對照；「$500」是美元 API 月費。兩個幣別不要混在一起算成魔法折扣，不然試算表都會想辭職 (⁠◕⁠‿⁠◕⁠)

記憶力很好的助理：知識庫

第一層是知識庫，也就是 Agent 的記憶系統：過去十年的經濟數據、五十家公司的財報、重大市場事件復盤，還有他自己過去五年每一次投資決策的對錯紀錄。

他餵進去的東西包括：美股前 50 大公司財報、重要宏觀指標、主要財經媒體與資訊渠道、五十個推特帳號的即時動態（宏觀分析師、基金經理），還有重大市場事件的復盤筆記。

超過 50 萬條結構化數據，每天自動更新 200 條以上。 如果用人工維護，他估算需要兩個全職研究員。

Mogu 補個刀：

五十萬條數據聽起來很猛，但很多人的 LINE 對話紀錄搞不好比這還多。差別在於他的數據是結構化的，普通聊天紀錄是「欸那個連結找一下」「在哪」「往上滑」的無限迴圈。整理資料這件事，AI 跟人的差距就像洗碗機跟手洗——結果一樣，但一個不會抱怨 ┐⁠(⁠￣⁠ヘ⁠￣⁠)⁠┌

這套記憶系統如何發出預警

2 月初市場暴跌時，這套系統成了一次案例復盤。

暴跌前 48 小時，他的 Agent 發出預警。它把眼前的數據一條一條比對：日債殖利率跳漲、美日兩年期利差收窄、美國財政部一般帳戶（TGA）餘額高企代表財政部持續從市場抽水、芝加哥商品交易所（CME）連續六次調高金銀期貨保證金。

知識庫裡還有一份「日圓套利交易平倉引發市場波動」的完整復盤。Agent 把這些訊號跟歷史模式配對後，給出「流動性緊張 + 估值高企 → 減倉」的建議。

每一條單獨看都只是「嗯，有點怪」。Agent 把零散的訊號串起來，輸出減倉建議。

照案例自述，這次預警幫他避免了至少 30% 的回撤。

Mogu 想補充：

來源把這段日圓套利復盤標成 2022 年 8 月，但 BIS 與 日本銀行 對這場市場廣泛討論的平倉都指向 2024 年 8 月，來源看來把年份寫錯了。至於「避開 30% 回撤」，仍只是個案自述，不能當績效證明 (⁠⌐⁠■⁠_⁠■⁠)

把判斷標準寫給 AI：Skills

大部分人用 AI 的方式是這樣的：打開 ChatGPT，丟一個問題，得到一個看起來很專業但跟實際狀況毫無關係的答案。

這就像走進便利商店跟店員說「隨便給份吃的」，對方只能隨便拿一包泡麵。但如果條件是「低鈉、高蛋白、不要辣、預算五十塊以內」，推薦才會開始有準頭。

第二層叫 Skills——把判斷標準變成 AI 能讀懂的說明書。他列了幾套範例：美股價值投資框架、比特幣抄底模型、市場情緒監控、宏觀流動性監控。

這些範例前面有一個很重要的括號：以下 Skill 只是舉例，不代表他的實際投資標準，而且投資判斷標準也會即時更新。 股東權益報酬率、相對強弱指標與流動性條件，只是在示範「如何把判斷寫成可執行規則」。

Skills 的本質就一句話：把「憑感覺」變成「因為 A 所以 B」。 讓 AI 不只是回答問題，而是按照一套明示的邏輯去分析問題。

Mogu 內心戲：

這步是整篇最關鍵的，也是最多人跳過的。大家都在喊「AI 幫我分析」，但從來不告訴 AI 分析框架是什麼。這就像叫一個新來的實習生「去幫我做報告」，但不講報告格式、數據來源、老闆在意什麼。然後收到成品就暴怒——欸，規格沒講清楚是要怎麼通靈 (⁠╯⁠°⁠□⁠°⁠)⁠╯

讓系統自己轉：自動化排程

前兩層搞定之後，最後一步是讓它自己動起來，不用每天早上手動觸發。

他設了一堆定時任務。改造後的早晨長這樣：七點五十起床刷牙，手機一看，Agent 已經整理好全球隔夜市場摘要。八點十分看詳細分析，Agent 已經生成今日策略建議。八點半開始工作，人的工作不是把新聞重翻一次，而是基於 Agent 的分析做最終決策：是否調倉，調多少。

三十分鐘搞定。 以前要手忙腳亂翻兩小時新聞的日子，結束了。

寫文章也能 Agent 化

他的第二條業務線是做內容（主要在 X/Twitter 發文）。改造前，一篇文章從選題到發布要整整八小時。

改造後？Agent 每週一早上自動推送 3-5 個選題，資料收集從兩小時壓到三十分鐘，寫作變成人機協作——AI 負責結構和數據填充，人負責注入觀點和真實案例、把「正確的廢話」刪掉。最後的潤稿校對從一小時砍到十五分鐘。

他研究爆款內容的方法也很有意思：先爬過去一年 X 上財經、科技領域最熱門的 200 篇文章，用 AI 分析它們的共性，提煉出可複用的公式，再把這些公式回餵給 AI 當框架。

Mogu 忍不住說：

注意，這不是「讓 AI 幫你寫文章」。這是「先研究什麼內容會爆，再讓 AI 按公式執行」。就像開餐廳不是叫廚師隨便炒，而是先去夜市觀察哪攤排最長、為什麼排最長，然後帶著食譜回來。差距在「有沒有先做功課」，不在「有沒有用 AI」 (⁠￣⁠▽⁠￣⁠)⁠／

從賣時間到賣系統

這裡是整篇最有野心的部分。他畫了一條商業模式演進路線：

賣時間（按小時收費）→ 賣產品（一次開發，重複售賣）→ 賣系統（建平台）→ 然後他加了一條新路線：賣算法能力，也就是「Agent 即服務」。

傳統的軟體即服務（SaaS）賣的是工具——買了之後還得自己學怎麼用。他想像中的「Agent 即服務」賣的是結果：客戶下達指令，Agent 自動執行、持續優化。

他已經在幫朋友搭建投研 Agent 了。第一個案例分析下來，那位基金經理朋友 60% 時間花在收集整理資訊、20% 花在重複性分析；照他的判斷，這 80% 屬於可 Agent 化的部分。兩週搭完簡化版後，朋友的回饋是：「思考的時間更多了之後，投資的心態更穩了。」

延伸閱讀

Mogu murmur：

「思考的時間更多了，心態更穩了」——這句話才是整篇的核心。Agent 化的好處不只是省時間，而是人不用一直被資訊整理追著跑，大腦終於有空間做判斷。這跟洗碗機的道理一樣：省下的不只是洗碗的二十分鐘，是飯後那段「啊還要洗碗」的心理負擔 ╰⁠(⁠°⁠▽⁠°⁠)⁠╯

回到那個周五晚上

回到開頭那個周五晚上：美股大跌後，一個人還在電腦前整理資料，至少還要三小時。

Agent 化後，資訊收集、整理、初步分析和內容生產被做成系統；是否調倉、調多少，仍由人做最後決定。

他的答案是：投研 Agent 每月 $500 API 費，加上每天 1 小時檢查；以他的工作量估算，效果接近一個 5 人團隊。

Mogu 吐槽時間：

真正值得偷學的不是把人民幣 150 萬和美元 500 拿來做漂亮對比，而是把「每天被資料推著跑」改成「每天檢查系統給出的判斷」 (⁠๑⁠•⁠̀⁠ㅂ⁠•⁠́⁠)⁠و⁠✧