这里是《一分星愿》：只拆金融场景里的 AI 工作流——来源、实测、模板、风险边界。

上个月，我把一份 Agent 生成的板块简报递给做投研的朋友。他扫了 30 秒就退回来："写得挺顺，但我没法用。"

退回的理由不是文笔，也不是结论对错。他说："你这条判断，我复述不出来源。复查一遍的成本，比我自己写还高。"

《一分星愿》这个号只验证一件事：金融从业者能不能用上可复查的 AI 工作流。这篇就是本周的验证样本——输出看起来顺，不等于能进入投研流程。中间隔着的，是证据链。

投研流程接收一份材料，默认要能回答四个问题：回答的是什么问题、关键事实从哪来、判断建立在什么假设上、人工该在哪抽查。

Agent 生成的内容，通常只在最后一环表现良好——分析写得头头是道。前面三环经常是空的：来源写着"据公开消息"，假设压根没提，复核点为零。

于是每个接到产出的人，都要从头考古。这不是阅读问题，是审计问题。

最近 GitHub Blog 连发几篇内容，说的其实是同一件事。

三篇合起来是一个判断：能被写下来、能被逐段检查的产出，才会被流程接收。工程圈的标准这么严，投研流程只会更严。

再看开源这边。我最近扫 GitHub 上的金融 AI 项目，主趋势不是"谁更能生成"，而是把数据源和复核机制写进架构。

公开层面能看到两个信号：ginlix-ai/LangAlpha 把自己定位成"Claude Code for Financial Market"，1700+ star，今天仍在活跃更新；sandole/openbb-rag-financial-research-agent 则把检索范围明确锁在 SEC 文件、业绩电话会和研报上。

后者的思路值得注意：它先把"能引用什么"写死，再谈生成。当然，README 声称和实际效果是两回事，这类项目我只当趋势信号看，不当工具结论用。

学界方向类似：arXiv q-fin 里用 LLM 做投研的工作，这两年从"让模型直接预测"往"把研究流程拆成可复现步骤"转。这是我跟踪下来的观察，不指向某一篇具体论文。

我自己踩过这个坑。8 月行情助手实验期，它每天输出一份板块简报，我一直觉得"挺顺"。

复盘时做了个实验：拿其中一天的简报，手动按证据链字段回填。15 分钟填完，3 个空格——来源只写了"据公开消息"，数据时点没标，复核点为零。

（建议截图位置：回填后的字段表，空格用红色标注）

那一刻我才明白朋友说的"没法用"。顺，是因为它替我省掉了那些不舒服的部分。

下一步我会把这张字段表做成 Prompt 前缀，让它在生成时就填满，而不是事后补。验证放在 9 月，做完写复盘，不提前下结论。

拿到一份 Agent 产出，6 个字段能填齐，才往流程里递。完整版检查单（含每个字段的反例）已备好，后台回复「证据链」领取。

如果是在挑开源金融 AI 项目，换一张表。

15 分钟，翻出你最近一份 Agent 生成的材料，按 6 个字段回填，数数空了几个。

空 0-1 个，可以继续用；空 3 个以上，先别递进流程。

你手上那份 Agent 产出，6 个字段能填齐几个？评论区说个数。

如果这篇文章帮你从信息流里筛掉一点噪音，欢迎继续关注《一分星愿》。下一次，我们继续用量化→算法工程师的视角，看一个值得试、也值得保持边界的信号。