最近一個月，OpenClaw的熱度席卷中文互聯網，找我聊龍蝦的人突然變多了。不是隨便聊聊，是正經問——有人問怎么部署Stock-Analysis Skill，有人問能不能讓龍蝦自動盯盤，還有人直接甩來一份Agent生成的研報問我“這個邏輯有沒有問題”。沒用上或者不會用龍蝦的焦慮，已經蔓延到了投資圈。

焦慮到什么程度？閑魚上有人把GitHub免費的投資Skill打包標價5萬塊，頁面顯示賣了4單。那個被傳爛了的神話更夸張：50美元啟動資金，48小時變2980美元，收益率5860%，其實這只是Polymarket預測市場的統計套利，跟大部分人理解的AI炒股根本不是一回事，但這不妨礙它被當成AI自動賺錢的標桿到處傳。

可你身邊真有人用OpenClaw炒股賺到了錢嗎？至少在我的圈子里，沒有。就算把范圍擴大到所有現在能用的AI工具，也很少有真正用它們做投資決策賺到大錢的例子。這種錯過龍蝦就等于錯過時代的焦慮，既不理性，也不現實。

當然，我也知道有很大一部分人安裝龍蝦，其實并不是為了直接讓它炒股，而是讓它輔助決策。例如，每天收集一些關鍵公司的新聞做簡報；再例如，在財報季分析上市公司公告，自動整理成成熟的投研報告等等。相信你也在很多投資群里看到了AI整理的研報材料，看上去結構清晰，自帶一套看上去完美無瑕的方法論，和華爾街的頂級機構分析別無二致。

那既然AI代替人類交易暫時還不夠靠譜，但至少做做研究分析總行吧？

可這恰恰就是我想著重說的事情，問題不在于AI能不能替你賺錢，問題在于它做出來的分析本身——AI能給你的最好的東西，恰恰是投資里最不值錢的東西：共識。用共識來快速了解一個陌生公司，當然可以；但真正的Alpha從來都來自“非共識”，這是AI給不了你的。

01 AI的認知盲區

用AI做基本面分析，確實很強。

給龍蝦裝上Stock-Analysis的Skill，扔一句“篩選白酒行業中短線潛力股，市盈率低于30倍，近30日資金凈流入，業績預告增長20%以上”，它幾分鐘吐出三只標的，附帶市盈率、資金流向、業績預告數據、投資邏輯，條理比大部分實習研究員寫的東西都清楚。以前一個人做幾天的活兒，Agent幾分鐘跑完，這是真實的效率躍遷，沒什么可否認的。

澎湃新聞就采訪過一個產品經理，在龍蝦里養了一支投資智囊團，讓幾個Agent互相討論投資標的。他覺得這套流程確實拓寬了視野，效率也實實在在提升了，說的一句話也很有代表性：“我拋出一個目的，看這群Agent互相討論，甚至產生我沒想到的問題”。

但你仔細想一下，所有這些分析、討論、碰撞，有一個共同的前提：它們處理的全是已經數字化、已經公開的信息。財報是公開的，資金流向是公開的，輿情是公開的，行業對比數據是公開的。AI把這些公開信息的處理效率拉到了極致——但效率再高，不能改變信息本身的屬性或價值等級。

華爾街幾十年前就想明白了一件事：所有你能從公開渠道拿到的信息，已經反映在這家公司的股價里了，金融學管這個叫半強有效市場，說白了就是公開信息不產生超額收益。AI讓你處理公開信息的速度從三天變成了三分鐘，但這些信息并沒有因為效率提升而產生更大的價值；更何況那些機構早就把更先進的工具嵌進決策流程了，公開信息只會被更快、更充分地定價。

前幾天我剛從美國飛回來，機票是通過票代訂的，拿到了全網最低價八折以內的價格。我當然知道AI能做比價，攜程、飛豬、Google Flights本質上都在做這件事，搜索全網公開票價，按價格排序，這是AI最擅長的工作。但票代那邊，有專門的機票價格詢問系統，能夠通過經年累月積累的經驗幫你組合全網存在的最優航班路線，再找到最合適的貨幣匯率。

公開渠道和票代之間的價差，來自人的經驗、認知和人脈關系，不在任何公開或半公開的數據庫里，AI甚至連入口都找不到。如果你讓龍蝦幫你買機票，它大概率會搜遍全網給你一個來自攜程或是飛豬的“最低價”，然后信心十足地告訴你這就是最優解。

它不會告訴你還有一層價格體系的存在，因為它根本不知道。

拉回投資領域，道理一模一樣。管理層在業績電話會上回答分析師提問時的語氣變化、供應鏈上下游從業者對訂單趨勢的真實體感、行業會議茶歇時私下流傳的判斷，甚至你自己去逛超市覺察到的消費趨勢變遷——這些在公開數據庫中難得見到的內容，才是決定股價方向的關鍵變量。

更重要的是，你之所以能意識到這些盲區信息的存在，是因為你本來就對一個行業有著分析方法論。長期跟蹤白酒，才知道AI的白酒分析里缺了渠道庫存的體感；做過消費品投資，才知道在真實世界里的消費趨勢往往都是從末端開始的。換一個你不熟悉的行業，AI給你一份同樣完整的分析報告，圖表漂亮，邏輯通順，你有能力想到它缺了什么嗎？

我自己就有這種體驗。讓AI跑一份我不熟悉的行業分析，出來的報告我從頭看到尾，覺得每一步都有道理，找不到任何可以質疑的地方；可這不是因為報告真的沒有問題，是因為我沒有足夠的積累去發現問題。這種“挑不出毛病”的感覺，其實是最危險的。

很遺憾，除非是專職炒股、對大部分行業都有深入研究習慣的人，幾乎沒人能有全知的視野。在你不熟悉的領域，AI給你帶來的頂多就是個面上的“知道”；但拿著AI生成的完整報告，你會覺得你也懂了，然后就會基于這種“懂了”去做倉位決策。

02 越是完整，越是陷阱

基本面的盲區好歹還能讓人心存警惕，你知道有些信息你拿不到，你知道報告不可能面面俱到。但技術面呢？

技術分析處理的就是K線和量價數據，這些數據本身是完整的，不存在信息缺失的問題，讓AI做技術分析，每一個計算都有據可查，每一個指標都是數學公式跑出來的。MACD金叉就是金叉，RSI超買就是超買，布林線開口就是開口。你會覺得，基本面可能有盲區，但技術分析純粹是數字游戲，AI應該沒有盲區才對。

在這方面，龍蝦的能力確實讓人印象深刻：自動識別頭肩頂、雙底、三角形整理，計算各種技術指標的交叉信號，標注支撐位阻力位，跑歷史回測，最后生成一份圖文并茂的技術分析報告。每一步都對，每一個數字都有數據支撐，結論清晰，圖表漂亮。比起基本面分析那種“你知道它可能缺了什么”的不安感，技術分析報告給人的感覺是這東西是完備的。

但完備和正確之間，隔著一道深淵。

龍龍蝦能識別出教科書級別的放量突破，所有指標共振指向買入，但它不知道放量是大股東解禁前主力對倒拉出來的。它能識別出標準的頭肩頂形態，指標確認，結論指向賣出，但同一個頭肩頂在牛市末期是反轉信號，在強勢回調中可能只是洗盤。K線圖上長得一模一樣，含義完全相反。

這些例子，做過幾年交易的人多少都聽說過；但我想說的不是"技術分析有局限"，而是技術面這種錯誤在AI的包裝下，變得幾乎不可能被發現。

基本面的盲區，你好歹能感覺到空白的存在。你知道管理層的真實想法你不知道，你知道渠道端的體感你拿不到，這種"我知道我缺了什么"的意識本身就是一種保護。但技術面不一樣，AI給你的圖表從數據層面完美無缺，沒有空白，沒有缺失。錯誤不藏在數據里，藏在對數據的"解讀"里，而解讀需要的是對市場當下情緒、資金結構、板塊輪動節奏的綜合判斷，這些"語境"根本不編碼在K線數據中。

OpenClaw投資社區里的用戶自己總結過一句話：“2月有效的策略，3月可能完全失效。”這不是策略的代碼寫錯了，不是回測有bug，是市場的語境變了；真實世界里的流動性在變，情緒在變，資金偏好在變，政策預期在變。AI回測用的是歷史數據，但歷史數據里不包含“當下市場正在發生什么變化”這個維度。

策略失效不是技術問題，是這個游戲的底層規則：過去發生過不等于未來會發生。而技術分析本身，就建立在“過去的模式會重現”這個假設上。

更危險的是，很多人用AI做投研，恰恰是基本面和技術面一起跑的：先讓它出一份基本面分析，再出一份技術面分析，兩份報告結論一致，信心就上來了。但基本面那份報告缺了你看不見的信息層，技術面這份報告缺了你看不見的市場語境。

如果說基本面分析的盲區是“地圖上少了幾條路”，你好歹能看到空白，心里有數；那技術分析的盲區就是“地圖上路都畫全了，但沒人告訴你哪條路今天封了”。兩份報告各自的盲區你都沒能察覺，疊在一起反而產生了一種交叉驗證的錯覺：你看著一份完整的地圖滿懷信心地出發，直到撞上路障才知道走錯了。

03 結語

AI投研到底改變了什么？

它確實抹平了一條舊的鴻溝，以前散戶和機構之間最大的差距是工具——你沒有Bloomberg，沒有Wind，沒有量化團隊幫你跑因子模型。現在龍蝦裝上幾個Skill，散戶也能幾分鐘生成一份格式規范、數據翔實的投研報告。

但它同時制造了一條新的鴻溝，舊的信息不對稱是散戶沒有機構的工具和數據，散戶知道自己弱勢，“我知道我不懂”這個認知本身就是保護機制，面對不了解的股票，你會謹慎，倉位會輕，止損會快。而新的信息不對稱是理解AI輸出邊界的人和不理解的人之間的差距，靠著AI帶來“完整分析”的人，conviction（信念感）比以前更強，倉位比以前更重，止損也比以前更慢。

AI是極好的效率工具，該用就用，但你要清楚它在幫你做什么：它在高效地幫你獲取共識。共識不是沒有價值，但共識在投資里恰恰是最不稀缺的東西。龍蝦能夠給你畫了一張前所未有的詳盡地圖，但走哪條路、什么時候出發，地圖不會替你決定。

聲明：本文僅用于學習和交流，不構成投資建議。