QVeris · 方法分享从安装 Skill、配置 API Key到生成投研备忘录的一次实操复盘最近我一直在思考一个问题普通个人投资者怎么把产业链研究做得更系统一点很多时候我们看到一个投资主题比如 AI、半导体、医药、机器人第一反应可能是去搜新闻、看研报、翻公告、找公司列表。但真正做下来会发现几个问题第一信息太分散。一家公司有公告、财报、互动问答、新闻报道、行业文章东一块西一块很难快速拼成一张产业链地图。第二概念太多。比如 AI 产业链里有算力芯片、服务器、光模块、PCB、液冷、电源、先进封装、半导体设备、数据中心运营商。每个环节都有人说重要但到底哪里是真正的卡点并不容易判断。第三研究过程不稳定。今天看光模块明天看芯片后天又看到液冷。信息越看越多但研究框架没有沉淀下来最后很容易变成追热点。所以我最近尝试用Codex QVeris跑了一套产业链卡点研究流程。我的身份不是专业机构研究员而是一个行业研究爱好者和个人投资者。我的目标也不是让 AI 告诉我买什么而是让 AI 帮我把研究流程标准化先拆产业链再找卡点再用数据和公告去验证最后整理成一份投研备忘录。一、这个 QVeris Skill 到底是干什么的我这次使用的是一个 Codex Skill名字叫CODEqveris-supply-chain-research简单说它不是一个普通的聊天提示词而是一套专门为产业链卡点研究设计的投研工作流。它的核心功能是帮助使用者从一个行业主题出发系统完成下面几件事CODE1. 把主题拆成产业链层级 2. 找出真正难扩产、难替代、难验证的卡点 3. 建立上市公司候选池 4. 调用 QVeris 数据能力检查公司资料、财务报表、公告、新闻、行情等证据 5. 给出优先研究标的 6. 写清楚每个判断的证据、风险和反证条件 7. 最后整理成投研备忘录如果用一句话概括这个 Skill 的作用不是直接告诉你买哪只股票而是帮你把一个投资主题拆成产业链层级 → 核心卡点 → 候选公司 → 数据证据 → 风险反证的完整研究流程。比如研究 AI 产业链时它不会一上来就给一个AI 概念股名单而是先问CODEAI 基建的瓶颈在哪里 是芯片是光模块是高速 PCB是液冷还是半导体设备 这些环节为什么难 哪些上市公司真正处在这些卡点上 有没有财务、公告和公司资料可以验证 什么情况会让这个判断失效这正是我觉得它有价值的地方。普通 AI 更像是一个问答助手你问什么它回答什么。而这个 QVeris Skill 更像是一套投研 SOP它会要求 AI 按照固定步骤完成研究不只是给结论还要说明用了什么数据、调用了哪些 QVeris 能力、消耗了多少 credits以及哪些证据还不够。它背后的 QVeris 工作流主要分三步·Discover发现搜索可用的数据工具——行情、公告、财务报表、公司资料、新闻等·Inspect检查查看工具参数、成功率、调费规则确保用对工具·Call调用执行实际数据查询获取研究所需的证据这套流程对个人投资者尤其有帮助。因为我们平时研究一个行业很容易陷入看了很多信息但不知道怎么组织的状态。而这个 Skill 能把研究过程固定下来让每一次主题研究都按同一套框架展开。以 AI 产业链为例它能帮助我从AI 很火这个模糊判断进一步拆成CODEAI 算力芯片 光模块 / CPO 高速 PCB 液冷 / 电源 半导体设备 数据中心基础设施然后再继续追问CODE哪一层最难扩产 哪一层对下游影响最大 哪些公司离这个卡点最近 证据来自财报、公告还是只是市场概念 如果需求不及预期哪些判断最容易被推翻所以我这次使用 Codex QVeris 的目的不是找一个神奇答案而是验证一件事个人投资者能不能借助 AI把产业链研究做得更像一套可重复、可追踪、可复盘的投研流程。这篇文章就是一次完整实操复盘。二、我是怎么安装这个 Skill 的我使用的是 Codex。安装 skill 的方式很简单直接在 Codex 里输入CODE请帮我安装这个 Codex skill https://github.com/QVerisAI/open-qveris-skills/tree/main/qveris-supply-chain-research安装完成后skill 会放在本地 Codex 的 skills 文件夹里。类似路径是CODEC:\Users\你的用户名\.codex\skills\qveris-supply-chain-research安装完成后不代表马上就能调用 QVeris 数据。因为 QVeris 是外部数据能力需要配置 API Key。03三、配置 QVeris API Key这一步对不熟悉命令行的人可能有点陌生但其实不复杂。在 Windows 里打开 PowerShell然后输入CODE[Environment]::SetEnvironmentVariable(QVERIS_API_KEY, 你的QVeris API Key, User)这里要注意两点第一不要把真实 API Key 发给别人也不要截图泄露。第二配置完成后最好关闭 PowerShell 和 Codex再重新打开。因为环境变量通常需要新窗口才能生效。检查是否配置成功可以在 PowerShell 输入CODEif ($env:QVERIS_API_KEY) { SET } else { NOT_SET }如果返回CODESET说明配置成功。如果返回CODENOT_SET一般是因为当前窗口还没有读取到新配置。关闭 PowerShell 和 Codex重新打开后再试一次。这一步跑通之后Codex 就可以通过 QVeris 调用相关数据能力了。四、我如何向 Codex 提问配置完成后真正关键的是 prompt。我不建议只问CODE帮我分析 AI 产业链。这种问题太宽泛AI 很容易给一篇泛泛而谈的行业总结。我更推荐用下面这种结构化提问CODE用 QVeris 深度调研 AI 基建产业链卡点。 先拆产业链层级再发现并检查行情、公告、新闻和公司数据能力 调用必要数据源给出 5 个上市公司优先研究标的 说明用了哪些 QVeris 能力、预计付费 Call 次数和 credits 以及什么情况会削弱每个判断。这个 prompt 里面有几个关键点。第一明确主题AI 基建产业链卡点。第二要求先拆产业链层级而不是直接给股票。第三要求使用 QVeris 的数据能力。第四要求列出 credits也就是调用成本。第五要求写反证条件也就是什么情况下这个判断会错。最后一点非常重要。投研不是找理由证明自己对而是要提前知道自己可能错在哪里。五、QVeris 工作流Discover、Inspect、Call这套 skill 的核心是 QVeris 三步工作流·Discover发现先搜索有哪些数据工具可用。比如做 A 股 AI 产业链研究需要知道有没有行情工具、公告工具、财务报表工具、公司资料工具、新闻工具·Inspect检查查看每个工具的参数、成功率、调量规则、返回格式确保用对·Call调用真正执行数据查询这一步会消耗 credits不能乱用简单说Discover 是先找工具。比如我想做 A 股 AI 产业链研究就需要知道有没有行情工具、公告工具、财务报表工具、公司资料工具、新闻工具。Inspect 是检查工具。比如这个工具要传什么参数成功率怎么样一次调用多少钱返回什么格式Call 才是真正调用数据。这一步会消耗 credits所以不能乱用。我比较喜欢这个流程的一点是它不像普通搜索那样直接乱抓信息而是先搞清楚我要用什么数据源、它能查什么、要花多少钱然后再调用。这对于个人投资者很重要因为我们不仅要控制研究质量也要控制数据成本。六、AI 产业链卡点怎么拆以 AI 基建为例我让 Codex 按照产业链卡点来拆而不是按照市场概念来拆。最后我得到的层级大致是·算力芯片层GPU/ASIC 芯片设计卡在算力核心位置研发周期长生态壁垒高·互连/光模块层光模块、CPO、交换机芯片卡在数据传输带宽和延迟·服务器/高速 PCB 层AI 服务器、高频高速 PCB材料和制造良率要求高·电源与液冷层高功率电源、液冷散热方案随数据中心功率密度提升而成为约束·数据中心基础设施层数据中心建设与运营·半导体制造设备层上游制造设备、工艺、良率影响国产芯片持续发展能力这里面最有启发的是AI 产业链不是只有芯片。很多投资者一提 AI就先想到 GPU。但真正的大规模 AI 基建是一个系统工程。芯片只是其中一个核心环节。芯片之后还有互连、服务器、PCB、电源、散热、数据中心、制造设备等一系列约束。如果只看最热的概念容易忽略真正难扩产的环节。而卡点研究的目的就是找到那些产业必须用、扩产不容易、替代不简单的位置。七、案例AI 产业链里的 5 类优先研究方向这里我只把股票作为案例不构成任何推荐。在 AI 基建研究中我更关注五类公司第一类光模块 / 光互连公司。逻辑是 AI 集群规模扩大后服务器之间要传输大量数据。带宽、延迟、功耗都会成为问题。光模块和未来 CPO 方向直接卡在数据传输环节。第二类AI 芯片公司。这类公司卡在算力核心位置但也面临研发、生态、客户验证和商业化问题。第三类高速 PCB 公司。AI 服务器和交换机需要高频高速板材料和制造良率要求高。它不像芯片那么显眼但在产业链中很关键。第四类电源与液冷公司。AI 数据中心功率密度提升后供电和散热会越来越重要。过去它们可能是配套环节现在逐渐变成基础设施约束。第五类半导体设备公司。如果国产 AI 芯片要持续发展就离不开上游制造能力而制造能力又离不开设备、工艺和良率。从这个角度看AI 产业链研究不是找一个AI 概念股列表而是画出一张约束地图。八、最终输出投研备忘录而不是聊天记录我建议每次跑完 QVeris 工作流后都让 Codex 输出为投研备忘录格式。可以这样要求CODE把结果整理为投研备忘录格式。 必须包含 研究范围、核心发现、证据表、风险与反证、QVeris 调用与 credits。 同时说明 QVeris Discover、Inspect、Call 的使用情况、 证据缺口和非投资建议声明。这样做的好处是研究结果会比较稳定。一个合格的投研备忘录至少要包括·研究范围明确研究的主题和产业链边界·核心发现卡点分析的核心结论·证据表每个候选公司的数据证据来源财报/公告/行情·风险与反证什么情况下判断会失效·QVeris 调用记录使用了哪些工具、调用次数、credits 消耗·证据缺口目前还缺少什么数据·非投资建议声明所有结论仅为研究辅助我觉得这一步很重要。如果没有固定格式AI 输出很容易变成一篇看起来很顺的文字但缺少证据和反证。而投研真正需要的是结论、证据、风险、待验证事项。九、这套方法适合什么人我认为这套方法适合三类人。第一类是个人投资者。不是用来直接找买点而是用来建立行业理解。尤其面对 AI、半导体、医药、机器人这类产业链复杂的主题时它能帮助我们快速搭框架。第二类是行业研究爱好者。如果你平时喜欢研究产业趋势但苦于资料太散Codex QVeris 可以帮你把资料整理成统一结构。第三类是做投研辅助的人。它可以帮助你更快完成候选公司筛选、数据核验、公告摘要和风险清单。但它不适合一种场景如果你希望 AI 直接告诉你明天买哪只股票那这套方法并不适合。因为它的价值不是预测短期涨跌而是提高产业研究效率。十、我这次最大的体会这次跑下来我最大的体会是AI 不应该替代判断而应该帮助我们把判断过程变得更清楚。过去我研究一个产业可能会先搜很多文章然后看到一堆公司最后脑子里很乱。现在我会先让 AI 按卡点拆产业链再用 QVeris 调公司资料、财务报表、公告数据然后让它输出投研备忘录。这样至少有三个好处第一研究顺序更稳定。不再是看到什么热点就追什么而是从产业链约束出发。第二证据更清楚。一个公司为什么进入候选池是因为它处在关键卡点还是只是概念相关需要分清楚。第三风险更提前。每个判断都要写什么情况会削弱它这能避免自己只看利好。对于个人投资者来说这可能比单纯多看几篇研报更重要。因为真正能长期提高研究能力的不是某一次结论而是一套可重复的研究流程。十一、我沉淀下来的 SOP最后把这次流程整理成一个简单 SOPCODE1. 确定主题 例如AI 基建、半导体、医药、机器人。 2. 先拆产业链 不要直接问股票先问产业链分几层。 3. 找卡点 看哪些环节难扩产、难替代、难验证、强监管、强客户认证。 4. 建候选池 先覆盖 20 家左右公司再筛选到 3-7 家。 5. 用 QVeris Discover 找行情、公告、新闻、公司资料、财务报表能力。 6. 用 QVeris Inspect 看工具参数、成功率、计费规则。 7. 用 QVeris Call 调用必要数据源重点看公司资料、财务、公告。 8. 输出投研备忘录 包含研究范围、核心发现、证据表、风险与反证、credits。 9. 做反证检查 每个公司都要问什么情况会证明我的判断错了 10. 明确非投资建议 所有结论都只是研究辅助不是买卖建议。我现在比较常用的 prompt 是CODE用 QVeris 深度调研【主题】产业链卡点。 先拆产业链层级再发现并检查行情、公告、新闻和公司数据能力 调用必要数据源给出 5 个上市公司优先研究标的 说明用了哪些 QVeris 能力、预计付费 Call 次数和 credits 以及什么情况会削弱每个判断。 最后整理成投研备忘录格式。十二、结语对我来说Codex QVeris 这套组合的意义不是让 AI 变成荐股机器而是让个人投资者也能用更接近专业投研的方式做研究。它帮我完成的不是最终判断而是把研究问题拆清楚CODE产业链分几层 真正的卡点在哪里 哪些公司离卡点最近 有哪些财务和公告证据 还有哪些证据缺口 什么情况会让判断失效这才是我认为 AI 在投研里最有价值的地方。最后再次说明本文只是个人工具体验和研究方法分享文中提到的公司仅作为产业链研究案例不构成任何投资建议、买入建议或卖出建议。投资有风险具体决策需要结合个人风险承受能力并独立判断。