1. 引言与团队视角:从"雇佣兵"到"传教士"的 PM 底层思维重塑

在打造大模型证券投资分析 AI 助手的过程中,产品经理(PM)必须经历一次彻底的底层思维重塑。参照 Marty Cagan 在《Inspired》中所阐述的团队理念,传统的产品开发模式往往将团队推向**“雇佣兵(Mercenaries)”状态——即被动接受上级或业务部门的需求清单,仅关注功能按时交付与产出(Output);而在复杂的大模型金融应用场景中,PM 必须转变为“传教士(Missionaries)”**,深信产品愿景,对投资者的真实决策痛点具备深刻同理心,并对业务成果与用户价值(Outcome)全权负责。

证券 AI 产品横跨量化金融、大语言模型工程、持牌合规与金融 UI/UX 多个专业领域。PM 作为跨学科团队的"中枢传导",需要高效协同四类核心干系人:

  1. 量化研究员(Quant):明确因子逻辑、策略归因与诊股模型,确保 AI 生成的分析结论具备严谨的金融学与统计学底层逻辑。
  2. 合规风控官(Compliance Officer):确定持牌监管红线、免责边界与敏感词拦截机制,厘清"信息辅助"与"非法投顾"的法律界限。
  3. 大模型算法工程师(LLM Algorithm Engineer):约定 RAG 检索精度、幻觉控制指标(如数值准确率)及推理延迟边界(如流式输出首包延迟)。
  4. 前端交互设计师(UI/UX Designer):设计从自然语言输入到交互式可视化卡片的降维呈现,将复杂的金融推理过程转化为直观的视觉组件。

证券投顾 AI 场景下的 PM 思维对比

雇佣兵思维(Mercenaries)传教士思维(Missionaries)
需求来源:被动接收业务方或高管的"功能清单"(如:要求在首页加一个 AI 对话框)。需求来源:主动深入投资者决策现场,挖掘"信息过载但有效决策极少"的核心痛点。
风险应对方式:将技术幻觉、合规违规视为算法与法务的责任,上线前才进行被动审核。风险应对方式:在产品发现(Product Discovery)阶段主动前置验证价值、可用性、可行性与业务可行性风险。
成功衡量标准:以功能上线时间节点(On-time Delivery)和 Prompt 调优数量为指标。成功衡量标准:以投资者的决策效率提升、分析结论可信度(信任留存)及合规零违规为核心指标。
交互设计思考:直接输出大段纯文本回答,将阅读与理解压力抛给用户。交互设计思考:将自然语言解构为可交互、可溯源的结构化卡片(Interactive Cards)。

2. 基于Marty Cagan《Inspired》的四大产品风险验证实战

根据 Marty Cagan 的产品发现理论,打造创新产品必须在研发前主动规避四大风险:价值风险、可用性风险、可行性风险与业务可行性风险。

2.1 价值风险(Value Risk):打造超越传统行情软件的 10 倍分析体验

投资者在面对传统行情软件(如同花顺、东方财富)时,长期面临"信息极度丰富,但决策依据极度匮乏"的困境。传统工具堆叠了大量的静态 K 线图表、碎片化新闻资讯与数十页的 PDF 研报,散户投资者需要花费数小时进行搜集、比对与筛选,依然难以提炼出清晰的投资逻辑。

量化价值对比:传统模式下,投资者手动翻阅一份 50 页的三季度业绩报告并交叉对比 10 个关键估值指标(如 PE-TTM、PB-LF、DCF 假设因子),平均耗时 45 分钟以上;而大模型证券投顾 AI 助手可在 5 秒钟内完成全量研报与财报的语义提炼,自动抽取核心增长驱动力与异常费用突增点,实现 10 倍以上的决策效率提升。

注:上述时长与效率对比为产品设定的示意性目标,用于说明价值量级,非实测数据。

传统行情软件 vs. 大模型证券投顾 AI 助手分析路径对比

评价维度传统行情软件分析路径(旧体验)大模型证券投顾 AI 助手分析路径(新体验)
分析时长30 分钟 ~ 2 小时(逐份翻阅研报、查看财报公告)。5 秒 ~ 15 秒(AI 瞬间完成知识库检索与综合归因)。
操作步骤1. 搜索股票代码;2. 切换财报/研报标签;3. 下载 PDF 文件;4. 手动提取 PE/PB 及业绩数据;5. 自行交叉比对。1. 输入自然语言提问(如:“分析某股票最新财报超预期原因及筹码变化”);2. 直接获取结构化诊断卡片与核心归因摘要。
信息获取密度极低(大量冗余文本与套话,关键财务指标分散在不同页面)。极高(高度精炼的核心驱动因子、风险提示与逻辑链条)。
个性化与交互静态死板,无法针对用户的具体持有成本或特定疑问进行针对性解答。动态交互,支持基于上一轮回答进行多轮追问与自定义维度剖析。

2.2 可用性风险(Usability Risk):复杂证券专业语言的降维与卡片化交互

普通投资者普遍缺乏金融工程与高级财务会计知识,面对 DCF 贴现模型、筹码集中度折线、三张表勾稽关系等专业术语时存在极高的认知阻尼。如果 AI 助手仅仅是输出大段包含专业术语的文字,将产生巨大的可用性障碍。

PM 的解决方案是采用**“自然语言生成 + 动态交互卡片(Interactive Cards)”**架构。为了消除用户的认知负荷,每一个交互卡片必须包含标准的四层结构视觉框架:

  • Top Header Tag(顶部状态标签):一句话明确核心诊断结论(如"估值处于历史极低区间")。
  • Core Metric KPI Block(核心指标 KPI 区块):关键数值大字报呈现(如 PE-TTM 分位数、主力筹码集中度 %)。
  • Dynamic Chart Canvas(动态图形画布):可视化渲染(仪表盘、筹码分布图、业绩拆解瀑布图)。
  • Source Citation Footer(数据可追溯脚标):附带可点击的原文页码与计算公式入口。

交互样例:“提示词输入 → 结构化卡片输出”

场景一:个股综合诊断(诊股)

  • 提示词输入:“帮我分析一下 股票代码/名称 当前的估值水平和筹码结构,现在适合关注吗?”
  • 结构化卡片输出 wireframe:
    • 卡片 1:估值诊断组件
      • Header:【估值预警】当前 PE-TTM 位于近 5 年 15% 分位数,处于极低估值区间。
      • KPI Block:PE-TTM: 12.4x(行业均值: 25.8x)|DCF 理论合理估值区间: 18.5 - 21.0 元。
      • Canvas:近 5 年 PE-TTM 历史带状分位数带图,高亮当前点位。
      • Footer:数据源:SSE 实时行情 API & 季报财报数据[引用: 财报第 12 页]。
    • 卡片 2:筹码分布热力图
      • Header:【筹码结构】近 20 日主力筹码高度集中,上方套牢盘压力较小。
      • Canvas:筹码分布柱状图,标注获利盘比例 78.5% 与下方强支撑位 14.2 元。
    • 卡片 3:AI 归因摘要:3 条精炼点拨(驱动因子、潜在风险、核心观察点),支持点击"查看计算公式与数据源"。

场景二:深度研报/财报解读

  • 提示词输入:“拆解 股票代码/名称 最新发布的季度报告,业绩增长的主要原因是什么?有哪些隐患?”
  • 结构化卡片输出 wireframe:
    • 卡片 1:业绩拆解瀑布图组件
      • Header:【业绩归因】Q3 净利润同比增长 35%,核心驱动力为海外业务爆发。
      • Canvas:瀑布图展示主营业务收入、毛利率变动、研发费用变化对净利润的推演路径。
    • 卡片 2:红黑榜对比卡片
      • 红榜(亮点):核心业务毛利率提升 3.5%;海外市场营收同比增长 40%。
      • 黑榜(风险):经营性现金流同比下滑 12%;存货周转天数增加 8 天。
    • 卡片 3:原文溯源瀑布流:点击任意结论即可展开高亮显示的财报原文段落与公告页码。

2.3 可行性风险(Feasibility Risk):大模型幻觉控制、RAG 架构与实时行情边界

在证券投资领域,“数值与事实幻觉"是致命事故。例如,将上市公司净利润 5 亿元幻觉输出为 50 亿元,或将历史市盈率数据计算错误,将直接导致投资者做出错误的投资决策,并引发严重的安全与合规事故。在 Cagan 的产品发现(Product Discovery)阶段,PM 必须联合算法工程团队通过构建**可行性原型(Feasibility Prototype / Spike)**来验证技术边界,确保系统在交付(Product Delivery)前具备绝对的数值可靠性。

详细技术架构与解决方案

  • 混合检索 RAG 架构(Hybrid Search RAG):针对上市公司公告与券商研报知识库,放弃单一向量检索,采用 密集向量(Dense Vector)+ 稀疏关键词(Sparse BM25)混合检索,并引入 Reranking 重排序模型。切片(Chunking)严格按财报章节与表格元数据解构,防止检索到过时的历史研报。
  • 计算与行情解耦(Function Calling & Tool Use):大模型仅负责语义理解与参数提取,绝对不承担任何数值计算与行情抓取任务。通过硬编码 JSON Schema 触发工具调用:
{
  "tool_name": "query_market_data",
  "parameters": {
    "ticker": "600519.SH",
    "metrics": ["PE_TTM", "PB_LF", "turnover_rate"],
    "time_frame": "realtime"
  }
}

后端系统调取 SQL/量化引擎返回确定性数据后,再由 LLM 进行文本组装,确保数值 100% 准确。

  • 高并发与低延迟:通过流式传输(Streaming SSE)、模型量化裁剪与分段并行生成策略,保证首包响应时间(First-Byte Latency)控制在 1.5 秒以内。

证券 AI 助手的数据流与幻觉控制三道防线

[Input: User Prompt]
       │
       ▼
┌────────────────────────────────────────────────────────┐
│ 第一道防线:检索端精准约束(RAG Hybrid Search & Rerank) │
│ • 密集向量 (Dense Vector) + 稀疏关键词 (BM25) 混合检索  │
│ • 引入 Reranker 模型,仅提取官方公告与持牌研报元数据   │
└────────────────────────┬───────────────────────────────┘
                         │ [Context Data]
                         ▼
┌────────────────────────────────────────────────────────┐
│ 第二道防线:计算与生成解耦(Function Calling & Tool Use)│
│ • 实时 Tick 行情与财务指标不依赖 LLM 生成             │
│ • LLM 输出 JSON 触发量化 API,硬编码调取底层 SQL 引擎 │
└────────────────────────┬───────────────────────────────┘
                         │ [Deterministic Numerical Data]
                         ▼
┌────────────────────────────────────────────────────────┐
│ 第三道防线:输出端规则与快速模型校验(Post-Gen Audit)  │
│ • 正则表达式提取生成文本中的数值,与源 SQL/API 比对     │
│ • 快速 Classifier LLM 辅助二次校验,超阈值硬性拦截     │
└────────────────────────┬───────────────────────────────┘
                         │
                         ▼
[Output: Dynamic Card]

2.4 业务可行性风险(Business Viability Risk):持牌监管合规与风控隔离拦截

中国证监会(CSRC)与中国证券业协会(SAC)对证券投资咨询业务有极度严格的法律法规限制,特别是《证券投资顾问业务暂行规定》。AI 助手若触碰"未持牌提供明确买卖建议"“违规承诺收益"等红线,将面临严厉的行政处罚甚至停业整顿。

PM 必须设计硬性的合规风控防御机制,并在产品上线前完成业务可行性验证。

证券投顾 AI 合规风控三原则

  • 原则一:人机边界透明与免责前置原则
    • 在所有对话交互入口、生成卡片底部及导出报告中,强制嵌入无死角的合规免责声明。明确标识"本 AI 助手生成内容仅供投资研究参考,不构成任何具体的投资建议或操作依据,据此操作风险自担”。
  • 原则二:绝对收益承诺与诱导性表述双引擎硬拦截原则(Hard Guardrails)
    • 采用"关键词模式匹配 + 辅助快速分类大模型(Fast-Classifier LLM)“的双引擎拦截机制。不仅硬性过滤"保底"“必涨"“稳赚"“推荐买入"等显性违规词,更能实时识别"暗含保底"等隐性诱导表述。一旦触发,直接由风控模块截断大模型输出,并替换为标准的合规提示语。
  • 原则三:智算分析与交易下单系统物理隔离原则
    • 投顾 AI 助手仅定位为"决策辅助与信息提炼”,不具备直接调用券商交易接口(API)进行自动下单或一键跟投的权限。AI 分析系统与实际交易下单系统之间设置明确的风控隔离墙,确保持牌交易行为完全由投资者手动二次确认后发起。

3. 俞军《俞军产品方法论》在证券投资分析 AI 场景的落地拆解

俞军在《俞军产品方法论》中提出了经典的产品价值公式:

用户价值 = 新体验 − 旧体验 − 替换成本

这一理论与 Marty Cagan 的四大风险验证有着深刻的内在映射:Cagan 的价值风险(Value Risk)直接决定了公式中的"新体验”;而 Cagan 的可用性风险(Usability Risk,如认知摩擦与 Prompt 学习成本)和业务可行性风险(Business Viability Risk,如黑盒不信任感与合规弹窗阻尼)则构成了"替换成本"的核心来源。

                             ┌─ 秒级研报/财报核心提炼 (Cagan 价值风险验证)
               ┌─ 新体验 ───┼─ 多因子量化诊断
               │             └─ 逻辑链条透明归因
               │
  用户价值 ────┼─ 旧体验 ───┬─ 手动翻阅几十页 PDF
               │             ├─ 多平台碎片化搜集
               │             └─ 缺乏定量归因能力
               │
               └─ 替换成本 ─┬─ 对 AI 结论的不信任感 (Cagan 业务可行性风险)
                             ├─ Dynamic Prompt 交互认知阻尼 (Cagan 可用性风险)
                             └─ 合规免责弹窗与阻尼

新体验(New Experience):极致效率与深度决策推演

新体验来源于大模型带来的生产力重塑(对应 Cagan 的价值风险验证)。投资者不再需要面对海量无序的数据,而是获得"秒级研报/财报核心提炼"“多因子量化诊股"与"策略归因分析”。AI 能够在数秒内完成对多份财报的交叉对比,提取出最核心的业绩驱动因子,并将复杂的金融逻辑转化为直观的可视化卡片,使用户获取有效决策信息的效率提升数十倍。

旧体验(Old Experience):低效的信息搜集与定量分析盲区

旧体验是指投资者过去依赖传统行情软件或个人搜集信息的模式。投资者需要手动翻阅数十页的 PDF 研报,在不同软件间切换以查看行情、财报与新闻,且绝大多数散户缺乏定量归因分析能力,极其容易受到情绪化信息干扰,导致决策质量低下、耗时极长。

替换成本(Switching Cost):认知阻尼、黑盒焦虑与合规摩擦

替换成本是阻止用户从传统软件迁移至 AI 助手的心理与操作壁垒(对应 Cagan 的可用性与业务可行性风险):

  • 信任阻尼(黑盒焦虑):金融投资涉及真实资金风险,投资者对 AI 生成结论天然存在"黑盒不信任感"和对幻觉错误的恐惧。
  • 交互门槛(认知阻尼):习惯了"点击按钮看图表"的传统用户,需要学习如何使用自然语言(Prompt)精确提问。
  • 合规阻尼(体验摩擦):频繁弹出的合规免责声明与风险提示卡片,会对连续交互体验产生中断。

PM 的用户价值最大化路径

根据公式,要实现用户价值最大化,PM 必须在拉大"新体验"优势的同时,全力降低"替换成本”:

  1. 降低信任阻尼(数据可追溯机制):在 AI 卡片输出的每一项关键数据和结论旁,提供**可追溯源码(Source Traceability)**按钮。用户点击即可直接定位到上市公司官方公告的原始段落或持牌研报的具体页码,建立透明的推理逻辑链条,用"可验证性"消除黑盒焦虑。
  2. 降低交互门槛(预设 Prompt 引导):在交互界面中提供"一键式推荐提问"与预设模版卡片(如"一键分析财报红黑榜"“筹码集中度剖析”),用户无需自行撰写复杂提示词即可获取高质量分析结果。
  3. 平衡合规与体验:将合规免责声明无缝融合至卡片底部设计中,采用非阻塞式(Non-blocking)UI 呈现,既满足监管要求,又避免频繁阻断用户的思考流。

4. 实战总结与 PM 落地心法

打造一款成功的大模型证券投资分析 AI 助手,既是一场大模型技术的落地攻坚战,也是一场对持牌金融业务深层理解的考验。PM 必须摆脱单纯关注"功能堆叠"的传统思维,坚持持续产品发现(Continuous Discovery),以应对快速演进的大模型技术栈与严格的证券监管政策。

PM 落地五条心法指南

  • 坚持传教士心态,聚焦终局用户价值
    • 不做被动接收需求清单的"雇佣兵”,深刻理解投资者在信息过载下的决策痛点,以"提升有效决策效率"而非"增加交互时长"作为衡量产品的唯一指标。
    • 核心 KPI 目标:有效决策转化率 > 35%,用户次月留存率 > 45%。
  • 将可行性原型(Spike)前置于工程研发
    • 在大规模投入工程资源前,针对大模型幻觉率、RAG 检索召回率及推理延迟,采用低成本的可行性原型(Feasibility Prototype)进行风险摸底,确保技术方案可控。
    • 核心 KPI 目标:RAG 检索精准度 > 98%,数值幻觉率 < 0.5%(财报数值要求 0%)。
  • 以卡片化交互降维专业金融认知
    • 拒绝输出大段纯文本回答,坚持"自然语言生成 + 结构化动态卡片"设计,将复杂估值模型与财务数据转译为直观的可视化组件。
    • 核心 KPI 目标:首包响应延迟 < 1.5s,交互卡片展开率 > 60%。
  • 构建合规与算法交织的防御红线
    • 严格遵循《证券投资顾问业务暂行规定》等监管要求,将合规免责提示、敏感词与暗含收益承诺双引擎硬拦截及交易隔离机制硬编码进入数据流架构。
    • 核心 KPI 目标:监管合规升级事件零发生(0 Compliance Escalation Incidents)。
  • 通过透明溯源建立用户长期信任
    • 降低替换成本的核心在于建立信任。通过提供"数据来源可追溯"与"透明推理链条”,让大模型的每一次归因分析均有据可查,把 AI 从"神秘黑盒"转化为投资者信赖的"透明助手"。
    • 核心 KPI 目标:数据溯源点击率 > 40%,源码精准定位率 100%。