文章指出炒股者多依赖二手信息，而AI读财报虽有价值，却存在编造数字、跨表算错、盲目自信、中途改口径崩溃等问题。作者以中兴通讯2024/2025年报为测试案例，用Apodex 1.1验证了一套四步验伪法：问网上搜不到的问题、强制列出数据出处、跑到一半改口径、手动核对至少一个数。测试显示AI能发现负少数股东损益异常并交叉验证数据，但作者仍抓到一处补充说明中约6%利润抬升的错误概括（实际两年相差一个数量级）。结论强调每个带百分比的句子都要核对，并介绍了FrontierAgent开源harness及相关工具。
作者分享了一次 AI Agent 实战经验：通过 DeepSeek Harness 安装开源项目 FrontierAgent，并接入 Apodex 本地部署的大模型或官方 API，对 584 篇精品文章进行分析。文中详细介绍了安装 DeepSeek Harness 并接入 DeepSeek、Codex、Grok Build 模型的步骤，配置 FrontierAgent 的 Apodex API 环境，以及使用 react 和 agent_team 两种模式运行任务。36 分钟后，Agent 分析出两套写作模板：三分钟大白话科普类和实操干货教程类。文章还介绍了 Apodex 开源大模型从 Qwen3.5 基座到 Agent 专项训练的演进过程，为自媒体写作提供了 AI 辅助创作的新思路。
作者以 Moderna/Merck 个体化 mRNA 癌症疫苗 Phase 3 进展为案例，体验了 Apodex 的 Deep Discover 多 Agent 研究产品。产品通过 Task Board、分工的 Sub-agent（临床数据读取、肿瘤研究、估值分析）与 Verifier 复核，实现可视、可中途干预的研究流程，并在测试中自行纠正了药物实体混淆。文章后半部分详细记录在单张 RTX 5090 上用 SGLang 部署 Apodex 1.1 mini（36B MoE GPTQ Int4）及开源 FrontierAgent 的过程，包括网络代理与 SSRF 防护冲突的排查、Agent Team 宏观研究实测，以及单卡下并行的本质是任务与上下文并行而非吞吐并行的性能分析。
作者尝试用 Apodex 1.1 自动生成训练数据，解决用小模型替代大模型时缺乏标注数据的难题。实验场景是让小模型学会根据自然语言描述从 HuggingFace 九百多个候选模型中挑选正确的模型。Apodex 拆解任务、派出 14 个子 Agent 分工协作并上网核实，最终生成 4218 条经核实的训练数据，还主动推翻了作者一条错误规则。用这批数据训练 Qwen3.5-0.8B 后，挑对模型的比例从 0.4% 提升到 10.7%，瞎编模型名的比例大幅下降，效果优于当年 Berkeley 用 GPT-4 生成的数据。作者总结：AI 能替人造数据的关键，在于能否自动判对错。
作者将一份包含 10 款 AI 产品的竞品研究任务交给 Apodex（Deep Solve 1.1 模式）。Apodex 将任务拆解为 10 项工作并在任务板上可视化推进，首轮 60 步完成定价矩阵、研究报告、产品定位图和带 URL 的证据来源。遇到文档生成错误时能局部修复并保留已有成果；第二轮修改研究范围时复用首轮证据、仅补充受影响部分。作者认为 Apodex 提供的不只是长回答，而是一套可检查、可继续使用的研究成果。
