不会看财报的人，怎么用 AI 判断一家公司？
作者以科大讯飞 2026 年半年报为例，演示普通人如何用 AI（Ling-3.0-flash-Fin）分析财报。文章总结了五个关键问题：公司靠什么赚钱、收入增长是否转化为利润和现金、新业务是仅贡献增长还是利润、净利润改善是否来自主营（看扣非）、以及主动让 AI 寻找反对证据以克服确认偏误。分析发现讯飞营收增长但扣非亏损扩大，AI 商业化贡献增长但尚未释放利润。文章强调 AI 的价值在于帮助投资者反驳自己而非强化偏见，降低了普通人看懂一家公司的门槛。
相关文档
成本30块，收益2块钱：一位独立开发者的AI商业化踩坑实录
一位独立开发者用AI工具五天开发出塔罗情绪类微信小程序，成本仅30元域名费，但上线两天广告收益仅2元。文章复盘此次踩坑经历，总结AI时代独立创作者商业化的四大坑：生成端门槛被AI抹平，技术不再构成壁垒；单纯靠广告变现难以算过账，需转向私域高客单价服务；渠道与人群错配导致推广低效；出海虽有机遇但并非万能解药。破局之道在于从技术思维转向商业全景，走轻量出海SaaS、深耕垂直产业IP或扎根国内社交生态做深度经营，核心是从'怎么生成'转向'谁来付费、为何付费'。
那些老掉牙的软件死了，但需求没死：用 REA 找到这些口子，然后低调的赚钱
文章介绍利用 REA 工具（AI 逆向分析二进制）寻找死掉但需求仍在的老软件商机的方法。作者提出三条找口子路径：搜索词反查、老下载站反推、闲鱼淘宝蹲单；强调先摸透用户画像，再做自己的新软件接住老用户数据。推广上通过软件下载站投稿、教程文钓搜索、行业群和电商平台铺量，变现则从挂联系方式、卖激活码到打工具包和统一激活入口四层递进。还介绍软件内埋广告位后端遥控的运营技巧，以及招代理放大的模式，最后给出可操作的落地步骤并提醒避开有主软件的红线。
AI不再负责回答，开始负责拍板：Jev正在催生一个比聊天机器人更大的市场
文章介绍TypeSafe于2026年9月发布的Jev——一个定位为System One Model的快速决策模型。它不生成文本，而是在数百毫秒内对预定义选项输出概率，官方声称比大模型快40-200倍、便宜40-400倍。作者分析了大语言模型擅长解释而企业流程需要明确选择的矛盾，探讨Jev背后的分层系统架构：确定性规则、快速决策模型、大模型与人类各司其职。文章列举了客服路由、AI安全评测、销售实时决策、边缘设备、智能体编排五类最先爆发的商业机会，提供了计算决策价值的成本框架和七天验证方法，同时警示结构化输出可能固化盲区、概率制造虚假科学感、责任漂移等风险。核心观点：AI市场的下一个更大机会在海量廉价决策，而非少量昂贵的文本生成。
AI 商业化的皇帝新衣：真正的瓶颈是工作方式，而非模型成本
Chamath 长文指出，AI 的账单其实很便宜（中位数企业每人每月仅 $12.50，员工每周多产出 3 分钟即可回本），真正吞噬 ROI 的是公司未改变的工作方式。生产力在员工端出现了，却在公司损益表上蒸发——省下的时间被无意义的会议、审批和周报消耗。哈佛与 INSEAD 对 515 家创业公司的对照实验显示，看过「如何围绕 AI 重构工作流」的组收入是对照组的 1.9 倍，融资需求降低 39.5%。文章引用盖茨与马斯克的观点强调：必须先删减低效流程，最后才是自动化，否则就是用顶尖 AI 加速废动作。
大多数人不仅做不了FDE，甚至不知道怎么跟客户介绍自己
文章以一场企业AI线下交流会为切入点，指出FDE的真正含金量在于Echo角色而非Delta的技术能力。作者结合金属配件排产项目案例，阐述Echo如何从企业现状中提取不变量、将模糊需求转译为开发目标、并应对交付标准漂移等实际问题。最后揭示FDE模式的本质：它并非由Palantir或乙方定义，而是甲方'别走，继续干'的真实需求倒逼出的产物——在复杂B2B场景中，最稀缺的是能缝合技术与咨询的人。
AI原生服务：一个千亿美元的机会
文章提出AI原生服务是当下最好的创业方向，市场规模高达千亿美元。作者以会计师与QuickBooks为例：企业为软件付1万美元，却为使用软件的会计师付12万美元，后者如今因AI可被规模化接管。AI原生服务由Agent完成大部分工作，以软件边际成本交付服务结果，可按服务定价、按软件估值。文章对比了SaaS、App和传统代理公司的劣势，解释了为何现在是最佳时机（模型能力提升、成本骤降、4.6万亿美元服务市场开放），并以Harvey、EvenUp、Kick等公司为案例，阐述了如何选择计价单位、设计获客流程等构建AI原生服务的关键要素。
100 天公开实验：用“三位一体模式”打穿 AI 产业链
作者提出 AI 创业的核心是 Token 供给而非 Workflow、Agent 框架等工具层技术，并发布“三位一体金字塔模式”：底层构建高并发、低成本的 Token 调度供给链；中层通过 FTE 数字员工深度改造企业业务流程，将 Token 转化为 EBITDA；顶层沉淀跨境电商、法律等垂直行业开箱即用的爆款方案。团队由北大、清华、字节等技术精英与一线操盘手组成，并获产业资源支持。文章宣布启动 100 天公开实证实验，全程透明记录实战路线、财务数据与现金流，验证该模式能否真正打通 AI 产业链并实现月入百万级变现。
外网刷屏的「Agent 自主搞钱大比拼」：挤掉吹牛泡沫，这 10 个商业流水线普通人真能抄！
文章深扒 X 上一条爆火的 GPT-6 Astra 自主赚钱帖子，剔除链上套利等有水分的案例后，整理出 10 条真实的 AI Agent 商业流水线：多 Agent 链上套利、聪明钱跟单、Bug 赏金猎手、3D 交互教材、AIGC 内容矩阵投流、24 小时虚拟直播、3D 房产建模、体育数据分析工具、SEO 内容工厂、零代码小游戏开发。作者提炼出四个第一性原理：给 Agent 单一具象目标、锁定市场愿付费的交付物、建立无人值守自动化流水线、用 AI 算力优势降维打击人力密集行业，并为不同背景的读者给出对号入座的起步建议。
Ling-3.0-flash-Fin金融增强模型实测：从年报取数到可编辑底稿
作者实测蚂蚁百灵金融增强模型Ling-3.0-flash-Fin，用宁德时代2025年报和FinFIRST评测题检验其金融研究能力。模型能区分销量与装车量口径，精准提取11项核心指标并复算比率，生成三档情景和20行CSV底稿，但Web Search等外部工具未实际执行。作者认为该模型适合作为金融研究第一道工序，能分清披露、外部统计和计算值，但尚非无人值守的金融Agent。
我把四份宇树科技申报材料交给金融模型跑了三次，第三次它没输给数字，输给了 JSON
作者用四份宇树科技公开申报材料构建了10万字符的证据包，对蚂蚁百灵金融模型 Ling-3.0-flash-Fin 进行三轮相同条件实测。前两轮均达 32/33 字段正确、19/20 整项正确，且对无答案问题不硬编；第三轮内容大体正确，却因 JSON 结构错误导致程序无法解析，形成'API 返回 3/3，严格结构化交付 2/3'的结果。文章指出模型进入真实金融工作流后，关键不再是答对问题，而是稳定交付下游可用的结构化结果，建议采用 JSON Schema 校验、失败重试与人工复核的生产路径，认为该模型适合作为金融 Agent 的中间推理层，但尚不能无人值守接管工作流。
腾讯现金流转负是风险还是机遇？一次金融垂直大模型的真实财报分析实战
文章介绍蚂蚁集团推出的金融垂直大模型 Ling-3.0-Flash-Fin，该模型基于124B总参数、5.1B激活参数的稀疏架构，针对财报解析做了专项优化。作者以腾讯Q2现金流转负这一市场争议话题为例，将该模型导入最近四个季度财报进行分析。模型按照专业投研流程逐层拆解：先锚定报表事实，识别现金流转负源于算力预付款而非经营恶化；再做时序对比、拆分AI投入与核心业务盈利、交叉校验多张报表，最后分层输出短中长期判断并列出需跟踪的观测指标。作者认为金融垂直模型在财报分析上比通用大模型更严谨，能有效规避数据幻觉和口径混淆问题。
从美股和A股26年Q2财报季，看Agent真正发生了什么
作者通过梳理美股和A股2026年Q2财报季中Agent相关公司的数据，指出Agent已从发布会走向财务报表。ServiceNow、Salesforce、Workday、Palantir等率先兑现收入的企业，普遍掌握企业核心数据、权限和工作流。衡量指标从注册用户、Token调用量转向AI贡献的ARR、ACV、生产环境客户数和实际任务完成量。A股方面，金山办公、税友股份、汉得信息在垂直场景开始验证，但财务质量需重点关注。作者提出Agent产业链四层结构：基础模型、数据治理、工作流执行、垂直行业Agent，并将2026年定义为Agent的财务验证元年。
