用 AI 构建你自己的彭博终端

对冲基金分析师出身的 Brooker Belcourt，把覆盖 40 家公司季度财报这件每季度耗时 160 小时的工作，通过四个层级的 AI 工具逐步压缩到"运行时你可以睡觉"。

背景

• 规模：40 家公司，每季度财报
• 传统耗时：每家公司财报预览最少 4 小时 = 每季度 160 小时
• 流程：抓数据 → 更新金融模型 → 撰写要点
• 核心挑战：结构化但重复，天生适合 AI，但很多团队一试就放弃

为什么团队放弃 AI：

"他们是基于一个工具的复杂度来判断整个技术。这就像用 Microsoft 365 浏览器产品体验后放弃了所有电子邮件。"

Level 1：自定义 ChatGPT 项目

设置方式：

• 建立 ChatGPT 项目（专属工作区）
• 详细提示词：beat/miss 分析布局、优先财务指标、如何处理管理层指引、共识估计来源
• 附上 SEC 文件和财报发布
• 使用 Thinking Mode（约 15 分钟）

产出：

• 有网络数据来源、SEC 引用、清晰 beat/miss 分析的财报预览

局限：

• 表格格式按 ChatGPT 的方式，不是分析师想要的方式
• 所有内容在聊天窗口，不是自定义网站
• 加 HTML 仪表盘输出需要两步
• 合并多步骤工作流时撞上 8000 字符项目指令上限

适用场景：单任务、结构化分析，多步骤工作流就崩了。

Level 2：Claude + Skills + 数据连接器

解决 Level 1 的字符限制：用 Claude Skills（可复用的提示词文件，模型在每次任务前读取）

具体做法：

• 把财报预览指令、仪表盘格式、投资哲学、分析师工作流 → 分成独立的 skill 文件
• 每个 skill 有触发词（如"Earnings preview"）
• 三个 skill 同时加载：财报预览 skill + 前端设计 skill + 核心投资哲学

数据升级 — MCP 连接：

• 使用 Daloopa（金融数据提供商）通过 MCP 接入结构化基本面数据
• 不再靠网络抓取，直接拉取财报和 SEC 文件中的关键指标

产出：

• 单提示词生成带增长率图表、正确格式损益表、按分析师偏好排列指标的交互式仪表盘
• 因为 Claude 读了投资哲学，知道他关心经营杠杆、毛利率趋势、收入结构变化——无需再次指定

局限：

• 无法访问内部数据（本地 Excel 模型、笔记文件夹）

Level 3：Claude Cowork + 本地文件访问

工具：Claude Cowork（Claude Code 的非技术用户封装，运行在本机）

新增能力：

• 读取本地文件：Excel 模型、通话笔记、论文文档、历史预览
• 拆分为子 Agent（subagents）处理更复杂的计算
• 将财报电话转录中的语言与模型历史趋势关联

具体案例（Shopify 财报预览）：

• 解释为什么毛利率同比增长 200 个基点（跨文档关联）
• 读取 Excel 模型，提取营收/EPS/经营利润率预测
• 与华尔街共识对比，精确显示分析师与市场的分歧点
• 以前需要逐行搜索财报电话记录 + 接第三方工具，现在是一个提示词

局限：

• 每个任务产生独立输出（财报审查一个仪表盘，预览另一个，会议准备第三个）
• 没有统一的"每日工作台"

Level 4：Claude Code + 自定义仪表盘

工具：Claude Code（命令行界面，可定义自定义命令、连接多数据源，运行数小时）

核心命令：/work——封装了整个分析师工作流

运行后自动完成：

• 财报审查
• 财报预览
• 会议准备
• 新闻综述
• 论文更新

统一输出：部署为自定义网站，每天早上打开就是更新好的仪表盘：

• 与覆盖范围相关的新闻文章，按关注度优先排列
• 每家公司完整概览页：论文、收入轨迹、金融模型视图、会议准备、可调整时间段的历史仪表盘

时间压缩：

• 传统：每季度 160 小时
• Level 4：Claude Code 运行时间 + 约 1 小时人工审查和补充判断
• 人类的工作：判断输出是否合理（"那个 20 亿营收分歧是现实的，还是我的模型过时了？"）

对比：

"在我上一家公司，有一个内部工具叫 Mosaic，在一个地方展示你覆盖范围的所有信息。这是巨大的优势，需要专属工程团队构建。Level 4 让我自己构建那个系统。"

你不需要做到 Level 4

立即应用：Level 1 今天就能做

适用于任何有重复性研究工作的人，不只是金融分析师。

通用模板结构：

ChatGPT 项目指令（<8000 字符）

你是一名 [领域] 分析师。当我提供 [数据类型] 时，请按以下格式输出：

1. 核心对比分析（实际 vs 预期/基准）
2. 关键指标（按我的优先顺序排列）
3. 重要信号和要点（3 条）
4. 下一步行动建议

数据来源：附上的文件 + 网络

非金融的应用场景：

• 产品经理：每周指标回顾（实际 vs 目标，关键变化，行动项）
• 营销分析：广告活动报告（各渠道 ROI 对比，异常，建议）
• 投资者关系：竞品动态（季度更新，产品发布，财务数据）

升级路径：从 Level 1 到 Level 3 的判断框架

何时升到 Level 2：

• 单提示词字符不够用
• 需要 AI 记住你的工作风格/哲学
• 需要实时数据（不想手动粘贴）

何时升到 Level 3：

• 你有大量私有数据（Excel、笔记、内部文档）
• 需要跨内外部数据做对比分析
• 重复任务数量多到值得投入设置时间

何时升到 Level 4：

• 你想要"每天早上打开就是答案"的体验
• 愿意学习 Claude Code 基础
• 任务量足够大（40 家公司这样的规模）

启发性洞察

洞察 1：AI 工具的层级框架普适性

Brooker 的四层框架不只适用于金融，可以映射到任何知识工作：

洞察 2："AI 做综合，我做判断"是正确的分工

"AI 做综合、格式化和交叉引用，我来做思考。"

Level 4 并非取代分析师，而是重新定义了分析师的工作：

• 从：数据收集、格式整理、初步计算
• 到：判断 AI 输出是否合理、补充上下文、做最终决策

这个分工对所有知识工作者都成立。

洞察 3："不要因为 Level 1 失败就放弃技术"

很多人的 AI 体验：用 ChatGPT 做了一次，出错了，结论是"AI 不可靠"。

正确框架：

• Level 1 工具有 Level 1 的边界
• 失败了，升级工具，不是放弃技术
• 就像不因为用 Microsoft 365 浏览器版体验差就放弃所有电子邮件

关键引用

"By level four, the system reads your model, applies your thinking about what makes a great company, and runs while you sleep."

"The AI does the synthesis, the formatting, and the cross-referencing, and I do the thinking."

"Level four lets me build that for myself." （指以前需要专属工程团队才能构建的内部工具）

"AI has already changed how the firms that adopted it work. The only question left is which level you're at—and what you're leaving on the table."

Sources

1. raw/to-learn/newsletters/every/2026-03-30 Build Your Own Bloomberg Terminal With AI.md
2. https://every.to/p/build-your-own-bloomberg-terminal-with-ai