这几年我一直帮一些做基本面研究的朋友拆解平台型公司的价值，发现一个挺头疼的问题：传统财务指标只能回答“这家公司过去赚了多少”，却很难回答“它未来凭什么继续赚”。真正让平台型企业区别于一般公司的，是它周围那圈生态——用户、供给方、开发者、数据、规则，这些东西缠绕在一起产生的化学反应，才是其估值溢价的源头。但生态价值没法直接从财报里抠出来，得从大量零散且互相干扰的信息里重新拼图。最近半年我搭了一套AI agents辅助价值投资者做平台生态价值评估的工作流，实测下来比手工看报告高效得多，很多隐蔽信号也终于能被捞出来了。
这套东西适合三类人看：一是做投资研究、想建立系统化评估框架的人；二是企业战略岗，需要看懂竞争对手的生态壁垒；三是对 AI agents 如何从“聊天玩具”变成“分析流水线”感兴趣的人。下面我直接把整个设计思路、指标框架、Agent 配置和踩坑记录都摊开讲。
1. 为什么平台生态价值评估让投资者头疼，AI agents 到底补了什么
1.1 传统评估方式的三座大山
先说说老办法为什么不行。我早年看平台型公司，习惯把营收增速、毛利率、净利率、现金流这些财务指标算一遍，然后翻一下招股书里的风险因素，最后拍一个估值。后来吃过几次亏才意识到问题在哪。
第一，财报是历史数据，平台价值却在未来。一个双边平台哪怕当前亏损，只要供给端和需求端的增长曲线还在交叉向上，它的生态势能就是资本开支报表体现不出来的。反过来，如果只看利润表，很容易把一些正在“生态空心化”的公司当成稳健资产。第二，信息颗粒度太粗。平台生态好不好，要看月活跃商户数、创作者中位数收入、供需匹配时长、第三方开发者留存率、交易费用趋势这些指标，但它们散落在电话会纪要、招聘启事、应用商店评论、技术博客、专利文件里，手工整理一份像样的证据链，动辄一两周。第三，噪声太多。社交媒体上的声音两极分化，把真正能反映平台调性的信号盖住了。
1.2 AI agents 的价值不是“替代判断”，而是“把调研流水线化”
我一开始也想直接用一个大模型去问“这个平台生态好不好”，结果发现这样极不靠谱。因为大模型会一本正经地编数据，也会把旧闻当新闻，更不会主动告诉你有多少处矛盾。后来我把任务拆成多段，让不同的Agent各自负责采集、清洗、提取、核验、报告生成，再让人类在关键节点做最终裁决，效果完全不一样。
这个设计的底层逻辑是：价值评估本质上是一个需要多源交叉验证的推理过程，而不是一次性的问答。Agent 之间通过结构化的“任务卡”传递中间结果，每个结论都带引用来源，投资者看到的不只是一个评分，而是一条可以追溯的证据链。这相当于把原来两周的案头研究压缩到两三天，而且遗漏关键信号的概率也低了很多。
2. 平台生态价值拆解：先有评估框架，再谈 Agent 配置
2.1 三层指标体系：基础层、互动层、变现层
给 Agent 派活之前，脑子里必须有一套评估框架，否则它们只会给你拉出一堆无意义的信息。我常用的框架分三层，层与层之间有因果关系。
基础层看的是“生态参与者的规模与质量”。用户端看 MAU/DAU、留存率、使用时长；供给端看活跃商家/创作者数量、单位经济模型是否健康，比如商家能不能赚到钱、创作者的中位收入是否可持续。这一层的核心是判断平台有没有“量”，以及这个量是不是买来的补贴流量。
互动层看的是“网络效应与匹配效率”。这是平台生态真正的试金石。直接网络效应要看用户之间互动频次，间接网络效应要看供给增加是否降低了需求方成本，跨边网络效应要看双边参与者是否互相吸引。匹配效率我习惯看几个代理指标：供需比、平均成交时长、交易成功率、纠纷率。如果一个平台用户很多，但匹配效率低，说明生态还没有真正转起来。
变现层看的是“生态承载与延展力”。广告、抽佣、增值服务收入占比是否合理，平台对新业务孵化有没有制度化的路径，能不能在不伤害生态健康度的情况下提高货币化率。很多平台死于过早过度变现，所以这一层要结合基础层的用户满意度一起看。
2.2 指标对应的数据源怎么选
框架定了之后，数据源就好选了。财务指标从财报和电话会纪要里拿；商户和创作者活跃度，看平台的对外披露、招商政策变化、第三方监测机构的采样报告；人才和技术动向，看招聘启事和专利数据库，这个特别能提前暴露平台在押注什么方向；用户情绪端，看应用商店评论、社交平台讨论、媒体深度报道。
我建议每个指标至少配置三个独立来源，不是为了凑数，而是为了给后端的交叉验证 Agent 提供对照素材。单一来源的结论我会直接标成“低置信度”。数据采集的频率也要分级：核心运营指标每周拉一次，新闻舆情每天扫一遍，财报季就临时加深度解析任务。
3. 多智能体工作流的设计与实操配置
3.1 Agent 角色拆解：采集员、清洗工、提取师、核验官、报告员
这套工作流里我总共设计了五个角色，每个角色对应不同的模型参数和提示词策略。
采集 Agent负责访问指定的新闻源、公告页、招聘页面和评论列表，把原始文本按时间顺序保存。这个 Agent 要求召回率高，宁可多抓一些里重信息，也不能漏掉关键公告，所以温度参数尽量低，超时重试逻辑要做好。
清洗 Agent负责去重、去广告噪声、统一格式。它会把“2025年Q3”和“三季度”统一成同一种日期格式，也会把同一份公告在不同媒体的转载合并成一条。这个环节看起来琐碎，但直接影响后面提取 Agent 的准确率。
提取 Agent按我在提示词里给出的指标清单，从清洗后的文本中抽取事件和数字。比如“月活跃商户数环比提升”就会被抽取成一条结构化记录：指标名称、数值、时间、来源、原文片段。这个 Agent 是整个链路里最容易出错的地方，因为它既要理解语义，又要顶住大模型天生那股“想当然”的劲。
核验 Agent是这套系统里最关键的创新点。它专门负责找矛盾：同一个指标在不同来源里数字不一致，或者新闻稿的乐观表述与电话会纪要的谨慎口吻冲突，它都会标成“存疑证据”。这等于在报告生成之前先做一轮事实核查，大幅降低了后续人工核对的压力。
报告 Agent最后把提取结果和核验结果组织成结构化报告，按我预设的评分卡模板输出。它不被允许自己编造新的数字，只能基于前序 Agent 的产出做归纳总结。五个 Agent 之间用 JSON 格式的任务卡传递上下文，每一个环节都保留了原始出处字段。
3.2 Prompt 工程要点：给 Agent 人设、任务和证据要求
很多人觉得给 Agent 写提示词就是“帮我分析一下”，这样出来的东西根本没法用于严肃场景。我在实操中总结出一套三段式提示词结构。
第一段给身份和边界。比如“你是一名平台生态分析助理，你的任务是从给定资料中提取与网络效应相关的证据，只负责提取，不负责给出投资建议”。这是为了框住 Agent 的行为范围，防止它跑偏。
第二段给指标定义和输出格式。要把“网络效应”拆成机器可执行的定义，比如“当用户数量增加导致平台对每个用户的价值提升时，出现直接网络效应的证据”。输出格式强制为 JSON，每个证据都附来源 ID 和原文引用片段。
第三段给约束条件。明确要求“如果找不到足够证据，请如实标注‘证据不足’，不要推测”和“禁止编造不存在的数字”。这一步是压制幻觉最有效的手段，比在系统提示词里反复强调“你要诚实”有用得多。
3.3 一个模拟评估案例：某本地生活平台的生态推演
为了让你更直观地理解工作流怎么转，我拆一个具体案例。假设要评估某本地生活平台的生态价值。第一步让采集 Agent 抓取近 90 天的财报公告、商户端招商政策、骑手招聘信息和媒体报道，清洗后得到 142 篇有效文档。
提取 Agent 在文档里识别出几个关键信号：月活跃商户数连续两个季度环比增长 8%，但同期用户端补贴支出增速为 22%；骑手招聘中新增“智能调度算法工程师”岗位占比明显提高；应用商店评论中出现大量“配送时间变短”的正面反馈。到这里看基本面，生态似乎是在变好。
但核验 Agent 发现了一处矛盾：新闻稿声称“商户满意度创历史新高”，而商户社区讨论帖里却能提取到“抽佣比例提高后，中小商户开始向多平台分流”的负面信息。这条矛盾被标红，直接出现在报告的“风险提示”部分。最后报告 Agent 输出的结论是：平台处于生态建设期向变现期过渡的临界点，核心指标健康，但需关注供给端流失风险。
我拿着这份报告再去对比财务数据，发现营销费用率确实仍在高位，和“靠补贴拉动商户增长”的判断吻合。整个流程跑下来大约半天，而以前我手工整理同样维度的信息可能要三到四天。
4. 落地一套可复现的评估流水线
4.1 从零开始搭建的五个步骤
这套工作流我从底层自己搭过一遍，也帮朋友用现成的 Agent 编排框架改过，核心流程是一致的。你不需要一开始就搞得很复杂，按下面几步逐步扩展即可。
第一步，定义评估边界。明确评估哪家公司、时间窗口是哪一段、重点关注生态的哪个维度。比如“只看过去四个季度本地生活平台的供需匹配效率变化”，边界越窄，后续 Agent 的任务越清晰。
第二步，建数据源清单。把要采集的 URL、API 接口、文档路径按类型分组。财报类一组，舆情类一组，招聘类一组。每个数据源要标注更新频率和可信度权重，后面核验 Agent 要靠这个权重去判断冲突时该信谁。
第三步，选择底层实现方式。可以基于现成的 Agent 编排框架，也可以用 Python 脚本自己调模型接口。我自己倾向于先用脚本把链路跑通，再逐步换成带记忆和反思能力的 Agent 框架，这样出问题时好排查。
第四步，拆节点、写提示词。把采集、清洗、提取、核验、报告五个节点先各自跑通，再串成一条链。每个节点的输出都要保存一份带时间戳的日志，方便追溯是哪个环节出了问题。
第五步，加人工复核节点。我通常在提取 Agent 出结果后和报告 Agent 出结论后各设一道人工检查。第一道看有没有漏掉的关键事件，第二道看结论是否和原始证据匹配。人工不直接改 Agent 的产出，而是写修订意见，这些修订意见可以回流到提示词里做迭代。
4.2 质量校验闭环：用历史数据给 Agent 回测
很多做投研的人把 Agent 当一次性工具用，跑完报告就完事了，这是很大的浪费。我更推荐你把过去三年、五年的历史数据和实际结果存档，定期做回测。
具体做法是：拿过去某个时点的数据快照喂给 Agent，让它生成当时的生态评估报告，再和后来这家公司的真实业绩表现对比。如果 Agent 当时给出了“生态衰退风险高”的判断，而公司后来确实出现核心商户流失，说明框架有效；如果评分和实际结果背离，就要查是数据源不够、指标权重不对，还是核验规则有漏洞。
我现在维护一个“预测-结果”对照表，每个季度更新一次，相当于给这套 Agent 工作流做校准。这个过程也能积累一批高质量标注数据，后续微调一个小模型专跑指标提取任务，会越来越准。不要总觉得大模型会不断变强，你的评估框架不用升级。模型是引擎，框架是底盘，底盘得自己维护。
5. 常见问题与排查技巧实录
5.1 最常踩的五个坑
第一个坑是Agent 幻觉。提取 Agent 偶尔会“记错”数据，把某个来源里的数字张冠李戴。我的解决办法是强制要求每个输出字段都带原文片段，再加一道脚本检查，比对引用片段里是否真的包含声称的数字。如果提取 Agent 在某类指标上反复出错，就把这类指标的提示词单独加重描述，给它几个正确和错误的示例。
第二个坑是数据时效混乱。采集 Agent 抓到的文章里混着几年前的分析，如果提取 Agent 不识别时间标签，就会把旧数据当成新趋势。后来所有采集结果都必须带发布时间字段，提取 Agent 的任务只限定在指定时间窗口内，过期数据自动置灰不算证据。
第三个坑是报告过长过泛。早期报告 Agent 会输出一堆“该平台拥有较强的网络效应”之类的废话，没有可操作性。我把输出模板改成逐项评分卡，每个指标必须给分数、证据数量、证据摘要、置信度，字数严格限制，倒逼它提炼重点。
第四个坑是单一指标权重失衡。曾经有一份报告因为招聘数据表现亮眼，整体生态评分很高，却忽略了核心用户留存率持续下滑。后来我在评分卡里加了“矛盾信号降权”规则，当留存和扩张指标方向相反时，评分自动往保守方向偏移。
第五个坑是忽略弱信号。Agent 能把公告和新闻处理得很好，但面对“某平台高管大量离职”“开发者社区活跃度骤降”这种非结构化弱信号，容易视而不见。我把这类关键词和模式写进提取 Agent 的补充任务里，每天都在全量文档里扫一遍。
我把这些问题整理成一个速查表，方便你直接对照排查。
| 症状 | 可能原因 | 处理方式 |
|---|---|---|
| 输出数据与原文不符 | Agent 幻觉 | 强制带原文片段引用，加脚本自动校验 |
| 结论滞后于市场反应 | 数据源时效不足 | 提高采集频率，标注发布时间并过滤过期数据 |
| 报告内容空洞 | 模板约束弱 | 改用逐项评分卡，限制字数、强制结构化 |
| 评分失真 | 指标权重失衡 | 引入矛盾信号降权规则 |
| 硬信号好但软信号差 | 弱信号遗漏 | 增加关键词扫描任务，定期补充新规则 |
5.2 独家避坑心得：把 Agent 当“吃证据的研究助理”，别当“给出答案的预言家”
最后分享一条我认为最重要的心得。用 AI agents 做投资研究，最容易掉进去的陷阱是让系统给自己一个“确定性的结论”。实际上价值投资本身就是概率游戏，Agent 的价值在于帮你提高信息密度和证据完整度，而不是替代你做决策。
我自己的使用习惯是：Agent 报告里的每一条结论，我都要求自己能回答“为什么会有这条结论”“它依据的是哪几份材料”“有没有相反证据”。如果这三个问题都能答上来，结论才进入我的参考池。这套流程跑久了，最大的变化不是省了多少时间，而是让我对“市场为什么给这个平台这么高的估值溢价”有了更结构化的理解。
另外提醒一句，任何 Agent 输出都不能替代合规的投资决策流程，尤其是涉及真金白银的操作时，人工核验和独立判断永远是最后一道闸门。把它当工具，不要当权威，这是这类项目能长期稳定跑下去的前提。
