我们拿两道市场难题，测了测付鹏AI分身

作者 | nashnova

      编辑 | 硬 AI

最近，付鹏AI分身在nashnova上线，也算是国内财经研究者中较早尝试AI分身的人之一。nashnova是一款财经AI投研平台，正在把财经KOL长期使用的研究方法做成可对话、可追问的AI智能体。

那一个人的研究方法，究竟能不能被AI复现？

我们认为，真正专业的财经分身，要延续专家取舍信息和修正判断的方式，让他的研究习惯在新的问题中继续发挥作用。

公开信息很多，真正困难的是取舍。同一份财报，有人先看现金流，有人先看流动性，有人先拆市场共识里最脆弱的假设。框架不同，注意力就不同。

更麻烦的是，金融答案会过期，业绩、通胀、利率和政策不断更新。一句“看多”或“看空”很快失去意义，能留下来的，是支撑判断的变量，以及什么时候应该改判。

为了验证这一点，我们选了两道真实的市场问题，把同样的材料分别交给付鹏AI分身和通用大模型。

我们没有比较谁更像付鹏，也没有拿一次回答预测输赢，只看两边从哪里进入问题，怎样使用证据，以及回答能否经得起下一轮追问。

这次测试的两道题都落在宏观、流动性和大型科技公司资本开支这些领域，也在付鹏长期研究范畴内。

第一个问题，关于Meta的现金流

我们的第一个问题是，Meta的AI投入，究竟是护城河，还是回报错配？

Meta在2026年第二季度取得318.62亿美元经营现金流。计入融资租赁本金后，公司当季资本开支达到310.78亿美元，自由现金流只剩7.84亿美元，全年资本开支指引为1300亿至1450亿美元。

通用大模型很快看到现金流几乎被资本开支吃完。它同时提醒，Meta仍有现金和融资能力，眼下更接近投资回报等待验证，还谈不上偿付危机。

这份回答没有明显错误，主要财务变量也都提到了。读完以后，问题仍然留在那里。下个季度该盯哪几个数字，什么变化足以让人改判，回答没有继续往前走。

付鹏AI分身换了一个观察顺序。它先追问这笔投入靠什么支撑，又把广告效率改善和AI独立收入分开，随后才讨论高资本开支还会持续多久。

我们又补充了一条信息，Meta的广告业务仍在增长。付鹏AI分身没有直接把这部分增长记在AI头上。广告效率可能已经受益，AI能否带来可以单独衡量的新收入，还缺少证据。

沿着这个判断，后续要看的事情变得具体了。AI相关收入何时大到需要单独披露，资本开支指引何时开始收敛，自由现金流又能否止跌，都可以在财报里继续核对。

这道题里，两边对现状的判断没有明显冲突。付鹏AI分身多走了一步，把证据缺口和复核顺序交代了出来。它给出的结论未必更准，但更方便研究者接着查下去。

付鹏AI分身对Meta AI投入问题的回答节选

第二个问题，关于美国长期国债收益率

第二个问题是，美国财政部扩大长期国债流动性支持回购后，长债是否更安全？当时长端收益率明显波动，短端几乎没动。

通用大模型提到了通胀预期、国债供给和期限溢价，也指出回购支持不能消除财政压力。这是一份合格的基础答案。只是几个因素平铺在一起，读者还要自己判断市场正在交易短期利率路径，还是要求更高的长期风险补偿。

付鹏AI分身先看收益率曲线。2年期变化较小，波动集中在10年以上，它据此把注意力放到长期国债的额外补偿上。接下来，它把旧券流动性和长期财政约束分开处理。回购可能改善旧券交易和边际买盘，赤字与净发行量并不会随之消失。

回答到这里仍留了余地。观察窗口很短，相关措施当时也没有真正执行，几天的价格变化不足以确认一条稳定趋势。金融回答很容易把一个说得通的解释写成已经得到验证的事实，付鹏AI分身在这道题上没有越过这条线。

通用大模型知道的知识点并不少，差别更多出在组织方式。付鹏AI分身从曲线信号进入问题，接着处理市场交易机制和财政约束，最后回头检查证据够不够。这样的顺序让主次更清楚。

付鹏AI分身对美债流动性支持问题的回答节选

结论

从这次测试看，nashnova上的付鹏AI分身已经呈现出一定的研究框架特征。它会继续追问结论依赖哪些变量，并在证据不足时收住判断。

文章、演讲和视频中的研究方法因此有了可追问的入口。市场变化后，用户可以沿着原有判断继续检查，看看哪些变量已经改变，原来的结论是否仍然成立。

多个KOL Agent也可以从各自熟悉的领域回答同一个问题。有人关注宏观流动性，有人更重视公司现金流，研究分歧会因此变得具体，也更容易比较。

“一个问题 → 多个KOL Agent → 变量、失效条件、复核节点”

它带来的变化，可能在于专业方法开始被反复使用。过去只能阅读的经验，如今可以继续追问，并在新信息出现后重新检验。

第一次使用nashnova，可以带上一个真实问题继续追问。这个结论由哪两个变量支撑？什么情况出现时，你会改判？