> ## Documentation Index
> Fetch the complete documentation index at: https://docs.driven.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# 搭建你的投资工作流

> 如何用 AI 搭建一套可复用的投资研究工作流：定义策略、设置筛选、研究候选标的、管理组合，并自动化监控。

大多数投资者在没有明确流程的情况下行动，临时做研究、对头条新闻做出反应、决策前后不一致。一套可复用的投资工作流能解决这个问题，而 AI 让一套好的工作流更容易运行。本文讲解如何搭建一套这样的工作流，从定义策略到自动化那些重复的环节。

## 为什么工作流很重要

工作流把投资从一连串一次性的反应，变成一个一致的流程。它让你的决策可比较（你用同样的方式评估每一只标的），减少情绪和冲动的作用，并把你的注意力从琐事中解放出来，留给判断。纪律本身就是优势。

AI 降低了运行工作流的成本，因为重复的环节，收集数据、筛选、监控，可以被自动化或压缩。

## 投资工作流的五个阶段

### 1. 定义你的策略

一切从这里开始。你投资什么，你寻找什么，你回避什么，你如何确定仓位规模、如何管理风险？把这些写下来是根基；没有它，后面的每一步都是任意的。

在 Driven 里，你的策略存放在 [Playbook](/zh/concepts/playbook) 中，这是 Agent 会自动应用到每一次分析的持久记忆。参见 [搭建你的 Playbook](/zh/guides/strategy/build-your-playbook)。

### 2. 通过筛选发掘想法

一套明确的策略隐含着一个可复用的筛选：那些让一只标的成为你候选对象的标准。定期运行这个筛选，会给你带来稳定、一致的想法流，而不是碰巧映入眼帘的东西。

参见 [按基本面筛选股票](/zh/guides/screening/screen-stocks-by-fundamentals)。

### 3. 一致地研究候选标的

每一个候选标的都经过同样的分析，这样你的评估才可比较。覆盖业务、财务、估值和风险，并始终对空头观点做压力测试。这里的一致性，正是让你的判断变得可靠的原因。

参见 [研究一只股票](/zh/guides/research/research-a-stock)。

### 4. 构建并管理组合

决策变成仓位，而仓位需要管理：按你的规则确定规模、跟踪集中度和风险、复盘每个持仓的逻辑是否仍然成立。一个你不复盘的组合会逐渐偏离。

参见 [构建一个组合](/zh/guides/portfolio/build-a-portfolio) 和 [组合健康检查](/zh/guides/portfolio/portfolio-health-check)。

### 5. 自动化监控

那些重复的环节，早间简报、自选股监控、财报日历、组合复盘，应该自己运行。自动化让一套工作流得以持续，而不会消耗你全部的时间。

参见 [创建市场简报](/zh/guides/scheduled/create-a-market-briefing) 和 [定时任务](/zh/concepts/scheduled-tasks)。

## 把它们组装起来

一套完整工作流在实践中是这样的：

* 你的 **Playbook** 承载你的策略，并在后台运行
* 一个**定时筛选**为你输送符合策略的候选标的
* 一套**一致的研究流程**以相同方式评估每个候选标的
* 一个**模拟或真实组合**承载你的决策，并按你的规则管理
* **定时监控**让你随时了解什么发生了变化，而无需你盯盘

每个阶段为下一个阶段输送养料，重复的环节自行运转。你把时间花在判断决策上，而不是琐事上。

## 从小处起步

你不需要一次就搭好全部五个阶段。先从一个 Playbook 和一个研究工作流开始，加上一个定时简报，再随着推进逐步叠加筛选和组合管理。一套你真正会运行的简单工作流，胜过一套你最终放弃的复杂工作流。

## Driven 的定位

Driven 的设计目标，就是在一个地方运行这整套工作流：策略记忆、筛选、研究、组合管理和自动化，围绕实时数据和结构化分析展开。参见 [什么是 Driven](/zh/get-started/what-is-driven) 开始上手。

## 相关内容

* [搭建你的 Playbook](/zh/guides/strategy/build-your-playbook)
* [AI Agent 如何为投资工作](/zh/learn/what-is-an-ai-investment-agent)
* [AI 研究 vs 传统研究](/zh/learn/ai-vs-traditional-research)