检索何时真正帮助投资研究：先回答，再决定是否找资料
一项新的金融推理基准显示，检索应该是有条件的工作流组件：先测量它挽救了什么，也测量它推翻了什么。
AI 改变投资研究的一个具体地方，不是“每个问题都先搜索”，而是让研究员可以测量：什么时候补充资料真的有帮助，什么时候反而会把正确答案改错。最近的 FinExam-10K 基准研究测试了模型处理金融考试题的能力，包括专业知识、计算和判断。研究原文给出的实际启示，是把检索变成一个有条件的步骤。
在 17 个模型中，最高总体准确率为 85.29%，但更困难的完整覆盖测试明显更难。检索工具确实挽救了数百个错误，同时也推翻了不少原本正确的答案。一个门控器只在判断有需要时调用图检索，在保留测试集上对 7.9% 的问题启动检索，准确率由 70.83% 提高到 71.23%。这是研究协议中的小幅、统计上报告的改善，不是投资收益或交易优势；但它给出了清晰的操作原则：先回答，再选择性检索，最后比较变化。
过去，研究员往往先搜索文件，把一大批内容交给模型，再接受流畅的总结。新的流程把初始答案当成分流信号。如果问题已经能由给定材料回答，而且证据充分，就保留它。如果缺少定义、计算过程或关键段落，再只检索相关证据并重答。最终交付物不只是答案，还应记录检索是帮助、伤害，还是根本没有必要。
对投资团队而言，这适合核对财报中的比率、把管理层表述与脚注对齐，或整理风险披露。它不等于让模型生成证券观点。该基准研究的是结构化金融推理，不是实时行情、执行或组合收益。因此证据支持的是研究流程设计，不支持“检索能提高投资回报”的说法。
可以这样复现。先建立一份带时间戳的公开财报或研究笔记资料包，在打开模型前写好 20 道题：10 道应能从资料包回答，5 道需要计算，5 道故意不提供答案。要求模型给出简短理由和证据位置。随后设置简单门控：只有在答案缺少引用、计算无法核对或模型明确不确定时，才检索一两段相关材料，而不是把整个档案塞进去。模型重答后提交变更记录。人工审核计算、资料日期，以及引用段落是否真的支持结论。
这也延续了我们关于投资 AI 决策链的讨论：可复盘记录本身就是研究成果。还可以参照金融基础模型的时间完整性：检索可能提高覆盖率，却把决策时点之后的信息偷偷带入。来源时间和资料边界必须进入测试，而不能只写在注释里。
用 60 分钟做一次纯研究练习。前 15 分钟建立带日期的资料包，并标出每段材料的公开时间；接着 20 分钟不检索地完成 20 道题；再用 15 分钟运行门控检索并重答；最后 10 分钟审阅记录。无检索结果是基线。记录总体准确率、计算准确率、引用蕴含度（引用是否支持答案）、检索比例、有害反转率（原本正确却因检索变错的比例），以及对故意缺失问题的拒答率。
如果无法保存资料包和时间戳，审核者不能凭引用重现答案，或检索造成的有害反转多于真正挽救的问题，就停止练习。不要把结果转成纸面交易或实盘流程。若做七天延伸，每天用新的文件重复测试，但固定评分标准，并把当天题目与模型此前输出分开。
限制同样重要。门控器在公开样本上调优后，未必能识别新的文件格式、会计规则或市场环境。检索质量也可能成为瓶颈：看似相关的段落可能过时、不完整，或只是语义相近而非真正有证明力。FinExam-10K 的结果正说明平均准确率不够：检索可以同时帮助和伤害。生产环境还要处理权限、资料许可、隐私、模型版本变化和人工复核容量。
个人投资者应测量证据质量和错误反转，而不是被流畅表达说服。系统研究员应把检索视为有条件组件，保留固定基线并做样本外检验。工具建设者则应把决策日志、来源时间、拒答路径和人工覆盖设计成一等输出。AI 真正改变研究流程的地方，是让这些比较更便宜、更可见；它并没有替人判断证据是否完整、及时且真正相关。