作者 | 张征

这篇文章不吹AI，不讲概念，只说一件事：

过去半年，我把自己每天处理信息的流程，从”靠记忆和加班”变成了一套相对稳定的系统。

效率提升是真实的，但不是魔法。

以下是我的真实做法，按”输入 → 整理 → 加工 → 输出”四个环节来说，每一节都对应我实际在用的工作场景。

一、输入：我每天接触哪些信息，怎么收进来

医疗投资人每天面对的信息量不小，而且杂。

我的输入来源大概分这几类：

钉钉录音卡片这个细节值得多说一句：就是那个贴在手机背后的迷你录音设备，按一下开始录，录完自动转文字，配合AI整理，工作安排、会议纪要、项目讨论，5分钟内全部归档。

不需要打开任何App，不需要手动整理，录音即归档。

核心逻辑是：所有信息进入时，就想好它要去哪里。

不是先存着以后再说，而是当下就完成”归类+提炼+存档”这个动作。

这需要一点习惯养成，但一旦习惯建立起来，回头找资料的时间基本为零。

二、整理：所有信息汇入IMA知识库

所有输入的信息，最终都汇总到一个地方：IMA知识库。

这是整个系统的枢纽。我用它做结构化管理，结构大概是：

├── 投资项目追踪│   ├── 眼科│   ├── 脑机接口/神经调控│   ├── CGT细胞基因治疗│   └── 其他赛道├── 工作文档│   ├── 内部汇报材料│   ├── 会议纪要（钉钉录音整理后自动归档）│   └── 项目评估报告├── 公众号素材库│   ├── 医疗产业│   ├── 投资逻辑│   └── 个人转型├── 对话资产库│   └── 大模型对话总结（每次对话结束一键归档）├── 视频笔记库│   └── YouTube/Bilibili视频摘要└── 外部BP存档

所有信息汇入的路径有两条：

路径一：CLI命令行直接归档任何时候，把一段文字、一份笔记扔给IMA，一句话搞定：

ima add "这段是我对XXX项目的核心判断……" --tag 项目评估

不需要打开App，不需要手动复制粘贴。

路径二：API自动化同步OpenClaw/Hermes的对话总结、NotebookLM的视频摘要、每次大模型对话的结论——都可以通过API自动写入IMA。

整个流程是：

录音/视频/对话 → AI处理 → 提取关键内容 → CLI/API自动写入IMA → 知识库统一管理

效果是：现在要找一个项目的历史资料，30秒内可以定位。

这是以前完全做不到的。

三、加工：从原始信息到投资判断

这是最花时间、也最有价值的环节。

场景一：BP太多，怎么快速初筛

每周收到几份到十几份BP，全部仔细看完不现实。

我的做法：

1. 1. 把BP发给AI，让它输出一页初判——做什么、市场判断、团队背景、最大风险、是否值得深入
2. 2. 结论清晰的就过，不清晰的进第二轮

这个流程把初筛时间从平均30分钟/份压缩到5分钟/份。

需要坦白的是：AI的初筛结论不能直接用，需要我自己判断。 因为AI不知道某个创始人在业内的口碑，不知道团队内部的关系，这些信息AI给不了。

场景二：重要项目，要做完整评估

进入深度评估的项目，我会用11章标准框架来组织判断：

1. 公司概览2. 团队情况3. 产品/管线/服务4. 商业模式5. 收入结构6. 历史估值与融资7. 核心竞争力与差异化8. 主要风险提示9. 竞争格局与市场空间10. SWOT分析11. 综合评估打分

AI帮我生成框架，我来做核心判断——尤其是团队判断、竞争格局判断，这两个AI给不了准确答案，必须靠人。

场景三：会议纪要怎么用

开完会，最容易发生的事是：聊得很深入，回去就忘了。

我的做法是：会议结束后，立刻把录音或笔记扔给AI，整理成结构化纪要，包含：

• • 讨论的核心问题是什么
• • 各方观点是什么
• • 结论是什么
• • 下一步谁做什么、什么时候交付

这份纪要存进项目文件夹，下次再见面时先翻一遍纪要，不用重新从头了解背景。

四、输出：一份素材，多平台分发

这是AI真正帮我省时间的地方。

以前写一篇公众号文章，从整理素材到写完发布，要两三天。

现在的工作流是：

原始素材（论坛分享/项目资料/个人思考）    → AI整理成结构化内容    → 根据内容生成多平台版本    → 公众号：长文，逻辑完整    → 小红书：提炼3个核心观点，配信息图    → 推特/X：精简短帖，中英文版本    → 发布

具体来说：

• • 公众号：以文字为主，结构清晰，一篇文章2000-3000字，核心观点要明确
• • 小红书：需要配图，把核心观点做成图片，配简短文字说明，数据图表最有效
• • 推特/X：140字以内，观点要尖锐，一句话说明一个判断，不需要解释背景

现在一篇公众号文章，从整理素材到完成多平台版本，大概半天可以搞定。

不是AI替我写文章，而是AI把”整理和格式转换”的时间省掉了，我只需要把核心观点想清楚。

场景四：对内专业输出——投委会备忘录、行业报告、尽调报告

这是和对外内容运营同样重要、但被很多人忽视的一块。

投资机构每天大量内部沟通材料：给领导的汇报、给LP的更新、投委会的陈述、尽调团队要用的清单、交易方案的设计、协议的条款解读、财务报表的分析——这些都需要输出，而且质量要求高、时间要求紧。

我现在的做法是把这类输出也纳入AI工作流：

投委会备忘录（Word/PPT格式）

输入：项目评估报告 + 核心判断 + 投委会议程↓ AI辅助整理↓ 输出：   → 投委会PPT（10-15页，逻辑完整，支持论点+风险提示+数据支撑）   → 投委会Word备忘录（核心摘要，1-2页，方便快速阅读）   → 投决问答预判（AI模拟投委会成员，列出最可能的5个质疑点）

用Claude的investment banking/PE skills，可以按机构内部的汇报模板格式输出，直接填入核心数据即可。

行业研究报告

用Claude financial skill + 赛道相关资料，输入：

• • 行业背景资料（论坛分享、研报、新闻）
• • 核心数据（市场规模、增长率、竞争格局）
• • 趋势判断（政策、技术、商业模式）

输出：结构完整的行业研究报告，包含数据表格、竞争地图、趋势分析、机会与风险。

公司深度研究报告（11章标准框架）

这是我评估项目的核心输出格式：

1. 公司概览2. 团队情况3. 产品/管线/服务4. 商业模式5. 收入结构分析6. 历史估值与融资情况7. 核心竞争力与差异化8. 主要风险提示9. 竞争格局与市场空间10. SWOT分析11. 综合评估打分（多维度）

AI跑出框架，我来做核心判断——尤其是团队评价和竞争格局判断，这两块AI给不了准确答案，必须靠人。

尽职调查报告

输入：项目基本信息 + 已获取资料↓ AI辅助↓ 输出：   → 资料清单（财务/法律/业务三维度的完整清单）   → 访谈问题库（针对创始人/CTO/CFO/销售负责人分别列出关键问题）   → 风险核查清单（每个风险点标注核查方式）   → 尽调摘要（已核实信息 vs 待核实信息的对比表）

交易方案设计

用Claude investment banking skill，输入标的公司情况 + 投资方诉求，输出：

• • 交易结构建议（股权/债转股/可转债等）
• • 估值参考区间
• • 关键条款清单（对赌/回购/优先清算权等）
• • 风险控制节点

协议条款解读

把投资协议、并购协议、股东协议扔给AI，问：

• • 核心条款有哪些，对我方有利/不利的点在哪里
• • 哪些条款有风险，需要在谈判中争取修改
• • 和行业惯例相比，这份协议是否标准

财务报表解读

输入三张表（资产负债表、利润表、现金流量表），AI辅助完成：

• • 关键比率计算（毛利率/净利率/ROIC/负债率等）
• • 异常指标预警（波动较大的科目）
• • 与同行可比公司的对比
• • 商业模式健康度判断

五、Skill固化：把评估流程，变成批量工业化生产

以上这些输出场景，如果每次都重新设计结构、重新组织逻辑，工作量依然不小。

我的做法是把常用的评估流程固化成Skill（技能模块），一键调用。

比如我已经在用的：

固化Skill的核心逻辑是：把你觉得最值得结构化的流程，变成可复用的模板。

每次做完一个项目，把你觉得”这次我花了太多时间在想结构”的那个环节，抽象成一个Skill。

积累下来，你会拥有一套完全符合你自己工作习惯的AI工具包——不是通用模板，是你的专属工具。

六、Claude Code / Codex：Vibe Coding构建专属工具

这一块是我最近在探索的方向，也是我认为未来最有潜力的用法。

Vibe Coding的核心逻辑是：你描述需求，AI写出代码，代码帮你解决特定问题。

不是学编程，是用自然语言驱动代码。

场景一：BP上传即自动筛选评价的数据库网站

我想做这样一件事：

把收到的BP上传到一个网页应用 → AI自动解析BP内容 → 提取关键信息（公司名/赛道/融资阶段/核心产品/团队背景）→ 自动打分（按我的11维框架）→ 进入项目储备池数据库 → 支持按赛道/阶段/评分筛选 → 随时导出项目列表。

这套东西，用Claude Code可以搭：

我描述需求："帮我建一个网页应用，包含：1. BP上传入口（支持PDF上传）2. 自动解析BP，提取公司名/赛道/阶段/产品/团队信息3. 按11个维度自动打分4. 进入SQLite数据库，支持筛选和导出"↓Claude Code写出完整代码↓本地跑起来，就是一个专属的项目管理工具

这个工具跑通之后，你收到的每份BP不再散落在邮箱里，而是自动进入结构化的储备池，随时可查、可筛选、可导出。

场景二：项目储备池管理看板

在BP筛选数据库基础上，可以进一步做一个项目看板：

• • 项目列表（按赛道分类）
• • 每个项目：基本信息 + 评估报告 + 跟进记录 + 下一步计划
• • 投委会议程自动生成
• • 项目状态管理（初筛→深入→尽调→投决→已投→退出）

这个看板用Notion/Obsidian都可以做，但用Claude Code可以做得更贴合你自己的流程。

场景三：量化交易/数据分析工具

如果你有二级市场相关的投资工作，Claude Code可以帮你：

• • 写一个自动抓取财报数据的脚本
• • 做一个简单的财务比率计算器
• • 搭建一个竞品数据对比看板

不需要你会编程，你只需要描述清楚你要什么，Claude Code帮你实现。

场景四：千人千面的定制化需求

Vibe Coding最有趣的地方在于，它可以满足那些”没有现成工具能解决”的个性化需求。

比如：

• • “我需要一个工具，把每天收集的行业新闻自动按我的赛道分类，打上情绪标签（正面/中性/负面），存进我的知识库”
• • “我需要一个小工具，把创始人发来的微信长语音自动转成结构化的项目速记，存入我的BP管理系统”
• • “我需要一个自动生成投资条款清单的工具，输入标的公司基本信息，输出标准TS条款清单”

这些需求市面上没有现成产品，但用Claude Code描述清楚，几天内就能跑起来。

核心原则：Vibe Coding不是让你变成程序员，而是让你有能力为自己的特定问题，定制专属工具。

七、工具栈：我在用哪些东西

说清楚我实际在用的工具，供大家参考，不做推荐，自己判断：

八、我踩过的几个坑

说几个我用过AI之后，觉得需要提醒自己的地方：

1. AI整理的东西，一定要核实数据和自我思考

AI会一本正经地胡说八道——融资数据、估值数字、团队背景，都可能出错。

我的习惯是：不能因为AI帮你做了分析，就丧失了自我思考，Garbage in ，Garbage out.AI输出的任何数据，都要找到原始来源核对。没有来源的，标注”待核实”，不要直接用。

2. AI不能替你做判断，只能替你做执行

框架设计、核心假设、团队评价、竞争格局判断——这些AI给不了准确答案。

用AI做执行效率提升，核心判断自己来，不要把判断权交给AI。人需要回归到机器干不了的事情，做交易，做决策，做判断，与人的沟通。

3. 系统建立需要时间，不要急于求成

我大概花了3-4个月，才把自己的信息流程稳定下来。

中间换过工具，调整过分类逻辑，废弃过一些做法。这是正常的，关键是要形成自己稳定的一套系统，遇到问题再随时调试，量化股票的事还需要再思考

先跑起来，再迭代。 不要指望一开始就想清楚所有事情。

4. AI加速了信息处理，但没有改变投资的核心逻辑

AI让我处理信息更快了，但一个项目值不值得投，取决于赛道判断、团队判断、商业化判断——这些能力，AI帮不了你。

AI是杠杆，能放大你的能力，也能放大你的错误。

核心能力不过关，AI只会让你更快地犯错。

九、这套系统的价值：省出来的时间，去做真正重要的事

说到底，我用AI做信息管理，核心目的只有一个：

把时间从”整理”里省出来，花在”判断”上。

投资人最稀缺的不是信息，是时间和注意力。

当每天的会议纪要、项目资料、行业信息都被系统化管理之后，我发现自己的注意力回到了真正重要的事情上：

• • 这个创始人值不值得跟，人品靠不靠得住，面对问题的质疑是怎么回事
• • 这个赛道的天花板在哪里，关键决定因素是什么，背后的推手是谁
• • 这个项目现在投进去，三年后会怎样，这个交易能不能做
• •  交易结构如何设计，是股权置换还是现金分期，结合项目的情况如何处理

这些判断，AI帮不了你。

但一个好的信息处理系统，能确保你每次做判断的时候，手里有足够完整、足够准确的信息。

这就够了。

本文基于个人工作实践整理，欢迎同行交流探讨。