Anthropic 发布 Claude Fable 5 和 Claude Mythos 5 后，最容易被讨论的是“最强模型”“长任务能力”“代码迁移”和“Token 成本”。但如果把它放到投资研究里看，真正值得关注的不是它能不能告诉你明天哪只股票会涨，而是它能不能把一套原本很耗人的研究流程变得更连续、更可复核。
Fable 5 面向普通用户开放，Mythos 5 则继续限制在少数受信任机构范围内。两者可以理解为同一代能力的不同开放层级：前者带有更严格的安全约束，后者保留更完整能力。公开资料显示，Fable 5 的重点提升集中在软件工程、复杂知识工作、视觉理解、长上下文、记忆和科学研究等方向。
这对投资者的启发很直接：模型越强，越不应该只拿来问一句“能买吗”。更合理的用法，是把它放进研究链条，让它做资料清洗、逻辑拆解、事实核对、假设推演和风险清单。
不要把模型当荐股工具
AI 很容易给出一个看起来完整的投资结论：行业空间、公司优势、估值区间、风险因素，甚至还能写出漂亮的买入理由。问题是，这些文字不等于判断可靠。
投资决策至少包含几层不同工作：
- 事实收集：财报、公告、电话会、行业数据、监管文件；
- 逻辑建模：收入驱动、成本结构、竞争格局、估值假设；
- 风险识别：政策变化、技术替代、客户集中、资本开支、流动性；
- 市场定价：预期差、仓位结构、情绪、交易拥挤度；
- 个人约束：资金期限、回撤承受力、税务和组合相关性。
大模型可以帮你处理前三类工作的一部分，但不能替你承担后两类责任。尤其是交易层面的择时和仓位管理，本质上和个人目标、风险偏好、市场结构有关，不是靠一段模型回答就能解决。
所以，Fable 5 在投资里的正确位置不是“神谕”，而是“研究助理”。
最适合它做的四类任务
第一，整理长文档。
财报、招股书、年报、研报、监管文件往往很长，人最容易在重复阅读中漏掉细节。Fable 5 这类长任务模型适合先做结构化整理：公司收入拆分、毛利率变化、费用率变化、管理层口径、重大会计项目、现金流异常点。
但这里要加一个规则：让模型每个结论都回指原文位置。没有出处的总结，只能当草稿。
第二，做横向对比。
投资研究里很多问题不是“这家公司好不好”，而是“它和同行相比到底差在哪里”。可以让模型把多家公司财报拆成同一张表：收入结构、增速、毛利率、研发费用率、资本开支、库存、应收账款、客户集中度，再让它指出差异。
这类任务比直接问“哪个公司更值得买”靠谱得多，因为它把模型限制在比较和归纳上，而不是让模型跳到投资结论。
第三，生成反方清单。
人一旦看好一个标的，很容易主动寻找支持自己观点的证据。模型的一个实用价值，是强制它扮演反方：
- 如果这个公司被市场高估，最可能错在哪里？
- 如果增长放缓，最先会体现在哪些经营指标上？
- 如果竞争对手降价，公司利润表会怎么受影响？
- 如果核心客户减少订单，哪些财务科目会提前给信号？
这类问题可以帮助你发现“看起来没问题”的叙事里藏着哪些断点。
第四，做情景推演。
与其让 AI 给目标价，不如让它列出几组假设：乐观、中性、悲观。每组假设都写清楚收入增长、利润率、资本开支、估值倍数和触发条件。这样做的好处是，结论可以被更新。
当新财报出来，你不用重新问一遍“还能不能买”，而是检查现实数据更接近哪一组情景。
一个更稳的投资研究 Loop
如果把 Fable 5 放进工作流，可以设计成一个简单的循环：
- 输入材料：年报、公告、电话会纪要、行业数据、竞争对手材料。
- 结构化整理：让模型提取关键指标、管理层表述和风险事项。
- 生成初稿：输出公司画像、商业模式、增长驱动和风险清单。
- 人工抽查：随机抽取关键结论，回到原文核对。
- 反方挑战：要求模型列出最强反对意见和可能证伪指标。
- 情景更新：把新数据放进原有假设，判断是强化、削弱还是推翻原判断。
这个 Loop 的重点是“可追踪”。每次研究都留下输入材料、假设、结论和后续验证点。这样模型不是替你拍脑袋，而是帮你把研究过程固定下来。
成本会成为现实约束
Fable 5 这类模型越适合长任务，越容易带来高消耗。公开报道提到，Fable 5 和 Mythos 5 的 API 定价为每百万输入 Token 10 美元、每百万输出 Token 50 美元。对于短问答，这个价格还可以接受；对于几十份文件、多轮修正、长时间 Agent 任务，成本会很快变得明显。
这意味着投资研究不能无脑把所有材料都丢给最强模型。更合理的分工是：
- 普通模型做初步清洗、去重和摘要；
- 强模型处理关键判断、复杂对比和反方推演；
- 人负责事实抽查、假设选择和最终决策；
- 重要结论必须能回到原始材料验证。
最强模型应该用在“贵但值得”的地方，而不是替你读每一段无关材料。
一套可直接复制的研究 Prompt
可以把 Fable 5 当成研究助理，但指令要写清楚边界。下面这个模板可以直接改：
|
|
这个模板的重点不是让 AI 更会“预测”，而是把它锁定在资料整理和逻辑检查上。输出越结构化，越容易人工复核。
财报分析时该输出哪些字段
如果让 AI 读财报，不要只让它“总结一下”。更好的做法是要求它输出固定字段：
- 收入：总收入、分业务收入、分地区收入、同比和环比变化；
- 利润：毛利率、营业利润率、净利率、一次性损益；
- 费用：研发、销售、管理费用率，以及异常变化原因；
- 现金流：经营现金流、自由现金流、资本开支、现金余额；
- 资产负债：应收账款、库存、合同负债、有息负债、商誉；
- 经营指标：用户数、订单量、客单价、产能利用率、留存率等行业指标；
- 管理层表述：增长指引、风险提示、资本开支计划、回购或分红；
- 异常项：口径变化、会计调整、大客户变化、监管事项。
这些字段不一定每家公司都有，但它们能逼着模型从“写作文”转向“填表”。填不出来的地方，往往就是你需要继续查证的地方。
如何要求 AI 给出引用来源
避免编造的关键，是让模型把每条结论和材料绑定。可以这样要求：
- 每个结论后面标注材料名称、页码、段落标题或原文摘录；
- 不允许使用“据公开资料”“市场认为”这类模糊来源；
- 对没有出处的判断，单独放进“推测”或“待验证”栏目；
- 引用原文时只摘关键短句，不要大段复制；
- 让模型列出“我没有找到证据支持的说法”。
还可以加一句硬约束：如果无法定位来源，就不要把它写成事实。投资研究里，少一个漂亮但没出处的结论，通常比多一个幻觉更安全。
什么时候该用强模型
不是所有步骤都需要 Fable 5 这种强模型。一个比较省钱的分工是：
| 任务 | 推荐模型 |
|---|---|
| 文档去重、粗摘要、格式清洗 | 便宜模型或本地模型 |
| 财报字段提取、表格整理 | 中等模型 |
| 多家公司横向对比 | 中等模型或强模型 |
| 反方推演、证伪指标设计 | 强模型 |
| 长上下文综合判断 | 强模型 |
| 最终投资决策 | 人 |
强模型最适合处理“上下文长、变量多、需要权衡”的环节。简单摘要、格式转换、初筛资料，则不必每次都用最贵的模型。
哪些投资问题不应该问 AI
有些问题问出来就容易把模型推向过度承诺：
- “明天会涨吗？”
- “现在能不能满仓？”
- “给我一个确定能赚钱的组合。”
- “这只股票目标价是多少？”
- “我亏了这么多，要不要加仓回本？”
- “把所有风险都考虑进去后，告诉我最终结论。”
这些问题的问题不在于 AI 一定答不出来，而在于答案会显得过于确定。更好的问法是把问题拆开：哪些事实支持上涨？哪些指标会证伪？市场已经定价了什么？如果判断错了，最先会在哪里体现？
需要警惕的三个误区
第一，把流畅表达当成正确。
模型越强，越会把不确定内容写得像定论。投资研究里最危险的不是模型说“不知道”，而是它把不完整的信息包装成完整故事。
第二，把历史解释当成未来预测。
AI 很擅长解释已经发生的事，但投资真正困难的是未来预期差。它能帮你拆解过去，却不能保证未来会按同样路径发生。
第三，把工具能力当成投资能力。
Fable 5 能写代码、读图表、整理文件，不代表它理解你的组合目标。工具能力提升的是研究效率，不自动提升风险承受能力和决策纪律。
结论
Claude Fable 5 对投资研究有价值，但价值不在于“问它买什么”。更接地气的用法，是把它当成一个能连续工作的研究助手：帮你读材料、做表格、找矛盾、列反方、跑情景、更新假设。
真正的边界也很清楚：它不替你承担风险，不替你管理仓位，不替你判断自己的钱能亏多少。AI 越强，越要把它放进有规则的流程里，而不是放到神坛上。