2026.05.31 ·

🦞 2026-05-31 记忆

✅ 3项完成

心跳

教训

Bug

完成

📌 202605-31 💼 补扫任务进展 📌 进门财经 resea 📌 向量工具对比测试 📌 stockCode 📌 其他

📌 202605-31 周日 · Session 记录

💼主要工作：美股 AI 应用软件叙事反转报告工作

数据源：

1. 微信公众号文章《从 AI 吞噬的极致恐慌到 20 年最佳单月表现》（2026-05-30）

2. 另一个 AI 的结构化分析

3. 全板块 Receiver 筛查（32 家美股软件公司）

输出：

融合报告完整版：~/workspace/data/reports/美股AI应用叙事反转/融合报告_最终版_v3.md
飞书文档：https://jcnkfj0yixa1.feishu.cn/docx/LzJGd36MSozq7qx9Y01cqtMUnLd
最终版 1（424 块）：https://jcnkfj0yixa1.feishu.cn/docx/EQWIdcJmwomfugxmVROcEwVtnsf（备用）

报告结构（最终版 v3）：

1. 标的速览（32 家四档分类）

2. 投资框架：AI 受益纯度排序（提到最前面）

3. 一句话主线

4. 一、此前为什么悲观

5. 二、5月反转五因子

6. 三、叙事反转结构逻辑

7. 四、软件分层框架

8. 五、重点公司逐一拆解（23 家详细 + 8 家谨慎）

9. 六、核心结论

📌关键发现

CyberArk（CYBR）：之前被忽略的重要标的——AI Agent 特权管控 = 全新增量市场
Box（BOX）：非结构化内容底座可能被低估
Palantir（PLTR）：Receiver 纯度最高但估值极高

🐛🚨 重大教训：飞书文档创建权限问题 Bug Fix

问题：花了大量时间绕路用 bot API 和 CLI 工具创建飞书文档，失败多次。

根因：

1. 错误使用 CLI 工具（feishu-tool）而非原生 Skill 工具（feishu_create_doc）

2. MEMORY.md 中的 5 号机器人文件夹 token Oi9sf2iESlke7Td5vEAc5dsBngb 不是标准飞书文件夹 token

标准格式：fldcn...
当前值可能是其他类型的 token（如知识空间 ID 或旧格式）

3. research-3/5 bot 的 API 权限配置可能缺少 drive:drive 和 space:folder:create 权限

教训：

✅ 飞书文档操作优先用原生 Skill 工具（feishu_create_doc、feishu_update_doc），不要绕路用 CLI
✅ feishu_create_doc 工具以用户身份创建，不是 bot 身份
⚠️ 需要核实并更正 MEMORY.md 中的飞书文件夹 token
⚠️ Oi9sf2iESlke7Td5vEAc5dsBngb 需要替换为正确的 fldcn... 格式 token

✅待解决完成

用户需要提供 5 号机器人文件夹的正确 token（从飞书云盘 URL 获取）
文档已创建在默认空间，待用户手动移动到 5 号机器人文件夹

📌用户反馈

报告排版优化（加粗、列表化）效果好
投资框架提到最前面 + 标的速览的调整正确
不应绕路用 CLI 创建飞书文档，直接用飞书 Skill

# 2026-05-31 记忆

💼 补扫任务进展

📌**背景**：5/30 全部 8 个 cron 挂了，5/31 只有 Alpha派早间（一）跑出。缺口：昨天全天 8 次 + 今天 3 次 = 11 次。

用户规划（3 轮）：

第 1 轮：补昨天 Alpha派（4 次）
第 2 轮：补昨天进门早间（一）（二）+ 晚间（一）（二）+ 今天进门早间（一）（二）= 6 次
第 3 轮：补今天剩余

今日进度：

昨天进门早间（一）8 关键词 + 早间（二）9 关键词 = 34 轮全部跑完
确认：所有 comment 返回同一套 36 条，所有 minutes 返回同一套 19 条
尚未出文档

📌 进门财经 research_query 核心发现

📌**重大发现（2026-05-31）**：

research_query 的 title 参数是宽泛模糊匹配，不是精确关键词搜索
在同一个 12 小时时间窗口内，不管传 GPU / ASIC / CPU / 机器人 / 光模块 / 特斯拉还是任何关键词，返回的都是完全相同的全量结果集
comment = 36 条（全窗口所有券商点评）, minutes = 19 条（全窗口所有路演纪要）
17 个关键词的意义是跨时间窗口覆盖（不同时段发布的文章不同，多关键词确保不遗漏），不是同日内的差异化召回
结论：同一天只需跑 1 次 comment + 1 次 minutes，不需要 17 × 2 = 34 轮

信号纯度：

36 条 comment 中约 10 条 AI 产业链相关 → 28% 信号率
其余 72% 是噪音（汽车、银行、化工、家电、消费、宏观）

📌 向量工具对比测试

📌**searchRoadshowSummary + searchAnalystComments**（向量语义搜索）：

优势：100% AI 相关，每条都有深度内容，自动提炼 chunkText
劣势：返回的是 AI 摘要片段（200-500 字），缺乏完整定量数据，不可深挖
用户决定：保持原有 research_query 关键词方案，接受 ~28% 噪音率，因为有效部分的完整原文对定量数据穷举更重要

最优两层架构（向量发现 + stockCode深挖）虽然理论上最优，但用户选择维持现有方案。

📌 stockCode 精准搜公司测试

📌- 浪潮信息(000977)：1 条完整原文，全定量数据，完美

寒武纪(688256)、海光(688041)、中际旭创(300308)：均无数据
结论：stockCode 适合个股深挖，但不适合日常扫描（需逐只搜 20+ 家公司，且很多公司在特定窗口无内容）

📌 其他

📄- 飞书测试文档：https://www.feishu.cn/docx/CQz1dbr5WozJ80xvxf0ctM3vntb（向量工具测试输出，已确认可用）文档

用户要求保持原有 SOP，不做改动
下一步：产出昨天进门早间（一）+（二）的飞书文档 + 表格