简介：面向金融商贸领域投资者与财务分析师的AI财报分析提示词模板，聚焦上市公司年报解读，解决三大报表指标计算、同行对比与现金流诊断等高频问题。资源压缩后为单个PDF文档，大小约484KB，内容按分析流程编排：先由资深分析师角色提示词引导整体框架，再逐步提取资产负债表、利润表、现金流量表关键数据，并计算速动比率、资产负债率、净资产收益率、毛利率、净利率、营收增长率和净利润增长率等指标。同时覆盖八种现金流组合识别、杜邦分析法及行业分析模板，帮助读者在与ChatGPT、Kimi等AI工具对话时获得更专业、更结构化的财务分析报告。当前已有185人学习，适合希望提升财报解读效率、辅助投资决策的金融从业者和投资者。
1. AI财报分析提示词：把一句话提问变成可复核的分析流程
很多人第一次用 AI 看财报，是把一份 8MB 的年报 PDF 拖进对话框，然后问一句“这公司怎么样”。AI 会给你一段像模像样的经营分析，用词专业、逻辑完整，你甚至想直接拿去发会议材料——直到你追问一句“毛利率是怎么算出来的”，它开始支支吾吾，或者干脆给你一个错得离谱的数字。这不是模型笨，是你的提示词没有告诉它“回答必须带出处”。AI财报分析提示词推荐，本质不是给你一句万能咒语，而是把角色、任务、口径、校验四个环节写进指令，让模型从“猜答案”变成“按流程找答案”。这篇文章写给财务分析岗、投研岗，以及所有要拿 AI 结论做投资或经营决策的从业者，目标是让你手里的模型换一个也能稳定输出可复核的分析结果。
同样的模型，提示词换一种写法，结论的可用率可能从“看看就好”变成“敢进会议纪要”。差别不在玄学，就在指令是否把证据链写死了。
2. 通用提示词为什么在财报分析上翻车：无出处、错单位、口径乱
2.1 通用提示词的三个翻车现场
我拿同一份上市公司年报做过测试，用三种不同的“通用提问”问同一个模型，结果各有各的翻车方式。
第一次提问是“帮我分析一下这家公司的盈利能力”。模型的结论是“公司盈利能力稳步提升，毛利率连续三年改善”。我追问“毛利率分别是多少”，它给出了三组数字。我去原始财报里一找，第一年的营业收入和营业成本科目根本不在同一页，它把营业成本用成了销售费用，第三组数字的单位还是“千元”没换成“元”。这是典型的无出处回答：听起来通顺，经不起逐行核对。
第二次提问是“这家公司负债高不高”。模型回答“资产负债率约 65%，偿债压力较大”。这本身没错，但它没区分有息负债和无息负债。这家公司恰好是下游占用上游资金比较多的零售类企业，应付账款占了大头，实际有息负债率只有 15%。如果把“负债高不高”直接交给它判断，你会误判一家经营模式健康的公司。
第三次是口径混乱。模型把“单季度营业收入”和“年初至报告期末累计营业收入”放在同一张趋势图里对比，结论是“营收大幅下滑”。实际上两个口径本来就不该直接相减。这类错误最难发现，因为模型给出的表格非常规整，你很难第一时间意识到它把不同口径的数字拼在了一起。
2.2 财报分析提示词的核心机制：把“答案的证据链”写进指令
大模型在财报分析上的问题，本质是它的训练目标更偏向“生成连贯文本”，而不是“查证精确数值”。这正是提示词工程要解决的事：你要通过指令，把模型从“凭印象作答”拉到“按你规定的路径找数、算数、报出处”的轨道上。
这里有个关键点：财报分析提示词一半是提示词工程，另一半是上下文工程。如果只改提示词，不给模型喂组织良好的文本，效果仍然有限。我一般会先把 PDF 年报转成纯文本，再对文本做简单预处理——不需要多精细，但要做两件事。第一，把“单位：千元”“单位：万元”这样的行单独摘出来，放在文首提醒模型。第二，给关键科目所在的行加一个自然语言锚点，比如在第 23 行“营业收入”前面标注“【行23】”。这样模型在回答里能直接引用“营业收入见 行23”。当提示词要求“每个结论必须指向行号”时，模型就失去了瞎编的空间。
很多教程让你把“请认真分析、请仔细思考”加粗放进提示词，这属于典型的安慰剂。真正起作用的指令是限定输出格式、限定数据来源、限定计算步骤。后面的章节里，我会把这三类指令逐一展开。
2.3 一个最小可用的分析师级提示词，20 行搞定
在你设计完整的三明治结构之前，可以先跑一个最小版本，检验模型和你的 PDF 文本是否兼容。
你是会计师事务所出身的财务分析师。 任务：分析我上传的财务报表文本。 规则： 1. 所有结论必须引用文本中的行号，格式为（科目，行号，数值）。 2. 先写计算公式，再代入数字，最后给结论。 3. 无法定位的数据输出“数据缺失”，禁止猜测。 4. 所有金额统一换算为“元”，出现“千元/万元/亿元”时，在结果末尾注明原始单位。 5. 回答中只出现你确认能引用的数字。这段提示词只有五条规则，但每一句都在堵一个漏洞。第 1 条把“出处”变成强制项，模型很难再凭空给你一个毛利率。第 2 条强制“先公式、后代入”，是让计算过程暴露在外，你复查时一眼能看出它把哪个分母用错了。第 3 条允许模型承认不知道，这一条极其重要：很多错误回答不是因为模型坏，是因为它被“必须回答”的文化绑架了。第 4 条是单位保险。第 5 条是做减法，让模型宁可少说，不要多说。
实际用的时候注意两个参数。第一，把模型温度调到 0 或接近 0，也就是禁用采样随机性，否则同一份财报你问两遍会得到两个略有不同的结论。第二，不要把这个长文本和提示词一起放进一次超长对话，优先截取“资产负债表、利润表、现金流量表、重要会计政策”这几段，正文和管理层讨论可以放到第二轮再说。这样跑通之后，再进入下一章搭完整提示词。
3. 把财报分析提示词搭成三明治结构：角色、任务与校验指令的写法
3.1 三明治提示词的结构：角色、任务与边界
一个能稳定工作的财报分析提示词，我习惯写成三层。上层是角色和边界，告诉模型“你是谁、你不是谁”；中层是任务清单，把分析步骤拆成可执行的子任务；下层是输出模板与校验规则，规定结果长什么样、怎么自查。结构上像一块三明治，面包是角色和校验，馅料是任务。
下面是一套可以直接复制的主提示词，已去掉我在本地用的公司名和年份占位。
ROLE: 你是深度尽调风格的财务分析师。你擅长识别财务异常，而不是给管理层背书。 BOUNDARY: - 你只依据提供的财报文本作答。 - 不引用文本之外的行业传闻或市场观点。 - 不确定时明确说“不确定”，并说明缺什么数据。 TASK: 1. 抽取以下科目：营业收入、营业成本、销售费用、管理费用、研发费用、财务费用、净利润、扣非净利润、经营活动现金流净额、投资活动现金流净额、筹资活动现金流净额、总资产、总负债、货币资金、存货、应收账款、短期借款、长期借款。 2. 计算指标：毛利率、净利率、期间费用率、研发费用率、经营现金流/净利润、资产负债率、流动比率、速动比率。 3. 对每个指标给出最近两期变动，并指出变动方向。 OUTPUT: - 使用 Markdown 表格输出。 - 表格列：指标 | 本报告期 | 上期/去年同期 | 变动 | 计算公式 | 数据出处(行号) CHECK: - 每一行都必须有出处。 - 出现指标恶化时，写一句“需关注风险”。 - 完成后，用一句话说明这份财报最值得警惕的一个疑点。注意 ROLE 里我特意写了“而不是给管理层背书”。财报文本本身是公司写的，隐含立场偏乐观，如果提示词不点破，模型容易在通篇“稳中向好”的语境里失去判断力。BOUNDARY 是把上下文锁死在给定文本，防止模型调用训练时的旧知识去补一段行业分析——那些补出来的内容看着有用，实际无法验证。
TASK 里的科目不是随手列的，每一类都对应一个分析目的。经营现金流净额和净利润的比值是利润含金量指标，短期借款和货币资金对应短期偿债压力，存货和应收账款是运营效率线索。如果你只关心某一个维度，可以删掉不相关的科目，但代价是提示词的分析广度下降。我个人建议保留全套，上下文窗口够用。
3.2 利润表指令怎么写：让 AI 先列公式再填数
财报分析里最容易出错的是利润表，因为科目多、逻辑嵌套深、还经常出现“营业总收入”“营业收入”这类让人混淆的表述。给模型的指令要落到非常细。
以毛利率为例。你不能只说“计算毛利率”，要让模型把公式写出来，再让它从文本里找分子分母。
对以下每个指标执行三步操作： 第一步，写出公式； 第二步，从提供的文本中定位分子和分母，标注行号； 第三步，代入数值计算，保留两位小数。 指标列表： - 毛利率 = 营业收入 - 营业成本 / 营业收入 - 净利率 = 净利润 / 营业收入 - 期间费用率 = (销售费用 + 管理费用 + 研发费用 + 财务费用) / 营业收入 特别注意： - 如果文本中出现“扣非净利润”，使用扣非口径计算净利率，并在备注中说明。 - 财务费用可能为负数，计算时按文本中的原值代入，不做取绝对值处理。这段指令有两个容易被忽略的细节。第一，“财务费用不做取绝对值处理”是我踩出来的坑：有些公司利息收入盖过利息支出，财务费用为负，如果模型习惯性取绝对值，算出来的期间费用率完全失真。第二，扣非净利润和非经常性损益的关系，模型不一定知道要从“非经常性损益明细表”里找，所以你需要在任务里显式指定。类似地，研发费用如果在“研发投入”里单独披露，要提醒模型优先使用利润表上的“研发费用”科目，而不是“研发投入总额”——这两个数经常差一个资本化研发支出的量。
3.3 资产负债表与现金流指令：偿债压力和经营质量的三个关键核对
资产负债表和现金流量表的提示词重点不在“算”，而在“选口径”。资产负债率高不等于偿债风险高，模型如果只是机械地用总负债除以总资产，会误伤依靠应付账款做经营杠杆的公司。
我一般会在提示词里加一段“负债结构判断”指令。让模型先输出三个数：总负债、有息负债、无息负债。有息负债的定义在指令里写死：短期借款、长期借款、应付债券、租赁负债、一年内到期的非流动负债。无息负债近似等于总负债减有息负债。然后让模型分别计算“有息负债/总资产”和“总负债/总资产”，两个都输出。这样你同时得到玄学上的“常规资产负债率”和更贴合风险的“有息负债率”。
现金流量表部分，关键指标是“经营活动现金流净额与净利润的比值”。但要注意，现金流净额是全年累计数，净利润可能包含少数股东损益，两者的口径并不完全一致。常见做法是把“经营现金流净额/净利润”定义成利润含金量的近似指标，要求模型在输出时备注“该比值未考虑少数股东损益与折旧摊销，仅为近似判断”。这行备注能大幅减少模型把指标包装成绝对真理的倾向。
下表是我常用的指标定义表，也直接写进提示词里，作为计算基准。
| 一级指标 | 公式/口径 | 用途 |
|---|---|---|
| 资产负债率 | 总负债 / 总资产 | 常规杠杆水平 |
| 有息负债率 | 有息负债 / 总资产 | 真实刚性偿债压力 |
| 流动比率 | 流动资产 / 流动负债 | 短期偿债能力近似 |
| 速动比率 | (流动资产 - 存货) / 流动负债 | 剔除存货积压后的偿债能力 |
| 经营现金流/净利润 | 经营活动现金流净额 / 净利润 | 利润的现金含量近似 |
表里的每一个口径都必须在提示词里显式说明，否则各模型对“有息负债”的解释会漂移。我测过几个主流模型，有的把应付账款算成有息负债，有的把其他流动负债也算进去，导致结果偏差很大。把口径写死是唯一可靠的解法。
3.4 输出模板：强制表格与“数据出处=行号”规则
提示词的最后一块面包是输出格式。很多模型只要进入自由发挥模式，就会开始写漂亮但无法核对的段落。我的做法是强制表格化，并且每一行都必须带行号引用。
输出格式如下： 指标 | 本报告期 | 上期/去年同期 | 变动 | 计算公式 | 数据出处 营业收入 | 元 | 元 | 上升/下降x% | 公司提供的利润表 | 行17, 行18 毛利率 | % | % | 变动x个百分点 | (行17-行19)/行17 | 行17, 行19 资产负债率 | % | % | 变动x个百分点 | 行31/行28 | 行28, 行31这个模板的好处是，它把“引用数值”变成必须完成的动作。当模型被迫写下“行17、行19”时，它无法继续蒙混。如果你的原始文本没有行号，可以退一步，要求模型引用科目名加页眉信息，比如“利润表，第 2 节”，可校验性会下降，但仍有基本约束力。
这一节还有一个常见的疑问：要不要让模型直接输出 JSON？我认为分情况。如果下游要接数据管道，JSON 自然更好；如果目标是人工阅读，Markdown 表格更直观。第四部分会专门讲 JSON 格式和换模型的适配问题。
4. 换一个模型就得改一遍提示词：上下文预算、JSON 输出与两段式接力
4.1 不同模型的行为差异：上下文窗口和 JSON 能力决定提示词写法
没有一套提示词能在所有模型上发挥同样的效果，这不完全是模型优劣问题，而是行为差异。我常用的判断维度有三个：上下文窗口大小、是否支持结构化输出、以及对系统角色的遵从度。
上下文窗口小的模型，你喂一整份年报它会直接丢中间段。识别方法很简单：问它“你刚才看到的营业收入是多少”，如果答不出或者明显丢了一部分，说明文本超出了它的有效注意力范围。这类模型不适合单轮大文本分析，适合先做一轮“抽取”，把关键科目抽成短文本，再进分析。
支持结构化输出的模型，你可以在提示词里给出完整的 JSON Schema，让它输出带嵌套结构的指标集。不给 Schema 直接说“输出 JSON”，它也能输出，但字段命名会漂移，上次叫gross_margin，这次叫grossMargin，下游脚本就得跟着改。不支持结构化输出的模型则用 Markdown 表格更稳，解析也不难。
我一般会在同一份提示词头部加一个“输出格式协商”指令，写清楚“如果支持结构化输出，请按以下 JSON Schema 输出指标清单；否则输出 Markdown 表格”。这个指令把选择权交给模型，但保留了底线。下面是 JSON Schema 片段，可以放在提示词末尾。
{ "indicators": [ { "name": "指标名称", "value": 数值, "unit": "元", "formula": "含科目的算式", "source_line": "行号或段落名", "last_period_value": 上期数值 } ] }这段 Schema 一定不能省unit和source_line字段。unit字段防止单位漂移，source_line字段保留追责线索。我见过不少团队把 JSON 输出跑通了，但没人检查单位字段，最后算出来一个差了四个数量级的“净利润”，这种翻车最不值得。
4.2 两阶段提示词接力：先抽数后分析，避免上下文拥堵
用一份完整年报做分析，最大的敌人是上下文预算。当你把“角色设定、任务清单、整份财报全文、输出模板”同时塞进一个请求，模型很容易“忘掉”任务开头部分，或者在后半段开始自由发挥。
常见做法是两段式接力。第一轮只用“抽取提示词”，让模型只输出关键科目数值表，不做任何分析。第二轮把第一轮输出的表格当作唯一依据，再套用完整的三明治提示词做分析。这样第二轮输入量大幅缩减，分析质量明显上升。
第一轮抽取提示词可以参考下面的写法。
从下列财报文本中抽取以下科目最近两期的数值： 营业收入、营业成本、销售费用、管理费用、研发费用、财务费用、净利润、扣非净利润、经营现金流净额、总资产、总负债、货币资金、存货、应收账款、短期借款、长期借款。 要求： 1. 按科目输出，并标明所属报告期。 2. 统一换算为元。 3. 每个数值后附来源行号。 4. 如果某项数据缺失，输出“未找到”，不要估算。第一轮输出的表格可能只有 30 到 50 行文本，把第二轮分析的上下文压力从几万字降到几千字。这样做的另一个好处是，你可以对第一轮结果做人工抽查，确认模型没有看错单位、没有把合并报表和母公司报表搞混，再让分析阶段基于这份校验过的数据展开。这个思路和上下文工程的要点一致：上下文工程的核心不是把更多内容塞给模型，而是让模型每一轮只面对它该面对的最小信息集。
4.3 把三段提示词串成一个小分析流程：从手写到脚本，再到 agent 化
当两段式跑通之后，下一步是把流程固定成脚本。这和写 ai 编程提示词的道理一样：把每个步骤拆细，让流程而不是模型负主要责任。我一般会写一段很短的 Python 脚本，把“读文本、抽数、校验、分析”几个环节串起来。下面是去掉了本地封装函数后的核心流程示意。
# 流程：抽数 -> 生成结构化指标 -> 风险分析 with open("annual_report.txt", encoding="utf-8") as f: report_text = f.read() # 第一轮：抽取关键科目，期望模型返回 JSON 数组 extract_prompt = load_prompt("extract_indicators.txt") records = llm_extract(extract_prompt, report_text) # 返回 list[dict] # 第一轮后的硬校验：单位必须全部为“元”，行号必须存在 for item in records: assert item["unit"] == "元", f"单位异常: {item}" assert item["source_line"], f"缺失行号: {item['name']}" # 第二轮：把抽取结果转成紧凑文本，再交给分析提示词 analysis_prompt = load_prompt("analysis_prompt.txt") + format_records(records) conclusion = llm_analyze(analysis_prompt) print(conclusion)代码里的assert不是摆设。单位异常和缺失行号是整个流程中最容易静默出错的两个环节，脚本阶段硬性拦截，能省掉后面不知道多少小时的纠错时间。如果你不想写脚本，也可以直接把它手动跑两轮，只是每次换财报都要重复复制粘贴，容易漏步骤。
再往前走一步，就是把这三轮流程封装成一个最简单的 agent：第一轮抽数，第二轮计算指标，第三轮批判审查。ai agent 在这个场景里不需要复杂的工具调用和网页搜索，只需要一个固定的提示词序列加一个简单的状态检查。agent 化最大的价值不是“智能”，而是可重复：你不再依赖每次临时发挥的对话质量，每次跑的结果都可复现、可对比、可留痕。这对财务分析这种需要留档复核的工作场景特别重要。
5. AI 财报分析提示词的六个避坑点：数字失真、单位陷阱、口径幻觉与审计意见擦边
5.1 现象：AI 编了一个毛利率，而报表里根本没有这个数
模型输出“毛利率 42.7%”，你在原文里翻遍了利润表，营业收入和营业成本都对得上，但 42.7% 就是算不出来。原因是模型在回答时把“毛利率”当成一个需要生成的文本，而不是需要计算的数值。它可能用了训练时见过的同行业平均值，或者干脆是随机补的一个合理数字。
解决：提示词里强制“先写公式、后代入数字”，并且要求输出“数据出处”列。如果模型写不出行号，它就没法生成这个数。面对这种情况，宁可让模型输出“数据缺失”，也不能让它给一个光滑的假数字。这需要你在提示词里明确允许它“拒绝回答”。
5.2 现象：把“千元”当成“元”，整个偿债能力分析反转
年报里常见“单位：千元”，AI 如果忽略这个说明，会把所有数字放大一千倍。一个实际资产负债率 60% 的公司，可能会被算成负债 6 万亿的怪物。更隐蔽的情况是表格内某些行单独标注“单位：万元”，而表头写的是“千元”，模型只认表头，把这几行数值也按千元处理。
解决：在抽取提示词头部显式写明“文首的单位说明适用于全文；如表格行内有独立单位标注，以行内标注为准”。同时要求输出结果里每个数值都带unit字段。你可以在第一轮抽数后做一个自动校验：把模型输出的总资产和原文本里的总资产对一遍，误差超过 1% 就停下来检查单位。这一步我强烈建议做成脚本断言，而不是靠肉眼。
5.3 现象：单季和累计口径混用，营收趋势被带偏
一季度财报披露的“营业收入”是年初至季末的累计数。模型如果拿一季报的数字去和年报同期数同比，会得到完全错误的增长率。更常见的是，模型把“单季度营业收入”和“累计营业收入”放在同一张趋势表里，而你根本看不出它混了两种口径。
解决：在任务指令里加一条“明确区分本期单季金额与年初至报告期末累计金额；进行同比时必须同口径比较”。同时，在输出模板里加一个“口径”列，让模型每一次对比都标明自己是单季还是累计。这样哪怕它混了，你扫一眼也能发现。
5.4 现象：把合并报表和母公司报表混在一起算
上市公司年报同时包含合并报表和母公司报表。模型如果从母公司报表里取“营业收入”，又从合并报表里取“净利润”，算出来的净利率毫无意义。很多年报正文的表格标题会反复出现“合并资产负债表”“母公司资产负债表”，模型很容易张冠李戴。
解决：抽取提示词第一句就写“所有科目默认取自合并报表；如使用母公司报表，须在输出中单独标注”。你还可以在预处理文本时把“母公司资产负债表”整段删掉或移到附录区，从源头掐断混用的可能。这个方法笨但非常有效。
5.5 现象：审计意见、非经常性损益说明被忽略
AI 模型对数字的关注远高于文字，但财报里最致命的判断往往藏在文字里。比如“带强调事项段的无保留意见”“扣非净利润为负，主要依赖非经常性损益实现盈利”。如果提示词不强制模型阅读这些段落，它会继续给出漂亮的指标表，完全忽略财报已经亮起的红灯。
解决：在任务清单里显式加一个子任务，写明“阅读审计意见段、非经常性损益明细表、或有事项和承诺事项段，抽取所有风险提示，输出为风险清单”。并把这一任务的权重提到指标体系之前。再配合一句话校验模版：“如果扣非净利润与净利润差异超过 30%，用单独段落说明差异来源”。这一条几乎每次都能逼出财报里最值得关注的信息。
5.6 现象：PDF 跨页表头错位导致数字张冠李戴
很多 AI 工具的 PDF 解析对跨页表格处理很差。表头在第一页底部，数据栏在第二页顶部，解析后表头丢失，模型把下一行数据认成上一行。更麻烦的是，年报页面经常在同一页里出现多个表格的尾巴，解析后混合成一段，行号全部失效。
解决：在进入提示词之前，先手动把 PDF 转成文本，检查现金流量表那张跨页表是否完整，如果有“续表”字样，把表头补在第二段开头。如果你用的是在线对话工具，直接传 PDF 也能做，但我一般不建议跳过预处理。这个步骤属于血泪经验：再好的提示词也救不回已经被打乱的原始数据，输入端的脏数据会一路污染到分析结论，而且极难被发现。
6. 验证 AI 财报分析结论的三种方法：交叉审计、反向提问与同环比抽查
6.1 手工复算三件套：毛利率、资产负债率、经营现金流/净利润
拿到 AI 的分析结果后，先不要急着读结论，拿出计算器或 Excel 复算三个数：毛利率、资产负债率、经营现金流除以净利润。这三个数覆盖了利润表、资产负债和现金流三条线，任何一个算错，都说明提示词里还有漏洞。复算时注意，毛利率的分子必须是营业收入减营业成本，不能拿“营业总收入”直接减，有些企业在营业总收入里还包含利息收入等其他项目，口径会变粗。
如果复算结果和 AI 输出一致，不要高兴太早，只说明模型没算错，不代表它没有用错口径。所以第二步是核对公式里的科目来源。毛利率用的营业收入到底是不是利润表的“营业收入”行，经营现金流净额到底是不是合并现金流量表“经营活动产生的现金流量净额”，这两步检查比单纯对数字更重要。
6.2 反向提问：让 AI 同时扮演审计师和分析师对质
这个方法是我常用的后悔药：在第一轮分析完成后，追加一条提示词，让同一个模型换一个角色重新审视自己的回答。
现在忘记刚才的分析师身份，改任审计师。 目标：检验上面这份分析。 要求： 1. 逐项复算所有指标，指出任何一项差异。 2. 对分析师给出的来源行号进行复核，不对就说不对。 3. 如果发现某个结论缺少数据出处，直接标注“无依据”。 4. 输出一份修改清单，每条修改都写原结论、问题、修改后结论。同一个模型切换角色后，很多时候能发现自己上一轮的疏漏。这是因为换角色会重置输出风格和分析视角，相当于你花一次调用时间买了一个免费的第二意见。如果条件和预算允许，再用另一个不同的模型做同样的事，结论交叉比对，可信度会再上一个台阶。不同模型各自盲区不同，两个模型同时算错同一个数的概率低很多。
6.3 同环比抽查：用半小时验证表锁定结论
最后一层验证不需要模型参与，纯人工。我给自己定的流程是，取 AI 输出的关键指标表，随机挑三行做同环比验证。每次验证花几分钟，半小时内能覆盖主要疑点。下面是我常用的抽查表，你可以直接复制成 Excel 表头使用。
| 验证项 | 取数来源 | 判断标准 |
|---|---|---|
| 营业收入本期数 | 利润表正文 | 与 AI 输出差异小于 1% |
| 毛利率变动 | 按公式复算 | 绝对误差小于 0.5 个百分点 |
| 经营现金流净额/净利润 | 现金流量表 + 利润表 | 复算值与 AI 输出一致 |
| 单位标注 | 每行数值后 | 全部为元，或注明原始单位 |
| 极值科目 | 资产负债表前三项 | 与原文总资产/总负债相符 |
这套方法不复杂，但每年年报季实测下来，几乎每次都能抓到至少一处 AI 的疏漏。有的年报里“营业收入”和“营业收入（不含其他业务收入）”并排出现，模型选了错的那一列；有的现金流量表里“收到其他与经营活动有关的现金”被当成主营业务收入，导致经营现金流虚高。这些坑不是提示词能百分之百防住的，需要人盯最后一道。
我现在拿到任何一份 AI 财报分析，第一眼看它敢不敢标出处，第二眼查单位是不是元，第三眼复算那三个基础指标。这三个习惯帮我避开了大部分低级翻车。希望帮到你。
本文还有配套的精品资源，点击获取
