跟一组 Agent 协作：五个核心模式
AI 原生投资者课程 · 第 8 章 / 共 10 章
大部分人用 agent 做投资研究的方式是这样的：开一个对话，把公司名丢进去，让它"全面分析"，然后等一份长报告。
报告出来了。看着齐整。数据有，图表有，结论有。但你翻两页就隐约觉得不对——看多的段落在用看多的证据，看空的段落在用看空的证据，两边自说自话。你不确定那些数据是真实的还是编的。你不知道它选了什么估值假设，为什么选那些。你更不知道整份报告里有多少判断是它自己替你做的、你甚至没意识到。
这不是 agent 的问题。一个人同时当分析师、红队、事实核查员和叙事构建者，输出也会是这种内部打架的东西。
问题出在你把本该是一支团队的工作交给了一个人。
这章讲怎么搭团队。五个模式覆盖绝大多数投资研究场景。三套参考流程拿来就能跑。四种金融 agent 最容易犯的错，知道了就能防。
但先说清楚代价：搭团队本身也是一种成本。对大部分个人投资者，两到三个 agent 的简单流程已经覆盖了核心需求。花三天设计一套十步流程来研究一家公司，往往是在用流程设计的快感代替真正的投资判断。这章教你从少开始往上加，不是从复杂开始往下砍。
这一章你拿走什么
- 五个协作模式——委派、验证、迭代、组合、故障检测——覆盖 90% 的投资研究流程
- 三套参考流程——研究管道、判断流程、监控循环——拿来直接用
- 全票通过为什么是警告信号——一组 agent 的共识比一个 agent 的结论更危险
- 四种金融 agent 的典型失败模式——知道在哪里等它犯错
目录
- 从单兵到团队：问题出在哪
- 模式一 · 委派——把大任务拆成有主人的小块
- 模式二 · 验证——让第二双眼睛看住第一双
- 模式三 · 迭代——一轮不够就多轮
- 模式四 · 组合——串起来才有价值
- 模式五 · 故障检测——你得知道它在哪里会断
- 三套参考流程
- 什么时候用一个 agent 就够了
- 全票通过是一个警告信号
- 四种金融 agent 的失败模式
- Workshop · 设计你的第一个四人团队
1. 从单兵到团队：问题出在哪
第 2 章讲了四个角色——分析师、红队、导师、执行者。那一章解决的是：你知道该让 agent 扮演什么角色。
但四个角色同时出现在一次研究里的时候，排列组合就炸了。谁先谁后？一个角色的输出怎么传给下一个？分析师说利好、红队说利空，你信谁？两个角色给出矛盾的数据，你怎么判断谁对？
这些问题不靠"用更好的 agent"解决。靠流程。
项目管理里有一个常识：三个各自能力很强的人丢在一起不等于一支好团队。缺的不是个体能力，是分工、交接和验证规则。谁负责什么、产出交给谁、在哪个节点检查质量、出了分歧谁拍板。
Agent 团队一模一样。
这章把 agent 协作拆成五个可重复的模式。每一个都能独立使用，组合使用效果更强。学完之后你手里不是一套固定流程——是搭流程的积木。
2. 模式一 · 委派——把大任务拆成有主人的小块
委派是最基础的模式。也是最容易做错的。
委派不是"你帮我做"
"帮我研究一下苹果公司"——这句话你给任何 agent，它都会产出一份面面俱到、什么都说了等于什么都没说的报告。你给一个真人下属这样的指令，他也会回来问你：你具体想知道什么？
委派的核心动作不是交出去，是拆。
项目经理不会说"把产品做出来"。他会说：小张负责用户调研，周三交；小李负责竞品对比，周四交；小王负责技术可行性，周五交。每个人有明确的任务边界、交付物和截止节点。
研究一家公司也一样。你需要拆成互不重叠的小块，每块有一个明确的 agent 负责，有一份具体的交付物。
实际怎么拆
以一家你关注的上市公司为例。"帮我分析"这种指令拆成：
任务 A： 财报三面镜子——读最近四份年报，按第 4 章的三面镜子框架输出：业务结构变化、债务状况、现金流质量。用数据说话，每个判断带具体数字。
任务 B： 竞品对比——同行业前三名，按毛利率、资本回报率和自由现金流三个维度横向对比，标出偏离行业中位数超过 20% 的指标。
任务 C： 看空论证——扮演做空机构，写三个最强的看空理由。每个理由必须有数据支撑和触发条件：什么事情发生了，这个理由就兑现。
三个任务互不依赖，可以同时进行。每个任务的边界是清楚的——任务 A 不需要考虑竞品，任务 C 不需要铺垫看多逻辑。这样你收到三份各有一千到两千字的聚焦输出，而不是一份五千字的散装报告。
委派的两个陷阱
拆太粗。 "分析苹果的财务状况"——还是太大。Agent 不知道你关注的是增长还是风险，是短期还是长期。交付物的颗粒度决定了输出质量。能用一句话描述"做完之后你交给我什么"，才算拆到位。
拆太细。 "帮我算苹果 2024 财年 Q3 的经营性现金流跟报告净利润的比值"——这种级别的指令你自己查更快。委派给 agent 的应该是需要整合多个信息源、有一定综合判断的任务，不是查一个数字。
中间那个甜蜜点是：一个 agent 用十到十五分钟能做好的事。短到不需要中间检查，长到需要真正的综合和整理。
代价
委派的前提是你已经知道该拆成什么。这对于你熟悉的行业和公司不难。对于你第一次看的行业，你可能不知道该问什么——这时候拆出来的任务本身就可能是错的。解法：先用第 2 章的导师角色搞清楚这个行业的基本结构，再委派具体研究。
3. 模式二 · 验证——让第二双眼睛看住第一双
项目管理里有一个原则：做事的人不能同时是检查事的人。代码有 review，合同有法务复核，财务有审计。不是因为做事的人不可信，是因为同一个视角看同一份东西会有系统性盲区。
Agent 也一样。一个 agent 生成的分析，让同一个 agent 自查，它倾向于确认自己之前的判断。它不是故意护短——是同一组上下文里的推理路径会自我强化。
验证的做法是：用一个独立的 agent，给它明确的检查指令，让它只负责找问题。
三种验证方式
事实核查。 把第一个 agent 生成的报告交给第二个 agent，指令只有一条：逐条检查里面引用的数据和事实，标出无法从公开信息源确认的部分。不要评论分析质量，只管数据是否真实。
这一步的价值巨大。金融 agent 最常见的问题不是推理差，是数据是编的——第 10 节详细讲。一个专门做事实核查的 agent 能拦住大部分。
逻辑审查。 第三个 agent 的指令：读这份分析，找出逻辑链里最薄弱的三个环节。哪个论点看着有道理但其实在偷换前提？哪个结论跳过了关键步骤？
注意：逻辑审查 agent 的任务不是给出替代分析，只是挑毛病。给它的角色定义越窄，输出越有用。
数字交叉验证。 如果你在做估值（第 5 章的内容），让一个 agent 用一套假设算 DCF，另一个 agent 用同一套假设独立算一遍。两个结果对不上，说明至少有一个在计算过程里引入了自己的假设——这些隐藏假设就是你需要去审问的地方。
验证的成本
每多一层验证，时间和费用都在涨。三步验证跑完，花费和时间可能是直接要一份分析的五到八倍。
对大部分个人投资者的日常研究来说，事实核查一层就够了。逻辑审查在你准备做买入决定之前加上。数字交叉验证只在估值是你判断的关键依据时才值得做。
别把验证当默认——把它当保险。保险不是越多越好，是在损失最大的地方买最厚。
4. 模式三 · 迭代——一轮不够就多轮
委派是一次性的：拆任务、分出去、收回来。但很多投资研究问题不是一轮能问清楚的。
你让 agent 分析一家零售公司的护城河。第一轮它提到品牌认知度、供应链效率和规模效应。看着合理。但你读过第 4 章，知道护城河得用数字说话——品牌认知度值多少？跟竞品比，供应链效率具体体现在哪个指标上？规模效应有没有天花板？
第二轮你追问。Agent 给出存货周转天数、每平米坪效、供应商集中度。更具体了。但坪效的计算方式在连锁零售里有三种口径——它用的哪一种？跟竞品对比的时候用的是同一口径吗？
第三轮你问口径。原来它混用了 SEC 报告里的数据和第三方估算。这个不一致会导致结论偏差。
迭代的结构
这不是"问一遍不满意再问一遍"。有结构的迭代是这样的：
每一轮有一个明确的追问方向。 不是"说得再详细一点"，而是"上一轮你说 X，支撑 X 的数据是什么？这些数据来自哪里？用的什么口径？"
每一轮的输出范围比上一轮窄。 第一轮看全景，第二轮盯细节，第三轮查数据来源。越往后越聚焦，不是越往后越长。
三轮是一个合理的上限。 超过三轮还没解决的问题，通常不是 agent 没讲清楚——是这个问题本身需要你自己做判断，或者需要 agent 无法获取的数据。继续追问只会得到越来越有创意的编造。
迭代跟验证的区别
验证是让另一个 agent 检查。迭代是跟同一个 agent 深挖。两个解决不同的问题：验证防的是系统性错误（数据假、逻辑断），迭代补的是深度不够（结论对但太浅）。
最强的组合是先迭代到满意，再把最终输出交给另一个 agent 验证。
5. 模式四 · 组合——串起来才有价值
前三个模式各自独立。组合模式是把它们串成一条完整的生产线。
项目管理里管这个叫工作流。一个团队的产出是另一个团队的输入。产品团队的需求文档交给设计团队，设计稿交给开发团队，开发交付物交给测试团队。每个节点有交付物、有验收标准。上游的质量直接影响下游。
Agent 的组合模式一模一样：
A 的输出是 B 的输入。 分析师 agent 的三面镜子报告，交给估值 agent 作为假设来源。估值 agent 的输出，交给红队 agent 做攻击。红队的攻击结果，交回给你做判断。
每一步的交付物格式要固定。 如果分析师 agent 输出的是散文，估值 agent 拿到之后得花大量 token 去理解它在说什么。但如果你规定分析师 agent 的输出必须是：三到五个核心指标、每个带数值和趋势方向、一句话判断——下一步 agent 就能立刻上手。
节点之间需要你的检查。 这是组合模式跟全自动流水线的关键区别。全自动流水线的错误会一路放大——A 算错了一个数字，B 基于错误数字做估值，C 基于错误估值说"低估了"，你拿到一个看着完美但基础全错的结论。在关键节点插入你的人工检查——哪怕只是花两分钟扫一眼数据是不是合理——能拦住绝大多数这种级联错误。
组合的甜蜜点
两到三步的线性组合，足够覆盖大部分投资研究。
分析 → 估值 → 红队攻击。三步。第一步产出事实，第二步产出判断，第三步压测判断。
复杂度超过三步之后，维护流程本身的精力开始超过流程节省的精力。如果你发现自己在画流程图而不是在想投资问题，停下来。
代价
组合模式的最大风险不是太复杂——是太舒服。一旦流程跑顺了，你容易进入一种"流程替我思考"的状态。每一步都跑了，每一步输出都看了，但你从头到尾没有真正做过一个自己的判断。流程给了你一种虚假的安全感。
说白了，组合模式是放大器。如果你在关键节点真的在思考，它放大你的思考效率。如果你在走形式，它放大你的走形式效率。
6. 模式五 · 故障检测——你得知道它在哪里会断
前四个模式都假设 agent 的输出可能有问题。故障检测不一样——它假设 agent 的输出一定有问题，你的任务是找到在哪里。
项目管理里叫风险登记。不是出了问题再想怎么办，是在项目启动时就列出最可能出问题的环节，每个配一个预警信号和应急方案。桥要是没有传感器，裂缝长到你看得见的时候已经迟了。
三个必查的故障点
数据来源故障。 Agent 引用的数据可能是编的。2026 年的大模型在生成看起来合理的数字方面非常擅长——一个听着像真的但实际上不存在的统计数据，你很难靠直觉发现。解法很简单也很麻烦：每一个关键数字，追问来源，自己到来源去核实。对判断有影响的那三到五个核心数字，必须过这一关。其他的可以放。
假设继承故障。 组合模式里 A 传给 B 的时候，B 会自动继承 A 的所有假设。A 用了 8% 的折现率，B 不会质疑这个数字是不是合理——它会当作已知条件直接往下算。三步下来，初始假设变成了"不需要讨论的事实"。
检测方法：在最后一步，把最终结论和最初的假设列表放在一起，问自己：如果这些假设里有一个是错的，哪个错了最致命？然后专门追问那个假设。
共识收敛故障。 你让三个 agent 各自独立分析同一家公司，三个都说"估值合理，可以考虑买入"。这不是好消息——大概率是三个 agent 都在复述同一套共识叙事。就像你问三个只读财经新闻的朋友对一只股票怎么看，三个人都说好，不代表它真的好——代表财经新闻都说好。
越是一致的结论越要警惕。部分一致反而更有价值：两个说买入、一个说等待的结果比三个都说买入更值得研究。那个不同的声音里往往藏着你没想到的角度。
你拦不住所有故障
故障检测不是万能的。你能拦住的是可检测的错误——数据假的、逻辑断的、假设没过脑子的。拦不住的是你跟 agent 共享的盲区：你们都不知道自己不知道什么。
这就是为什么第 7 章的判断版本管理那么重要。当现实跟你的预期偏离的时候，回头看你的判断文档，那个偏差就是你当初没检测到的故障。积累得越多，下一轮的故障检测清单就越准。
7. 三套参考流程
五个模式是积木。下面三套流程是用积木搭的成品。你可以直接用，也可以拆了重组。
流程一 · 研究管道
场景： 你想深入了解一家从没研究过的公司。
步骤：
起点——导师问答（15 分钟）。 让 agent 以导师角色给你讲这个行业的基本结构。核心是搞清楚三件事：这个行业的钱从哪来？主要玩家是谁？增长的驱动力是什么？这是委派的前提——不了解行业就拆不出有意义的任务。
第一步——委派三个任务（并行，各 10-15 分钟）。 任务 A：财报三面镜子分析（第 4 章框架）。任务 B：竞品横向对比，三到五个核心指标。任务 C：看空论证，三个最强理由。
第二步——你的检查点（20 分钟）。 读三份输出。标出你不确定的数据。标出你同意和不同意的判断。
第三步——验证（10 分钟）。 把任务 A 的输出交给新的 agent 做事实核查。关键数字必须可追溯。
第四步——迭代（15-20 分钟）。 对第二步标出的不确定点，选两到三个最重要的深挖。每个追问两轮。
产出： 一份你审过的公司概况。不是买入建议——是你有没有兴趣继续研究的判断依据。
总用时： 一到一个半小时。费用几美元。
流程二 · 判断流程
场景： 你已经研究了一段时间，准备做买入/不买/继续观察的判断。
步骤：
第一步——写判断初稿（你自己写，30 分钟）。 用第 7 章的六要素框架：催化剂、护城河、管理层、估值框架、止损条件、时间跨度。先自己写，不用 agent。写不出来的地方留空白——空白就是你还不确定的地方。
第二步——估值压测（20 分钟）。 让 agent 按第 5 章的方式跑 DCF 和倍数估值。你提供叙事假设，agent 算数字。然后做敏感性分析：改变一个核心假设，看估值怎么动。
第三步——红队攻击（15 分钟）。 把你的判断初稿交给 agent，让它扮做空方写三到五条最强攻击。每条必须有数据支撑。
第四步——修改判断（你自己写，20 分钟）。 红队攻击里你反驳不了的，修改判断文档。反驳得了的，在文档里写下你的反驳逻辑。
第五步——风险预检（10 分钟）。 按第 6 章的事前验尸法：让 agent 假设你的仓位在两年后亏了 40%，写一份事后分析。拿这份分析跟你的止损条件对照——覆盖了吗？
产出： 一份你能签名的判断文档。买入、不买或继续观察。文档里每一个判断背后有逻辑链，每一个止损条件是可观察的。
总用时： 两到三小时。
流程三 · 监控循环
场景： 你已经持有某只股票，需要定期检查你的判断还成不成立。
步骤：
每季度做一次（30 分钟）：
一、让 agent 读最新一份季报，对照你判断文档里的核心假设。每个假设标注状态：跟预期一致、比预期好、比预期差、数据不足。
二、让 agent 检查你判断文档里的止损条件。有没有被触发的？有没有接近触发的？
三、你自己做判断：维持、增持、减持、清仓。写一句话理由。更新判断文档版本号。
每年做一次（一到两小时）： 把四个季度的监控记录放在一起，让 agent 做一份年度总结。你的核心假设漂移了没有？止损条件调整了几次？调整是因为新信息还是因为合理化？
产出： 一份活着的判断文档。它不是写完就封存的——它随着新信息更新版本，但每一次更新都有记录和理由。
8. 什么时候用一个 agent 就够了
不是所有场景都需要一支团队。
快速筛选。 你在看一个行业里的二十家公司，想快速缩到五家值得深入的。一个 agent，一句指令：按自由现金流收益率、债务水平和过去三年收入增速，帮我从这二十家里筛出最值得看的五家，给出理由。不需要验证——这是粗筛，错了代价很低。
概念学习。 你不懂 WACC 是什么。问一个 agent 就够了。你不需要三个 agent 交叉验证一个已经有标准定义的金融概念。
单一数据查询。 苹果过去五年的资本开支是多少？一个 agent，几秒钟。结果值得你花十秒去 SEC 网站确认一下——但不需要一个完整验证流程。
判断标准很简单。 如果你的问题可以一句话回答——"这家公司过去三年自由现金流是正还是负？"——一个 agent 足够，甚至你自己查更快。
多 agent 流程的价值在于：问题有多个维度、判断涉及假设、错了代价很高。筛选和学习不需要它。正式研究和买入决策需要。
9. 全票通过是一个警告信号
Munger 有一个观察：如果一个投资想法所有人都同意，它大概率已经被充分定价了。
Agent 团队的版本更极端。你让三个 agent 各自独立分析同一家公司。三个都说看多。三个的理由高度重合。三个的估值区间差不多。
直觉上你会觉得踏实——三个独立来源都确认了我的判断。
但想一下这三个 agent 的信息来源。它们读的是同一批公开财报、同一批分析师报告、同一批新闻。它们的训练数据重叠度极高。"独立分析"其实是同一片湖里钓的三条鱼——水域不同，鱼种差不多。
全票通过在这种情况下不代表"判断正确的概率很高"。代表"所有公开信息和主流分析都指向同一个方向"——也就是共识。投资里，共识本身不是优势。共识已经反映在价格里了。
更有价值的信号是部分一致：两个看多一个看空，或者三个结论一样但理由差很大。那个不一致的地方才是你该花时间的地方——它要么暴露了你漏掉的风险，要么暴露了 agent 的信息盲区，两者都比一致性有信息量。
怎么制造不一致
如果你的 agent 团队总是达成共识，不是因为结论真的对。是因为你给它们的角色太像了。
试试这些：
给一个 agent 的角色定义是"你管理一个专注长期增长的投资组合"，另一个是"你管理一个在意短期现金流安全的养老金"。同一家公司，两种投资者的答案可能完全不同。
给一个 agent 要求它只用定量数据（财报数字、行业统计），另一个只用定性信息（商业模式逻辑、竞争格局判断）。同一家公司，两种视角的结论差异就是你该审视的地方。
给一个 agent 的背景是"2021 年的市场环境"，另一个是"2008 年的市场环境"。同一家公司放在不同周期里，看起来完全不同。这种差异迫使你思考：我的判断对周期敏不敏感？
刻意制造不一致，是 agent 团队最反直觉但最有价值的用法。
10. 四种金融 agent 的失败模式
用 agent 做投资研究，它不是在每个方面均匀地不靠谱。它有四种高频失败模式，知道了就能重点防守。
失败模式一 · 数据凭空捏造
这是最危险的一种，因为输出看起来最真实。
Agent 说某公司的自由现金流是 47 亿美元。这个数字可能是对的，也可能是它基于趋势"推算"出来的，也可能完全是编的——但三种情况下它的语气和格式完全一样。它不会加一句"这个数字我不确定"。
高危场景：提到具体的分析师预测、引用没有给链接的研究报告、给出精确到小数点后两位的预测数据。越精确，越要怀疑。
防守方法：对判断有影响的数字，追问来源，然后自己去看原始文件。这是最笨但最有效的方法。不需要每个数字都查——把精力集中在影响你判断方向的那三到五个核心数字上。
失败模式二 · 共识包装成洞察
Agent 的训练数据里有大量分析师报告和财经文章。它的"分析"很多时候是在用不同的措辞复述主流观点，但包装成了原创判断。
表现形式：结论跟你随便搜到的几篇分析文章高度一致。用词不一样，逻辑结构不一样，但核心论点完全相同。你以为自己做了独立研究，其实只是用一种更体面的方式读了共识。
这不总是坏事——共识对的时候居多。但在投资里，你赚不到共识的钱。共识已经被定价了。
防守方法：每次看到 agent 的结论，问自己一个问题——"如果我直接去读三篇这家公司的分析文章，我会看到一模一样的结论吗？"如果是，这个分析对你的判断没有增量。你需要追问的是：有哪些共识没有考虑到的因素？
失败模式三 · 单位和口径混乱
Agent 在做跨公司对比的时候，经常混用不同口径。
常见的：把一家公司的 GAAP 利润跟另一家的 Non-GAAP 利润放在一起比。把用不同财年截止日期的公司直接做同比。把一家报美元的公司和一家报本币的公司的营收放在同一张表里没做换算。
这些错误人类分析师也会犯，但至少会在脚注里标出来。Agent 不会。它把不可比的数字放在一起，用一种非常自信的语气得出一个看着很有道理但根基不对的结论。
防守方法：做跨公司对比的时候，在指令里显式要求统一口径——"全部用 GAAP 利润"，"全部换算成美元"，"全部用最近四个季度的滚动数据"。然后在输出里检查：它是不是真的做了？
失败模式四 · 增长线性外推
Agent 最常见的估值错误：拿过去三到五年的增长率直接延伸到未来十年。
一家公司过去三年收入年增 35%，agent 的 DCF 假设未来五年继续 30%。但任何有经验的投资者都知道——没有一家公司能以 30% 以上的速度增长十年。增长会减速。问题不是会不会减——是什么时候减、减到多少。
Agent 不会主动质疑增长假设，因为"过去三年是这个速度"看上去就是一个合理的起点。是的，作为起点它合理。但作为十年假设它荒谬。
防守方法：每次拿到包含增长假设的估值，做一个简单的常识检验——按这个增长率，十年后这家公司的收入是多少？那个数字在这个行业里现实吗？如果一家 SaaS 公司十年后的收入超过了整个行业的市场规模，增长假设就需要调。
Workshop · 设计你的第一个四人团队
时间： 一到两小时 工具： 任何你在用的 AI agent 产出： 一份流程文档 + 一次实际执行的结果
步骤
第一步——选公司（5 分钟）。 选一家你感兴趣但还没深入研究过的上市公司。最好不是市值最大的那几家（关于苹果、英伟达、特斯拉的共识太厚，不容易看到 agent 的差异化输出）。中等市值、你了解这个行业但没仔细读过财报的，最合适。
第二步——设计四个 agent 角色（15 分钟）。 写下来，每个角色一行：
- 角色 A：负责什么，交付物是什么
- 角色 B：负责什么，交付物是什么
- 角色 C：负责什么，交付物是什么
- 角色 D：负责什么，交付物是什么
建议的分工：A 做财报分析（委派），B 做竞品对比（委派），C 做事实核查（验证），D 做红队攻击（验证 + 迭代）。你也可以自己调。
写下角色之间的交接关系：A 和 B 的输出给 C 核查，核查通过之后给 D 攻击。
第三步——执行（30-45 分钟）。 按你设计的流程跑一遍。每一步都做。在 A 和 B 之间不需要等——它们可以并行。C 和 D 依赖上游输出，需要串行。
第四步——记录（15-20 分钟）。 在你的流程文档末尾加一节"复盘"：
- 哪一步的输出超出预期？为什么？
- 哪一步的输出不达标？是角色定义不清还是任务拆得不对？
- 你在哪里做了人工干预（检查了一个数字、追问了一个逻辑、改了一个假设）？
- 如果重来一次，你会怎么改流程？
第五步——写一句话总结：
"这次流程里我手动做的判断中，最关键的一个是 __________。"
为什么要做这个
那个你手动做的判断，就是 agent 团队填不了的缝。第 9 章的毕业实战会用到这个发现——你会在一个完整的端到端流程里，对着三家公司，反复面对这种缝。
流程文档不是最终版。它是 v0.1。你之后每做一次研究都会改它。到第 9 章结束的时候，它变成 v0.3 或者 v0.5——那时候它才是你自己的框架。
模式是手段，判断是目的
五个模式、三套流程、四种失败模式——这些都是手段。
目的只有一个：让你在跟一组 agent 协作的时候，知道在什么节点停下来做自己的判断。委派解决效率。验证解决正确性。迭代解决深度。组合解决完整度。故障检测解决信任校准。
但如果你在每个节点都选择相信 agent 的输出，五个模式跟没有一样。
Munger 说过一句大意是：你不需要很多好想法，你需要不多的好想法加上不做蠢事的纪律。Agent 团队给你的是"不做蠢事"的系统化检查。但那些"不多的好想法"——只有你能想。
下一章是毕业实战。选三家公司，跑完整流程，做一个真正的投资判断。你这章学的所有模式都会用上。留几个小时。
第 9 章是毕业实战：三家公司，一个仓位。把前八章的内容在一次端到端练习里跑通。预计 4 到 8 小时，分多次完成。