我用 AI 把一个 X 博主的 5,582 条推文蒸馏成了一个可复用的投资分析 Skill
起因
X（原 Twitter）上有一个叫 Serenity (@aleabitoreddit) 的博主，45 万粉丝，专注 AI/半导体供应链分析。他的推文质量极高 — 追踪超大规模资本开支（Google/Microsoft/Meta/Amazon）向上游找到单点瓶颈，然后在机构反应之前布局。
他的方法论很清晰：别买 NVDA，沿着供应链往上游走，找到那个唯一的 chokepoint。
问题是：5,582 条推文，跨 10 个月，信息密度高但极度碎片化。手动读完要几天，而且很多关键洞察散落在回复和线程里。
我想：能不能用 AI 把这些推文全部蒸馏成一个结构化的分析框架？
做法
1. 数据采集
用 agent-reach 的 twitter-cli 做日期窗口搜索，绕过 X 的分页限制，收集了 2025-07-02 到 2026-05-28 的全部推文（~5,582 条）+ 4 篇 X 长文。
2. 分期蒸馏
把推文按时间分成 6 个时期，每个时期用 AI 做一次深度分析：
- 2025 Q3（Jul-Sep）：起步期，ALAB/CRDO/NBIS
- 2025 Q4（Oct-Nov）：NeoCloud 爆发，NBIS 定义性赢家
- 2025-12 到 2026-01：光子学觉醒，LITE/AXTI/AAOI
- 2026-02：AAOI 财报爆发，SIVE 初露
- 2026-03：SIVE 登场，CPO 超级周期
- 2026-04-05：供应链证据链闭合
3. 交叉合并
6 个时期分析完成后，做三件事：
- 逐标的知识库：每个 ticker 跨时期合并，标注置信度演变
- 方法论提取：从具体案例中抽象出 12 条可迁移原则
- 战绩校准：用 Yahoo Finance 数据独立复核 30/60 天准确率
4. 封装为 Agent Skill
最终输出一个标准的 Agent Skill，任何 AI agent（Claude、GPT、Cursor、OpenClaw）都能直接用。
核心方法论：12 条可迁移原则
- 瓶颈猎杀 — 找供应链中唯一的单点故障
- 多跳 BOM 映射 — 从终端需求链式追踪到原材料
- 签约 ARR vs 市值错配 — 按合同远期收入定价
- Mag7 客户集中度过滤 — 被多家巨头采购 = 需求护城河
- GAAP 利润率之战 — 只看 GAAP，不看粉饰
- 认证周期 vs TTM 收入 — 在认证期入场，不等收入确认
- 稀释/ATM 否决项 — 大规模增发 = 短期天花板
- 融资质量光谱 — 谁在买单决定存活率
- 做空挤压设置 — 高空头 + 盈利成长 = 挤压
- 宏观冲击即买入 — 恐慌 = 最佳入场
- 机构滞后 — 散户认知领先机构
- Vega/IV 定价错误 — 期权结构中的低效
实测：用这个 Skill 分析中国热电行业
安装后，我用这个 Skill 的 14 点检查清单分析了中国热电行业。结果很有意思：
- 热电联产（大连热电、杭州热电）= 受监管公用事业，稳定但无结构性上行，不是 Serenity 的菜
- 热电材料（碲化铋 Bi₂Te₃）= 铋/碲受出口管制，冶炼副产品供给刚性，AI 散热需求爆发 — 这才是瓶颈逻辑
用他的供应链映射方法，我画出了完整链路：
AI 数据中心 → 热电制冷模块 → 碲化铋晶体 → 铋/碲原料 → 锌/铅冶炼副产品
真正的瓶颈不是原料（虽然也受控），而是 Bi₂Te₃ 高纯晶体生长 — 和 Serenity 追踪的 InP 衬底逻辑一模一样。
战绩校准（独立复核）
不盲目信任任何博主。用 Yahoo Finance 数据独立复核了 Serenity 的有日期公开调仓：
| 指标 | 数值 |
|---|---|
| 30 天方向准确率 | 61% (30/49) |
| 30 天 ±10% 严格命中 | 41% (20/49) |
| 60 天内 +20% 有利收盘 | 54% (29/54) |
| 成熟供应链论点验证率 | 65-75% |
| AI 光子/CPO/InP/内存瓶颈子集 | 75-85% |
结论：他的供应链瓶颈分析值得高权重参考，但具体交易操作（期权、杠杆、仓位）不应复制。
怎么用
一行命令安装：
npx skills add WOOK98/serenity-aleabitoreddit
然后在任何 AI agent 中，当你问关于 AI/半导体/光子学/内存/电力 的股票问题时，它会自动触发 Serenity 的分析透镜。
开源地址
GitHub：https://github.com/WOOK98/serenity-aleabitoreddit
全部公开，14 个文件，4,226 行。包括完整的逐标的知识库、方法论、战绩校准和 6 个时期的分析原文。
最后的思考
这个实验验证了一件事：碎片化的公开信息，经过结构化蒸馏，可以变成可复用的分析工具。
X 上有大量高质量的分析推文，但它们散落在时间线里，读完就忘。用 AI 把它们蒸馏成 Skill，相当于给一个分析师的方法论做了一次"代码开源"。
如果你有关注的分析师或博主，也可以用类似的方法把他们的公开观点蒸馏成 Agent Skill。工具是通用的，关键是找到值得蒸馏的信息源。
免责声明：本文仅分享方法论和工具，不构成投资建议。Serenity 的自我报告收益未经独立验证，存在幸存者偏差。投资有风险，决策须自主。
评论
发表评论