在开始之前先说明一下：这篇文章讲的不是"怎么用 AI 炒股"，而是"怎么用 opencode 这类 AI 编码助手，把一堆散落各处的商业信息，快速整理成一份结构清晰、带表格带图表的 Markdown 报告"。案例用的是马斯克的商业版图，原因是它的信息量大、数据点密集、且涉及大量"来源冲突"，用来演示 AI 做信息汇总的严谨性处理，再合适不过。文中所有数字都只是公开资料的整理，不构成任何投资建议。

为什么用 AI 做商业信息汇总

传统的信息整理流程大概是：打开各种百科 → 看几个新闻网站 → 复制粘贴 → 手工排表格 → 手工画图。遇到"同一件事多个来源数字不一样"的时候，还得自己去追原始报道。一顿操作下来，半天没了。

AI 的优势在于：

• 搜索与阅读省事：可以让 AI 同时抓取维基百科、Reuters、CNBC、Forbes 等页面，并交叉核对；
• 结构化输出方便：直接把散乱信息整理成时间线、估值表、大事年表，不用你手动排版；
• 可视化简单方便：让 AI 写 Python 代码，用 matplotlib 把数据画成图表，用 mermaid 画公司股权关系图等等，都很方便；
• 充分查询检索信息：AI 可以把"来源冲突"和"待确认数据"显式标出来，而不是蒙混过关。

整体工作流

以这次马斯克案例为例，opencode 里完整跑通了一套流程，共六个步骤：

明确需求与产出形式

先想清楚要什么。这个案例的需求是：马斯克整个商业版图 + 发展历程，要完整、严谨，要有表、有图、有来源。同时为了"快餐式"阅读，最后还要一个简单版。

派研究代理去搜索和核实

这是最关键的一步。让 AI 派出一个"研究代理"，带上明确的数据清单去抓网页：

• 每家公司：成立年份、马斯克投入多少、融资估值时间线、退出/出售时间和价格、当前持股比例；
• 个人维度：净资产时间线、薪酬包、历年套现；
• 附带要求：每个数据点给出处；不同来源不一致的要标注；拿不准的标"待确认"，不许编。

这一步的价值在于，把"搜索结果"和"结论输出"分离：先老老实实收集证据，再动笔写报告。

结构化：时间线、估值表、大事年表

拿到调研数据后，按公司组织成结构化的 Markdown 表格。以 SpaceX 为例：

这种"时间+事件+估值"的三列结构，是所有商业报告的地基。

数据可视化

用 matplotlib 生成图表（本机装了中文字体后，rcParams 里指定 Hiragino Sans GB 即可正常显示中文），用 mermaid 画股权结构。本次一共生成：净资产时间线、各公司估值对照、企业存续时间线、估值里程碑、财富构成饼图、投资回报图，共六张。最后应要求又补了一张"最终状态"静态图：

这张图有个设计细节值得一提：卖掉的公司在出售年份曲线就截止、不再延伸（虚线），在营公司则延伸到最新（实线）。这样"看一图而知全貌"。

分层交付：完整版 + 简单版

一次调研产出了三份东西：

• 完整版研究报告：约 500 行，含方法说明、不确定项清单、逐公司深度档案、来源 URL 清单；
• 简单版：一张估值图 + 一张一览表 + 一张速查表，几分钟能读完；
• 调研原始数据文件：保留所有数据点和来源，可追溯。

分层交付的好处是：读者可以按需取用，不浪费。

严谨性处理

AI 汇总最容易翻车的就是"自信地编造"。所以这次特意做了三层保险：

1. 来源冲突显式标注。比如 Zip2 收购价主流是 $305M、个别来源写 $307M；xAI 被 SpaceX 收购作价两个词条分别写 $250B 和 $125B，差距一倍。报告里都如实列出双口径，而不是二选一。
2. "待确认"标签。没有一手来源的数值（如 Neuralink 2023–2024 融资额、SpaceX 2024 年某次估值），一律标"待确认"。
3. 免责声明。明确写清：仅基于公开资料的参考整理，不构成投资建议，引用前需以一手来源核实。

本次对话实录：完整提示词与截图

下面的截图就是这次任务的真实过程记录，每张图对应一轮提示词，可以直接看到"怎么一步步把一个模糊想法磨成一份报告"。

给出初步要求

第一轮提示词（也是全部需求的起点）：

我想要了解马斯克公司的整个商业版图和发展历程，要总结出完整的沿着时间和他的投资额、薪酬、估值以及从事的领域等等，做出来非常严谨的一个报告，还要有对应的数据的可视化，要有表，要有图，做成markdown文档。

开始数据收集

AI 据此派出研究代理抓取维基百科与 Reuters/CNBC/Forbes 等页面，按"成立时间、投资额、薪酬、估值、持股比例、退出价格"逐项核实，并把来源冲突和待确认数据单独列出来。

初步有结果

第一版完整报告交付：约 500 行的 Markdown，包含研究方法说明、不确定项清单、逐公司深度档案、来源 URL，以及 6 张 matplotlib 图表和一张 mermaid 股权结构图。

要求改进

用户觉得完整版太复杂，要求出一个"简单版"，且点名要一种特定的可视化形式：

给一个简单版本的横轴是时间纵轴是估值。然后各个公司的，什么的反正就在上面弄成那种随着时间变化的这种动图，然后再给一个数据表格。数据表格就是什么时，每个公司按照时间什么从新到旧啊，什么时候卖出去的，等等等等这样来，不要那么复杂的给一个这样新的，但已经有的，那你先存着吧

继续提要求

简单版动图做好后，用户进一步纠偏——不要动图，要一张静态的"最终状态"图，并且规定了重要规则：卖掉的公司曲线到出售年份为止、之后不再延伸：

不对，还是不应该用动图直接来一个单个的图就行，就是最终的那状态。然后，中间有一些他卖掉的，就得从他卖掉那年之后就不再算了

之后还补充了两轮要求：给简单版加上数据来源说明与免责声明（"作为 opencode 使用的代码范例，不具有投资等其他作用"），以及基于以上内容写一篇介绍 opencode 用法的文章——也就是你现在正在读的这篇。可见"好的需求是磨出来的"，AI 对话里迭代需求是常态，opencode 每轮都能在保留上下文的前提下增量修改，这是它比单次提问好用得多的地方。

一些建议

• 别把 AI 当权威数据库。AI 擅长的是"搜索+整理+排版"，数字本身要让它去抓原始页面核对，而不是凭记忆生成。这次所有关键数字都来自抓到的词条及其引用的报道。
• 告诉 AI 怎么处理不确定。在任务描述里直接写"不同来源不一致就并列标出，拿不准就写待确认，不许编"，能显著减少幻觉。
• 可视化先确认数据再画图。先有结构化的表格数据，再让 AI 写绘图脚本，比边画边猜靠谱得多。
• 交付物分层。完整版给需要细节的人，简单版给只想扫一眼的人，调研原稿留作备用。

总结一下

这篇就是一次演示：用 opencode 把"马斯克商业版图"从"一堆链接"变成"一份带表带图的 Markdown 报告"，中间穿插了研究代理调研、来源核实、图表生成和严谨性处理。方法论本身可以复用到任何商业信息汇总场景——行业研究、竞品分析、公司尽调都可以套这套流程。

需要强调的最后一件事：AI 整理的信息适合做参考、做入门、做框架，但不适合直接拿来决策。 关键数据请回到一手来源核实。