我是如何用 PandaAI EVO，30 分钟完成一份心脑血管中药赛道深度研报的
从一张以岭药业半年报截图，到一份七章结构的行业深度研报——全程没有打开 Excel，没有翻过一页财报 PDF，没有写过一行图表代码。我做的只是提问、确认、拍板，剩下的全由 PandaAI EVO 完成。
起因：一张截图引发的追问
上周，我拿到了一份以岭药业 2026 年半年报的核心数据截图。心脑血管板块收入同比增长 24.81%，扣非净利润增长 13.99%，毛利率 62.99%。数据不错，但我的问题远不止于此：
"同赛道的步长制药、天士力、沃华医药现在怎么样了？这个赛道估值还有多少上升空间？"
在传统工作流里，这意味着：打开至少 5 个网页翻财报、拉行情数据、查机构研报、找行业规模数据，然后手动整理成表格、画图、写分析。一套下来，半天起步。
我把截图和问题一起丢给了 PandaAI EVO。
第一步：多源信息实时检索，省掉 80% 的"找数据"时间
PandaAI EVO 没有让我等，它直接并行搜索了多个方向：
- 同赛道可比公司：步长制药、天士力、沃华医药的最新财报与行情
- 行业规模：心脑血管中成药市场 1055 亿元（2023 年，米内网数据）
- 政策动向：2026 版《国家基本药物目录》7 月刚发布，以岭药业 6 款独家品种入选，为赛道最多
- 机构观点：8 家机构覆盖以岭药业，全部积极评级，平均目标价 20.37 元
- 实时行情：以岭药业 PE（TTM）19.74 倍，天士力 19.77 倍，步长制药 45.66 倍
整个过程不到 2 分钟。我不用自己打开任何一个网页——AI 替我搜、替我读、替我提炼，我只需要看它整理好的结论。
这背后是 PandaAI EVO 的实时联网搜索能力：不是"训练数据里有什么就答什么"，而是真的去搜此时此刻的公开信息——财报、行情、政策文件、机构研报——然后交叉验证、整合成答案。
第二步：结构化呈现，一眼看懂赛道格局
搜索结果回来后，PandaAI EVO 没有给我堆一屏链接和长文字，而是直接用结构化组件呈现了核心结论：
- 表格：以岭药业 vs 步长制药 vs 天士力 vs 沃华医药，营收、利润、毛利率、PE、核心品种一目了然
- 指标卡：赛道估值上升空间的核心驱动（基药目录、老龄化、估值分位）用大数字卡片呈现
- 风险提示框：中成药集采预期、单品依赖等现实约束，用带颜色的提示框标出
这些不是我自己排版的结果——AI 直接输出了一套可以与前端渲染引擎对接的结构化数据块，对话里当场就能看到排版好的表格和卡片。
这比传统 ChatBot 的"纯文字回答"高了一个维度：不是"我告诉你一个数字"，而是"我帮你把它整理成一张能直接用于报告的信息图"。
第三步：一键生成专业研报，格式、图表、公式全自动
看完初步分析后，我说了一句："给我做一份这个行业研报。"
PandaAI EVO 做了三件事：
3.1 自动加载专业写作规范
它先加载了 doc_authoring 技能包——这不是一个简单的"写文档"指令，而是一整套经过实战验证的写作规范：
- 图表用什么语法（mermaid 白名单：xychart-beta、flowchart、pie、quadrantChart、sequenceDiagram）
- 公式用什么分隔符（KaTeX 的
$…$和$$…$$，以及最常见的坑——$$必须和公式同行） - 括号铁律（mermaid 里英文
(会导致整张图 Parse error，必须用中文括号或引号包裹） - 文件放哪个目录（
reports/放正式报告，notes/放草稿，不能往项目根堆）
这些规范来自团队真实踩过的坑——比如有人写过 bar 和 scatter 这种 mermaid 根本不存在的图类型，结果两张图全挂。技能包就是把这些"血的教训"沉淀成可执行的规则。
3.2 同时加载研究报告骨架
它还加载了 research-report 参考——一份研究报告的章节结构指南：
- 结论先行：开篇 3 行内给出判断，不要"本文研究了……"
- 方法与口径：把复现所需的口径一次说清
- 证据：指标表 + 图，图随文走
- 局限与证伪条件：什么情况下这个结论应该被推翻？
- 附录：原始参数、完整指标表
这个骨架保证了研报不是"看起来像研报"的流水账，而是真正有研究逻辑的文档。
3.3 整合所有数据，写出完整报告
有了技能包规范 + 研究骨架 + 前面的全部搜索结果，PandaAI EVO 一气呵成写出了七章报告：
- 第一章：核心结论（三句话讲清赛道能不能投、投谁）
- 第二章：行业概览（市场规模 1055 亿、需求刚性、产业链）
- 第三章：竞争格局（三梯队划分 + 对标表格 + mermaid 柱状图）
- 第四章：政策催化剂（2026 版基药目录深度分析）
- 第五章：估值分析（绝对估值、机构共识、天花板）
- 第六章：风险提示（6 条具体风险）
- 第七章：附录（数据来源、免责声明）
报告里包含了两张 mermaid 图表（产业链流程图 + 梯队对比柱状图）、多张结构化表格、完整的对标数据，所有数字都来自真实搜索结果，一句话都没编。
整个过程，从我说"给我做一份研报"到完整报告落盘，不到 10 分钟。
PandaAI EVO 到底强在哪？
回顾整个流程，我觉得 PandaAI EVO 和传统 AI 助手有三个本质区别：
1. 不是"聊天"，是"协作研究"
传统 ChatBot 的模式是"你问一句，我答一句"。PandaAI EVO 的模式是多轮递进式研究：
- 第一轮：快速给出初步结论，让你判断方向对不对
- 第二轮：你拍板"继续深入"，它才往下挖
- 第三轮：你给出明确指令（"做一份研报"），它调用专业工具执行
每一步都有你的参与，但每一步都不需要你动手。这不是"AI 替你干活"，而是"AI 给你当研究员"。
2. 结构化的产出，不是长段文字
PandaAI EVO 的对话里，数据是用指标卡、表格、柱状图、风险提示框呈现的，不是一大段 markdown 文字。写进工作区的报告里，图表是用 mermaid 语法自动生成的，能直接在预览窗里渲染出来。
同样的信息，用文字写要 500 字，用一张表格 + 一个柱状图，读者 10 秒就懂了。 PandaAI EVO 从底层设计上就要求模型"能画图就别堆字"。
3. 技能包系统：把"怎么做"沉淀成可复用的规则
最让我印象深刻的是技能包（Skill）系统。doc_authoring 里那些关于 mermaid 括号、KaTeX 分隔符、文件目录的规则，不是 AI 自己"悟"出来的——是团队每次踩坑后写进技能包的。
比如"mermaid 里英文括号会导致整张图 Parse error"这条规则，一定是有人真的写过、真的挂过、真的排查过，才沉淀下来的。下次 AI 再写 mermaid 时，就会自动避开这个坑。
这意味着 PandaAI EVO 是会"越用越聪明"的——每次失败都被转化成规则，下次不会再犯。
最后：研究的重心回到了"思考"本身
以前做一份行业研报，我的时间分配大概是：
- 70% 找数据、翻财报、查行情
- 20% 整理格式、画图、排版
- 10% 真正思考、分析、下判断
用 PandaAI EVO 之后，变成了：
- 10% 描述需求、确认方向
- 10% 审核 AI 给出的结论和数据
- 80% 真正思考、分析、下判断
研究这件事，终于回到了它本该有的样子：不是"谁更会找数据"，而是"谁更会想问题"。
评论