在市場裡，「抄作業」其實是一件比很多人願意承認的更普遍的事。你看到一個報酬率漂亮到不合理的人，看到一個基金經理重倉了一個你還沒看懂的題材，或者看到某個KOL提前幾個月埋伏了一整條供應鏈，你的第一反應很少是冷靜分析，大多數時候都只是想知道：他到底買了什麼。我完全可以理解這種衝動，因為市場本來就很吵，資訊也永遠不對稱，當你知道有人已經把題目做完了，最省力的做法當然是直接偷看答案。但問題是，只抄答案其實很危險，因為你抄到的通常只是一個結果，而不是那個結果背後的路徑。

這也是我最近越來越在想的一件事：如果Agent真的會成為下一代投資者的研究部，那麼它最有用的地方，可能不是替你找下一個股神，而是幫你把「抄作業」這件事升級。過去所謂的抄作業，比較像看到某個人買了一檔股票，你就跟著買；現在更有意思的版本，應該是讓Agent去整理這個人過去幾十次是怎麼做出判斷的，他偏好什麼題材，常在哪些供應鏈環節下手，又是用什麼訊號決定這次值得出手、那次只是觀察。 換句話說，不是抄他的答案，而是讓Agent幫你重建他的解題過程。這兩者表面看起來很像，實際上差非常多。

拿Serenity這種最近很紅的例子來說，真正值得看的從來不是那幾張驚人的績效截圖，而是他如何從一個熱門題材，一路拆到供應鏈最卡的那個節點，再從那個節點反推出市場還沒fully priced的公司。 這種路線之所以適合跟Agent結合，是因為裡面有一大半其實是非常適合機器做的髒活：掃同一題材裡的公司、對照上下游、翻最近幾季公告、比對哪一家在擴產、哪一家客戶驗證已經過了、哪一家其實只是故事好聽但沒有訂單。 人類比較擅長的，反而是決定哪一道題值得做，哪種市場環境適合用這套框架，以及什麼時候該承認這次根本不是自己的能力圈。也就是說，Agent最理想的角色，不是替你下注，而是把一份別人的作業拆開來，讓你看懂它到底是怎麼寫出來的。

我其實很少相信什麼「完全自動交易」的神話，特別是在這種題材驅動、敘事密度極高的市場裡。因為任何一套方法，只要來自某一個特定投資者，就一定帶著他的偏見、節奏感和風險承受能力。Serenity的方法未必適合每個人，某些宏觀交易員的方法也未必適合供應鏈題材。 所以比較成熟的做法，不是把某一位股神接到Agent上，然後把決策權整包外包，而是讓Agent同時學幾種不同風格的「老師」，再把結果整理給你。你可以讓它一邊用Serenity式的供應鏈瓶頸邏輯掃一次，一邊用更傳統的基本面框架看估值和資本配置，再加上一層你自己設的風控邊界——例如國家風險、集中度、流動性。這時候 Agent 才比較像研究部，而不是新的偶像。

當然，講到這裡也要補一句現實世界裡不那麼浪漫的事：不是每個skill都值得信任。現在GitHub上到處都是號稱能讓 Agent 變聰明的skill，但裡面有不少其實是沒有驗證過的、壞掉的，甚至可能帶著 prompt injection或資料外洩風險。 這個提醒其實很重要，因為它反過來說明了一件事——未來投資者真正的edge，也許不是擁有最多的Agent，而是知道哪些Agent值得用、哪些框架值得保留、哪些流程應該進入自己的系統。技術門檻會越來越低，但判斷什麼可以信、什麼不能信，仍然是一種人的工作。

所以，如果要我總結這一篇，我會說：下一代投資者的升級版「抄作業」，不是追著某一位股神的 ticker跑，而是讓Agent幫你把不同高手的解題方式拆開、比較、重組，再變成你自己的研究流程。 這裡最關鍵的變化，不在於你抄得更快，而在於你開始從「拿答案的人」，慢慢變成「會設計作業系統的人」。而當這一步成立之後，下一個自然的問題就來了：如果 AI 從螢幕裡的聊天機器，走向真正會動、會感知、會進入工廠與倉庫的physical AI，那麼供應鏈上下一批最容易塞車的地方，又會在哪裡？

撰文：陳健君（Jason）

OLAXBT創辦人、數據科學家與量化交易員、HKICT Award FinTech Gold Award（2025）得主