一句话总结
10-K 有 100-300 页，大半是模板套话。想拿到一页能用的 brief：先从 SEC EDGAR 下载官方原文，喂给一个长上下文模型（Claude 和 NotebookLM 都能一次装下 150 页年报，不用切片），跑下面的 Prompt，最后把三个顶层数字对着原文核一遍再转发。AI 压缩和找规律很强，但从表格里读数字不可靠——所以核对这一步不能省。
任务场景
你要快速读完一份年报——做竞品分析、尽调、合作评估，或者老板直接丢给你一份。完整 PDF 有 100-300 页，其中约六成是风险因素套话、法律免责和标准化的财报三表。你要一页 brief：商业模式、分部收入拆分、三个最大风险、最大的一个机会，以及 CEO 最自豪的那句话和被他埋掉的那句话之间的落差。这份 brief 是给你自己看的，不是给监管的——写清楚比写”合规”重要。
先拿到权威原文
别去随便一个投资者关系博客上下载 PDF 来总结。直接从 SEC EDGAR（美国证监会免费公开数据库）取原文——无需注册，支持全文检索，每家美国上市公司从 1994 年至今的机读 XBRL 财报全都有。按公司名或股票代码搜，表单类型筛 10-K，下载最新一份。要做年度对比，再把上一年那份也下下来。XBRL 数据集可以用来反查 AI 报出来的顶层数字。
哪些情况适合让 AI 来做，哪些不要
AI 善于把致密的会计语言压成大白话，也善于暴露结构性规律：分部增长、利润率压缩、收入地区迁移、今年新增而去年没有的风险因素。但它从表格里读数字很弱：模型仍会把行列对错位，然后信誓旦旦地报出一个错误的收入。MIT 的研究发现，模型答错时用的语气反而比答对时更笃定——所以读错的数字特别难被发现。一个有记录的典型错误：让它算”收入从 5000 万降到 3000 万的增长率”，它可能答”50%“，而正确答案是 −40%。把每个数字都当成草稿，核过才算数。
| 任务 | AI 可靠度 | 怎么处理 |
|---|---|---|
| 大白话讲商业模式 | 高 | 可信，扫一眼即可 |
| 分部 / 风险因素叙述 | 高 | 对着小标题抽查 |
| 顶层收入、增速、利润率 | 低——必须核 | 自己读利润表 |
| 增长率 / 比率计算 | 低——必须核 | 手动重算一遍 |
| 来自脚注的声明 | 低——必须核 | 翻到那条脚注 |
150 页年报选哪个工具
| 工具（2026 年 6 月） | 长文处理 | 最适合 | 价格 |
|---|---|---|---|
| Claude Pro（Sonnet 4.6） | 1M token 上下文，能装下整份年报；超过 100 页的 PDF 只做文字提取 | 在单份报告里做综合与推理 | $20/月 |
| NotebookLM | 每条结论都强制带源内联编号引用 | 有源可查的抽取；同时查多份报告 | 免费 / 含在 Google AI Pro $19.99/月 |
| ChatGPT Plus（GPT-5.5） | 单文件 512 MB；应用内约 320 页上下文；超过约 900 页会变慢、排版乱 | 单节快速提问 | $20/月 |
| Gemini 3.1 Pro | 1M token 上下文；单文件 100 MB | 跨源综合 | Google AI Pro $19.99/月 |
股票研究从业者常用的分工：NotebookLM 负责抽取（它每条结论都强制带引用，能直接点回原文那一行），Claude 负责综合（它在整份文档上的推理更强）。如果只用一个，$20/月 的 Claude Pro 足以从头到尾处理一份 150 页的 10-K。
需要给 AI 的输入信息
- 10-K / 年报（从 EDGAR 下的 PDF，或贴进来的具体段落）
- 读者视角：竞争分析师、非财务高管、合作方、投资者
- 你已经有的具体问题（如”国际分部最近怎么样？”）
- 模型推断不出来的行业上下文（近期监管变化、同行基准）
- 这份总结的用途：内部 brief、deck、投资备忘
可直接复制的 Prompt
把这份 10-K / 年报压成一页 brief。
读者视角：[竞争分析师 / 非财务高管 / 合作方 / 投资者]
我已有的具体问题：[列表]
你应该知道的行业上下文：[列表]
用途：[brief / deck / 备忘]
文档：
"""
[贴相关段落或全文]
"""
请输出：
1. 商业模式 2 句话（不要术语）
2. 分部收入拆分 + YoY 变化
3. 三个最大风险（取自 MD&A 或 Risk Factors）
4. 最大的一个机会，用大白话
5. CEO 最自豪的一件事（带原句）
6. 被淡化的一件事（带暗示那一行）
7. "被最不强调"的风险——风险通常被埋在该节末尾
8. 分析师读完会问的三个跟进问题
不要解释法律免责。每个数字后面都标 [VERIFY]，并告诉我它出自第几页，方便我核。做对比时，把上一年那份也加进去，再问：“和上年报告对比——什么是新的、什么消失了、什么悄悄变了、新增或删掉了哪条风险因素。“
怎么判断结果能不能直接用
- 收入、增速、营业利润率与你自己读的利润表对得上
- 商业模式两句话陌生人能看懂
- 风险来自 Risk Factors 节的真实条目，不是通用占位
- “被淡化”那一条是报告里真实的暗示，不是编辑评论
- 每个报出来的数字都带一个能点回去核的页码
- brief 让你的读者不用回去翻原文
容易踩的坑
- 跳过风险节。 年报把坏消息埋在 Item 1A 和 MD&A 末尾——真正的故事就在那。
- 信模型的数字记忆。 顶层指标要对着利润表核，绝不凭记忆引用。
- 让 AI 编客户集中度或流失率。 只有报告里真披露了才能用。
- 一次性总结、不和上年比。 年度变化才是信号，单看一年只是快照。
- 没核就转给老板。 一个数字错了，整份 brief 的可信度都没了。
FAQ
长 PDF 是切片还是整文喂？ 用 1M token 的模型（Claude Sonnet 4.6、Gemini 3.1 Pro），一份 150 页年报能整文装下。200-300 页、或要跨多份报告查，就按节切片，或者用 NotebookLM——它本来就是为查大批源资料设计的，每条结论都带引用。
AI 读表格和脚注准吗？ 能读，但表格越密准确度越低，行列错位是最经典的错误。注意：Claude 只在 100 页以内的 PDF 里解析图片和图表，超过 100 页就只提取文字。脚注或表格里得出的结论，都要对着那一页核。
公司是私营、没有 10-K 怎么办？ 换成你手上有的材料——投资者更新、董事会 deck、审计过的报表、409A 估值报告。同一套 Prompt 结构照用，只要告诉模型它读的是哪类文档。
哪个模型数字最准？ 没有一个准到可以不核就引用。截至 2026 年 6 月，顶尖模型仍会读错表格里的数字，而且读错时还很笃定。用 NotebookLM 的引用或 Claude 的页码跳到原文，顶层数字自己对着报表读。
相关
- PDF 总结 Prompt ——更宽的 PDF 总结流程
- 竞品对比 ——总结进入竞争分析
- 竞品分析 AI ——结构化竞品拆解
- 业务数据分析 AI ——相邻业务分析
- 整理市场研究 ——更宽的市场研究
- 图表 & 表格解读 AI ——把表压成易读
- AI 事实核查流程 ——核引用的声明