【AI 投資工作流】從 Gemini 搜尋到 NotebookLM 深度理解：打造美股分析系統

前言：AI 時代投資人的進化—從「獲取資訊」到「多維度理解」

在華爾街，資訊的傳遞速度是以毫秒計算的。作為個人投資者或波段交易者，我們的劣勢從來不在於獲取資訊的管道，而在於「消化資訊的速度」與「驗證資訊的品質」。

早期的 LLM（大型語言模型）應用，往往侷限於簡單的「問答」。但隨著 Google 推出的 Gemini Gems、Gemini Canvas 協作介面與 NotebookLM 的深度解析能力，我們迎來了投資分析的「工業革命」。現在，透過 AI 的幫助，就能自成一個研究團隊：包含「調查（Gemini）」、「研究員+策展人（NotebookLM）」與「出版人（Canvas）」組成的完整投研團隊。最後將資料放入 Notion 的中央資料庫管理。

過去一檔股票的分析基本上需花費兩天搜尋資料與分析，新的工作流可以將其縮短至 2 個小時。個人可管理的觀察名單（Watchlist）甚至可擴展至 100 檔股票也沒問題。

本文將詳盡拆解如何利用這套強大的 AI 生態系，結合存在 Google 網路硬碟的 FinTasticRS 量化動能數據，建立一套標準化、多維度視角的 AI 投資工作流。

使用的 AI 工具：分析生態系統

專業級的金融分析工作流建立在任務的戰略性分配上，我們區分「通用型」與「基於來源」的 AI 模型。為了打造這套全方位的分析系統，我們將靈活運用以下核心工具：

1. Google Gemini (網路級偵察兵)：

功能： 作為工作流的擴展引擎，利用即時 Google 搜尋整合來追蹤突發新聞、行業變動和市場情緒。
優勢： Gemini 3 具備多步驟推理與「深度研究（Deep Research）」能力，能像「市場偵察兵」一樣識別新興投資主題。
弱點： 依賴混合訓練數據與網路結果，容易出現過度概括或引用過時數據的幻覺。
Gemini Gems (客製化 AI 專家)： 我們可以建立專屬的「Gems」，設定特定的人設與指令（例如：設定一個「美股財報分析師 Gem」），讓它記住我們的分析邏輯與格式。
Gemini Canvas (協作介面)： 打破傳統對話框限制的協作介面，右側是編輯區，左側是 AI 助手，適合撰寫長篇分析報告或數據整理。

2. NotebookLM (基於來源的圖書館員)：

功能： 一個「封閉」資料環境，僅限於用戶上傳的文件（如 PDF、Google Docs、財報逐字稿）進行回答。
優勢： 提供精確的「來源引用」，每一句話都能連結到原始文件中的具體段落，非常適合研究季報文件或剖析法說會細節，是工作流中的「數位圖書館員」。
操作細節： 不支援 iXBRL 格式，需上傳 PDF 或標準 HTML 連結。

3. Notion (中央資料庫)：

這是一套強大的筆記與資料庫軟體。在本工作流中，Notion 扮演「資料庫」的角色，用來結構化地歸檔、追蹤與管理所有的投資分析報告，將零散的分析轉化為可長期追蹤的投資組合系統。

Gemini vs. NotebookLM 特性對照表：

特性	Gemini (偵察兵)	NotebookLM (圖書館員)
數據來源	公共網路、Google 搜尋	用戶提供的特定文件
驗證性	需外部搜尋驗證	直接引用原文段落
用途	宏觀掃描、腦力激盪	深度財報分析、審計

第一階段：Gemini Gems 的角色設定—市場前哨與廣度搜尋 (The Scout)

當市場出現有趣的個股，例如創新高、突發事件、爆量上漲，我們不再需要每次重新輸入冗長的指令。透過 Gemini Gems，我們可以將一位頂級分析師的思維邏輯「封裝」起來，使用預設好的分析格式進行高效作業。

1. 設計你的「美股財報分析師 Gem」

Gemini Gems 允許我們客製化 AI 的人設、知識庫與回應格式。你可以先在 Gemini 頁面左側點選 “Gem” 連結，新增「美股分析師」AI 角色。在「使用說明」輸入該 AI 角色的主要設定，內容包含「角色設定」、「目標/功能」、「輸出/風格」。並可以使用「相關資訊」的欄位，上傳檔案或連結 Google Drive 中的檔案做為參考資料庫。

以下提供一個「使用說明」撰寫範例：

角色設定： 你是一位擁有 20 年經驗的華爾街避險基金經理，專精於科技、媒體、電信賽道的成長股分析。你的風格是數據導向、風險厭惡且高度關注市場預期差。你的交易風格是波段交易。

工作目標： 你擅長進行「個股分析」，並且從以下幾點判斷交易機會：

催化劑偵測： 為什麼現在要關注這檔股票？（財報超預期？新產品發布？或是單純的技術面突破？）

核心數據檢視： 快速掃描營收年增率 (YoY)、EPS 變化與下季指引 (Guidance)。

市場情緒掃描 (Bull & Bear)： 搜尋近期新聞與分析師評論，列出市場目前最樂觀與最悲觀的理由。

競爭對手比較： 快速對比同業近期的動態與估值。

輸出格式 (Format)：

第一部分： 使用 Markdown 表格列出關鍵財務數據 (營收、EPS、毛利率) 與分析師評級變化。

第二部分： 使用條列式 (Bullet points) 總結 Bull Case 與 Bear Case。

第三部分： 給出一個「初步關注強度」評分 (1-10) 與一句簡短結論（如：適合深入研究 / 暫時觀望）。

設定完成後，以後只需輸入股票代碼（如 “個股分析 NVDA”），Gem 就會自動執行上述思考流程，進行「背景調查」。使用 Gemini Gem 的優點是即時上網搜尋，它能抓到昨天的法說會摘要或今天早上的分析師降評，這是靜態 PDF 文件無法提供的。再來是省去「規格設定」的步驟，就好比發給員工操作手冊，讓他們依照要求辦事。缺點就是「分析框架」越仔細，員工就越沒有創意。接下來建議一個小技巧，就是讓 AI 發掘「分析標題」。

2. 分析標題探索 (360° 分析)

Gemini 非常擅長「發掘重點主題」。我們可以利用 Gem 強大的歸納能力，規劃「研究地圖」，確保我們找出分析框架外的重點。以下是一個範例 Prompt：

「從分析中，發想 8 個不太一樣的段落標題，以問句為主。目的要從不同面向探討市場未來與投資機會。每個標題要找出具體線索與數據。並推理與歸納出多空兩面觀點。」

這能幫助你快速建立該個股分析寬廣的「分析骨架」。例如，針對 Tesla，Gem 可能會指出「FSD 的監管批准進度」是目前的重要問題，這時你就可以再繼續深挖答案。

3. 建立標準的財務計算

在大型語言模型 (LLM) 的應用中，AI 本質上是基於文字的，對於複雜算術或模糊的數學指令容易出錯。為了讓 Gemini 或 NotebookLM 準確執行財務比率分析，應使用 LaTeX 語法來提供「數學上的清晰度」。LaTeX 是一種排版語言，但在這裡被用作「精確的公式指令」。透過提供明確的 LaTeX 公式，可以強制 AI 依照特定的邏輯提取數據並進行計算。

本益比 (P/E Ratio, Non-GAAP)

針對成長股與科技股，我們通常使用 Non-GAAP EPS 來排除股權獎勵 (SBC) 等一次性費用，更能反映核心獲利能力。

Forward P/E (Non-GAAP):
$$\text{Forward P/E}_{\text{NTM}} = \frac{\text{Share Price}}{\text{EPS}_{\text{NTM (Est., Non-GAAP)}}}$$

Trailing P/E (Non-GAAP):
$$\text{P/E}_{\text{TTM}} = \frac{\text{Share Price}}{\text{EPS}_{\text{TTM (Non-GAAP)}}}$$

建議把常用的計算公式整合在一個 Google 文件，再使用 Gem 的「相關資訊」功能進行連結。

4. 動能分析 – FinTasticRS

FinTasticRS 動能分析使用的是 Google 試算表。只要使用 Gem 的「相關資訊」功能連結該檔案，就可以直接讓 AI 抓取最新的動能數據，進行數據分析。這比打開 Google 試算表搜尋、分析還要有效率。

總結來說，使用 Gemini Gem 進行初次股票分析，是非常好用的功能。以我的經驗來說，透過新聞、YouTube 影片、股票篩選、或產業分析時認識的一些股票名字，我都是先用 Gemini 做分析。在財報季，每天都可以用這個方法快速了解每股公司。大約 80% 的股票這樣的分析就夠了，只有約 20% 的股票符合「選股偏好」，我才進入第二階段的深度作業。

第二階段：五象限戰力評分 (The 5-Quadrant Scores)

在第一階段初次分析後，我們需要一個量化濾網 (Quantitative Filter)，用於將質化訊息轉化為可比較的數據。這是我設計用於成長股波段交易的核心評分模型，涵蓋成長性、獲利能力、護城河、估值與動能五大維度。

可以先將以下的《個股評分》寫在 Google 文件。在 Gem 的設定頁面中進行文件連結。未來可以直接引用。評分完成後，建議將數據記錄在 Notion 資料庫中進行長期追蹤與排行。所以文件開頭會要求製作一份 TXT 檔案，方便之後改成 CSV 檔，在 Notion 的資料庫可以用「與 CSV 合併」，把資料匯入。

在 Gemini Gem 使用個股評分的 Prompt：

「請基於目前的分析結果，進行個股評分，並附上具體的評分理由。」

提供Gem個股評分的標準，參考：

《個股評分》

製作一份 TXT 檔，第一列是標準欄位，必須依此順序與命名：

Ticker, Company, Sector, Status, 資料更新日期, Next Q Rev YoY (Est.) %, Growth, Profitability, Valuation, Moat, Momentum

第二列依照標準欄位填入，例如：

TER,Teradyne,Semiconductor Test / Robotics,Review,2026-01-07,27,8,8,3,9,10

第二列填寫說明：

Sector： 例如 “AI / Datacenter Infrastructure”
Status： 預設 ”Review”
資料更新日期： 今天日期，例如 “2025-10-12”
Next Q Rev YoY (Est.) %： 省略 “%”，10% 請寫 “10”，若不確定留空字串。
Growth/Profitability/Valuation/Moat/Momentum： 請填寫 1~10 的數字評分（最小單位 1），評分項目與標準請參考下面。

《個股評分項目與標準》

請針對個股的以下五象限進行 1-10 分的評分。

1. 成長性 (Growth)—營收加速與品質 (Acceleration & Quality)

不只看成長的絕對值，更看成長的「加速度」與「品質」。

評估指標：
- 本季營收年增率： 營收年增率 (YoY) 相對競爭對手狀況？是否增速？
- 超預期與指引調升 (Beat & Raise)： 公司是否連續擊敗預期並調升未來指引？
- 預期未來 12 個月營收年增率： 未來營收增長可見度？是否有正面的 Catalyst？
- 剩餘履約義務 (cRPO) / 訂單出貨比 (Book-to-Bill)： 對於 SaaS 或半導體股，這些領先指標是否強勁？
評分標準：
- 10分 (頂級成長)： 預估未來營收年增率 > 50%，且呈現「加速」趨勢，並伴隨強勁的指引調升。
- 5分 (穩健成長)： 營收年增率 15-20%，成長平穩但無加速跡象。
- 1分 (衰退)： 營收負成長或顯著低於市場預期。
關鍵提問： 「找出管理層對於下個季度指引（Guidance）的具體措辭，是保守還是樂觀？是否有提到『需求積壓 (Backlog)』或『能見度 (Visibility)』？」

2. 獲利能力 (Profitability)—單位經濟效益與槓桿 (Unit Economics & Leverage)

評估公司是否具備將營收轉化為現金流的能力，以及是否展現規模經濟。

評估指標：
- 毛利率趨勢 (Gross Margin Trend)： 是否因定價權或產品組合優化而擴張？
- 經營槓桿 (Operating Leverage)： 營收成長速度是否快於營業費用成長速度？
- Rule of 40 (SaaS專用)： 營收成長率 + 自由現金流利潤率是否 > 40？
- 現金流轉換 (FCF Conversion)： 淨利與自由現金流的轉換品質。
評分標準：
- 10分 (現金牛)： Operating Margin > 40% 或 Rule of 40 > 60，且毛利率持續創歷史新高。
- 5分 (轉虧為盈)： GAAP 接近損益兩平點，FCF 為正數，且經營槓桿開始顯現。
- 1分 (燒錢)： 毛利率惡化，且虧損幅度擴大，現金流為負。

3. 護城河 (Moat)—競爭優勢與定價權 (Sustainability & Pricing Power)

評估競爭優勢的「寬度」與「可持續性」。

評估指標：
- 轉換成本 (Switching Costs)： 客戶離開是否極其痛苦（如 ERP 系統、生態系鎖定）？
- 網絡效應 (Network Effects)： 用戶越多，產品價值是否越高？
- 技術與專利 (Intangible Assets)： 是否擁有競爭對手難以複製的技術壁壘？
- 定價權 (Pricing Power)： 是否能漲價而不流失客戶？
評分標準：
- 10分 (壟斷/寡占)： 擁有不可撼動的壟斷地位、極高技術門檻或強大的生態系網絡效應（如 NVDA 的 CUDA, Costco 的會員制）。
- 5分 (有優勢但競爭激烈)： 產品優秀但面臨價格戰壓力。
- 1分 (同質化商品)： 無明顯差異化，只能進行價格競爭 (Commoditized)。

4. 估值 (Valuation)—安全邊際與相對價值 (Safety Margin)

估值不是找「便宜」，而是找「錯價」或「合理價格買入好公司」。

評估指標：
- 相對估值 (Relative Valuation)： 與歷史區間及同業相比，目前的倍數（P/E, P/S, EV/EBITDA）處於什麼位置？
- PEG Ratio (成長股聖杯)： 用 P/E 除以成長率，PEG < 1 通常代表低估。
- 預期差 (Expectation Gap)： 市場目前的估值是否已經反映了所有好消息（Priced for perfection）？
評分標準：
- 10分 (顯著低估)： PEG < 1，或估值處於歷史低位但基本面強勁轉好。
- 5分 (合理)： 估值合理，符合其成長率 (PEG ≈ 1.5-2.0)。
- 1分 (泡沫)： 估值創歷史天價，且需極度完美的執行力才能支撐目前的股價。

5. 動能 (Momentum)—股價的相對動能表現

結合 FinTasticRS 數據。

評估指標： 使用 Google Sheet 連結 FinTasticRS，使用該股票的 RS Rank 排行。
評分標準：
- 10分 (超級強勢)： RS Rank 91-100。
- 1分 (弱勢)： RS Rank < 10。

總結來說，AI 評分仍具有主觀性與局限性。由於 Gemini 在單次對話中僅針對單一標的進行分析，缺乏全市場比較的「相對視角」，可能導致評分標準不一致。因此，這些分數僅作為初步篩選參考，在完成深度研究後，我通常會根據跨標的之比較經驗，進行最終的手動校正。

第三階段：NotebookLM—沉浸式深度研究 (The Deep Researcher & Curator)

為了解決 LLM 常見的「幻覺（Hallucination）」問題，強制它基於我們指定的「資料來源」進行生成。作為您的專屬「研究員+策展人」，NotebookLM 的優點是能嚴格搜尋/控制資訊來源，透過對話、摘要等方式與資料互動，更能協助我們以多元視角消化複雜知識。其核心介面由三大支柱組成：來源 (Sources)、對話 (Chat) 與工作室 (Studio)。

1. “來源” – 資料源頭管理 (Raw Data Collection)

這是知識庫的地基。執行個股季報分析可以執行「下載原始資料」策略，直接匯入官方財報、法說會逐字稿、投資者簡報。 NotebookLM 支援高度彈性的輸入方式，包括：Google 雲端硬碟、網址連結 (URL)、YouTube 影片、剪貼文字，以及直接上傳圖片/PDF。除此之外，更好用的是 “Deep Research” 功能，讓 NotebookLM 即時搜尋網路，進行資料蒐集，並且完成一個初步報告。

Deep Research (深度搜尋) 功能： 這是強大的主動研究工具。您可以要求 AI 針對特定主題搜尋網路，深入挖掘並生成一份綜合研究報告，系統會自動將所有參考的網路資料來源一併匯入「來源」區，供後續查證。
精確管理： 每一筆匯入的資料（Source）皆可獨立刪除與管理，確保我們的分析是基於高純度、無雜訊的數據池。

NotebookLM 來源限制

數量上限：每個筆記本最多 50 個 來源。
單檔文字：每個來源最多 50 萬字。
單檔大小：每個來源最大 200 MB。

2. “對話” – 與資料深度對談 (Chat with Sources)

“對話” 介面實際功能與 Gemini 一般功能相似，唯一差別在於資料引用範圍受到限制。利用 “對話” 介面與資料庫進行「蘇格拉底式對談」。這不再是單向的閱讀，而是透過對話來摘要、翻找、解釋、萃取、重新組合來源中的碎片化訊息。最重要的功能是 Citation (引用來源)—AI 的每一句回答都會標註出自哪一份文件的哪一段落，方便我們即時驗證真實性。別忘了上一段我們建議的 360 度分析也非常好用。

摘要 (Summarize)： 指令 AI 將混亂的資料梳理出結構。不只是「給摘要」，而是「依類別摘要」。例如：「請將這份季報報告依照『財務亮點』、『營運風險』與『未來指引』三個面向進行重點摘要。」 這能讓你迅速掌握財報骨架。
翻找 (Find)： 扮演關鍵字狙擊手。不需要從頭閱讀逐字稿，直接下令搜尋特定議題。例如：「找出這場法說會中所有提到『AI 營收貢獻』的段落，並列出具體的金額數字。」 或 「CFO 對於下個季度的毛利率有哪些具體的評論？」
解釋 (Explain)： 充當你的私人助教。遇到艱澀的產業術語或財務名詞時，要求 AI 進行白話文轉譯。例如：「請用小學生都能懂的比喻，解釋什麼是『非一般公認會計原則 (Non-GAAP)』調整項目。」 這能幫助你跨越專業知識的門檻。
萃取 (Extract)： 這是處理多模態資料（如 YouTube 影片或圖表圖片）的關鍵步驟。Prompt：「請將這部影片/這張圖表的所有內容，轉錄為完整的逐字稿或數據文字，不要進行摘要。」 生成後，利用「儲存至記事」功能，接著在右側介面選該記事並選擇 「轉換為來源」。這個「文字化」的過程能將非結構化資料轉為 AI 最擅長處理的純文字格式，大幅提升後續分析的準確度。
重新組合 (Recombine)： 扮演編輯角色。要求 AI 將上述挖掘出的洞見，依照你需要的格式輸出。例如：「請將剛剛提到的所有風險因素，整理成一個 Markdown 表格。」 或 要求進行 360 度分析，讓 AI 進行重點的 Q&A 呈現。

3. “工作室” – 多維度產出與應用 (Studio & Output)

將資料內化後，NotebookLM 的工作室（Studio）內建了九種強大的生成功能，協助我們將知識轉化為洞見。以下依照實戰應用頻率與喜好順序進行解析：

資訊圖表 (Infographic)：能自動生成一張視覺化的總結圖片，這是我每個筆記的必備功能。它能快速將複雜報告轉化為一目了然的視覺摘要，非常適合作為文章或筆記的封面圖。需留意目前繁體中文顯示偶有亂碼情形。
報告 (Reports)：內建多種報告樣板，亦支援自定義格式。我習慣輸入預設的「個股分析」架構，要求 AI 生成一份完整的分析報告，這往往是我使用 NotebookLM 的最終產出目標。生成後可直接「匯出至 Google 文件」進行保存。唯目前報告內容無法直接在 NotebookLM 內修改，建議匯出至 Gemini Canvas 進行後續編輯。
簡報 (Presentation)：自動生成一份包含約 12 張投影片的 PDF 簡報。透過圖文並茂的方式，能快速掌握整份資料的核心訊息。同樣需注意繁體中文圖片生成的錯誤問題。
資料表 (Data Table)：將數據整理並輸出成表格，支援「匯出為 Google 試算表」進行後續運算。這是一個極具潛力的工具，可用於製作 DCF 估值模型、計算未來營收年增率 (CAGR) 或進行同業估值比較。凡涉及數字計算的任務，皆可延伸至試算表中處理。不過目前 AI 對於欄列定義的理解仍需非常精確的指令引導，尚在持續研究最佳化 Prompt 中。
語音摘要 (Audio Overview)：生成一段約 2 分鐘的 Podcast 音檔，適合在無法閱讀時（如通勤）使用。進階技巧：將生成的個股報告複製到「筆記」，再將該筆記**「轉換為來源 (Convert to Source)」，並僅針對該來源生成語音。建議設定客製化指令：「一位主持人，以新聞主播風格，完整報導 {Ticker} 個股分析。去除寒暄、冗贅問句與連接詞。」** 這樣 AI 會更聚焦於重點資訊。
心智圖 (Mind Map)：當你對資料毫無頭緒時，心智圖能協助探索結構。點選節點深入一層，對話介面即會顯示詳細內容。不過在已有明確個股分析框架的情況下，此功能使用頻率較低。
影片摘要 (Video Summary)：將內容轉化為影片格式。由於生成時間較長，實務上較少使用。
學習卡 (Study Guide)：製作成類似 Flash Cards 的記憶卡片，適合背誦單字或專有名詞。對於邏輯導向的股市分析幫助有限。
測驗 (Quiz)：利用建議問題 (Suggested Questions) 或測驗功能，自我測試對該公司護城河優勢與潛在風險的理解程度。

循環增強： 別忘了，生成的文字可以手動複製到「新增記事」，再 「轉換為來源」，讓 AI 基於第一輪歸納的重點，進行更深層的二次分析或第二層思考。

第四階段：Canvas—視覺化創作與報告撰寫 (The Publisher)

完成第二階段深度研究後，篩選出有興趣投資的標的，我會再次檢視「個股報告」，將資訊進行消化、重新輸出、整合與歸納。這時，Gemini 的協作介面 Canvas 就派上用場了。Canvas 是一個分屏介面，右側是「寫作區」，左側是 AI 「對話區」。在「新增檔案」可以連結 NotebookLM 筆記本。讓資源不必重頭開始。報告撰寫不應該是 AI 完成，最好是「與 AI 共同思考」的過程，修改與編輯個股分析通常引發我深層理解與思考。結合我的自身經驗，將知識轉化成智慧的重要手段。

1. 結構化報告撰寫與第二層思考 (Iterative Writing & Second-Order Thinking)

在 Canvas 中，我們貼上 NotebookLM 的最終研究報告，進行修改與編輯。在這個編輯「個股分析」的過程往往會激發出新的疑問，這時我們直接在寫作區進行編輯，也可以利用 Canvas 左側的 AI 助手發出「編輯指令」：

加入觀點： 「將成長潛力分析重點放在新的 AI 業務，用 base case 重新推估下一季的營收 YoY。」
數據佐證： 「請幫我查找該公司過去五年的毛利率數據來佐證這一段。」
第二層思考： 「除了表面上的營收成長，請分析這對其現金流的長期影響是什麼？市場是否過度樂觀？」
優化內容： 選取某一段落，要求 AI 「改寫得更專業一點」或「補充更多細節」。
插入資訊圖表： 請 AI 在適當的位置註明插入資訊圖表，並提供製作資訊圖表的提示詞。利用 NotebookLM 工作室的 “資訊圖表” 功能，將複雜的財務數據轉化為視覺化圖表。但 Canvas 的文章編輯是 Markdown 文件，本身並不支援圖片。所以適合在 Google 文件中進行圖文整合。

Canvas 的缺點是偶爾給 AI 的編輯指令會導致刪改錯誤的區域。或是手動編輯的文字會遺失。所以最好每過一陣子要手動備份。

第五階段：Notion 投資戰情室—資料庫整理與自動化歸檔

分析的終點是將非結構化的文字轉化為結構化的數據庫。這不僅是歸檔，更是建立個人投資系統的關鍵。

1. 建立 Notion 資料庫 (Database Setup)

請先在 Notion 上建立一個新的 Table View (表格) 資料庫，並設定以下必要的屬性 (Properties) 與類型：

Ticker (文字/Title)：股票代碼 (這是主鍵，合併 CSV 時的依據)。
Company (文字/Text)：公司名稱。
Sector (選單/Select)：產業板塊 (如 AI Infrastructure, SaaS)。
Status (狀態/Status)：設定選項如 Watchlist (觀察中), Deep Dive (深度研究), Holding (持倉), Pass (剔除)。
資料更新日期 (日期/Date)：記錄分析當下的時間。
Next Q Rev YoY (Est.) % (數字/Number)：下季營收預估年增率。
Growth (數字/Number)：成長性評分 (1-10)。
Profitability (數字/Number)：獲利能力評分 (1-10)。
Valuation (數字/Number)：估值評分 (1-10)。
Moat (數字/Number)：護城河評分 (1-10)。
Momentum (數字/Number)：動能評分 (1-10)。
Score (公式/Formula)：加權總分。
評分 (公式/Formula)：以圖形顯示。

設定 Score 公式： 點選 Score 屬性 -> 編輯屬性 -> 編輯公式。輸入以下公式（您可以依據個人偏好調整權重，總和需為 10）：

round( prop("Growth") * 2.5 + prop("Profitability") * 2 + prop("Valuation") * 1.5 + prop("Moat") * 2.5 + prop("Momentum") * 1.5 ) 註：此公式將各項評分加權後算出 0-100 的總分。

設定評分公式： 點選 評分 屬性 -> 編輯屬性 -> 編輯公式。輸入以下公式（您可以依據個人偏好調整）：

if(prop("Score") >= 85, "🏆🏆🏆🏆🏆", if(prop("Score") >= 80, "🏆🏆🏆🏆", if(prop("Score") >= 75, "🏆🏆🏆", if(prop("Score") >= 70, "🏆🏆", if(prop("Score") >= 65, "🏆", "⛔")))))

2. 產出標準化個股 CSV (Data Generation)

在 Gemini Gem 使用個股評分的 Prompt (參考第二階段)，要求 AI 輸出如下格式：

「請基於目前的分析結果，進行個股評分，並附上具體的評分理由。」

AI 輸出範例：

Ticker,Company,Sector,Status,資料更新日期,Next Q Rev YoY (Est.) %,Growth,Profitability,Valuation,Moat,Momentum
NVDA,NVIDIA,AI Infrastructure,Review,2026-01-07,80,10,10,5,10,10

3. 匯入 Notion (Import & Merge)

這是最關鍵的自動化步驟，利用 Notion 的「合併」功能，可以避免重複建立條目。

製作 CSV 檔：
- 複製 AI 生成的 CSV 文字內容。
- 開啟電腦上的記事本 (Notepad) 或文字編輯器。
- 貼上內容，另存新檔，檔名設為 {ticker}.csv (例如: NVDA.csv)。
執行合併：
- 回到 Notion 資料庫頁面。
- 點擊右上角的 … (更多選項) 選單。
- 選擇 「與 CSV 合併 (Merge with CSV)」。
- 選取剛剛製作的 {ticker}.csv 檔案。
- Notion 會自動新增一列數據。

4. 儲存質化分析 (Qualitative Archiving)

數據只是骨架，分析觀點才是靈魂。

在 Notion 資料庫中，點擊該股票的 Open (開啟) 按鈕，進入頁面詳情。
回到 Gemini Canvas 或 NotebookLM，將完整的「個股分析報告」、「投資論點 (Investment Thesis)」與「風險提示」複製。
直接貼入 Notion 頁面的內文區。

5. 排序與追蹤 (Sorting & Review)

在資料庫上方點選 Sort (排序) -> 選擇 Score -> Descending (降冪)。
現在，您的觀察名單將自動依照「Score」排列，讓您一眼看出目前市場上基本面與動能最強勁的標的，將有限的資金集中在排名最前列的機會上。

優缺點分析 (Pros & Cons)

經過這套「Gemini 搜尋 -> NotebookLM 消化 -> Canvas 創作 -> Gemini 評分 -> Notion 歸檔」的流程實戰，以下是深度的使用心得：

優點 (Pros)

研究效率革命 (Efficiency Revolution)： 整套流程能將單一檔個股的初步研究時間縮短至 10 分鐘以內。投資人可以快速篩選是否值得深入投入，再視需求決定是否閱讀更多細節。這在美股財報季（Earnings Season）每週有數十家公司同時公布財報的忙碌時期，展現出巨大的時間紅利。
理解力大幅提升 (Deep Understanding)： 透過 AI 整理繁雜的資訊、並且摘要成重點，且讓我們直接跟資訊進行對話，可幫助理解數字背後的故事，而非僅是掃描冷冰冰的數據。
多模態學習 (Multi-modal Learning)： 無論是視覺型（看圖表）還是聽覺型（聽 Audio）投資人，這套流程都能滿足，讓消化艱澀的金融資訊變得更輕鬆。
動能與基本面的完美結合： AI 負責它擅長的基本面文本分析，我們負責它不擅長的即時股價動能（利用 FinTasticRS）。兩者結合，避免了「好公司買在爛價格」或「買了死魚股」的風險。
Source-Grounding 減少幻覺： NotebookLM 透過鎖定文件來源，大幅降低了 AI 胡說八道的機率。如果財報沒寫，它會直接說「文件中未提及」。(但請注意下方缺點關於時間錯置的限制)。

缺點與挑戰 (Cons)

時間錯置與幻覺 (Time & Data Hallucinations)： 「消滅幻覺」仍有待加強。由於 Gemini 的訓練資料有時間截止點（Cut-off date），它對「今天」、「上週」等相對時間概念容易搞錯。此外，聯網抓取的資料有時會抓到舊聞或時間標記錯誤的文章，導致分析時序錯亂，使用者務必對日期進行二次確認。
數據抓取受限 (Web Scraping Limitations)： 目前市面上許多財經網站（如某些新聞網或付費數據庫）已開始設置防火牆阻擋 LLM 抓取資料。因此，關鍵的財務數據和技術分析圖表，仍建議需自行查詢原始網站或看盤軟體進行核對，不可完全依賴 AI 的搜尋結果。
依賴高品質的數據源 (GIGO)： “Garbage In, Garbage Out”。如果你下載的 PDF 是錯誤的年份，或者漏掉了關鍵的法說會 Q&A，AI 的分析就會失真。

關鍵思考：人的角色重塑——從「分析師」轉型為「鑑定師」 (Redefining the Human Role)

這套工作流將我從繁瑣的數據摘錄工作中解放出來。我不再是「數據搬運工」，而可以將時間花在「重要決策」上。

Gemini 是我的探子，幫我過濾市場雜訊。
NotebookLM 是我的研究員，幫我閱讀千頁文件並陪我聊天討論。
FinTasticRS 是我的量化雷達，告訴我何時風向順利。
Notion 是我的軍庫，累積我的投資智慧。

在這個 AI 賦能的時代，你或許會問「如果 AI 都能做了，那人要幹嘛？」。答案在於：角色的根本性轉變。

有了 AI，專業的金融知識變得前所未有的普及。過去僅屬於機構法人的資訊優勢已被弭平。在這樣的新環境下，個人投資者的修練重點不再是苦力般的數據整理，而是聚焦於以下兩個核心能力：

鑑定報告 (Appraisal)： AI 能快速產出分析，但它可能會有幻覺或邏輯漏洞。我們必須具備足夠的專業素養，像一位資深的「珠寶鑑定師」一樣，去審視 AI 呈上來的報告。判斷其引用的數據是否正確？推論是否合乎商業邏輯？這需要我們累積的市場經驗來把關。
發現價值 (Value Discovery) 與決策 (Decision Making)： AI 擅長歸納「顯性資訊」，但往往難以捕捉市場的「隱性情緒」或進行反直覺的判斷。這正是人類發揮**「第二層思考 (Second-Order Thinking)」**的主場。
- AI 會告訴你：「這家公司財報很好。」
- 你的第二層思考：「大家都知道財報很好，股價是否已經過熱？現在進場是否還有賠率優勢？」

最終，AI 負責提供精準的「情報」，而人類負責基於這些情報做出獲利的「決策」。透過我們的經驗與直覺，在 AI 鋪好的數據地基上，蓋出獲利的摩天大樓。

未來展望：邁向全自動化的 AI 金融代理人 (Future Outlook)

雖然目前的 Workflow 2.0 已經大幅提升了個人的投研效率，但我們仍處於「半自動化」的階段，需要人工在不同工具間進行操作。展望未來，AI 金融分析的終極型態將發生在以下兩個突破點，這將使分析能力變得無比強大：

1. 精確數據庫的 API 串接 (Real-time Accurate Data)

目前最大的痛點在於 AI 對數字和時間的「幻覺」。未來，當 LLM 能夠透過 API 直接連接至 Bloomberg、FactSet 或 FMP (Financial Modeling Prep) 等具有正確數據的金融數據庫時，遊戲規則將徹底改變。AI 將不再是「閱讀文本」，而是直接「計算數據」。這將徹底解決時間錯置的問題，並能即時運算出複雜的估值模型，準確度將達到機構等級。

2. Agent 代理人自動化流程 (Agentic Workflow)

我們正邁向 Agent (智慧代理人) 的時代。未來的投資人不需要手動切換視窗。我們可以設定一個「投資 Agent」，讓它每天早上：

自動透過 Screener 條件，增加或刪減 Watchlist。
自動喚醒並讀取您的 Watchlist。
自動去資料庫抓取最新財報、上網抓取新聞與即時 FinTasticRS 動能數據。
自動執行上述所有的分析步驟（基本面 + 技術面）。
僅將「符合高分標準」的標的，推送到您的手機或 Canvas 介面上。

在這個未來，我們將從「操作 AI 的人」，進化為「指揮 AI 軍團的司令官」。這套 Workflow 2.0 只是起點，讓我們準備好迎接全自動化金融分析的浪潮。