# 資料、準確性與負責任使用

> 本站最重要的一頁。InvestSkill 讓 AI *像分析師一樣推理*——但它的好壞，取決於你餵入的資料，以及你施加的檢驗。本頁說明數字從何而來、如何辨識錯誤，以及你必須遵守的限制。

---

## 各技能如何取得資料

**InvestSkill 本身不抓取資料。** 外掛中沒有執行環境、沒有 API、沒有即時行情——每個技能都是一段*提示詞*，告訴 AI 如何推理。資料來自兩處之一：

1. **你貼進去的內容**——10-K 摘錄、法說逐字稿、你的持股、一張財務數據表。這是最可靠的路徑，因為*你*掌控了來源。
2. **宿主 AI 能存取的內容**——若你的助理具備網路／搜尋／工具能力（例如具網路搜尋的 Claude、已連接的資料工具），它可能自行檢索數字。這很方便，但**必須驗證**——模型可能引用過時、近似或張冠李戴的數字。

> **後果：** 若你在沒有資料、也沒有工具存取的情況下問「評估 AAPL」，模型只能憑訓練記憶作答——那是過時且可能錯誤的。請務必以最新、第一手的資料來錨定分析。

---

## 資料與來源標頭（Data & Sources）

由於產出品質完全取決於*數字的來源*，每一份分析都應在最前面申報其出處。請要求——並預期——任何報告開頭都帶有這樣的 **Data & Sources** 區塊：

```
Data & Sources
  As of:      2026-07-02
  Source:     SEC EDGAR 10-K（FY2025）· 公司 IR · FRED
  Retrieval:  使用者貼上   （或：網路／工具檢索 · 模型記憶）
  Confidence: HIGH — 第一手、最新
```

| 欄位 | 告訴你什麼 |
|------|-----------|
| **As of** | 數字所代表的日期——任何過時者都應被標示 |
| **Source** | 數字背後的第一手文件 |
| **Retrieval** | 數字如何到達模型：*貼上*（最可靠）→ *網路／工具*（需驗證）→ *模型記憶*（最不可靠，視為近似值） |
| **Confidence** | HIGH（第一手、最新）· MEDIUM（混合／次級）· LOW（記憶或資料缺漏） |

> **經驗法則：** 若 Retrieval 一行寫著「模型記憶」，在你以第一手來源確認之前，請把每個數字都當成佔位符。綜合報告（`full-report`、`research-bundle`）應始終帶有此標頭，**並**以一次 [`result-validator`](#驗證-ai-產出) 驗證作結。

---

## 建議的資料來源

| 需求 | 第一手來源 |
|------|-----------|
| 財務報表、10-K／10-Q／8-K | [SEC EDGAR](https://www.sec.gov/edgar)（免費、權威） |
| 法說會逐字稿 | 公司 IR 網站、逐字稿服務商 |
| 內部人交易（Form 4） | SEC EDGAR |
| 機構持股（13F） | SEC EDGAR |
| 價格／成交量／技術面 | 你的券商、看盤平台 |
| 股利歷史 | 公司 IR、股利追蹤工具 |
| 總經指標 | 央行／統計機構發布（例如 FRED） |

**最佳做法：** 把實際數字複製進提示詞中（或讓具工具能力的助理直接讀取該份文件），而非倚賴模型的記憶。針對申報文件，`financial-report-analyst` 即是設計來直接吃下你貼上的 10-K／10-Q 段落。

---

## 辨識幻覺數字

AI 可能*信心十足*地說出錯誤數字。留意這些徵兆：

- **可疑地過於整齊的數字**（剛好 15.0% 利潤率、$100.0B 營收）。
- **兜不攏的數字**——例如 EPS 與所述的淨利 ÷ 股數對不起來。
- **與今日報價不符的過時股價或市值**。
- **你未提供底層資料，卻冒出帶來源的指標**。
- **與資料不相稱的信心水準**——對一檔你零資料的股票給出 HIGH 信心，本身就是警訊。

**你可以手動做的對帳檢查：**

| 檢查 | 是否成立？ |
|------|-----------|
| EPS × 股數 ≈ 淨利 | 不成立，則必有一數有誤 |
| 股利 ÷ 股價 ≈ 所述殖利率 | 揪出殖利率錯誤 |
| 營運現金流 − 資本支出 ≈ FCF | 揪出現金流杜撰 |
| 本益比 × EPS ≈ 股價 | 揪出估值漂移 |

若某個數字連自身算術都通不過，就丟棄整段，並以明確資料重跑。

---

## 驗證 AI 產出

`result-validator` 是第一線步驟，而非可有可無。請把它從「小技巧」升格為「習慣」：

**何時執行：** 任何高風險分析之後；綜合結果（`research-bundle`、`full-report`）後*務必*執行；以及任何時候訊號好得令人起疑時。

**它評什麼：** 資料品質、方法論的嚴謹度、訊號一致性——回傳一個信心分數與一份缺口清單。

```
/result-validator      ← 貼上分析產出（或綜合訊號區塊）
```

**手動複核檢查表**（即使無法執行驗證器，也照做）：

- [ ] **數字對得攏嗎？**（用上表）
- [ ] **資料是最新的嗎？** 對照今日的股價／日期。
- [ ] **訊號與敘事相符嗎？** 一段滿是風險的文字上頂著 BULLISH 方塊，是矛盾的。
- [ ] **信心與證據相稱嗎？** 資料薄弱就該對應較低的信心。
- [ ] **子訊號彼此一致嗎？** 綜合結果中，分歧應降低信心並被標示——而非被平均掉。
- [ ] **資料是我提供的，還是模型自己編的？**

---

## 限制與負責任使用

**這是教育性工具，並非投資建議。** 用它來*建構你自己的思考*，而非外包你的決策。

- **並非投資建議。** 沒有任何技能知道你的目標、稅務、風險承受度或時間框架。產出是框架，不是推薦。
- **取決於模型。** 同一段提示詞在不同模型與版本下會產出不同結果。請用你手上最強的模型並交叉複核。
- **不保證即時。** 除非你的助理具備即時工具存取，數字可能過時。請對照第一手來源驗證。
- **訊號區塊是決策*輔助*。** 它把大量判斷壓縮成一個方塊——並不能取代閱讀分析、申報文件與風險本身。
- **第一手來源為準。** 當 AI 與申報文件衝突時，以申報文件為準。
- **決策由你負責。** 個人投資決策請考慮諮詢有牌照的財務專業人士。

> **唯一鐵則：** 絕不要對一個你尚未以真實資料對帳、也尚未針對空頭情境壓力測試過的訊號區塊採取行動。這些框架讓你更快；它們不會讓你*正確*。

---

> **延伸閱讀：** [概念 → 訊號區塊解剖](concepts-zh-tw.html#訊號區塊解剖) · [使用情境 → 反模式](use-cases-zh-tw.html) · [術語表](glossary-zh-tw.html)。

*僅供教育用途。並非投資建議。*