AI实战避坑指南：数据落库的重要性

最近潜心研究技术指标，此前我指示Claudian将Alice CLI检索到的数据存入数据库，他当时答应得很爽快。但我越想越觉得不对劲，好像没见他执行落库操作，于是便问他是否真的落库了。

果不其然，他回答没有。经他检查后直接生成了报告，数据其实只存在临时记忆中。

我便指出，这样以后再用这些数据岂不是又要重新查询一遍？他的临时记忆容量有限，装得下这么多数据吗？接着他开始建议我建立数据库表……这时候才想起这茬，早干嘛去了？真是一直在偷懒。

查询数据时，因为我想分析5/12至7/10的数据以及三只个股的对比数据，他觉得数据量太大，想偷懒沿用之前报告中的数据，被我识破后，才说再去查询……

折腾了一个多小时，终于建好了数据库表，安排万仔执行数据查询落库，并更新了SOP。

真是不容易啊！！我问今天踩了不少坑，你总结一下问题。他倒是知道得很清楚，回复也很快，让我有种豆包“滑跪”的感觉。

其实我也常反思自己使用AI的方式，为何无法像卡兹克说的那样充分发挥AI的作用。这次落库搞了一个多小时，其实我问他没落库时，他本该直接给出方案供我确认，而不是我们讨论了半天、分析了很多流程才定稿……我也搞不清是不是我主导比较好。如果是一般人，会想到用数据库存储吗？会考虑数据校验吗？若非我在工作中积累的经验，总想着把数据存下来供后续分析，这事儿可能就不了了之了。

其实我认为数据留存至关重要。获取数据的途径很多，但不能每次都重新查询，那样会浪费大量时间和成本去重复做同一件事。数据保存在本地，特别是基础数据，能提供更多的分析维度。即便自己不懂，告诉AI，AI也能基于这些数据做出更精准的分析。

数据积累同样关键，其实获取数据的渠道很多，如Wind、同花顺、akshare等，每周甚至每月执行一次即可。我很多思路都是在做恒瑞医药周度追踪表时产生的。如今这份周度追踪表已包含回购情况、资金流向及新增技术指标，内容逐渐充实。

最后附上更新后的SOP（包含数据库表结构）

角色：万仔负责查数据并落库→Claudian读取数据库进行分析→生成报告 适用场景：每周日生成恒瑞医药周度追踪表 数据流向：万仔（通过windclaw客户端）→ PostgreSQL → Claudian 积分预算：万仔查询使用优惠价，Claudian仅用于补充验证（≤21分/次）