2009年，离开香港投行的曾敏敏创办了她哈佛毕业后的第一家公司。此后的17年里，创业成为她的主要工作，她的投资也没有中断，无论是个人持续参与二级市场，还是公司不断发展后在一级市场的涉猎。

她对AI的敏感来得很早。2021年底，英伟达展示了能实时对话的虚拟人，曾敏敏说，当时 "太兴奋了，觉得每个人很快都会有自己的AI助手。" 第二年她就开始带团队全面探索AI在教育的应用；2023年ChatGPT问世后，公司直接转型，组建技术团队做AI原生应用。

2026年，智能体的进一步发展，让曾敏敏进一步确认，人工智能不仅是最好的投资领域，也能够极大程度改变投资领域，AlphaGBM由此开始。 她与团队积累的算法和AI产品经验，接上了这条延续多年的投资线索，第一批用户其实就是自己和团队。

目前，这个项目在Github上已经有3000多Star，有近4000名付费用户，社交媒体也在短短的半年内，获得了20多万的关注。数字说明它已经走出了自用阶段，但也把问题推到了下一步：扩大线上触达，让更多人使用产品，再把服务交给AI完成。

但2026年的11月，曾敏敏和团队决定把一部分精力放到屏幕之外，举办线下的用户闭门会，提供面对面的交流和教学。一个借助AI重回金融的创业者，为什么会开始做一个看似矛盾的商业举动？

用AI赋能投资者

曾敏敏的履历并不是沿着单一行业展开。金融机构、教育创业、一级和二级市场投资，看起来是几次转向，却都要求她理解一个问题：新的工具和方法，怎样改变一个人原来的做事方式？在教育领域，交付内容只是工作的一部分。人能否理解、使用，并把方法变成自己的能力，同样重要。到了投资领域，材料变成了财报、市场数据和行业研究，但“知道”与“会用”之间的距离依然存在。

“教育就是赋能。我们当年用工具和方法论帮学生；现在用AI去创建工具，赋能投资者。”她说。

对于一个长期研究市场的人，困难往往不在于找不到信息。新闻、财报、价格和分析观点不断增加，真正费力的是把它们放在一起：哪些变化值得追，哪些数字可以比较，一条新消息是否足以改变原来的判断。一个答案说得流畅，不等于它经得起这几步追问。

曾敏敏提供这些具体的金融问题，也把握产品与商业方向；团队则把算法和AI产品经验带进来，共同将问题拆成可计算、可核对、可以反复使用的步骤。自用投资体系的搭建，让这些能力先在他们自己的工作中有了落点。 这种尝试背后，是AI在过去一年里的变化。

这套工具之所以在这个阶段出现，也和AI能力本身的变化有关。

过去，模型更像一个随时可以提问的助手：你问一个问题，它给出一段答案。后来，模型开始能够进入开发环境，调用工具，拆解任务，并在更长的时间里持续完成一件事。

Claude Code、Claude Opus 4.6，以及OpenAI的GPT-5.3 Codex，代表的就是这条变化路线。它们重要的地方，不只是回答得更快或更像人，而是开始处理一项工作中连续的几个步骤：理解目标、寻找材料、使用工具、修改结果，再回头检查是否完成。

这正好接上了曾敏敏和团队原来就在做的事情。

投资研究本来就不是问完一个问题就结束。研究者看到一条新闻，接下来还要查公司披露、对照财务数据、确认行业背景，再判断这条消息是否足以改变原来的结论。过去，这些步骤往往散落在不同工具里，需要人自己不断切换和记录。

Agent能够承担其中一部分重复工作，但它不能替人决定什么问题值得研究，也不能自动保证材料口径一致。人仍然要提出问题、设定边界、检查结果；算法和数据负责把步骤组织起来，AI则让这些步骤更容易连续执行。

对AlphaGBM来说，这意味着产品不必停留在 “问一句、答一句”。它可以尝试把一次研究中的材料、计算和后续验证接起来，让今天没有做完的问题，明天还能继续往下走。

不是聊天，是可验证的投研工作台

“如果你做的工具，用户在大模型里直接就能解决，就很难赚钱。”曾敏敏说。

这是AlphaGBM无法绕开的商业问题。当通用AI已经能够解释财务概念、概括公司材料，一个独立金融研究工具不能只靠“也能回答问题”收费。它需要让使用者完成更具体的工作，并且看见答案背后的依据、假设和风险边界。

AlphaGBM的产品设计，从研究的入口就体现了这种考虑。股票候选页面让用户在不同市场中寻找和比较研究对象；期权部分则把现金担保卖Put与备兑Call分开，列出行权价、到期日和报价日期。这些并不是可以互换的“机会”：前者涉及现金承担的义务，后者以持股为基础，用户需要先理解条件和风险，再讨论策略。

研究内容也要承接这些线索。在一篇美光研究中，分析并没有停在“看好存储”这样的判断，而是拆开DRAM、NAND和HBM业务，讨论利润持续时间、现金回报和估值条件。

用户看到的不只是一个方向，还应当能够追问：判断依据是什么，哪些条件改变后需要重新考虑？候选比较、策略研究、深度分析，是这套工作台的具体组成。团队希望进一步通过Agent把研究上下文连接起来；相关入口仍处于Beta阶段。这与已经给自己搭建的内部投资体系有关，却不是把内部所有能力原样搬到一个网站上。

算法经验在这里的价值，也不在于让答案看上去更精确。不同来源的数据要先清洗和对齐，价格、期限、单位不能混用，模型输出需要对应到输入和假设。否则，流畅的解释可能只是把不一致的材料说得更像一回事。 AlphaGBM选择把产品放在研究这一侧：帮助用户发现线索、比较条件、理解风险，不代客投资，也不承诺收益。

半年获得二十万关注

曾敏敏带回这个赛道的，不只是投资问题和一套工具，还有过去创业积累的商业经验。金融研究内容成为接触受众的入口：读者先接触信息的分析与表达，再了解背后的方法和产品。

在半年时间里，AlphaGBM不断分享投资见解，积累了二十万公众号关注者，也逐步产生了付费用户，网站付费规模已达几千人。

传播不再只是给产品加一层广告，而是先让读者看到团队如何研究，再决定是否把自己的问题交给这套工具。

开源又把这条路径延伸到了另一类使用者面前。在Github上，AlphaGBM的两个公开项目合计获得3391个Star。与公众号阅读不同，公开项目给了有技术背景的人一个查看方法和尝试使用的入口。 在金融AI这个垂类开源项目中，这个数据相当亮眼。每一颗星标背后，是一个开发者打开代码、阅读逻辑后主动投出的信任票。

AlphaGBM最容易被外界低估、却是押注最重的地方，是他们每天都在积累的实时数据。曾敏敏说：“金融市场每天都在产生新数据，其中很多——比如期权隐含波动率、资金席位流向、跨市场的杠杆变化——只能靠系统每天不间断地采集，错过一天，那天的历史就永远补不回来。"

“我们不怕别人看代码，因为代码只是冰山一角。真正的壁垒是冰山下面的东西。”曾敏敏说。 这句话要靠代码之外的持续工作来兑现：数据如何积累和维护，算法如何与研究问题结合，产品怎样处理用户在实际使用中遇到的障碍。将方法公开，并不意味着这些工作也随之完成。

内容让人认识团队，开源让方法有机会被检视，产品承接更具体的研究需求。几千名付费用户，已经让这件事超出了一个自用项目的范围。也正是在此时，团队做出了另一个选择，不把所有连接都留在线上。

工具走向线上，人为什么还要见面

艾瑞咨询测算，2026年国内AI投研工具市场规模已突破180亿元，2025–2030年复合增速35%。头部玩家方向出奇一致——让AI离交易越近越好。二十余家券商完成金融大模型本地化部署，把AI助手直接绑上交易账户；同花顺、东方财富从"AI辅助"向"AI投资操作系统"进化；海外的Koyfin、Public甚至推出了能用自然语言直接下单的AI Agent。

2026年2月上线的AlphaGBM此时却决定走一个反方向，开始组织用户进行线下闭门交流会。如果只从宣传分发的角度看，线下活动似乎不够高效。组织一场闭门会，需要投入时间，也无法像一个产品页面那样随时被人打开。 曾敏敏的答案只有一句：“做大模型做不到的事”。

“投资很寂寞。”她说，“大家总想看看别人在研究啥。” AlphaGBM的线下闭门会，意义不只是介绍功能，而是让参与者带着一个真实问题来：为什么关注一个行业，对同一份材料为什么得出不同判断，工具给出的结果还能不能继续追问。

理想的结果不是听完一场产品演示，而是带走一份自己的研究成果、一份个人简报，以及一个真正测试过的Skill。在线上，这些问题容易被压缩成一个按钮或一条功能建议；在交流中，团队才有机会追问建议背后的使用困难。用户提出“想要更多数据”，真正欠缺的也可能是比较口径；用户希望“给一个答案”，需要的可能是理解这个答案成立的条件。

这些是团队希望通过共同讨论辨认的需求，而不是再增加一张功能清单。曾敏敏在第一次创业中熟悉的问题重新出现了，把工具交到一个人手中，与让这个人真正用起来，并不是同一件事。

线下连接是团队理解用户的一种方式。活动之后，研究仍要回到产品中继续；反复出现的问题，也需要被转化为更清楚的解释、更合适的工具和更容易使用的流程。否则，闭门会只是一次见面，不能成为产品价值的证明。

“我希望不断把产品做得越来越好用，既服务于我自己，也服务于用户。”曾敏敏说。她和AlphaGBM真正要证明的，不是AI能不能替人写出一份投研报告，而是一个投资者能不能带着问题进来，经过研究、核对和复盘，带着一个更清楚的判断离开。

AlphaGBM官网：www.alphagbm.com

GitHub：github.com/AlphaGBM

注：文中市场数据来源于艾瑞咨询、IDC、OCC等公开报告。

本文为创业邦原创，未经授权不得转载，否则创业邦将保留向其追究法律责任的权利。如需转载或有任何疑问，请联系editor@cyzone.cn。