这是一家管理商品策略的私募基金, 投研团队六人, 其中两名资深研究员承担了绝大部分的资讯筛选工作。

他们每天要处理的信息横跨交易所公告、产业数据、天气与航运。信息本身不难获得——他们订阅了多个终端与数据源。困难在于, 一天数千条里真正需要行动的可能只有几条, 而挑出这几条依赖的判断从未被写下来。

★ 直接触发合作的是一次人员变动: 一名资深研究员休长假两周, 团队的资讯响应质量明显下降, 而没有人说得清下降在哪里。

三个具体问题:

一、判据在个人脑子里。 资深研究员能迅速判断一条消息是否重要, 但问他"凭什么", 得到的回答是"这个位置的库存变化通常会传导到近月"。这句话是对的, 但无法执行——它省略了大量前提。

二、分歧无法收敛。 同一条消息在两个人手里得出相反判断时, 讨论停留在结论层面。双方各自的依据没有摆出来, 于是只能靠资历决定。

三、复盘没有材料。 事后发现漏掉了一条重要消息, 无法区分是没抓到、抓到了没看到、还是看到了判断错了。三种情况的改进方向完全不同。

我们没有从工具开始, 而是从资讯认知框架的"分类"一步开始。

第一步: 让判据显性化。 请两名资深研究员各自对同一批历史消息做标注, 并写下每次标注的理由。这件事他们此前从未做过, 起初很吃力——理由往往在写到一半时才发现自己也说不清。

第二步: 找出分歧。 两人的标注有相当一部分不一致。逐条追问后发现, 分歧的根源几乎都在关注结构的设定上: 一个人默认关注的是近月合约, 另一个默认看整条曲线。这个差别从未被说出来过。

第三步: 把关注结构写成配置。 品种、合约月份、产业链环节、关注的驱动因子, 全部写成可编辑的显式设定。

第四步: 接入系统。 期货资讯认知 Agent 按这套关注结构做相关性评分, 并对每条推送给出可展开的理由与独立信源计数。

第五步: 建立反馈。 每条推送可被标记"有用 / 无关 / 错误", 标记回流为评测集。

★ 变化体现在工作方式上, 而不是某个可以印在页面上的百分比。

分歧变得可讨论。 现在两人意见不同时, 讨论落在"你的关注结构里为什么包含这一项"上, 而不是停留在结论对撞。★ 团队反馈说, 这一条的价值超出预期——它把一种社交性的分歧变成了技术性的分歧。

休假不再造成断层。 关注结构是配置, 不是记忆。资深研究员不在时, 系统按同一套判据工作, 其他人复核。

复盘有了材料。 每条推送保留了当时的抽取结果、相关性计算路径与信源溯源链, 因此可以区分"没抓到""没看到""判断错了"这三种情况。第一次复盘就发现, 他们此前归因为"判断失误"的若干次, 实际是来源覆盖缺口。

一个我们没有预期到的结果: 显性化过程本身让两名资深研究员修正了各自的一些习惯——写下来之后, 有些理由自己看着也不成立。