WorkBuddy把1400页投资学讲义变成结构化Word：我做了一套完整流程

我在学习卢麒元《投资学》课程时，遇到了一个典型痛点：上下两册讲义共1400多页，内容散落在PDF、聊天记录和整理笔记

里，想系统化整理成一份可检索、可引用的Word文档，靠手动做至少要一周。

抱着试试的心态用WorkBuddy做这件事，整个过程出乎意料的顺畅。下面把完整流程拆出来，希望能帮到同样有"知识结构化"需

求的朋友。

一、素材准备：把PDF变成可检索文本

问题：讲义是PDF格式，无法直接搜索关键词。

做法：用WorkBuddy的文档解析能力，把PDF逐页提取为纯文本，保存为txt文件。这样后续所有检索工作都可以在秒级完成。

效果：1400页PDF → 140万字符的纯文本文件，grep任意关键词瞬间出结果。以前翻纸质书找一句话要半小时，现在0.5秒定

位。

二、核心考据：用全文检索定位散落的知识点

这是整个项目最关键的一步。讲义里"十大原则""三三制""剑宗气宗""投资三要素""短股长金"这些概念分布在上下两册不同章节，

靠人翻书会漏掉大量内容。

做法： 1. 把140万字符的文本文件导入WorkBuddy对话 2. 用自然语言提问："全文搜索'三要素'出现在哪些段落？上下文是什

么？" 3. WorkBuddy逐段提取原文，标注出具体讲次、日期和页码

发现：有几个重要概念讲义里其实没有系统讲过，比如"机器人"在两册全文中出现0次——这说明不能假定名师什么都讲了，得自

己验证。

效果：原本预估需要2-3周的手动整理，实际3天完成，考据精度远超预期。

三、生成Word文档：链式插入法

问题：一篇2.4万字的文档怎么生成？直接让AI一次输出太长，容易中断。

做法： 1. 把内容拆成6个markdown分片（每片约4000字） 2. 通过editor_sdk的doc_insert_markdown接口，按返回的position链

式插入 3. idx=0插第1片 → 返回position=3616 → 用3616插第2片 → 以此类推 4. 最后调用save_file保存为docx

关键技巧：doc_insert_markdown返回的position可以直接作为下一次插入的idx，形成链式操作，无需反复查询文档结构。

最终产出：《卢麒元投资学_核心精编_全文版.docx》——六大部+三附录，每条知识点都标注了出处（讲次/日期/页码），约2.4

万字。

四、实战验证：市场数据的自动拉取与分析

文档整理完成后，我需要验证框架的有效性，于是用WorkBuddy做了实战配置分析：

1 . 批量拉取A股数据：通过westock-mcp工具，24只候选标的的行情、五维评分、财务数据一次拉完

2 . 交叉验证：把讲义里的"实质负利率公式"代入2026年8月真实数据，算出中国当前实际利率约-0.7%

3 . 三三制落位：按框架给每个标的分配长/中/预备队仓位

一个有意思的发现：把"两化"（信息产业化+产业信息化）框架套到23只个股上，用"复式回报>15%"这把尺子一量，全组过关的

只有6只——很多挂着"信创""AI"标签的公司实际并不达标。

五、三个实用技巧

1. 分片法处理长任务

任何超过3000字的生成任务，都先拆成3-6个分片，分别生成后链式组装。避免单次输出太长导致内容截断或质量下降。

2. 用自然语言提问代替指令

不是告诉AI"帮我提取第56000-57000字符"，而是问"投资三要素在哪些段落有论述？请引用原文"。后者准确率更高，因为AI理解

上下文更完整。

3. 关键数据交叉验证

AI给出的数据（如PE、ROE）一定要用官方数据源二次确认。这次我用westock-mcp拉了两组独立数据交叉比对，发现个别数据

源有1-2个百分点的偏差。

六、总结

WorkBuddy对我最大的价值不是"聊天机器人"，而是**能真正干活的Agent**：

● 140万字符的文献检索 → 3天完成

● 2.4万字结构化文档 → 自动生成

● 24只标的的批量数据分析 → 一次拉完

● Word文档的链式生成 → 零手动排版

整个过程中我消耗的积分，主要花在了深度调研报告（300-800积分/次）和文档解析上。简单的问答和整理用Ask模式就够了，

积分消耗极低。

如果你也在做类似的"知识工程"——无论是整理课程笔记、撰写研究报告、还是批量处理文档，WorkBuddy的Agent能力会比纯

对话工具效率高得多。

本文所有数据均来自2026年9月4日A股真实行情，所有讲义引用均可溯源至具体讲次与页码。文档不构成投资建议。