AI投研的效率评价应从“模型账”上移至“任务账”。单次模型价格、Token 数或响应速度仅反映局部成本，完整任务还包括检索、数据提取、口径核验、建模、写作、审校及返工等环节。我们认为，应以“通过质量门槛的完整研究任务”为效率单位，并以质量调整后任务成本（QATC）综合衡量模型、工具、人工及返工等投入。

Token、耗时与质量应作为“三本账”同步计量。 Token 下降并不必然对应墙钟时间下降，搜索、文件解析、工具调用、人工确认和返工均可能成为关键路径。效率优化应在质量不下降的前提下，同时降低资源消耗和交付时间，并区分平台原生 Token、分词器估计及字符代理等不同计量口径。

重复读取、上下文膨胀、全文重写和口径返工，是当前 AI 投研流程中较典型的隐性成本来源。同一份年报被多个阶段或多个 Agent 重复全文读取，历史对话和工具返回在后续调用中持续携带，局部修改触发整篇报告重新生成，以及前序数据口径错误导致后续分析链整体返工，均可能显著放大任务成本。

Skill 的核心并非增加 Prompt 长度，而是将研究经验转化为可执行流程。 Prompt 描述单次任务，SOP 固化研究原则，脚本承担确定性计算，Skill 则进一步连接任务路由、工具调用、证据规则、失败处置和终止条件。面向正式投研场景，我们认为“证据型 Skill”尤其值得关注，其核心是将原始材料转化为可追踪的证据对象，并通过口径冲突闸门、程序断言和分层验证降低错误与返工。

48轮实验：结构化方法的价值与任务难度高度相关，流程复杂度本身并非优势。简单数据核验任务中各配置质量差异有限；长报告审阅中，仅证据型配置实现 100% 首次通过；估值任务则显示额外规则和质量闸门也可能增加资源负担。真正有效的复杂度，应能够改变结构化状态、阻断错误或减少返工，而非单纯增加规则和 Agent 数量。

研究团队的落地重点，应由“个人会不会用 AI”转向“能否形成可评测、可回滚的 Skill 资产”。建议优先将高频、流程稳定、错误代价较高且结果可验证的任务 Skill 化，并建立统一日志、固定任务集、版本管理和回归测试。对于正式发布场景，研究员仍应保留问题定义、来源与口径裁决、核心假设审查及最终发布责任。

风险提示：实验样本数量及任务代表性不足风险；模型及平台版本变化风险；大模型幻觉及数据口径判断偏差风险等