你好，我是蔚公子，毕业ALL in AI，专注于 AI 提效/企业赋能/教育
点击👇关注我，
分享真正能落地的AI方案，让企业和个人把AI用好
做内容也好，做运营也好，相信大家多半都经历过这么一个下午。
桌上摊着一堆文件，官方发的 PDF，同事整理的 Excel，群里转来的截图，还有一份不知道谁做的研究材料。老板说三点开会，你得给个说法。
文件多其实不可怕。真正让人心里发毛的是，你不知道这里面哪个数字是错的，哪个是别人自己算出来的，哪两个数看着能放一起比其实口径压根不一样。你怕的从来不是没东西讲，是拿着一个特别合理的结论上会，然后被一句话问穿🥲
刚好这几天霸王茶姬发了第二季度财报，我顺手把相关材料全搜齐了。季度财报，投资者演示材料，252 页的年报，还有几份我用AI生成的对应表格和截图。
而手头的腾讯 WorkBuddy 最近上架了 TextIn xParse 连接器，我一直想找个够重的活儿试试它。那这次咱们就别测玩具了，直接拿这堆真材料上，看看它到底能不能把一次真要交付的活儿干完。
向AI要的东西我也照真实汇报来提，一页管理层摘要，一份经营数据底表 Excel，一份完整分析 Word，一份六页的汇报 PPT。
这么一个长任务，我前后跑了六轮。真正花在任务上的时间大概半天，但因为这几天 WorkBuddy 卡顿得挺厉害，光排队等结果就把战线拖到了三天🥲
不过最后出来的结果，比我预期好不少。咱们直接来看👇
一、把 xParse 挂进 WorkBuddy
当然，相信有朋友疑惑，什么是TextIn xParse呢？
简单说，TextIn xParse 是合合信息做的一套文档解析服务。它不是单纯把图片里的字 OCR 出来，而是把 PDF、Word 等非结构化文档里的文本、表格、层级这些内容解析成 Agent 后面能继续用的结构化信息。
所以我们可以把它理解成 WorkBuddy 的文档入口👉xParse 负责先把材料读进去，WorkBuddy 再拿这些材料往后分析、核验和交付。
我们点击WorkBuddy左上角的连接器，选择Textln xParse·智能文档解析这个连接器，点击+号，等待一段时间就可以装好了。
挂好之后就不用管了。挂好之后，后面遇到 PDF、长文档这类材料，我们在提示词里明确让它优先通过 xParse 读取。至于实际有没有走连接器，可以具体查询。
二、空手第一轮 先让它拆任务
虽然手上材料一大堆，但第一轮我故意一个文件都没传。
因为我想看看它是先急着跟我要材料，还是会先把这活儿到底要干什么想明白。这个差别其实挺大的，前者只是个工具，后者才有点像人。
提示词：
我现在有一个实际工作任务。
霸王茶姬刚发布 2026 年第二季度财报，下午要做一次经营汇报。我手上有最新季度财报、投资者演示材料、年度报告、同事整理的 Excel、数据截图和研究摘录。
我需要你最终帮我完成一份《霸王茶姬 2026Q2 财务与经营分析》，重点回答：
霸王茶姬最新一个季度整体经营到底怎么样？
大中华区业务目前是改善了，还是仍然承压？
海外业务是不是已经成为新的增长点？
直营门店快速增加以后，公司的收入和成本结构发生了什么变化？
为什么 GAAP 净利润大幅增长，但 Non-GAAP 利润表现又不一样？
最后需要交付：
一页管理层摘要
一份经营数据底表 Excel
一份完整经营分析 Word
一份约 6 页的管理层汇报 PPT
接下来我会分批给你文件。
所有分析只能基于我提供的文件，不要联网搜索，也不要用外部资料补充。涉及 PDF、图片、复杂文档时，请优先通过 TextIn xParse 连接器读取。
现在先不要做最终分析，只确认你理解了任务，并告诉我完成这个任务需要从材料中重点提取哪些信息。结果它没急着跟我要文件。上来先把这活儿拆成了七块，从整体经营一路排到风险，然后把每一块要从材料里抽哪些指标全列了出来。
有意思的是，它一开头就给了我们一张交付表格：
当然，真正让我留意的是它自己加的最后一句。它说，最后那三份文件应该共用一套能追溯的底表，每个关键数字都要能回到原文件。
说实话我当时扫一眼就过去了。等跑到最后一轮才反应过来，这话它是认真的。
三、两份财报进去 建一本能查的账
紧接着我上传了两份最新的季度材料，一份 13 页的财报，一份 15 页的投资者演示材料。
这一轮我不要结论，只要一件事。把两份文件里的数据全部提出来，每一条后面都得标清楚出自哪份文件哪一页。说白了就是先立一本能查的账，后面所有判断都得站在这本账上面。
提示词：
先不用补充其他信息，后续交付统一用中文，金额和币种先保留源文件原始口径。
现在先处理我现在上传的这两份最新季度材料。请调用 TextIn xParse 连接器完整读取文件。
这一轮先不要急着做最终经营判断，我需要你先建立一份可以核验的「数据证据台账」。
至少提取以下指标：
净收入、加盟门店收入、直营门店收入、GAAP 净利润、Non-GAAP 净利润、总 GMV、大中华区 GMV、海外 GMV、全球门店数、加盟门店数、直营门店数、大中华区单店月均 GMV、同店 GMV 增速、海外同店 GMV 增速。
每一项都给出：
指标｜当前值｜同比/对比值｜单位｜来源文件｜对应页码/Slide｜必要说明
如果你刚才提到的其他指标在文件中有明确披露，也可以补充；如果没有披露，不要推测或自行补齐。
两份材料之间如果存在数据口径差异、数值不一致或者无法确定的地方，也不要猜，单独标出来。东西出来我还挺意外的。它没给我一张大表了事，而是拆成了五张，光存疑项就单独占了一张。十四项核心数据一条不落，每条后面都跟着页码。
不过真正让我“我去”了一下的是另一件事。
演示材料里有两张柱状图，数值和季度标签在解析结果里黏成了一块，怎么都拆不开。Non-GAAP 那张图剩下两个候选值，一个 503 一个 100，差了整整五倍。
结果它没蒙，直接标了未采信，宁可这两张图不用。
我后来专门翻官方原图去对，503 和 100 确实都在里面。也就是说它认出来了，只是分不清谁是谁。换成一般的工具，这种时候多半就随手填一个进去了🤔
顺带它还挑出一处现金有两个口径，两边差 228。它说差额来自定期存款。我回去一算，一分不差。
xParse 在这一轮的效果比较明显。两份带表格的 PDF 进去，页码对得上，表格能还原，连哪几个地方拆不开都给你标出来。毕竟这一步要是糊弄过去了，后面五轮全是空中楼阁。
四、252页年报扔进去 它自己改了口
紧接着，我直接把霸王茶姬那份 252 页的年报扔了进去。
说实话这东西谁看谁头大，正常人一口气翻完 252 页那是不可能的，所以这活儿还真得交给 AI。
但这次我没让它总结。年报总结出来的东西基本没用，我要的是让它带着前面攒下的那堆问号去查，看看能不能真把第二轮那些反常现象给解释清楚。
提示词：
接下来再加入这份 2025 Annual Report。
这份文件比较长，请通过 TextIn xParse 连接器读取，但这一轮不要泛泛总结整份年报，也不要重新输出前面的季度数据。
我希望你围绕当前这次 2026Q2 经营分析，重点从年报里查找以下几类信息：
霸王茶姬的加盟与直营业务模式分别是怎么运作的，收入和成本结构有什么区别；
海外业务目前主要采用什么扩张方式，不同市场的经营模式有什么差异；
公司披露的主要经营风险，尤其是和门店扩张、同店表现、加盟商、海外经营相关的风险；
门店网络、供应链和履约体系是怎么组织的；
哪些年报中的背景信息，能够帮助解释我们刚才看到的 2026Q2 变化，尤其是：
直营门店快速增加；
加盟收入下降、直营收入大幅增长；
大中华区同店仍为负；
海外 GMV 快速增长；
GAAP 与 Non-GAAP 利润表现明显不同。
每一条重要信息都必须标注来源章节和具体页码。
最后请输出一份「背景信息补充表」：
主题｜年报中的事实/机制｜具体页码｜与2026Q2哪个现象有关｜能解释什么｜不能据此推断什么
特别注意：只提取年报明确支持的信息。年报没有说的，不要为了把故事讲完整而自行推断。
另外，请顺带核验你上一轮提出的一个判断：2025Q2 的股份支付费用是否确实可以判断为全部集中在该季度，以及它与 IPO 的具体关系。
如果年报不能直接证明，请明确说"无法从年报直接确认"，不要把计算推导当成披露事实。它整理出一份背景信息表，每条都标着来源章节和页码，而且后面还专门留了一栏，叫不能据此推断什么。
然后就出了这次最有意思的一幕。
第二轮的时候它说过一句特别满的话，原话是已经完全锁定，而且很简单，去年那笔股份支付全部集中在第二季度。
结果翻完这 252 页，它回来跟我说，无法从年报直接确认。
诶，还不错啊，居然还能自己查出问题来😦
理由它也讲得干净。年报里根本没有季度财务表，所以全部集中在某个季度这句话，年报证明不了。真正让它得出那个判断的，是季度财报里两个数字正好相等，倒推出来的。那是推算，不是官方写的。
也就是说，它自己把这个区别摆到了台面上。
顺着往下它还列了一串材料里压根没有的东西，海外收入没有，海外利润没有，加盟转直营的具体数量也没有。到这些地方它的回答统一是四个字——证据不足。
xParse 这一轮的作用是最实在的。252 页不是读一遍就完事，得能按页切开，能反复回查，能定位到具体哪一章哪一页。所以它整理出来的每条背景信息后面才挂得住章节和页码，哪一条你觉得不放心，照着页码翻回原件就行。
五、同事的表和截图 三方对账
第四轮我把AI模拟的同事整理的 Excel 和两张零散截图也加了进来。
这一轮想干的事很现实。实际工作里最容易出事的从来不是官方文件，而是这些内部流转的二手材料，谁也说不清是哪个版本，哪个口径，中间有没有算错。所以我让它拿这几份东西，跟前面已经确认过的官方数据逐条去对。
当然，这里得先说清楚，这几份内部材料是我自己照着公开数据模拟出来的，模拟的就是实际工作里最常见的那种局面。
提示词：
很好，现在又收到同事整理的一份 Excel 和两张零散的数据截图。
请通过 TextIn xParse 连接器读取这三份材料。
这一轮先不要做最终经营分析，我想先把同事整理的数据和前面已经确认过的官方材料做一次完整交叉核验。
第一，先把两张截图里的所有数据完整提取并结构化，不要遗漏字段，也不要自行补全看不清的数据。
第二，把截图中的数据、同事 Excel 中的数据，与前面 2026Q2 Earnings Release、Earnings Presentation 以及已经建立的数据证据台账逐项核对。
最后请把结果分成三类：
A. 完全一致：与官方材料数值和口径一致；
B. 存在差异或口径需要确认：明确写出双方数值、差异和可能的口径原因，但不要擅自修改；
C. 同事材料中出现，但当前官方季度材料找不到直接依据：单独列出，不要默认正确。
核验完成后，再整理一份统一的「近五季度核心经营数据表」，至少包括：
总门店数、加盟门店数、直营门店数、总GMV、大中华区GMV、海外GMV、大中华区单店月均GMV、整体同店GMV增速、大中华区同店GMV增速、海外同店GMV增速，以及能够从材料中确认的核心财务指标。
每个数据都保留：季度｜指标｜数值｜单位｜来源｜是否已核验｜备注。
注意：如果同事 Excel 里有公式算出来的衍生指标，请明确标记为"计算值"，不要和官方披露值混在一起。
这一轮仍然不要生成最终 Word、PPT 或经营结论。我在提示词里写了走 xParse，但这一轮的 Excel 和截图是它自己上手读的，并没有走连接器。回头核官方数字的时候，用的还是第二轮已经解析好的那份结果。
所以这一轮能说明的是它跨文件对账的本事，说明不了 xParse 读表格和图片怎么样。这个我不含糊过去。
对完之后我心里其实踏实了不少。绝大部分数据跟官方都能对上，真正对不上的只有四处，而且没有一处是算错，全是口径上的事。至于同事自己算出来、官方压根查不到的那种数据，一条都没有。
但那四处里有一条，我看完是真出了一身汗。
单店月均 GMV 的分母，不是期末门店数，而是月度满月运营门店数。
这种东西人肉核对基本很容易漏，可它偏偏就是会上会被追着问的那一类🥸
六、五个经营问题 一次定稿
第五轮加进最后一份AI生成的研究摘录，然后正式回答一开始提的那五个问题。
这一轮的重点在于，研究摘录里的判断是别人下的，不一定对。所以我给了它三种状态，已验证，部分支持，无法验证。跟官方材料冲突的时候以官方为准，不许为了给同事留面子强行圆回来。
提示词：
不错，现在加入最后一份同事整理的研究摘录。请通过 TextIn xParse 读取。
这一轮不要再单独生成一份很长的"研究摘录验证报告"，而是直接完成最终经营分析。
先把研究摘录中的核心事实和判断，与前面已经确认的 Q2 Earnings Release、Earnings Presentation、2025 Annual Report、数据证据台账，以及刚刚完成的同事 Excel / 截图核验结果进行交叉验证。
对研究摘录中的判断，只允许使用三种状态：
已验证 / 部分支持 / 无法验证或可能误导。
如果研究摘录与官方材料冲突，以官方材料和已经核验的数据为准，不要为了保持同事原判断而强行解释。
完成验证以后，直接回答以下 5 个管理层问题：
霸王茶姬 2026Q2 整体经营到底怎么样？
大中华区业务是在改善，还是仍然承压？
海外业务是否已经成为新的增长点？
直营门店快速增加以后，公司的收入和成本结构发生了什么变化？
为什么 GAAP 净利润大幅增长，但 Non-GAAP 利润表现不同？
每个问题统一按以下结构输出：
一句话结论 → 关键数据证据 → 证据来源 → 需要保留的限定条件。
特别注意：
区分官方直接披露值和计算/推导值；
不要把"海外 GMV 增长"直接等同于"海外已经实现盈利"；
不要把直营门店增加写成"加盟店转直营"，除非文件明确支持；
不要把相关性写成因果关系；
证据不足时直接写证据不足。
最后再给出：
3 个最值得关注的积极信号；3 个最核心的风险；一句不超过 50 字的最终经营判断。
这一轮只把最终事实和经营判断定下来，先不要生成 Word、PPT、Excel。同时，有两句听着特别顺的话，连我自己都差点信了，结果它一句都没认。
第一句是大量加盟店转直营。因为直营门店涨得实在太快，谁看了都会往这个方向想。
可它的算法特别朴素。直营净增 644 家，加盟只净减了 43 家。就算这 43 家全部转过去，也只能解释掉 6.7%。
好家伙，两个数就把这个说法否了。
第二句是海外已经开始赚钱。海外 GMV 确实翻了一倍多，这个数没毛病，但它顺手摆出了另外两件事，海外同店环比还在往下走，而且公司压根不按地区披露收入和利润。
所以海外只能写成规模在涨。涨了跟赚了，是两回事。
xParse 这一轮读的是那份研究摘录的 Word。因为要做的是交叉验证，摘录里每一句判断都得能对回原文，所以这份文件必须完整解析进来，抓个大概是不行的。
七、四件套 一口气交付
什么，你以为这就完了？Nonono！
最后一轮我们不研究了，直接让它出东西。我特意交代它别重新解析原始文件，就用前面六轮攒下来的那套底子。
提示词：
汇报时长按 15–20 分钟，全部使用中文，不需要中英对照。
现在进入最终交付阶段。
不要重新从头解析原始文件，也不要重新做研究。请直接基于前面已经确认的数据证据台账、年报背景信息、同事材料核对结果以及刚刚定稿的五个经营问题结论完成交付。
特别注意：本轮刚刚订正的数据为最终版本，后续所有文件必须统一使用：
2Q26 SBC：23,905 千元
2Q25 Non-GAAP 净利润：629,767 千元
2Q26 Non-GAAP 净利润：488,674 千元
同时调整几处最终表述：
不使用"真实盈利"这种绝对说法，统一写成"Non-GAAP 利润"或"剔除 SBC 影响后的利润指标"；
海外写成"规模增长点"，不能写成已成为利润增长点；
"海外增长几乎全部来自新开门店"改为"增长主要由门店扩张驱动，存量门店同店仍为负"；
直营增量 −42.9 百万属于假设较强的粗略测算，不放入核心结论和 PPT 正文；
不把海外 GMV 占比与长期资产占比直接写成确定性的"核心矛盾"；
"改善动能已经停滞"改成"2Q26 没有继续改善"；
不得把直营门店增加写成"加盟转直营"。
最终生成以下成果：
① 一页管理层摘要
单独生成一份简洁的管理层摘要，控制在一页内，包括：
一句话总判断
5 个核心发现
3 个积极信号
3 个主要风险
管理层最值得关注的 3 个问题
② 经营数据底表 Excel
前面已经生成的《霸王茶姬2026Q2_经营数据底表》直接作为最终底表基础，不要从零重新制作。只做最终 QA 和必要订正，确保最新数值已同步，并保留：
官方披露值 / 计算值标记
数据来源
近五季度趋势
大中华区 / 海外
加盟 / 直营
财务指标
③ 完整经营分析 Word
按以下结构生成：
执行摘要
2026Q2 整体经营判断
大中华区：改善还是承压
海外：规模增长与增长质量
直营化带来的收入与成本结构变化
GAAP 与 Non-GAAP 剪刀差
三个积极信号
三个核心风险
最终经营判断
所有重要数字都注明"官方披露 / 计算值"，关键判断注明来源。
④ 约 6 页管理层 PPT
核心结论：这个季度到底发生了什么
整体经营：收入、GMV、利润的背离
大中华区：降幅收窄，但 2Q 未继续改善
海外：规模高速增长，但盈利性尚无法验证
直营化：收入结构变化与成本压力
最终判断：积极信号、风险、管理层关注点
PPT 不要堆文字，要像真正管理层汇报，每页只保留一个核心观点 + 关键数字/图表。
最后在本轮内部完成一次 QA，不需要再等我单独要求：
Word / PPT / Excel 核心数字是否完全一致
本轮三个订正数字是否全部同步
官方值和计算值是否区分
GAAP / Non-GAAP 是否混淆
大中华区 / 海外口径是否混淆
是否存在没有证据支持的强结论
是否把相关性写成因果关系
是否把不同时间口径的数据直接强行比较
发现问题直接修正后再交付。
优先完成文件，不需要再输出很长的解释过程。四样东西全交了。
但真正让我觉得有点东西的，是它交付时的一个做法。
它没让摘要、Word、PPT 各自重新算一遍数据，而是先建了一个统一的数据文件，三份成果全从同一个地方取数。它自己的说法是，跨文件的数字一致性靠架构保证，不靠最后人工一个个比。
做过汇报的朋友应该秒懂这句话的分量。PPT 跟 Excel 对不上，是这类活儿最经典的翻车方式👌
还记得第一轮它自己主动加的那句话吗，三份文件应该共用一套能追溯的底表。绕了六轮，它把这话兑现了。
这一轮没有新文件进来，所以 xParse 也不用再跑，前面几轮解析好的东西接着用就行。
六轮下来我最直接的感受是，它给的东西不虚。每一轮的输出都够长够重，不是那种给你两段话就打发了的，更要紧的是每个数字后面都挂着来源，随时能翻回去查。
当然也不是没出过错，它最后得出的结果也未必是最优的，毕竟中间有AI模拟数据；但最重要的是，AI已经明显从一个玩具，逐渐变成可实用的工具了。
八、蔚公子的洞察
跑完这一趟，我脑子里就剩三句话。
第一，AI Agent 现在是真的能干活了。
这个能干活，指的不是它会写字。是你给它一个横跨六轮、材料一轮比一轮乱的长任务，它能从头到尾把这条线拉下来，中间不丢东西，最后还交出四份互相对得上的文件。
第二，插件这一层，加了确实不一样。
252 页的年报，带表格的季度财报，这些东西能不能干净地进到它的工作流里，直接决定了后面那些分析站不站得住。xParse 管的是进来这一头，它不负责下结论，它负责让结论有出处。这次加上它之后我最直观的感受，就是每个数字我都能翻回原件那一页。
第三，最关键的那一下，还得我们自己去校准。
AI 现在确实比以前强多了，但该有的毛病一样没少。幻觉还在，对文件的读取也做不到每次都全面。你要是每一条都照单全收，迟早得栽。
所以它给出来的结论，我们最后还是得自己过一遍。发现哪儿不对，接着让它改就是了，反正它改起来也快。
但话说回来，大部分粗活它是真的替你干完了。剩下那一小块需要你自己拿主意的地方，才是我们真正该花时间的。
工具越强，这句话越成立。因为一个不太行的 AI 你会本能地防着它，一个特别能说会道的 AI，你会不知不觉地信它。
好在这一次，我看到它开始学着说那句最难的话了。
