DeepSearcher第三弹：如何让DeepSeek告诉你特斯拉还能不能抄底

前言

特斯拉现在的股价相对于去年12月的历史高点已经暴跌了超过37%。

那么特斯拉当下到底是被高估还是低估？

能不能抄底？

如果抄底，合理的买入与卖出价位又是多少？

在股市，七赔二平一赚是常态。对亏钱的普通人来说，交易软件上乱七八糟的一堆数据指标就已经够让人头晕脑涨，公司发的财报更是如天书一卷。

那么，AI能够以专业角度帮我对一家企业做出客观分析吗？

答案是可以的。

比如Deepseek的母公司幻方，就是量化起家，而所谓量化，就是将AI技术深度用于金融交易场景；不过量化技术的门槛太高，并不适合普通人。

于是，自ChatGPT问世开始，就有不少散户开始尝试，用大模型来帮自己弥补与专业分析师之间的知识差距。

但这又带来了另一个问题。大模型的知识不是实时的，即使ChatGPT和DeepSeek都已经支持联网检索，但它们单次回答能够在网络上查询的信息量总体还是非常有限的，因此给出的回答也往往模棱两可、似是而非。

例如下面这个例子，我选取了世界上最顶级的推理模型之一OpenAI o3-mini-high，对其进行提问，特斯拉的股价是否被低估，大模型的回答也仅是给出近期的几个核心指标加上两段来自公开信息的报道综合。

2.21-1.png

为此，OpenAI在近期专门推出了Deep Research模式。

基于其最强大的o3模型，进行更多步骤的网络调查，整合包括网页文本，pdf和图像在内的多种信息，通过耗费比常规推理高得多的算力和时间成本，来得到更加详细和准确的研究结论。

但对于做金融分析而言，哪怕是OpenAI的Deep Research模式，除了非常昂贵，需要每月200美金，每月仅能进行100次查询，且只向美国地区的OpenAI Pro用户开放之外还有一个问题

那就是Deep Research需要的信息，未必全部都能够直接通过搜索引擎在互联网上公开获取到。

另外，对于用户的不同问题，DeepSeek、GPT o3、Grok 3的回答质量，通常也各有千秋，需要根据情景做灵活的模型切换。

那么，企业如何把本地数据与Deep Research结合，还能灵活地挑选适合自己的大模型？

01

Deep Searcher成为企业级RAG最新范式

不久前，我们通过向量数据库Milvus结合DeepSeek等主流开源模型，并在常见的RAG方案上做了重大升级，推出开源项目Deep Searcher，帮助大家在企业级场景中，基于Deep Research思路，做金融专家系统等私有化部署。

2.21-2.png

一经推出，仅一周时间，该项目已经在Github上收获了800+星和众多关注讨论，成为备受关注的本地部署企业级DeepResearch方案。

尝鲜链接：https://github.com/zilliztech/deep-searcher

那么DeepSearcher的优势在哪里？

总结有四：

1、所有选型均为开源产品；

2、松耦合设计，用户可以自由选择模型

3、Milvus加持，用户可以将本地数据融入业务之中

4、避免了繁琐的文本切片，文本Embedding和向量数据库配置等操作，直接基于本地文件（pdf、txt...）构建知识库。

02

教程参考

普通人想要分析一家公司，可以收集到的数据信息一般可以分为3类：公司财报、第三方机构的研报或者专业财经自媒体的分析博客、和公司以及行业相关的新闻。过去，要想在企业级场景用好这些数据，我们必须先对这些材料进行复杂的处理流程。

但是Deep Searcher，基于向量数据库Milvus，我们可以对用户存储在本地的数据进行海量低延时的离线搜索。你如果使用Milvus的在线服务Zilliz Cloud (https://cloud.zilliz.com)的话，你甚至不需要自己去管理向量数据库和做建表操作。

现在新注册Zilliz Cloud的用户都能在一个月内拥有一定的免费使用额度，在Zilliz Cloud上创建完一个Milvus实例之后，可以得到Milvus的链接地址和token, 如下图：

2.21-3.png

你只需要按照Deep Searcher里面example的方式进行如下配置,就能让Deep Searcher连上你的Milvus实例

config.set_provider_config("vector_db", "Milvus", {"uri": "Your Url",                                                   "token": "Your Token"})

当然你也可以自主选择你喜欢的Embedding模型，例如OpenAI的text-embedding-3-small
config.set_provider_config("embedding", "OpenAIEmbedding", {"model": "text-embedding-3-small"})

接下来你只需要把你本地的资料路径进行如下配置，就可以直接完成文本切片，embedding和写入Milvus的流程

例如下面的代码里，Deep Searcher会把特斯拉2024年Q4财报进行特征提取，在Milvus创建一张叫做tesla-financial-report-2024q4之后写入数据

import globall_md_files = glob.glob('/Users/lawrance/Documents/tesla/TSLA-Q4-2024-Update.pdf', recursive=True)load_from_local_files(paths_or_directory=all_md_files, collection_name="tesla-financial-report-2024q4", collection_description="Tesla Financial Reports 2024Q4")

注意collection_description这个参数非常重要，会直接影响LLM能不能找到最合适的表进行search，

你应该写入最符合这张表里面信息的描述，例如我在这里就是Tesla Financial Reports 2024Q4

根据数据类型和分类进行构建之后，你就能拥有如下图这样的一个私有知识库，

由特斯拉最新的4期财报和多份不同的研报、新闻共同构成

2.21-4.png

2.21-5.png

在Deep Searcher的框架下，你可以选择你喜欢的任何大模型进行深度分析

无论是OpenAI的o3-mini，还是DeepSeek的R1

config.set_provider_config("llm", "DeepSeek", {"model": "deepseek-r1",                                               "api_key":"Your API key",                                         "base_url":"The Model API Url"})

然后你只需要像平时和ChatGPT或者DeepSeek聊天那样对Deep Searcher发问就可以了。

03

效果展示

我们来看下用Deep Searcher对特斯拉做价值分析的过程

首先，Deep Searcher会把你的问题拆分成多个子问题，随后确定每个问题需要去哪些表里搜索（这个过程由大模型决策）

之后，模型会先在Milvus里面进行检索，找到合适的数据之后通过LLM进行整理聚合之后，会继续判断当前的信息是否已经足以回答所有子问题，如果不能，就会进入下一轮循环，继续搜索和分析，直到大模型认为所有子问题的答案都已经达到它的标准，这个时候大模型会基于原始问题再进行一轮分析，给出最终的答案

我们来看看Deep Searcher对特斯拉的分析结果:

Deep Searcher最终输出了一份超过5000字的研究报告

分为：

1.摘要

2.财务表现和估值指标

3.研发、产品创新和产能

4.核心竞争力

5.战略定位短期股票波动及其基本因素

6.特斯拉股票的估计公允价值

7.投资建议

7个部分，这已经是我们直接使用单纯大语言模型去分析特斯拉几乎不可能做到的程度了

其中在财务表现层面，DeepSearcher不但逐个分析了2024财年里面它觉得值得关注的趋势性信息，例如营收变化情况，还进一步展开讨论了它对包括现金流，PE，PB在内的多个指标的看法。

1. Financial Performance and Valuation Metrics
Revenue and Profitability:Q1 2024: Tesla reported a 9% year-over-year (YoY) decline in total revenue to $21.3 billion, primarily driven by a reduced vehicle average selling price (ASP), lower vehicle deliveries due to production disruptions, and a negative foreign exchange (FX) impact. Operating income decreased YoY to $1.2 billion, resulting in a 5.5% operating margin. However, there were positive contributions from cost reductions per vehicle, growth in the Energy Generation and Storage segment, and increased Full Self-Driving (FSD) revenue.
Q2 2024: Revenue saw an 8% YoY increase to $25.5 billion, bolstered by growth in energy storage, Cybertruck deliveries, and higher regulatory credit revenues. Operating income rose to $1.6 billion with a 6.3% margin, despite ongoing challenges like reduced ASP and increased R&D expenses.
Q3 2024: Revenue further increased by 2% YoY to $25.2 billion, with operating income reaching $2.7 billion and an improved operating margin of 10.8%. This growth was supported by lower per-vehicle costs, expanded energy storage and services revenue, and higher vehicle deliveries.
Q4 2024: Tesla achieved a record $7.1 billion GAAP operating income, reflecting significant growth in vehicle deliveries and energy storage deployments. Non-GAAP net income reached $8.4 billion, underscoring sustained operational efficiency.
Cash Flow and Capital Expenditures:Throughout 2024, Tesla maintained robust cash reserves, increasing cash, cash equivalents, and investments from $22.4 billion at Q1 to $36.6 billion by Q4. Free cash flow varied, with negative figures in Q1 ($-2.5 billion) due to increased inventory and AI infrastructure capital expenditures, but positive from Q2 onwards.
Valuation Metrics:Price-to-Earnings (P/E) Ratio: As of the latest data, Tesla's P/E ratio stands at 174.43, significantly higher than the S&P 500 average of 22 and the "Big Seven" average of 30. This elevated P/E ratio suggests that Tesla's stock may be overvalued relative to its earnings.
Price-to-Book (P/B) Ratio: At 15.7, Tesla's P/B ratio also exceeds industry norms, indicating a high valuation compared to its book value.
Return on Invested Capital (ROIC): ROIC has declined to 6%, mirroring figures of other automakers like Toyota, primarily due to the absence of government EV tax credits.
Market Capitalization and Stock Performance:Tesla's market capitalization stands at $1.14 trillion, with an outstanding share count of 2.778 billion. The stock has experienced significant volatility, dropping nearly 26% from its year-end high to reach $355.84, its current price. Technical indicators, such as the death cross in the stochastic indicator, suggest potential further declines, with analysts projecting a possible drop to around $314.

而如果把相同的问题发给XAI最新的Grok3，哪怕开了Deep Search和Think模式它的回答依旧似是而非

2.21-6.png

另外，在研发、产品创新层面，DeepSearcher着重讨论了特斯拉全自动驾驶FSD的进展，以及可能的廉价新车型Model Q出现之后，和包括比亚迪在内的竞争对手竞争格局的变化

2. Research and Development, Product Innovation, and Production Capacity
R&D and Technological Advancements:Tesla has heavily invested in AI infrastructure, with substantial capital expenditures allocated to AI training compute and the development of Full Self-Driving (FSD) technologies. The introduction and continuous improvement of FSD aim to surpass human driving safety levels, with plans for nationwide deployment of unsupervised FSD by 2027.
The development of the Optimus humanoid robot signifies Tesla's venture into robotics, intended to enhance factory efficiency by automating repetitive and hazardous tasks. These innovations are expected to bolster Tesla's long-term competitiveness.
Product Innovation:Cybertruck: The Cybertruck has emerged as a key product, becoming the third best-selling EV in the U.S. and a significant revenue driver. Its advanced features, such as bidirectional charging and superior powertrain efficiency, position it competitively within the market.
Model Q: Tesla's introduction of the Model Q, an affordable compact SUV, aims to capture market share in the lower-priced segment. Priced below $30,000 post-subsidy, the Model Q seeks to compete against domestic brands like BYD and Xiaomi by offering competitive features and range.
Energy Products: The Energy Generation and Storage segment has shown remarkable growth, with deployments of Megapack and Powerwall reaching record levels. This diversification reinforces Tesla's position in the renewable energy market.
Production Capacity Expansion:Tesla has expanded its production capabilities across multiple regions, including the completion of the Shanghai Megafactory and ongoing preparations for new production lines in Texas and Berlin. These expansions are designed to meet increasing demand and support the launch of new models like the Cybercab and the Tesla Semi.

再看看Grok3对这个部分的分析，对比非常明显：

2.21-7.png

值得一提的是，Deep Searcher在report的最后把特斯拉的合理估价定为270美元，远低于当前价格。在用AI进行企业价值分析的时候，我们应该更专注其推理流程与资料整理，最后的投资建议需要谨慎对待。

04

写在最后

做完整个体验之后，我的总结是，DeepSearcher类产品未来的两大类重点用户画像应该如下：

1.有模糊的想法，能基于idea给出一个简短的prompt，然后看大模型自由发挥去怎么拆分问题，查看哪些材料

2.有比较清晰的思路，例如上面这个case里面，我就希望DeepSearcher能够always严格按照财报分析->股价估值分析->交易数据分析->研报和业务分析->竞争力分析->推算未来几年的营收增长率->现金流贴现法计算合理价这个路径去走

其中a路径是包括OpenAI的DeepResearch和Grok3刚刚发布的Big Brain在内的一众主流模型商的做法，有点对ChatGPT模式的路径依赖。

对于b类客户，可能把分析问题的计划编排能力开放一部分给用户，会提升整个推理过程的可控性，也能增强最终答案的质量。

此外，对于AI Agent场景而言，一定会有非结构化数据和结构化数据要混着用的情况，当在一个推理任务中同时需要检索大规模的非结构化数据和结构化数据的时候，DeepSearcher类产品在实际部署中，我们需要在前期就同时兼容包括向量数据库和关系型数据库在内的多个不同的数据源联动进行检索和分析。

最后，在我看来，DeepSearcher类产品在相当长一段时间里，会代表着新一代RAG的构建范式。Simple RAG时代，问题分析，本地知识检索，互联网知识检索，内容生成，需要被环环拆解，人机协同；到了Graph RAG时代，检索与基础的问题拆解成为可能，但深度创作能力依然欠缺；到了Deep Searcher时代，从提出问题到解决问题，一个RAG就能完成全流程任务，潜力不可小觑。

最后，欢迎访问我们的开源项目Github-Deep Searcher（项目目前处于快速迭代阶段，期待您的反馈）

https://github.com/zilliztech/deep-searcher

Milvus、Zilliz Cloud（注册即可免费体验，注册地址：https://cloud.zilliz.com.cn/login 海外：https://cloud.zilliz.com/