{"owner":"xbtlin","repo":"ai-berkshire","hasSkills":true,"totalSkillsCount":44,"totalTokensCount":75133,"categories":["anthropic-skill","root-instruction","claude-rule"],"hasMcp":false,"mcpConfig":null,"found":["codex-skills/thesis-tracker/SKILL.md","codex-skills/portfolio-review/SKILL.md","codex-skills/quality-screen/SKILL.md","codex-skills/thesis-drift/SKILL.md","codex-skills/news-pulse/SKILL.md","codex-skills/private-company-research/SKILL.md","codex-skills/wechat-article/SKILL.md","codex-skills/investment-checklist/SKILL.md","codex-skills/investment-memo-craft/SKILL.md","codex-skills/management-deep-dive/SKILL.md","codex-skills/investment-team/SKILL.md","codex-skills/investment-research/SKILL.md","codex-skills/industry-research/SKILL.md","codex-skills/industry-funnel/SKILL.md","codex-skills/income-investment/SKILL.md","codex-skills/financial-data/SKILL.md","codex-skills/earnings-team/SKILL.md","codex-skills/earnings-review/SKILL.md","codex-skills/dyp-ask/SKILL.md","codex-skills/deep-company-series/SKILL.md","codex-skills/bottleneck-hunter/SKILL.md","AGENTS.md","CLAUDE.md","skills/bottleneck-hunter.md","skills/deep-company-series.md","skills/dyp-ask.md","skills/earnings-review.md","skills/earnings-team.md","skills/financial-data.md","skills/income-investment.md","skills/industry-funnel.md","skills/industry-research.md","skills/investment-checklist.md","skills/investment-research.md","skills/investment-team.md","skills/management-deep-dive.md","skills/news-pulse.md","skills/portfolio-review.md","skills/private-company-research.md","skills/quality-screen.md","skills/thesis-drift.md","skills/thesis-tracker.md","skills/wechat-article.md","codex-skills/investment-memo-craft/agents/openai.yaml"],"skills":{"codex-skills/thesis-tracker/SKILL.md":"---\nname: thesis-tracker\ndescription: \"AI Berkshire skill: 投资论文追踪：买入后的纪律系统. Source: skills/thesis-tracker.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/thesis-tracker.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 投资论文追踪：买入后的纪律系统\n\n对 $ARGUMENTS 执行投资论文追踪检查。\n\n**支持输入格式**：\n- `公司名` — 首次使用时建立投资论文，后续使用时追踪检查\n- `公司名 建立论文` — 强制重新建立投资论文\n- `公司名 季度检查` — 基于最新财报进行论文检查\n\n> \"买入只是开始。真正的工作是持有期间的持续跟踪。\" —— 李录\n>\n> \"当事实改变时，我就改变想法。你呢？\" —— 凯恩斯\n\n## 设计理念\n\n大多数投资者的流程是：研究 → 买入 → 祈祷。缺少买入后的系统化跟踪，导致：\n- 该卖的时候舍不得卖（\"再等等，会涨回来的\"）\n- 不该卖的时候恐慌卖出（\"跌了20%，是不是我错了\"）\n- 忘记了当初为什么买的（\"我买这个是因为什么来着？\"）\n\n巴菲特和李录的做法是：**买入前就写下卖出条件**。然后每个季度检查论文是否完整。\n\n## 执行流程\n\n### 第一步：判断操作模式\n\n检查是否已存在该公司的投资论文文件（`reports/{公司名}-thesis.md`）：\n- 如果不存在 → 进入**建立论文**模式\n- 如果存在 → 进入**追踪检查**模式\n- 如果找不到但用户表示已有 → 询问文件路径\n\n---\n\n## 模式A：建立投资论文\n\n### A0：数据收集\n\n使用 WebSearch 获取当前股价、估值指标（PE/PB/股息率）、最新财报核心数据，用于填写估值锚点。如果已有该公司的 `/investment-research` 或 `/investment-team` 报告，优先从中读取。\n\n使用 `tools/financial_rigor.py verify-valuation` 校验估值数据。\n\n### A1：核心论文（必须用200字以内写清楚）\n\n投资论文必须回答以下5个问题，每个问题一句话：\n\n```\n我以 ___元 买入 ___公司，因为：\n1. 这门生意的本质是___，我理解它的赚钱方式\n2. 它的护城河是___，而且在变宽/稳定\n3. 管理层___，值得信赖的原因是___\n4. 当前价格相当于内在价值的___折，安全边际来自___\n5. 即使我错了，下行风险可控，因为___\n```\n\n**如果5句话写不完整，这个论文本身就有问题——说明买入决策不够清晰。**\n\n### A2：核心假设清单\n\n把投资论文拆解成可验证的具体假设：\n\n| # | 核心假设 | 验证方式 | 验证频率 | 当前状态 |\n|---|---------|---------|---------|---------|\n| 1 | 例：收入增速维持15%+ | 季报收入增速 | 每季度 | 🟢 成立 |\n| 2 | 例：毛利率稳定在60%+ | 季报毛利率 | 每季度 | 🟢 成立 |\n| 3 | 例：管理层持续回购 | 回购公告/现金流表 | 每季度 | 🟢 成立 |\n| 4 | 例：竞争对手未取得突破 | 行业数据/竞对财报 | 每半年 | 🟢 成立 |\n| 5 | ... | ... | ... | ... |\n\n通常3-7个假设。太少说明思考不够深入，太多说明论文不够聚焦。\n\n### A3：红线清单（触发任何一条 = 必须重新评估）\n\n| # | 红线条件 | 严重程度 | 触发后动作 |\n|---|---------|---------|-----------|\n| 1 | 例：管理层诚信出问题（财务造假、关联交易） | 致命 | 立即清仓 |\n| 2 | 例：核心业务连续2季度收入下滑 | 严重 | 减仓50%，重新评估 |\n| 3 | 例：护城河被明确突破（竞对获得同等能力） | 严重 | 启动深度研究，考虑退出 |\n| 4 | 例：监管政策根本性改变商业模式 | 严重 | 重新评估内在价值 |\n| 5 | 例：管理层大规模减持（非计划性） | 警告 | 深入调查原因 |\n\n**段永平**：\"卖出只有三个理由：1.发现买错了；2.公司基本面变了；3.找到了更好的。\"\n\n### A4：估值锚点\n\n| 指标 | 买入时 | 乐观目标 | 中性目标 | 悲观情景 |\n|------|-------|---------|---------|---------|\n| 股价 | | | | |\n| PE | | | | |\n| 市值 | | | | |\n| 内在价值估算 | | | | |\n| 安全边际 | | | | |\n\n### A5：保存论文\n\n将投资论文写入 `reports/{公司名}-thesis.md`，包含：\n- 建立日期\n- 买入价格和仓位\n- 核心论文（5句话）\n- 核心假设清单\n- 红线清单\n- 估值锚点\n- 追踪记录表（初始为空）\n\n---\n\n## 模式B：追踪检查\n\n### B1：读取现有论文\n\n读取 `reports/{公司名}-thesis.md`，加载：\n- 核心论文\n- 核心假设清单\n- 红线清单\n- 上次检查记录\n\n### B2：收集最新数据\n\n使用 WebSearch 收集：\n1. 最新财报数据（如果有新的季报/年报）\n2. 近期重大事件（管理层变动、监管政策、竞争动态）\n3. 当前股价和估值指标\n4. 内部人交易记录（大股东增减持）\n\n### B3：逐条检查核心假设\n\n对每个核心假设，用最新数据验证：\n\n| # | 核心假设 | 上次状态 | 最新证据 | 当前状态 | 变化 |\n|---|---------|---------|---------|---------|------|\n| 1 | 收入增速15%+ | 🟢 成立 | Q4收入增速12% | 🟡 边际弱化 | ⚠️ |\n| 2 | 毛利率60%+ | 🟢 成立 | 毛利率61.2% | 🟢 成立 | — |\n| 3 | ... | ... | ... | ... | ... |\n\n状态定义：\n- 🟢 **成立** — 最新数据支持该假设\n- 🟡 **边际弱化** — 数据仍在可接受范围，但趋势不利\n- 🔴 **受损** — 数据明确不支持该假设\n- ⚫ **破裂** — 假设已被推翻\n\n### B4：红线检查\n\n逐条检查红线清单：\n\n| # | 红线条件 | 是否触发 | 证据 |\n|---|---------|:-------:|------|\n| 1 | 管理层诚信问题 | ❌ 未触发 | — |\n| 2 | 核心业务连续2季下滑 | ❌ 未触发 | — |\n\n**任何一条红线触发 → 在报告中用醒目标注，给出明确的行动建议。**\n\n### B5：估值更新\n\n| 指标 | 买入时 | 上次检查 | 当前 | 变化 |\n|------|-------|---------|------|------|\n| 股价 | | | | |\n| PE(TTM) | | | | |\n| 内在价值估算 | | | | |\n| 安全边际 | | | | |\n\n### B6：输出追踪报告\n\n#### 报告结构\n\n```\n一、论文健康度评分（满分10分）\n二、核心假设检查结果（表格）\n三、红线检查结果（表格）\n四、本期关键变化（不超过500字）\n五、估值更新\n六、结论与行动建议\n七、下次检查需关注的重点\n```\n\n#### 论文健康度评分标准\n\n| 评分 | 含义 | 建议动作 |\n|:----:|------|---------|\n**计算公式**：健康度 = 10 - (⚫破裂假设数×3) - (🔴受损假设数×2) - (🟡弱化假设数×1) - (红线触发数×5)，最低1分最高10分。\n\n| 评分 | 含义 | 建议动作 |\n|:----:|------|---------|\n| 9-10 | 所有假设成立，论文比买入时更强 | 考虑加仓 |\n| 7-8 | 核心假设成立，个别边际弱化 | 继续持有 |\n| 5-6 | 1-2个假设受损，但核心逻辑未变 | 持有但提高警惕 |\n| 3-4 | 多个假设受损，论文基础动摇 | 考虑减仓 |\n| 1-2 | 红线触发或核心假设破裂 | 强烈建议卖出 |\n\n#### 结论必须明确回答\n\n1. **论文还完整吗？** 完整 / 边际弱化 / 受损 / 破裂\n2. **该怎么做？** 加仓 / 持有 / 减仓 / 清仓\n3. **下次检查时间**：下一个季报发布后 / 某个特定事件后\n\n### B7：更新论文文件\n\n将本次检查记录追加到 `reports/{公司名}-thesis.md` 的追踪记录表中：\n\n| 检查日期 | 健康度 | 核心变化 | 动作建议 |\n|---------|:------:|---------|---------|\n| 2026-04-09 | 7/10 | 收入增速放缓至12%，但利润率改善 | 持有 |\n\n---\n\n## 关键原则\n\n- **买入前就写好卖出条件** — 冷静时做的决策比恐慌时做的好\n- **论文要具体到可验证** — \"公司很好\"不是论文，\"ROE>25%且趋势稳定\"才是\n- **红线一旦触发就行动** — 最怕的是\"再等等看\"，这是亏大钱的开始\n- **论文破裂 ≠ 股价下跌** — 股价跌30%不一定要卖，论文破裂才要卖\n- **诚实面对错误** — 论文建错了就承认，不要为了面子硬撑\n","codex-skills/portfolio-review/SKILL.md":"---\nname: portfolio-review\ndescription: \"AI Berkshire skill: 组合管理：从\\\"研究公司\\\"到\\\"管理组合\\\". Source: skills/portfolio-review.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/portfolio-review.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 组合管理：从\"研究公司\"到\"管理组合\"\n\n对 $ARGUMENTS 执行投资组合审视与优化。\n\n**支持输入格式**：\n- 持仓清单，例如：`腾讯30%, 美团20%, 茅台20%, 英伟达15%, 现金15%`\n- 或：`腾讯 500股 @480港元, 美团 1000股 @130港元, ...`\n- 或：`我的持仓`（如果已有保存的组合文件 `reports/portfolio-latest.md`）\n\n> \"分散投资是对无知的保护。如果你知道自己在做什么，分散投资就没有意义。\" —— 巴菲特\n>\n> \"我这辈子见过的真正好的投资机会，十个手指就数得完。\" —— 李录\n\n## 设计理念\n\n研究公司只是投资的一半。另一半是**组合层面的决策**：\n- 买多少？（仓位）\n- 用什么钱买？（资金来源——新钱还是换仓）\n- 和已有持仓是否冲突？（相关性）\n- 最优组合长什么样？（机会成本）\n\n巴菲特从不孤立地看一只股票——他总是在想\"这是不是我能做的最好的事？\"\n\n## 执行流程\n\n### 第一步：解析持仓\n\n从输入中解析出当前持仓，标准化为以下格式：\n\n| 标的 | 代码 | 持仓量 | 成本价 | 现价 | 市值 | 占比 | 盈亏 |\n|------|------|--------|-------|------|------|------|------|\n\n如果输入只有比例没有金额，按比例分析即可。\n\n同时检查是否存在已有的组合文件（`reports/portfolio-latest.md`），如有则读取并更新。\n\n### 第二步：获取最新数据\n\n使用 Task 工具启动后台 Agent，通过 WebSearch 为每个持仓并行获取：\n1. 当前股价和估值指标（PE、PB、股息率）\n2. 最近一个季度的关键财务变化\n3. 近期重大事件\n4. 分析师一致预期（前瞻PE、目标价）\n\n对每个持仓使用 `tools/financial_rigor.py verify-valuation` 校验估值数据。对每只持仓标注信息丰富度（A/B/C级），C级持仓的分析结论标注低置信度。\n\n### 第三步：单仓位体检\n\n对每个持仓进行快速健康检查：\n\n| 标的 | 当前PE | 买入逻辑是否变化 | 论文健康度 | 仓位建议 |\n|------|:------:|:--------------:|:---------:|---------|\n| 腾讯 | 18x | 未变化 | 8/10 | 合理 |\n| 美团 | 25x | 竞争加剧 | 6/10 | 偏高，考虑减仓 |\n\n对每个持仓回答：\n- [ ] **如果今天没有持仓，你还会在当前价格买入吗？**\n- [ ] **如果明天不能交易，持有5年你舒服吗？**\n- [ ] **买入论文还完整吗？**\n\n**段永平**：\"如果你不想持有一只股票10年，那就一天也不要持有。\"\n\n### 第四步：组合层面分析\n\n#### 4.1 集中度分析\n\n| 指标 | 当前值 | 建议范围 | 判断 |\n|------|-------|---------|------|\n| 第一大持仓占比 | | <40% | |\n| 前三大持仓占比 | | 50-80% | |\n| 总持仓数量 | | 5-15只 | |\n| 现金占比 | | 10-30%（视市场环境） | |\n\n**李录的标准**：3-5只核心持仓，前3占80%+。**但这要求每一只都研究透彻。**\n\n**巴菲特的标准**：核心持仓不超过10只，但允许更多卫星仓位。\n\n#### 4.2 相关性检查\n\n识别持仓之间的隐性关联：\n\n| 持仓A | 持仓B | 相关类型 | 风险 |\n|-------|-------|---------|------|\n| 腾讯 | 快手 | 同属中国互联网 | 监管风险共振 |\n| 英伟达 | 台积电 | AI供应链上下游 | AI Capex同向波动 |\n| 美团 | 拼多多 | 同属中国消费 | 宏观消费同向波动 |\n\n**检查清单**：\n- [ ] 是否有超过50%的仓位暴露在同一个主题/行业？\n- [ ] 是否有超过50%的仓位暴露在同一个国家/货币？\n- [ ] 如果中美关系恶化，组合会亏多少？\n- [ ] 如果全球经济衰退，组合会亏多少？\n\n#### 4.3 机会成本分析\n\n这是巴菲特最核心的思维方式——**每一块钱都应该放在回报最高的地方**。\n\n将所有持仓按\"预期年化回报\"排序：\n\n| 排名 | 标的 | 当前占比 | 预期年化回报 | 确定性 | 预期回报×确定性 |\n|:----:|------|:-------:|:----------:|:------:|:--------------:|\n| 1 | | | | | |\n| 2 | | | | | |\n| ... | | | | | |\n\n预期回报估算方法（使用 `tools/financial_rigor.py three-scenario` 计算）：\n- **简化公式**：预期年化 ≈ FCF Yield + 预期增速（主要方法）\n- **价值型验证**：安全边际回归 + 利润增速 + 股息率\n- **成长型验证**：利润增速 × 合理PE的变化\n\n**关键问题**：排名最后的持仓，预期回报是否高于现金（无风险利率~4%）？如果不是，应该卖出换成现金。\n\n#### 4.4 压力测试\n\n| 情景 | 假设 | 组合预计影响 | 最大回撤 |\n|------|------|-----------|---------|\n| 全球衰退 | 企业盈利下降20-30% | | |\n| 中美冲突升级 | 中概股折价50% | | |\n| 利率飙升 | 10年期国债→6% | | |\n| 科技泡沫破裂 | 科技股PE压缩40% | | |\n\n对每个情景做定性+粗估评估（基于各持仓的行业属性和历史估值波动范围）：\n- 哪些持仓受冲击最大？大致影响方向和量级范围\n- 组合整体是否能承受？\n- 是否需要对冲？\n\n### 第五步：优化建议\n\n#### 5.1 调仓建议\n\n基于以上分析，给出具体的调仓建议：\n\n| 动作 | 标的 | 当前占比 | 建议占比 | 理由 |\n|------|------|:-------:|:-------:|------|\n| 加仓 | | | | |\n| 减仓 | | | | |\n| 清仓 | | | | |\n| 新建仓 | | | | |\n| 不动 | | | | |\n\n#### 5.2 寻找替代标的\n\n如果组合中有\"不如现金\"的仓位，或者现金占比过高，建议使用 `/industry-research` 或 `/investment-checklist` 对感兴趣的行业/公司进行系统筛选，而非在本Skill内直接推荐个股。\n\n#### 5.3 现金管理\n\n| 当前现金占比 | 建议现金占比 | 理由 |\n|:----------:|:----------:|------|\n\n**巴菲特**：目前持有$3,820亿现金，占比超过总资产的25%——当找不到好机会时，现金是最好的仓位。\n\n### 第六步：输出组合报告\n\n#### 报告结构\n\n```\n一、组合概览（持仓表格+饼图描述）\n二、单仓位体检（每个持仓的健康状态）\n三、组合分析\n   - 集中度：是否过度分散/集中？\n   - 相关性：隐性关联和风险共振\n   - 机会成本：排名最低的仓位是否值得持有？\n   - 压力测试：极端情景下的回撤预估\n四、调仓建议（具体操作+理由）\n五、下次审视时间和关注重点\n```\n\n#### 结论必须明确回答\n\n1. **组合整体健康度**：优秀 / 良好 / 需要调整 / 问题严重\n2. **最应该做的一件事是什么？**（加仓X / 减仓Y / 不动）\n3. **当前最大风险是什么？**\n\n### 第七步：保存组合文件\n\n将组合信息写入 `reports/portfolio-latest.md`，包含：\n- 最新持仓表\n- 本次审视日期和结论\n- 调仓记录（追加）\n- 下次审视提醒\n\n---\n\n## 关键原则\n\n- **每一块钱都有机会成本** — 持有一只平庸的股票，成本是错过了一只优秀的\n- **集中不是风险，无知才是** — 持有3只你深度理解的股票，比持有30只你一知半解的安全\n- **现金是一种仓位** — 找不到好机会时，持有现金不丢人\n- **组合层面 > 个股层面** — 一只好股票在错误的仓位上也会拖累你\n- **定期审视，但不要过度交易** — 每季度审视一次足够，不要每天盯盘调仓\n","codex-skills/quality-screen/SKILL.md":"---\nname: quality-screen\ndescription: \"AI Berkshire skill: 去劣筛选：7条指标快速排除非一流公司. Source: skills/quality-screen.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/quality-screen.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 去劣筛选：7条指标快速排除非一流公司\n\n对 $ARGUMENTS 执行去劣指标筛选，快速排除不符合一流公司标准的标的。\n\n**支持输入格式**：\n\n| 输入方式 | 示例 | 说明 |\n|---------|------|------|\n| 个股 | `腾讯, 美团, 英伟达` | 逐家筛选 |\n| 行业 | `中国啤酒行业` `全球云计算` `港股运动品牌` | 先搜索该行业主要上市公司（10-20家），再逐家筛选 |\n| 市场/指数 | `恒生指数成分股` `沪深300` `纳斯达克100` | 拉取成分股列表，逐家筛选 |\n| 主题 | `中国高股息50强` `全球AI算力链` | 先搜索主题相关公司，再逐家筛选 |\n\n行业/市场/主题模式下，输出额外包含：通过率统计、行业内排名、板块对比总结。\n\n## 设计原则\n\n- **目标**：不错杀任何一流好公司，但能排除确定的非一流公司\n- **逻辑**：7条硬指标 + 2条豁免规则，宁可漏网不可误杀\n- **适用范围**：所有上市公司（银行/保险不适用第3条利息覆盖倍数）\n\n---\n\n## 7条去劣指标\n\n| # | 指标 | 排除条件 | 衡量的是什么 |\n|---|------|---------|-------------|\n| 1 | 10年平均ROE | < 8% | 资本效率——股东的钱能不能跑赢机会成本 |\n| 2 | 5年累计自由现金流 | 为负 | 真金白银——利润是不是\"纸面富贵\" |\n| 3 | 利息覆盖倍数（EBIT/利息） | < 2倍 | 偿债安全——还利息的能力 |\n| 4 | 长期毛利率 | < 15% | 定价权——产品/服务有没有差异化 |\n| 5 | 经营现金流 / 净利润（5年均值） | < 0.7 | 利润质量——赚到的利润能不能收回现金 |\n| 6 | 长期净利率 | < 5% | 抗风险能力——收入波动时利润是否归零 |\n| 7 | 5年总股本膨胀 | > 20%（非并购原因） | 股东利益——管理层是否在稀释你的权益 |\n\n## 3条豁免规则\n\n### 豁免A：战略投入期豁免（适用于第1条）\n\n如果同时满足以下3个条件，可豁免第1条ROE不达标：\n1. 上市不足10年\n2. 毛利率 > 30%（证明商业模式本身有定价权）\n3. 最近2年经营现金流为正（证明造血能力已具备）\n\n**逻辑**：高毛利率+现金流转正说明商业模式没问题，ROE低只是因为还在投入期。典型案例：美团。\n\n### 豁免B：主动低利润率豁免（适用于第6条）\n\n如果同时满足以下2个条件，可豁免第6条净利率不达标：\n1. 毛利率 > 30%（有能力赚但选择不赚）\n2. 近2年净利率已回升至5%以上，或呈明确上升趋势\n\n**逻辑**：毛利率高说明有定价权，净利率低是战略选择（再投资）而非能力缺失。典型案例：亚马逊。\n\n### 豁免C：高周转薄利模式豁免（适用于第4条和第6条）\n\n如果同时满足以下3个条件，可豁免第4条毛利率和第6条净利率不达标：\n1. ROE > 20%（证明虽然利润率低，但资本回报率极高）\n2. 经营现金流/净利润 > 1.0（利润质量无问题）\n3. 商业模式属于\"会员制/平台佣金/高周转薄利\"类型（利润不体现在商品加价上）\n\n**逻辑**：有些一流公司的利润不藏在毛利率里，而是藏在会员费、周转效率或平台抽成中。它们的毛利率和净利率天然很低，但ROE极高说明资本效率一流。典型案例：Costco（毛利率12%、净利率2.5%，但ROE 25%+、会员续费率90%+）。\n\n---\n\n## 执行流程\n\n### 第一步：解析输入，确定筛选范围\n\n**模式判断**：\n- 如果输入是具体公司名/代码 → **个股模式**，直接进入第二步\n- 如果输入是行业/市场/主题 → **批量模式**，先执行以下操作：\n  1. 用 WebSearch 搜索该行业/市场/主题下的主要上市公司\n  2. 行业模式：覆盖该行业市值前15-20家上市公司\n  3. 指数模式：拉取完整成分股列表\n  4. 主题模式：搜索相关公司，覆盖15-30家\n  5. 列出完整公司清单供确认（如公司数>30，分批并行处理）\n\n对每家公司确定全称、代码、交易所。\n\n### 第二步：并行数据收集\n\n为每家公司启动独立后台Agent，使用 WebSearch 搜索以下数据：\n\n1. **ROE**：近10年（或上市以来）的逐年ROE，计算平均值\n2. **自由现金流**：近5年的经营现金流和资本开支，计算5年累计FCF\n3. **利息覆盖**：最新年度EBIT和利息支出，计算倍数\n4. **毛利率**：近5年毛利率趋势\n5. **经营现金流/净利润**：近5年的比值，计算均值\n6. **净利率**：近10年净利率趋势，计算均值\n7. **总股本变化**：5年前和当前的总股本，计算膨胀比例\n\n数据来源优先级：公司年报 > 券商研报 > 财经数据平台\n\n### 第三步：逐条检验\n\n对每家公司，逐条检验7个指标：\n- ✅ 通过\n- ❌ 未通过\n- ⚠️ 边界（附数值说明）\n\n如果触犯某条，检查是否满足对应豁免条件。\n\n### 第四步：输出结果\n\n#### 输出格式\n\n```markdown\n# 去劣筛选结果\n\n**筛选日期**：{当天日期}\n**公司数量**：{N}家\n\n## 汇总表\n\n| 公司 | ①ROE | ②FCF | ③利息覆盖 | ④毛利率 | ⑤OCF/NI | ⑥净利率 | ⑦稀释 | 结果 |\n|------|------|------|----------|---------|---------|---------|-------|------|\n| xxx | ✅ 24% | ✅ | ✅ | ✅ 56% | ✅ | ✅ 30% | ✅ | **通过** |\n| yyy | ❌ 3% | ❌ | ❌ | ✅ 20% | ✅ | ❌ 2% | ✅ | **排除** |\n| zzz | ⚠️→✅ | ✅ | ✅ | ✅ 35% | ✅ | ⚠️→✅ | ✅ | **豁免通过** |\n\n## 通过的公司（N家）\n[列表]\n\n## 排除的公司（N家）\n| 公司 | 触犯指标 | 具体数据 | 排除理由 |\n|------|---------|---------|---------|\n\n## 豁免通过的公司（N家）\n| 公司 | 豁免条款 | 具体数据 | 豁免理由 |\n|------|---------|---------|---------|\n\n## 边界争议（如有）\n[对处于阈值附近的公司做补充说明]\n\n## 板块总结（行业/市场模式专用）\n\n**通过率**：{通过数}/{总数} = {百分比}\n**行业质量判断**：[根据通过率给出行业整体质量评价]\n\n| 质量分层 | 公司 | 共同特征 |\n|---------|------|---------|\n| 一流（全过+高ROE） | xxx, yyy | ... |\n| 合格（全过但指标平庸） | aaa, bbb | ... |\n| 淘汰 | ccc, ddd | ... |\n\n**行业选股结论**：[一句话总结该行业值不值得深挖，最值得关注的2-3家是谁]\n```\n\n---\n\n## 注意事项\n\n1. **银行/保险**：不适用第3条（利息覆盖），其商业模式本质就是利差经营\n2. **REIT**：ROE可能因物业重估波动大，用\"核心营运利润ROE\"代替\n3. **数据不足**：如果某项数据无法获取，标注为\"数据不足\"而非直接判定通过/不通过\n4. **周期性行业**：用完整周期（至少覆盖一个高点和一个低点）的平均值，不用单一年份\n5. **上市时间短**：不足5年的公司用全部可得数据，但在结果中标注\"数据窗口不足\"\n\n## 局限性声明\n\n这套指标能排除\"确定不好\"的公司，但通过筛选不等于\"确定好\"。通过的公司仍需进一步研究：\n- 商业模式是否可持续\n- 管理层是否值得信赖\n- 当前估值是否合理\n- 竞争格局是否在恶化\n\n去劣是第一步，不是最后一步。\n","codex-skills/thesis-drift/SKILL.md":"---\nname: thesis-drift\ndescription: \"AI Berkshire skill: 投资论文漂移检测：分清事实变化与措辞变化. Source: skills/thesis-drift.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/thesis-drift.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 投资论文漂移检测：分清事实变化与措辞变化\n\n对 $ARGUMENTS 执行投资论文漂移检测。\n\n**支持输入格式**：\n- `公司名 旧报告路径 新报告路径` — 指定两份研究报告或论文快照进行对比\n- `公司名 reports/{公司名}-thesis-旧日期.md reports/{公司名}-thesis-新日期.md` — 对比两份带日期的论文快照\n- `公司名` — 自动查找 `reports/{公司名}-thesis.md` 及同目录历史快照；如果没有基线则转入缺失基线处理\n\n> \"当事实改变时，我就改变想法。你呢？\" —— 凯恩斯\n>\n> \"股价波动不是论文漂移，事实变了才是。\" —— AI Berkshire\n\n## 设计理念\n\n长期持仓最难的不是每天读新闻，而是区分三件事：\n- **事实改变**：收入、利润率、竞争格局、管理层行为、资本配置发生可验证变化\n- **价格改变**：市场情绪或估值倍数变化，但生意本身未变\n- **措辞改变**：两份报告表达不同，但底层证据和判断没有变化\n\n投资论文漂移检测的目标是：**只在证据变化时承认论文变化**。不能因为报告换了写法就制造漂移，也不能因为股价涨跌就误判基本面。\n\n本 Skill 依赖 `/thesis-tracker` 输出的结构化维度：核心假设清单、红线清单、估值锚点、追踪记录表。没有这些结构时，先补齐基线，再做漂移检测。\n\n## 执行流程\n\n### 第一步：判断操作模式\n\n解析 `$ARGUMENTS`：\n- 如果提供两份报告路径 → 进入**指定报告对比**模式\n- 如果只提供公司名 → 查找 `reports/{公司名}-thesis.md` 及历史快照，进入**自动快照对比**模式\n- 如果只找到一份报告或没有历史基线 → 进入**缺失基线处理**模式\n- 如果两份报告不是同一家公司 → 停止并要求用户确认，不做跨公司漂移判断\n\n---\n\n## 模式A：指定报告对比\n\n### A1：读取并校验两份报告\n\n读取旧报告和新报告，提取：\n- 报告日期、公司名、股票代码\n- 核心论文（5句话）\n- 核心假设清单\n- 红线清单\n- 估值锚点\n- 追踪记录表\n- 管理层质量判断\n- 竞争护城河判断\n- 当前建议动作（买入 / 持有 / 观察 / 减仓 / 清仓）\n\n如果报告缺少关键结构，先标注\"结构缺失\"，但仍尽量从正文中抽取证据；抽取不到的维度标为\"无法判断\"，不能编造结论。\n\n### A2：证据归一化\n\n把两份报告中的事实证据整理成同一张表：\n\n| 维度 | 旧报告证据 | 新报告证据 | 数据来源 | 是否可验证 |\n|------|-----------|-----------|---------|-----------|\n| 估值锚点 | | | | |\n| 核心假设 | | | | |\n| 红线 | | | | |\n| 管理层质量 | | | | |\n| 竞争护城河 | | | | |\n\n**只比较证据，不比较文风。** 如果新旧报告只是同义改写、排序变化、语气变化，但事实数据和判断阈值没有变化，判定为 Unchanged。\n\n### A3：数值与估值校验\n\n所有数值变化必须使用 `tools/financial_rigor.py` 做精确计算，禁止 LLM 心算：\n\n```bash\npython3 tools/financial_rigor.py verify-valuation \\\n  --price {当前价格} \\\n  --eps {EPS} \\\n  --bvps {每股净资产} \\\n  --fcf-per-share {每股自由现金流}\n```\n\n如需计算市值、百分比变化、目标价差异或情景估值，使用：\n\n```bash\npython3 tools/financial_rigor.py verify-market-cap --price {价格} --shares {股本} --reported {报告市值} --currency {币种}\npython3 tools/financial_rigor.py cross-validate --field {字段} --values '{JSON}' --unit {单位}\npython3 tools/financial_rigor.py three-scenario --price {价格} --eps {EPS} --shares {股本亿} --growth {乐观} {中性} {悲观} --pe {乐观PE} {中性PE} {悲观PE}\npython3 tools/financial_rigor.py calc --expr '{精确算式}'\n```\n\n关键财务数据必须至少两处独立来源交叉验证。来源不足、口径不一致、无法复核的数字必须标注为\"低置信度 / 待核实\"。\n\n### A4：逐维度判定漂移\n\n固定使用以下维度，不要临时增减：\n\n| 维度 | 判定重点 | Improved | Unchanged | Weakened |\n|------|---------|----------|-----------|----------|\n| 估值锚点 | 内在价值、PE/PB/FCF Yield、安全边际、目标价区间 | 安全边际扩大或内在价值上修且经工具验算 | 估值区间和安全边际无实质变化 | 安全边际收窄、内在价值下修或估值假设失效 |\n| 核心假设清单 | 收入增速、利润率、现金流、用户/订单/产能等可验证假设 | 更多假设被新证据强化 | 假设状态与证据基本一致 | 假设边际弱化、受损或破裂 |\n| 红线清单 | 诚信、监管、业务衰退、竞争突破、管理层异常动作 | 原有红线风险解除或显著下降 | 未触发且风险水平不变 | 红线被触发或触发概率上升 |\n| 管理层质量 | 诚信、资本配置、回购分红、执行力、股东友好度 | 新行为提高信任度 | 行为延续旧判断 | 行为损害信任或资本配置变差 |\n| 竞争护城河 | 市占率、定价权、网络效应、成本优势、替代威胁 | 护城河变宽或竞争优势被验证 | 格局无实质变化 | 护城河被削弱或竞对突破 |\n\n每个维度只能给出三类结论：**Improved / Unchanged / Weakened**。\n\n### A5：证据驱动规则\n\n每个非 Unchanged 的结论必须引用导致变化的具体新证据：\n- 财报行项目：例如收入增速、毛利率、经营现金流、回购金额、净现金\n- 监管披露：例如 10-K/20-F、年报、中报、港交所公告、SEC filing\n- 新闻事件：例如管理层变动、监管处罚、重大客户流失、竞品突破\n- 价格与估值：必须说明这是\"估值变化\"还是\"基本面变化\"，不能混淆\n\n如果找不到能解释变化的证据，必须判定为 **Unchanged** 或 **无法判断**，不能用措辞差异推断漂移。\n\n### A6：输出漂移报告\n\n#### 报告结构\n\n```\n一、对比对象与时间跨度\n二、总体结论：论文是否漂移\n三、维度漂移表\n四、证据差异明细\n五、估值与数值验算\n六、建议动作迁移\n七、不确定项与需补充来源\n八、下次跟踪重点\n```\n\n#### 维度漂移表\n\n| 维度 | 旧判断 | 新判断 | 漂移方向 | 触发证据 | 置信度 |\n|------|-------|-------|:--------:|---------|:------:|\n| 估值锚点 | | | Improved / Unchanged / Weakened | | 高/中/低 |\n| 核心假设清单 | | | Improved / Unchanged / Weakened | | 高/中/低 |\n| 红线清单 | | | Improved / Unchanged / Weakened | | 高/中/低 |\n| 管理层质量 | | | Improved / Unchanged / Weakened | | 高/中/低 |\n| 竞争护城河 | | | Improved / Unchanged / Weakened | | 高/中/低 |\n\n**Unchanged 行的触发证据写 `—`，不要为了填表编造证据。**\n\n#### 总体结论必须回答\n\n1. **论文是否漂移？** 未漂移 / 正向漂移 / 负向漂移 / 证据不足无法判断\n2. **漂移来自哪里？** 估值 / 基本面 / 管理层 / 竞争格局 / 红线事件\n3. **是事实变化还是价格变化？** 明确拆开说明\n4. **建议动作如何迁移？** 例如：Watch → Buy、Buy → Hold、Hold → Reduce、Reduce → Exit\n5. **下一步需要什么证据？** 下一份财报 / 监管披露 / 管理层说明 / 竞对数据\n\n---\n\n## 模式B：自动快照对比\n\n### B1：查找快照\n\n在 `reports/` 中查找：\n- `reports/{公司名}-thesis.md`\n- `reports/{公司名}-thesis-*.md`\n- `reports/{公司名}/` 目录下包含 `thesis`、`论文`、`追踪` 的报告\n\n选择时间最早且结构完整的文件作为旧报告，时间最新的文件作为新报告。若用户指定日期，以用户指定为准。\n\n### B2：防止错误配对\n\n对比前必须确认：\n- 公司名或股票代码一致\n- 报告日期不同\n- 两份报告都包含可抽取的论文结构或研究结论\n\n如果无法确认同一公司，停止并要求用户提供明确路径。\n\n### B3：执行模式A\n\n找到两份有效快照后，按模式A完整执行。\n\n---\n\n## 模式C：缺失基线处理\n\n如果只找到一份报告或没有找到旧快照：\n\n1. 明确说明：**缺少可比较的历史基线，不能执行漂移检测**\n2. 不要根据记忆或市场印象补造旧论文\n3. 引导用户先使用 `/thesis-tracker {公司名} 建立论文` 建立结构化基线\n4. 如果当前报告已足够完整，可建议将它保存为 `reports/{公司名}-thesis.md` 作为未来漂移检测基线\n\n输出格式：\n\n```\n无法执行论文漂移检测：缺少历史基线。\n\n已找到：\n- 当前报告：{路径 / 未找到}\n- 历史基线：未找到\n\n建议：\n1. 先运行 /thesis-tracker {公司名} 建立论文\n2. 下次有新财报或重大事件后，再运行 /thesis-drift {公司名} 旧报告 新报告\n```\n\n---\n\n## 关键原则\n\n- **证据优先于措辞** — 同义改写不是漂移，只有事实证据变化才是漂移\n- **基本面优先于股价** — 股价涨跌只影响估值锚点，不自动改变生意质量\n- **数值必须验算** — 所有百分比、估值倍数、目标价差异必须用 `tools/financial_rigor.py`\n- **不确定就标注不确定** — 来源缺失、口径不一致、无法复核时，不要硬判\n- **红线单独处理** — 红线触发优先级高于估值便宜，不能被低 PE 掩盖\n- **输出必须可复盘** — 每个 Improved / Weakened 结论都要能追溯到具体证据\n","codex-skills/news-pulse/SKILL.md":"---\nname: news-pulse\ndescription: 公司新闻脉搏：股价异动时快速归因。用 4 个并行 Agent 侦察公司事件/监管政策/行业对手/市场情绪，产出\"事件时间线 + 异动主因判断 + 是否触发论文重审\"。\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/news-pulse.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 公司新闻脉搏：股价异动快速归因团队\n\n对 $ARGUMENTS 进行最近新闻侦察与异动归因。**这不是深度投研，是情报快速响应**——目标是 10 分钟内回答：\"这家公司最近发生了什么？股价异动的真因是什么？要不要重审投资论文？\"\n\n## 适用场景\n\n- 持仓/关注股票股价大涨/大跌（一般触发线：单日 ±5%、一周 ±10%）\n- 财报后股价异动，想快速搞清市场在反应什么\n- 看到新闻标题，但不确定是噪音还是真信号\n- **不适用**：完整投研（用 `/investment-team`）、财报深读（用 `/earnings-review`）、长期论文跟踪（用 `/thesis-tracker`）\n\n## 执行流程\n\n### 第一步：确认参数与场景\n\n向用户澄清以下信息（如未在 $ARGUMENTS 中提供）：\n\n| 参数 | 说明 | 默认 |\n|------|------|------|\n| **公司名** | 中文/英文/股票代码均可 | 必填 |\n| **时间窗口** | 侦察新闻的回溯天数 | 默认 14 天，财报季可缩到 7 天 |\n| **股价异动** | 涨/跌幅度 + 时间，如\"跌 12%/3 天\" | 选填，有则用于聚焦归因 |\n| **关注侧重** | 公司事件 / 监管 / 行业 / 情绪 | 默认四方平均 |\n\n如果用户只说了公司名，先反问：\"最近多少天的新闻？有具体的股价异动要解释吗？\"——**不要默默假设**。\n\n### 第二步：信息可得性分级\n\n参考 `investment-team.md` 的 A/B/C 评级，但维度不同：\n\n| 等级 | 特征 | 侦察策略 |\n|------|------|---------|\n| **A 级（信息充裕）** | 大盘股、媒体覆盖广、财报季 | 重点是**降噪和归因**——信息太多反而难找真因，每个 Agent 要有判断力，过滤掉\"重复转述\"的二手新闻 |\n| **B 级（信息适中）** | 中小盘、覆盖一般 | 标准模式，每条关键事件附 1-2 个独立信源 |\n| **C 级（信息稀缺）** | 港股小票、新上市、冷门 | 转入\"扫盲模式\"——可能找不到任何能解释异动的新闻，**这个结论本身就有价值**（可能是技术性/资金面而非基本面） |\n\n将评级告知每个 Agent，影响其侦察方式。\n\n### 第三步：创建团队\n\n使用 TeamCreate 创建团队：\n- `team_name`: `{公司名}-newspulse`（英文小写，如 `pdd-newspulse`）\n- `agent_type`: `team-lead`\n\n### 第四步：创建 4 个侦察任务\n\n使用 TaskCreate 创建以下 4 个任务：\n\n#### 任务 1：公司事件侦察（company-event-scout）\n\n- **subject**: `侦察 {公司名} 近 {N} 天的公司本体事件`\n- **description**:\n  1. **官方公告**：港交所/SEC/巨潮 等监管披露平台最近披露\n  2. **财报与业绩指引**：最新季报/年报、业绩预告、业绩会要点\n  3. **管理层动作**：高管变动、增减持、回购、分红、股权激励\n  4. **重大业务事件**：新产品发布、并购重组、业务剥离、大客户/大订单\n  5. **资本运作**：再融资、可转债、ADR 转换、回 A/退市动议\n  6. **诉讼与合规**：被起诉、自行披露的合规事件\n  7. 每条事件标注：**日期 / 来源链接 / 一句话摘要 / 与股价异动可能相关性（高/中/低）**\n  8. 输出按时间倒序的时间线表格\n\n#### 任务 2：监管与政策（regulatory-watcher）\n\n- **subject**: `侦察 {行业/公司} 近 {N} 天的监管与政策变化`\n- **description**:\n  1. **行业监管**：所在行业的新规、罚款、整改、牌照变化\n  2. **跨境政策**：中美关系（中概股）、关税、出口管制、数据安全\n  3. **税收政策**：增值税、企业所得税、个税相关变化\n  4. **反垄断与竞争法**：调查、罚款、并购否决\n  5. **特殊行业政策**：医药集采、教育双减、地产三道红线、互联网平台规制等\n  6. **货币与外汇**：影响该公司的汇率/利率/资本管制变化\n  7. 每条政策标注：**日期 / 来源 / 直接影响该公司的程度（直接/间接/无关）**\n  8. 重点判断：是否有\"政策黑天鹅\"刚刚落地\n\n#### 任务 3：行业与竞争对手（industry-peer-analyst）\n\n- **subject**: `侦察 {公司名} 行业格局与对手近 {N} 天的动态`\n- **description**:\n  1. **直接对手**：列出 3-5 个核心竞争对手，逐个查最近事件（财报、产品、价格战、人事）\n  2. **产业链上下游**：上游原材料/供应商、下游客户/渠道，最近的价格、产能、订单变化\n  3. **行业整体**：行业景气度数据、出货量、需求侧信号（消费数据、招标数据等）\n  4. **替代品威胁**：新技术、新业态对该行业的冲击\n  5. **行业指数表现**：同行业股票最近表现，该公司是跑赢/跑输/同步\n  6. 关键判断：**这是公司个体事件，还是整个行业的 beta 波动？**\n  7. 每条事件标注来源和日期\n\n#### 任务 4：市场情绪与卖方/大V（sentiment-tracker）\n\n- **subject**: `侦察 {公司名} 近 {N} 天的市场情绪与机构观点变化`\n- **description**:\n  1. **卖方评级变动**：高盛、摩根、中金等最近的评级/目标价调整\n  2. **机构持仓变化**：13F 披露（美股）、港股通持仓、北上资金流向\n  3. **做空数据**：做空比例、新发布的做空报告（如有）\n  4. **大 V 观点**：可调用 `python3 tools/xueqiu_scraper.py` 抓段永平等大 V 最近相关发言\n     - 段永平 user_id: `1247347556`\n     - 命令示例：`python3 tools/xueqiu_scraper.py --user-id 1247347556 --keywords {公司名},{股票代码} --output /tmp/dyp-{公司名}.md`\n     - 仅在该公司是段永平/李录关注标的时调用，否则跳过节省时间\n  5. **传言与小作文**：媒体未证实的传言、社交媒体讨论热点（雪球/X/Reddit）\n  6. **技术面信号**：是否触及关键支撑/阻力、是否有大宗交易、融资融券异常\n  7. 关键判断：**是基本面驱动还是情绪/资金面驱动？**\n\n### 第五步：并行启动 4 个 Agent\n\n**必须在同一条消息中并行调用 4 次 Task 工具**。每个 Agent 配置：\n- `subagent_type`: `general-purpose`\n- `run_in_background`: `true`\n- `team_name`: `{公司名}-newspulse`\n- `name`: 对应角色名（company-event-scout / regulatory-watcher / industry-peer-analyst / sentiment-tracker）\n\n每个 Agent 的 prompt 模板：\n\n```\n你是 {公司名} 新闻脉搏团队中的\"{角色中文名}\"，负责侦察 {侦察维度} 维度的最近 {N} 天事件。\n\n时间窗口：{起始日期} ~ {今日日期}\n股价异动背景：{用户提供的异动信息，无则写\"无特定异动，常规体检\"}\n信息可得性等级：{A/B/C}\n\n请完成任务 #{任务编号}：{任务subject}\n\n具体侦察要求：\n{任务description的内容}\n\n**侦察方法**：\n- 优先使用 WebSearch 搜索时效性查询（关键词加日期或\"最近\"、\"latest\"、\"2026\"）\n- 关键事件用 WebFetch 精读原始来源（公告原文、财报、监管文件）\n- 对每个事件做\"独立信源验证\"——传言至少要 2 个独立来源\n- **不要被标题党误导**：标题与正文不符的事件要标注\"标题误导\"\n\n**输出格式（重要）**：\n1. **核心发现**：3-5 条最关键的事件，每条 1-2 句话\n2. **完整事件时间线表格**（按日期倒序）：\n   | 日期 | 事件 | 来源 | 与股价异动相关性 | 持续性 |\n3. **本维度归因结论**：基于侦察到的事件，回答\"这个维度能否解释股价异动？置信度多少？\"\n4. **数据缺口声明**：哪些信息没找到、哪些有疑点、哪些需要等更多信息\n5. 严格区分\"事实\"与\"推测\"，遵循 CLAUDE.md 客观性原则\n\n**完成后**：\n1. 使用 TaskUpdate 将任务标记为 completed\n2. 通过 SendMessage 把完整侦察报告发送给 team-lead（type: \"message\", recipient: \"team-lead\"）\n```\n\n### 第六步：实时跟踪进度\n\n- 每收到一份侦察报告，向用户展示该维度的 3 条核心发现\n- 等待全部 4 份到齐\n- 全部到齐后，通过 SendMessage 向 4 个 Agent 发送 shutdown_request\n\n### 第七步：team-lead 综合归因\n\n汇总 4 份侦察报告，输出**异动归因报告**（不是研究报告，重点是\"判断\"）：\n\n---\n\n#### 1. 一句话归因\n> 用一段话（30-60 字）说明：这次股价异动的主因 + 次因 + 性质判断（价值事件/情绪波动/不明）\n\n#### 2. 完整事件时间线（合并 4 个维度）\n\n按日期倒序，合并所有维度的事件：\n\n| 日期 | 维度 | 事件 | 来源 | 异动归因权重 |\n|------|------|------|------|-----------|\n| 2026-04-30 | 公司 | XX | 链接 | 🔴 高 |\n| 2026-04-29 | 行业 | XX | 链接 | 🟡 中 |\n| 2026-04-28 | 情绪 | XX | 链接 | ⚪ 低 |\n\n权重图例：🔴 高（足以单独解释异动）/ 🟡 中（贡献一部分）/ ⚪ 低（背景噪音）\n\n#### 3. 异动归因表\n\n| 候选解释 | 证据 | 反证 | 置信度 | 持续性 |\n|---------|------|------|------|--------|\n| 例：财报 miss | 营收低于预期 5%、毛利率下滑 | 一次性因素管理层有解释 | 高 | 短期 1-2 周 |\n| 例：行业 beta | 同行同期跌 8% | 该股跌幅明显大于行业 | 中 | 与行业同步 |\n\n#### 4. 性质判断（核心结论）\n\n打勾其一：\n\n- [ ] **价值事件**：基本面发生了真实变化（业绩、护城河、管理层、终局），需要重审投资论文\n- [ ] **情绪/技术波动**：基本面无变化，是资金面/情绪/Beta 驱动，可视为机会或噪音\n- [ ] **真因不明**：找不到能匹配股价异动幅度的事件——**这是最危险的结论**，要么是市场提前知道了什么（内幕/抢跑），要么是我们漏掉了信息源\n- [ ] **混合**：部分价值事件 + 部分情绪放大\n\n#### 5. 各维度侦察摘要\n\n每维度 3-5 条最重要发现 + 该维度归因贡献度。\n\n#### 6. 行动建议\n\n| 行动 | 是否建议 | 理由 |\n|------|--------|------|\n| 触发投资论文重审（`/thesis-tracker`） | | |\n| 触发深度财报研读（`/earnings-review`） | | |\n| 触发管理层重审（`/management-deep-dive`） | | |\n| 调仓动作（加仓/减仓/不动） | | 仅做提示，最终决策权在用户 |\n| 仅观察 | | |\n\n#### 7. 接下来 7-30 天的跟踪清单\n\n- [ ] 待披露事件 1（如：5/15 业绩会）\n- [ ] 待跟踪指标 2\n- [ ] 关键观察信号 3\n\n#### 8. 信息缺口声明\n\n诚实列出本次侦察没能解决的疑点、找不到的信息、需要等更多披露的事项。**宁可标\"不确定\"，也不用推测填满**。\n\n---\n\n### 第八步：保存报告\n\n写入 `reports/{公司名}/{公司名}-news-{YYYYMMDD}.md`。如果 `reports/{公司名}/` 目录不存在则创建（说明该公司还没建过任何研究报告）。\n\n### 第九步：清理团队\n\n使用 TeamDelete 清理团队资源。\n\n## 关键原则\n\n1. **快胜过全**——这个 skill 的核心价值是 10-15 分钟内给出归因判断，不要陷入深度分析（那是其他 skill 的职责）\n2. **归因优先于罗列**——发现事件不难，难的是判断\"哪个事件配得上这次股价异动\"。要做减法，不要做加法\n3. **诚实面对\"不明\"**——找不到主因时，明确写\"真因不明\"。这比硬凑因果链更有价值（市场可能在抢跑利空消息）\n4. **不预设立场**——不要因为持仓就倾向于\"这是情绪波动，没事\"。证据指向哪边就写哪边\n5. **区分\"催化剂\"和\"巧合\"**——同一时间发生的事件不一定是异动主因，要看影响量级是否匹配\n6. **尊重信息可得性**——C 级公司可能就是查不到任何新闻，这个结论本身就要写出来\n7. **遵循 `CLAUDE.md` 客观性原则**——所有判断附数据来源，区分事实与观点\n8. **不替用户做决策**——给出归因和行动建议清单，但买卖决策由用户做\n","codex-skills/private-company-research/SKILL.md":"---\nname: private-company-research\ndescription: \"AI Berkshire skill: 未上市公司研究：多Agent并行深度研究框架. Source: skills/private-company-research.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/private-company-research.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 未上市公司研究：多Agent并行深度研究框架\n\n对 $ARGUMENTS 进行团队化深度研究分析。专为蚂蚁集团、小红书、SpaceX、Stripe 等未上市公司设计。\n\n**最终目标**：在信息天然稀缺的条件下，尽可能还原这家公司的**真实价值**——不是市场给的估值，而是生意本身值多少钱。\n\n## 框架特点\n\n未上市公司 vs 上市公司研究的核心差异：\n- **无标准化财报**：需多源拼凑、交叉验证\n- **估值锚定少**：依赖融资轮次、可比公司法、情景推演\n- **信息不对称大**：需要更多\"拼图式\"研究方法\n- **退出路径不确定**：IPO/并购/二级转让均有可能\n\n## AI研究偏见自觉（本框架的核心前提）\n\n未上市公司是AI研究偏见最严重的领域。必须时刻警惕以下陷阱：\n\n**核心矛盾**：AI擅长结构化已有信息，但未上市公司的信息天然稀缺。这会导致：\n1. **虚假保守**：因为资料少，AI倾向给出保守/模糊的结论，但资料少≠公司不好\n2. **虚假精确**：为了填满报告模板，AI可能用\"合理推测\"伪装成\"有据分析\"\n3. **对标陷阱**：强行与上市公司对标时，会继承上市公司的估值逻辑，忽略未上市公司的独特价值\n4. **幸存者偏差**：网上能搜到的公司信息往往有正面偏向（公司主动传播的多是好消息）\n\n**应对原则**：\n- 宁可留白说\"不知道\"，也不要用推测填满表格伪装确定性\n- 每个数据点必须标注置信度（🟢高/🟡中/🔴低），让读者自己判断\n- 区分\"可验证的事实\"与\"AI的推理\"，用不同格式标注\n- 对于信息极度稀缺的公司，切换为\"第一性原理模式\"——不追求报告完整，只回答几个核心问题：\n  1. 这门生意解决什么真实问题？需求是真需求还是伪需求？\n  2. 为什么是这个团队？他们有什么独特优势？\n  3. 如果成功了，天花板有多高？如果失败了，最可能死在哪里？\n  4. 当前阶段的关键验证节点是什么？\n\n**反向利用信息不对称**：市场对未上市公司信息少→定价效率低→恰恰可能是超额收益的来源。AI研究的目标不是消除信息不对称（做不到），而是在有限信息中提取最关键的判断依据。\n\n---\n\n## 执行流程\n\n### 第一步：展示团队框架\n\n向用户展示以下团队结构，确认后启动：\n\n| 角色 | 职责 | 核心视角 |\n|------|------|----------|\n| **team-lead**（你自己） | 统筹协调、信息拼图、交叉验证、输出最终报告 | 投资决策整合 |\n| **business-decoder** | 商业模式拆解 & 产品用户分析 | \"这门生意的本质是什么\" |\n| **financial-detective** | 财务数据拼凑 & 估值推演 | \"在信息缺失下尽可能还原真实财务面貌\" |\n| **competitive-mapper** | 行业格局 & 竞争态势 & 替代威胁 | \"谁在和它竞争，谁可能颠覆它\" |\n| **risk-governance-analyst** | 风险全景 & 管理层/治理/投资人评估 | \"什么可能出错，谁在掌舵\" |\n| **tech-ip-analyst** | 技术栈/专利/研发能力/技术护城河 | \"技术壁垒是真是假，能撑多久\" |\n| **signal-miner** | 替代数据挖掘：招聘/专利/诉讼/App数据/供应链 | \"常规信息之外，还有什么蛛丝马迹\" |\n\n### 第二步：创建团队\n\n使用 TeamCreate 创建团队：\n- team_name: `{公司名}-private-research`（英文小写，如 `ant-group-private-research`）\n- agent_type: `team-lead`\n\n### 第三步：创建6个任务\n\n使用 TaskCreate 创建以下6个任务（每个都要有 subject、description、activeForm）：\n\n---\n\n#### 任务1：商业模式与产品用户深度分析\n- subject: `拆解{公司名}商业模式、产品矩阵与用户生态`\n- activeForm: `分析{公司名}商业模式与用户生态`\n- description 包含：\n\n```\n## 商业模式深度拆解\n\n### 1. 核心生意定义\n- 用一句话定义这门生意的本质（段永平式定义：用最朴素的语言，把这门生意讲给一个聪明但不懂行的人听）\n- 公司解决什么问题？为谁创造价值？\n- 价值主张与同类产品的差异化\n- 这个问题如果公司不存在，用户会怎么解决？替代方案的代价有多高？\n- 需求的\"刚性\"判断：经济下行时用户会砍掉这个支出吗？\n\n### 2. 收入模式拆解\n- 收入构成：广告/佣金/订阅/交易抽成/金融服务/SaaS/硬件/授权费等\n- 各收入线占比（如有数据）及增长趋势\n- 变现效率指标推算：ARPU、Take Rate、广告加载率、转化率等\n- 收入质量评估：\n  - 经常性收入 vs 一次性收入的占比\n  - 收入集中度：前5大客户/渠道占比\n  - 收入的可预测性（合同型/订阅型 vs 交易型）\n  - 收入确认方式是否合理（有无提前确认收入的迹象）\n- 与同业上市公司变现效率对标\n\n### 3. 单位经济模型（UE）推算\n- CAC（获客成本）推算：\n  - 付费获客 vs 自然增长的占比\n  - 分渠道CAC（如有）\n  - CAC趋势：随规模增长是上升还是下降？\n- LTV（生命周期价值）推算：\n  - ARPU × 预期生命周期\n  - 考虑交叉销售和升级销售\n- LTV/CAC 比值、回本周期\n- 边际成本结构：新增用户/交易的边际成本趋势\n- 规模经济拐点：何时/是否已过盈亏平衡点\n\n### 4. 产品矩阵与飞轮效应\n- 核心产品 + 延伸产品 + 孵化产品\n- 飞轮如何运转：网络效应/数据飞轮/规模效应\n- 产品之间的协同效应与交叉导流\n- 产品生命周期：各产品分别处于哪个阶段\n- 产品迭代速度：App/产品更新频率、近12个月重大功能更新\n\n### 5. 商业模式画布（BMC）\n用以下9要素完整描述商业模式：\n| 要素 | 内容 |\n|------|------|\n| 价值主张 | |\n| 客户细分 | |\n| 渠道通路 | |\n| 客户关系 | |\n| 收入来源 | |\n| 核心资源 | |\n| 关键活动 | |\n| 重要伙伴 | |\n| 成本结构 | |\n\n### 6. 用户深度分析\n- 用户规模：MAU/DAU（从QuestMobile、Sensor Tower、SimilarWeb等推算）\n- 用户增长曲线：处于S曲线哪个阶段（用具体数据论证）\n- 用户粘性指标：\n  - DAU/MAU 比率（日活/月活比）\n  - 平均使用时长、打开频次\n  - 次日/7日/30日留存率（如有）\n  - 用户增长 vs 留存趋势对比（虚假增长识别）\n- 用户画像：年龄/地域/消费力/职业分布\n- 用户口碑：\n  - App Store/Google Play评分趋势（近12个月变化）\n  - 社交媒体舆情分析\n  - 知乎/微博/小红书上的用户真实反馈\n  - 负面评价的主要集中点\n- 用户获取效率：\n  - 付费获客 vs 自然增长 vs 口碑传播比例\n  - 是否依赖单一获客渠道\n\n### 7. 定价权评估\n- 过去3年是否有提价历史？提价后用户流失情况？\n- 与竞品的价格对比：是价格领导者还是跟随者？\n- 用户对价格的敏感度评估\n- 佣金/抽成比例在产业链中的合理性\n\n### 8. 护城河评估\n对以下6个维度逐一验证并打分(★1-5)：\n\n| 护城河类型 | 评分 | 证据 | 趋势 | 持久性评估 |\n|-----------|------|------|------|-----------|\n| 网络效应 | | 用户越多，价值越大？是单边还是双边/多边？ | 加宽/稳定/收窄 | |\n| 转换成本 | | 用户迁移到竞品的代价？数据/关系/习惯迁移成本？ | | |\n| 品牌心智 | | 品类=品牌？NPS推算？ | | |\n| 数据壁垒 | | 数据飞轮是否形成？独有数据资产？数据量级？ | | |\n| 监管牌照 | | 是否有准入门槛？牌照获取难度？ | | |\n| 规模经济 | | 规模带来的成本优势是否显著？ | | |\n\n综合护城河评级：宽/中/窄/无\n\n### 9. 国际化分析（如适用）\n- 海外市场拓展情况\n- 国际化收入占比\n- 本土化策略与挑战\n- 海外竞争格局差异\n```\n\n---\n\n#### 任务2：财务数据拼凑与估值推演\n- subject: `拼凑{公司名}财务数据并进行估值分析`\n- activeForm: `拼凑{公司名}财务数据与估值`\n- description 包含：\n\n```\n## 财务数据拼凑（侦探式研究）\n\n未上市公司没有标准财报，需要多源拼凑、交叉验证。每一个数据都要追溯到具体来源，标明时间和置信度。\n\n### 1. 数据来源矩阵\n**按优先级搜索以下来源**：\n\n| 优先级 | 来源类型 | 具体来源 | 可信度 | 搜索方法 |\n|--------|---------|---------|--------|---------|\n| 1 | 招股书/监管文件 | SEC Filing、港交所、证监会披露的招股书草案 | 🟢高 | 搜索\"公司名 + 招股书/prospectus/IPO filing\" |\n| 2 | 母公司/关联上市公司财报 | 如阿里年报中蚂蚁数据、Google Cloud年报 | 🟢高 | 搜索母公司年报中的关联披露 |\n| 3 | 监管处罚/合规披露 | 央行、证监会、市场监管总局处罚文件 | 🟢高 | 搜索\"公司名 + 处罚/罚款/整改\" |\n| 4 | 债券/ABS发行文件 | 如蚂蚁花呗ABS说明书中的底层数据 | 🟢高 | 搜索\"公司名 + 债券/ABS/信托\" |\n| 5 | 工商登记信息 | 天眼查/企查查的工商年报、实缴资本 | 🟡中高 | |\n| 6 | 融资新闻 | 估值、融资金额、投资方 | 🟡中 | 搜索\"公司名 + 融资/估值/valuation\" |\n| 7 | 第三方研报 | 券商、咨询公司、行业协会研报 | 🟡中 | 搜索\"公司名 + 研报/report\" |\n| 8 | 深度媒体报道 | 晚点LatePost、The Information、36氪、Bloomberg | 🟡中 | 直接搜索这些媒体+公司名 |\n| 9 | 行业数据推算 | 通过行业总量和市场份额反推 | 🔴低-中 | |\n| 10 | 前员工/内部人爆料 | Blind、脉脉、论坛 | 🔴低 | 仅作参考，不作为主要依据 |\n\n### 2. 关键财务指标推算\n尽可能推算以下数据，**每个数据点必须标明**：来源、时间、置信度、推算方法。\n\n**收入端**：\n- 总收入规模与增速（近3年，年度/季度颗粒度）\n- 收入结构拆解（按业务线/产品线）\n- 收入增长驱动因素分解：量（用户/交易量）× 价（ARPU/客单价）\n- 收入的季节性波动模式\n\n**成本端**：\n- 毛利率推算（对标同业上市公司，说明选取逻辑）\n- 研发费用率推算（通过员工数 × 人均薪酬，或研发人员占比推算）\n- 销售费用率推算（通过获客渠道和投放数据推算）\n- 管理费用率推算\n\n**利润端**：\n- 经营利润/EBITDA 推算\n- 净利润/调整后净利润推算\n- 盈利时间线：何时盈利？如果尚未盈利，预计何时？\n\n**现金流端**：\n- 经营现金流判断（正/负，是否自我造血）\n- 资本开支水平和趋势\n- 自由现金流推算\n- 账上现金/烧钱速度（通过融资金额、融资间隔、员工数推算）\n- 现金跑道：按当前烧钱速度还能撑多久？\n\n**效率指标**：\n- 员工数量与人效（人均收入、人均利润）\n- 资本效率：每融1元钱产生多少收入\n- 与同业上市公司效率指标对标\n\n### 3. 财务数据交叉验证\n- 同一指标如果有多个来源，全部列出并说明差异\n- 用不同方法推算同一指标，检查结果是否收敛\n- 标注无法验证的\"孤证\"数据\n\n| 指标 | 来源A（数据/时间） | 来源B（数据/时间） | 差异 | 采信判断 |\n|------|-------------------|-------------------|------|---------|\n\n### 4. 融资历史与估值演变\n整理完整融资时间线：\n\n| 轮次 | 时间 | 金额 | 投前估值 | 投后估值 | 领投方 | 跟投方 | 估值倍数增长 | 备注 |\n|------|------|------|---------|---------|--------|--------|------------|------|\n\n分析：\n- 估值增长曲线是否健康（每轮增长倍数是否合理）\n- 融资间隔是否合理（过于频繁=烧钱快？过于稀疏=融资困难？）\n- 是否出现估值倒挂（Down Round）\n- 老股东是否持续加注（信心信号）\n- 最新一轮的投资条款推测：\n  - 优先清算权（1x/2x/participating）\n  - 反稀释保护（full ratchet/weighted average）\n  - 对赌条款（业绩/上市时间）\n  - 这些条款对普通股价值的影响\n\n### 5. 估值分析（多方法交叉）\n\n**方法1：最近融资估值法**\n- 最近一轮估值及时间\n- 考虑优先清算权等条款后的\"普通股等价估值\"（通常需要打折20-40%）\n- 距今时间差异调整\n- 这一轮投资人的动机分析（财务投资 vs 战略投资，战略投资者可能溢价）\n\n**方法2：可比上市公司法**\n- 选择3-5家上市可比公司，说明选取理由\n- 关键倍数对比：\n\n| 可比公司 | P/S | P/E | EV/EBITDA | EV/Revenue | 增速 | 利润率 |\n|---------|-----|-----|-----------|------------|------|--------|\n\n- 应用的调整：\n  - 流动性折价：20-30%（标注具体取值和理由）\n  - 增速溢价/折价\n  - 规模折价\n  - 监管/政策风险折价\n\n**方法3：DCF 情景分析**\n三种情景，每种都要列出关键假设：\n\n| 假设 | 悲观 | 中性 | 乐观 |\n|------|------|------|------|\n| 未来5年收入CAGR | | | |\n| 终态经营利润率 | | | |\n| 终态增长率 | | | |\n| WACC | | | |\n| 终值倍数(EV/EBITDA) | | | |\n\n每个假设要有论据支撑，不能凭空假设。\n\n**方法4：终局市值倒推法**\n- 假设5年/10年后这门生意在终态时的市场地位\n- 终态收入和利润率假设\n- 终态合理倍数（参考同行业成熟公司）\n- 倒推当前合理估值区间\n- 隐含的年化回报率\n\n**方法5：交易对标法**\n- 同行业近2年的并购/融资交易\n- 交易倍数（P/S、P/E）\n- 交易背景和溢价/折价因素\n\n### 6. 估值综合判断\n\n| 方法 | 估值区间 | 置信度 | 权重 | 加权估值 |\n|------|---------|--------|------|---------|\n\n- 不同方法得出的估值是否收敛？如果差异大，分析原因\n- 最终给出的估值区间要区分\"合理估值\"和\"保守估值\"（安全边际估值）\n```\n\n---\n\n#### 任务3：行业格局与竞争态势分析\n- subject: `分析{公司名}所在行业的竞争格局与替代威胁`\n- activeForm: `分析{公司名}行业格局与竞争态势`\n- description 包含：\n\n```\n## 行业格局与竞争态势\n\n### 1. 行业定位与市场规模\n- 公司所在的核心赛道定义（注意：公司自己定义的赛道可能是美化过的，要独立判断）\n- TAM/SAM/SOM 三层市场规模：\n  - TAM（总可寻址市场）：整个大行业\n  - SAM（可服务市场）：公司技术/模式能覆盖的\n  - SOM（可获得市场）：当前实际能获取的\n- 市场规模数据来源对比（不同研究机构的预测可能差异很大）\n- 市场渗透率：当前 vs 天花板\n- 行业所处阶段：萌芽期/成长期/成熟期/衰退期（附论据）\n- 行业增长驱动因素：哪些力量在推动/阻碍行业增长\n\n### 2. 产业链全景地图\n绘制完整产业链结构（文本图）：\n\n```\n上游供应方（谁？议价能力？）\n    ↓\n公司所处环节（价值链中哪个位置？利润池占比？）\n    ↓\n下游客户/用户（集中度？替代选择？）\n    ↕\n竞争对手 / 替代品 / 潜在进入者\n```\n\n- 利润池分析：产业链各环节的利润分配\n- 公司在产业链中的议价能力（上游/下游）\n- 上下游依赖度分析：是否存在单一供应商/客户依赖\n- 产业链正在发生的结构性变化\n\n### 3. 波特五力分析（量化打分）\n\n| 力量 | 强度(★1-5) | 关键因素 | 对公司影响 |\n|------|-----------|---------|-----------|\n| 行业内竞争 | | 集中度、差异化程度、退出壁垒 | |\n| 新进入者威胁 | | 资本壁垒、技术壁垒、监管壁垒、品牌壁垒 | |\n| 替代品威胁 | | 替代品性价比、转换成本 | |\n| 供应商议价能力 | | 供应商集中度、转换成本 | |\n| 买方议价能力 | | 客户集中度、信息透明度 | |\n\n综合行业吸引力评分：★1-5\n\n### 4. 竞争格局深度扫描\n\n| 竞争对手 | 类型 | 市场份额(推算) | 收入规模 | 融资/市值 | 核心优势 | 主要劣势 | 威胁等级 |\n|---------|------|---------------|---------|----------|---------|---------|---------|\n| 直接竞争者1 | 直接 | | | | | | |\n| 直接竞争者2 | 直接 | | | | | | |\n| 间接竞争者1 | 跨界 | | | | | | |\n| 潜在进入者1 | 巨头 | | | | | | |\n\n重点分析：\n- **直接竞争者**：同赛道直接对手，逐个分析其战略意图和资源投入\n- **间接竞争者**：跨界潜在竞争，特别是大厂的相关业务\n- **替代品威胁**：不同技术路线/模式，特别是AI可能带来的颠覆\n- **潜在进入者**：巨头可能入局的概率和方式（自建/收购/投资）\n\n### 5. 竞争对手深度对比\n选择2-3个最直接的竞争对手（含上市和未上市），进行多维对比：\n\n| 维度 | {公司名} | 竞争者A | 竞争者B | 竞争者C |\n|------|---------|---------|---------|---------|\n| 成立时间 | | | | |\n| 用户规模(MAU) | | | | |\n| 收入规模 | | | | |\n| 收入增速 | | | | |\n| 融资总额/市值 | | | | |\n| 估值/收入倍数 | | | | |\n| 变现效率(ARPU) | | | | |\n| 毛利率 | | | | |\n| 盈利状态 | | | | |\n| 员工数量 | | | | |\n| 技术能力 | | | | |\n| 差异化定位 | | | | |\n| 国际化程度 | | | | |\n\n### 6. 竞争动态与趋势\n- 近12个月的竞争格局关键变化（融资、并购、产品发布、人事变动）\n- 竞争对手的战略方向推断（从招聘、专利、产品更新推断）\n- 行业正在发生的结构性转变\n- 技术变革对竞争格局的影响（特别是AI/大模型）\n- 监管政策对竞争格局的影响\n- 是否存在\"赢家通吃\"的行业特征？还是会形成稳定的多寡头格局？\n\n### 7. 竞争情景推演\n- 情景A：公司胜出——需要什么条件？概率？\n- 情景B：均势共存——各自的生存空间？\n- 情景C：被颠覆——最可能的颠覆者和路径？\n\n### 8. 全球对标分析\n寻找海外/国内的对标公司（已上市），分析：\n\n| 维度 | 对标公司A | 对标公司B | {公司名}对标启示 |\n|------|---------|---------|----------------|\n| 发展路径 | | | |\n| 当前估值水平 | | | |\n| 从类似阶段到上市的时间 | | | |\n| 上市后股价表现 | | | |\n| 成功/失败的关键因素 | | | |\n\n- 对标的局限性说明（中国市场特殊性、监管差异、用户习惯差异）\n```\n\n---\n\n#### 任务4：风险全景与治理评估\n- subject: `评估{公司名}全维度风险与管理层/治理结构`\n- activeForm: `评估{公司名}风险与治理结构`\n- description 包含：\n\n```\n## 风险全景与治理评估\n\n### 1. 创始人/CEO 深度评估\n\n> \"买股票就是买人。\" —— 段永平\n\n- **背景与履历**：教育、职业经历、创业经历\n  - 有无连续创业经历？上一次创业的结果？\n  - 行业相关经验年限\n  - 之前管理的最大团队/业务规模\n- **战略眼光**：搜索CEO过去3年的公开发言（演讲、访谈、内部信、社交媒体）\n  | 时间 | CEO的判断/预测 | 实际结果 | 准确度 |\n  |------|--------------|---------|--------|\n  - 有无做过超前于市场的正确判断？\n  - 有无在大家都看好时保持冷静？\n- **执行力**：关键里程碑是否按时达成\n  | 承诺 | 承诺时间 | 承诺场合 | 兑现情况 | 评价 |\n  |------|---------|---------|---------|------|\n- **格局与价值观**：\n  - 对用户/员工/社会的态度（从具体事件判断，不看口号）\n  - 面对困难时的选择（裁员方式、危机处理、利益冲突时的取舍）\n  - 对短期利润 vs 长期价值的取舍\n- **争议事件**：是否有负面记录（搜索\"CEO名字 + 争议/丑闻/问题\"）\n- **评级**：★1-5（附详细理由）\n\n### 2. 核心团队评估\n- 核心高管团队名单与背景（CTO/CFO/COO/VP等）\n  | 姓名 | 职位 | 背景 | 任期 | 此前经历 |\n  |------|------|------|------|---------|\n- 关键人才流动分析：\n  - 近2年重要高管离职情况（谁走了？去了哪？为什么？）\n  - 近2年重要高管加入情况（从哪挖来的？说明什么？）\n  - 人才净流入还是净流出？\n- 团队互补性：创始团队的能力是否互补？有无明显短板？\n- 团队文化信号：\n  - Glassdoor/脉脉评分与趋势（近12个月变化方向比绝对值重要）\n  - 员工推荐意愿（Would recommend to a friend）\n  - CEO支持率\n  - 加班文化、组织氛围的舆论\n- 关键人物依赖度：如果CEO/CTO离开，公司会怎样？\n\n### 3. 股权结构与治理\n\n**股权架构**：\n| 股东 | 持股比例 | 投票权比例 | 类型 | 备注 |\n|------|---------|-----------|------|------|\n\n- 创始人控制权结构：AB股/一致行动人/VIE架构\n- 创始人持股比例变化趋势（每轮融资稀释情况）\n- 员工持股计划：覆盖面、行权条件、与上市对赌\n\n**治理结构**：\n- 董事会构成（独立董事占比、投资方席位）\n- 重大决策机制\n- 潜在的利益冲突：\n  - 关联交易（创始人其他公司与本公司的交易）\n  - 同业竞争\n  - 大股东利益与小股东利益的冲突点\n\n### 4. 投资人阵容深度分析\n\n| 投资方 | 轮次 | 金额 | 估算持股 | 类型 | 战略价值 | 退出压力 |\n|--------|------|------|---------|------|---------|---------|\n\n分析：\n- 领投机构的品牌背书意义（顶级VC vs 不知名基金）\n- 产业资本的战略协同价值（是否带来资源/渠道）\n- 投资人退出压力评估：\n  - 基金存续期还剩多久？\n  - 是否已在二级市场抛售老股？\n  - 对赌条款是否临近到期？\n- 投资人阵容的红旗信号：\n  - 是否有声誉不佳的投资人？\n  - 早期投资人是否已清仓？\n  - 最近一轮的跟投情况（老股东不跟=不看好？）\n\n### 5. 全维度风险清单\n\n| 风险类型 | 具体风险 | 概率(高/中/低) | 影响(高/中/低) | 严重度 | 是否可对冲 | 监控指标 |\n|---------|---------|---------------|---------------|--------|-----------|---------|\n| 监管风险 | 反垄断、数据安全、行业整顿、牌照风险 | | | | | |\n| 竞争风险 | 巨头入场、新模式颠覆、价格战 | | | | | |\n| 技术风险 | 平台迁移、AI颠覆、技术路线失败 | | | | | |\n| 人才风险 | 创始人/核心团队流失 | | | | | |\n| 融资风险 | 资金链、估值倒挂、融资困难 | | | | | |\n| IPO风险 | 上市窗口、监管审批、市场环境 | | | | | |\n| 地缘风险 | 中美关系、跨境数据、制裁 | | | | | |\n| 商业化风险 | 变现不及预期、用户反弹 | | | | | |\n| 治理风险 | 关联交易、信息不透明、投资人冲突 | | | | | |\n| 合规风险 | 数据隐私(GDPR/个保法)、内容合规 | | | | | |\n| 宏观风险 | 经济周期、利率环境、资本市场冷热 | | | | | |\n| ESG风险 | 环境/社会/治理相关风险 | | | | | |\n\n### 6. 退出路径分析\n\n| 退出方式 | 可能性(★1-5) | 预计时间窗口 | 预期估值区间 | 关键前提 | 主要障碍 |\n|---------|-------------|------------|------------|---------|---------|\n| A股IPO | | | | | |\n| 港股IPO | | | | | |\n| 美股IPO | | | | | |\n| 被并购 | | 潜在买家是谁？ | | | |\n| 二级市场转让 | | 流动性如何？ | | | |\n| SPAC | | | | | |\n| 长期不退出 | | | | | |\n\n- 最可能的退出路径及理由\n- 退出时间线推演\n- 各退出路径下的预期回报分析\n\n### 7. 最坏情景分析（芒格式逆向思考）\n\n> \"反过来想，总是反过来想。\" —— 芒格\n\n- 这家公司最可能怎么**失败**？列出3种具体失败路径\n- 每种失败路径的概率评估和触发条件\n- 最坏情景下，投资人能收回多少？（清算价值分析）\n- 聪明人为什么**不投**这家公司？（至少列出5条理由）\n- 历史上类似定位/阶段的公司，有哪些失败了？为什么？\n- 什么信号出现意味着\"论文已破\"，应该止损？\n```\n\n---\n\n#### 任务5：技术能力与知识产权分析\n- subject: `分析{公司名}技术栈、专利布局与研发能力`\n- activeForm: `分析{公司名}技术能力与知识产权`\n- description 包含：\n\n```\n## 技术能力与知识产权深度分析\n\n> 对科技公司而言，技术壁垒的真假和持久性直接决定估值的合理性。\n\n### 1. 技术栈分析\n- 核心技术架构推断（从招聘信息、技术博客、开源项目、会议演讲推断）\n- 技术栈选择是否合理（是否用了正确的工具解决正确的问题）\n- 技术债务信号：\n  - 招聘岗位中是否大量招\"重构/迁移\"类角色\n  - 是否在做大规模技术栈切换\n  - 用户端是否有频繁的bug/故障投诉\n\n### 2. 专利布局分析\n搜索专利数据库（Google Patents、CNIPA、USPTO）：\n\n| 专利指标 | 数据 | 来源 |\n|---------|------|------|\n| 专利总数（已授权） | | |\n| 专利申请中 | | |\n| 近2年新增专利数 | | |\n| 核心技术领域分布 | | |\n| 关键专利的引用次数 | | |\n| 专利的国际布局 | | |\n\n- 专利质量评估（不只看数量）：\n  - 是否有核心/基础专利？\n  - 专利覆盖的技术领域是否与主营业务一致？\n  - 是否存在专利诉讼（被诉或主动起诉）？\n- 专利趋势：申请速度在加快还是放缓？技术方向有无转移？\n- 与竞争对手的专利对比\n\n### 3. 研发能力评估\n- **研发投入**：\n  - 研发人员数量/占比（从招聘平台、LinkedIn推算）\n  - 研发费用推算（人数 × 平均薪酬 + 基础设施）\n  - 研发费用率（与同业对比）\n  - 研发投入趋势：在加大还是缩减？\n- **研发产出**：\n  - 学术论文发表（搜索Google Scholar、arXiv）\n  - 技术会议演讲（搜索KDD、NeurIPS、SIGIR等顶会）\n  - 开源贡献（搜索GitHub组织账号）\n  - 技术博客/公众号输出\n- **研发效率**：\n  - 从技术研发到产品落地的速度\n  - 技术成果的商业转化率\n\n### 4. 技术人才评估\n- **核心技术领导者**：CTO/VP Eng/首席科学家的背景和能力\n  | 姓名 | 职位 | 学历 | 前公司 | 技术影响力 |\n  |------|------|------|--------|-----------|\n- **技术人才密度**：\n  - 来自哪些公司/实验室？（Google/Meta/MSRA/BAT等顶尖机构占比）\n  - 技术岗位的薪酬竞争力（从招聘信息推算）\n  - 技术团队的流失率信号（LinkedIn上离职动态）\n- **招聘信号**：\n  - 当前在招什么技术岗位？（反映技术战略方向）\n  - 技术岗位的招聘难度和填充速度\n  - 是否在建新的技术团队/实验室？\n\n### 5. 技术护城河评估\n\n| 技术壁垒维度 | 评分(★1-5) | 证据 | 持久性 |\n|-------------|-----------|------|--------|\n| 算法/模型壁垒 | | 是否有独创算法？是否可被复制？ | |\n| 数据壁垒 | | 数据量级、独有数据、数据飞轮速度 | |\n| 工程壁垒 | | 系统复杂度、长时间积累的工程能力 | |\n| 人才壁垒 | | 核心技术人才是否难以替代 | |\n| 生态壁垒 | | 开发者生态、API/SDK覆盖、技术标准 | |\n\n- 综合技术护城河评级：强/中/弱\n- 技术护城河的衰减速度评估（AI时代技术壁垒的半衰期可能很短）\n\n### 6. AI/新技术影响评估\n- 公司的AI能力和布局\n- AI对公司核心业务的影响（增强 vs 威胁 vs 中性）\n- 公司是AI变革的受益者还是被颠覆者？\n- 其他新兴技术（Web3/AR/VR/量子计算等）的影响评估\n\n### 7. 技术风险清单\n| 风险 | 具体描述 | 概率 | 影响 |\n|------|---------|------|------|\n| 技术路线失败 | 押注的技术方向被证伪 | | |\n| 开源替代 | 核心技术被开源方案替代 | | |\n| 平台依赖 | 对特定云/芯片/操作系统的依赖 | | |\n| 安全漏洞 | 数据泄露/系统被攻击 | | |\n| 人才流失 | 核心技术人员出走 | | |\n```\n\n---\n\n#### 任务6：替代数据信号挖掘\n- subject: `挖掘{公司名}的非常规数据信号与隐藏线索`\n- activeForm: `挖掘{公司名}替代数据信号`\n- description 包含：\n\n```\n## 替代数据信号挖掘\n\n> 未上市公司的常规信息有限，替代数据往往能提供比新闻报道更真实的经营信号。\n> 本任务的目标是：在常规信息源之外，挖掘一切可能有用的蛛丝马迹。\n\n### 1. 招聘信号分析\n搜索 LinkedIn、Boss直聘、脉脉、Indeed、Glassdoor 上的招聘信息：\n\n**招聘规模与趋势**：\n- 当前在招岗位总数\n- 近6个月招聘趋势（加速/平稳/缩减）\n- 与竞争对手的招聘规模对比\n\n**招聘结构分析**：\n| 岗位类别 | 数量 | 占比 | 信号解读 |\n|---------|------|------|---------|\n| 研发/工程 | | | 技术方向 |\n| 产品 | | | 产品战略 |\n| 销售/BD | | | 商业化阶段 |\n| 市场/运营 | | | 增长策略 |\n| 数据/AI | | | AI布局 |\n| 国际化 | | | 出海计划 |\n| 合规/法务 | | | 监管应对/IPO准备 |\n| 财务/IR | | | IPO准备信号 |\n\n**关键信号捕捉**：\n- 是否在招IR（投资者关系）= IPO信号\n- 是否在招合规/数据安全 = 监管压力或IPO准备\n- 是否在招海外岗位 = 国际化布局\n- 高级岗位的薪酬范围 = 公司财力和人才竞争力\n- 岗位JD中提到的技术栈/业务方向 = 战略方向\n\n### 2. App/产品数据分析\n搜索 App Store、Google Play、七麦数据、SimilarWeb：\n\n| 指标 | 数据 | 来源 | 趋势 |\n|------|------|------|------|\n| App Store排名 | | | 近6个月趋势 |\n| 用户评分 | | | 变化方向 |\n| 评分数量 | | | 增速 |\n| 下载量估算 | | | |\n| App更新频率 | | | |\n| 最近更新的主要功能 | | | |\n\n- App Store评论中的高频关键词和情感分析\n- 近期差评的主要集中点（bug？收费？体验下降？）\n- Web流量数据（SimilarWeb）：UV、PV、访问时长、跳出率\n\n### 3. 社交媒体与舆情信号\n搜索微博、知乎、小红书、Twitter/X、Reddit：\n\n- 公司官方账号的互动数据（粉丝/转发/评论趋势）\n- 用户自发讨论的热度和情感（正/负/中性）\n- 行业KOL/大V对公司的评价\n- 近3个月的舆情热点事件\n- 负面舆情清单及公司应对方式\n- 是否有内部人（前员工/现员工）的爆料\n\n### 4. 企业工商与法律信号\n搜索天眼查/企查查/启信宝：\n\n**工商信息**：\n- 注册资本及变更历史\n- 实缴资本\n- 股东/股权变更记录\n- 子公司/关联公司清单（新设=新业务？注销=业务收缩？）\n- 经营范围变更（新增范围=新业务方向）\n\n**法律信息**：\n| 类型 | 数量 | 重要案件摘要 |\n|------|------|-------------|\n| 作为原告的诉讼 | | |\n| 作为被告的诉讼 | | |\n| 知识产权纠纷 | | |\n| 劳动仲裁 | | |\n| 行政处罚 | | |\n| 被执行人记录 | | |\n\n- 重大诉讼/仲裁的详情和潜在财务影响\n- 行政处罚记录（环保/税务/劳动/数据安全等）\n\n### 5. 供应链与合作伙伴信号\n- 已知的核心供应商/合作伙伴清单\n- 供应商是否上市？其财报中是否提到与该公司的合作数据？\n- 招标/采购信息（政府采购网、企业招标平台）\n- 合作伙伴的评价和合作深度\n\n### 6. 域名与数字足迹\n搜索 domain/subdomain 信息：\n- 公司注册的域名清单（新注册的域名可能暗示新业务/新产品）\n- 子域名分析（api.xx.com、pay.xx.com等暗示业务架构）\n- SSL证书信息\n- 商标注册情况（新注册商标=新品牌/新产品线）\n\n### 7. 行业会议与曝光信号\n- 公司高管近12个月的会议演讲/参会记录\n- 行业奖项/媒体榜单（是否进入\"独角兽榜\"、\"最具创新力\"等）\n- 政府/行业协会的互动（政策咨询、标准制定参与）\n- 媒体曝光频率和质量的变化趋势\n\n### 8. 二级市场交易信号（如有）\n- 是否存在老股交易市场（SharesPost、EquityZen、微信群等）\n- 老股交易的隐含估值 vs 最近一轮融资估值\n- 买卖双方的供需状况\n- 是否有大量员工在抛售期权/RSU\n\n### 9. 信号综合评分\n\n| 信号类别 | 方向(正/负/中性) | 强度(强/中/弱) | 置信度 | 核心发现 |\n|---------|----------------|---------------|--------|---------|\n| 招聘信号 | | | | |\n| 产品数据 | | | | |\n| 舆情信号 | | | | |\n| 法律信号 | | | | |\n| 供应链信号 | | | | |\n| 数字足迹 | | | | |\n| 行业曝光 | | | | |\n| 二级交易 | | | | |\n\n**信号合力判断**：各信号是否指向同一方向？有无矛盾信号？\n\n### 10. 反常信号清单（最重要）\n列出所有\"不寻常\"的发现——这些往往是最有价值的信息：\n- 与公司对外叙事不一致的信号\n- 与行业常识不符的数据\n- 突然出现的变化（招聘急缩/急扩、高管密集离职等）\n- 无法解释的现象\n```\n\n---\n\n### 第四步：启动6个并行Agent\n\n使用 Agent 工具同时启动6个Agent（**必须在同一条消息中并行调用**）：\n\n每个Agent的配置：\n- `subagent_type`: `general-purpose`\n- `run_in_background`: `true`\n\n每个Agent的prompt模板：\n\n```\n你是{公司名}未上市公司研究团队中的\"{角色中文名}\"。\n\n你正在研究一家**未上市公司**，这意味着：\n- 没有标准化的公开财报，需要从多个来源拼凑信息\n- 数据可能不完整或相互矛盾，需要标注置信度\n- 需要更多的推理和合理推算，但要透明展示推算过程\n- 搜不到信息 ≠ 信息不存在，搜到的信息可能有偏差\n\n请完成以下研究任务：{任务subject}\n\n具体要求：\n{任务description的内容}\n\n**研究方法**：\n1. 使用 WebSearch 搜索最新公开信息，每个维度至少搜索3-5次，用不同关键词组合\n2. 搜索关键词策略：\n   - 中文：公司名+收入/估值/融资/用户数/MAU/IPO/招股书/裁员/整改\n   - 英文：Company Name + revenue/valuation/funding/users/IPO/filing\n   - 具体人名+公司名（搜索管理层相关信息）\n   - 公司名+具体竞争对手名（搜索竞争动态）\n3. 重点信息源：\n   - 高可信度：招股书、监管文件、上市公司年报中的关联披露\n   - 中可信度：晚点LatePost、The Information、36氪、Bloomberg、Reuters、TechCrunch\n   - 辅助验证：知乎、脉脉、Glassdoor、天眼查、企查查\n4. 使用 WebFetch 获取关键文章的全文（不要只看搜索摘要）\n5. 对重要数据，至少用2个不同来源交叉验证\n\n**数据标注规范（严格执行）**：\n- 每个关键数据标注来源（具体到媒体名称和文章标题）\n- 标注数据时间（精确到年月）\n- 标注置信度：🟢高（招股书/官方披露）/ 🟡中（可信媒体/研报）/ 🔴低（推算/传闻）\n- 不同来源数据有冲突时，**全部列出**并说明差异和你的判断\n- 区分\"事实\"和\"推理\"：事实用正常字体，推理/推算用*斜体*并标注推算方法\n- 无法获取的信息明确标注\"数据缺失\"，不要编造\n\n**输出要求**：\n- 报告要详尽，使用Markdown表格呈现关键数据\n- 每个分析维度要有明确结论和评分\n- 推算过程要完全透明（展示计算逻辑和每一步假设）\n- 在报告末尾提供：\n  1. 本维度的总体评分（★1-5）和核心判断\n  2. 本维度信息完整度自评（充分/适中/不足/严重不足）\n  3. 最重要的3个发现\n  4. 最大的信息盲区（什么信息缺失最影响判断）\n```\n\n### 第五步：接收报告并跟踪进度\n\n- 向用户实时展示进度表（哪些Agent已完成、哪些仍在研究中）\n- 每收到一份报告，更新进度并展示该报告的核心要点（3-5条）\n- 等待全部6份报告到齐\n\n### 第六步：交叉验证与信息拼图\n\n**这是增强版框架最关键的新增步骤**。在汇总前，team-lead 需要：\n\n1. **数据冲突仲裁**：\n   - 提取各Agent报告中的关键数据\n   - 识别不同Agent引用的相同数据是否一致\n   - 对冲突数据进行仲裁：列出所有来源，说明采信哪个、为什么\n\n2. **信号一致性检验**：\n   - 业务增长信号（business-decoder）vs 招聘信号（signal-miner）是否一致？\n     （如果说业务快速增长，但招聘在缩减，需要解释）\n   - 技术领先叙事（tech-ip）vs 专利/人才数据（signal-miner）是否支撑？\n   - 估值水平（financial-detective）vs 竞争地位（competitive-mapper）是否匹配？\n   - 管理层公开叙事（risk-governance）vs 实际行动信号（signal-miner）是否一致？\n\n3. **信息拼图还原**：\n   - 将6份报告中的信息碎片拼合，看能否还原出更完整的画面\n   - 标注信息\"白区\"（确认已知）、\"灰区\"（有线索但不确定）、\"黑区\"（完全未知）\n\n4. **反偏见检查**：\n   - 检查报告中是否存在\"正面信息详细、负面信息简略\"的偏差\n   - 确认每个正面判断都有对应的反面检验\n\n### 第七步：汇总最终报告\n\n综合6份分析报告，输出以下结构的最终报告：\n\n---\n\n#### 1. 一句话结论\n> 用一段话（50-100字）概括这家未上市公司的**真实价值判断**：生意值多少钱，为什么。\n\n#### 2. 公司画像速览\n| 项目 | 内容 | 置信度 |\n|------|------|--------|\n| 公司名称 | | |\n| 成立时间 | | |\n| 总部 | | |\n| 创始人/CEO | | |\n| 核心业务 | | |\n| 员工规模 | | |\n| 最新估值 | | |\n| 最新融资轮次 | | |\n| 推算收入规模 | | |\n| 推算利润状态 | | |\n| 推算用户规模 | | |\n| 主要投资方 | | |\n| VIE/红筹架构 | | |\n\n#### 3. 六维评分总表\n| 维度 | 分析师 | 评分(★1-5) | 核心判断 | 置信度 | 信息完整度 |\n|------|--------|-----------|---------|--------|-----------|\n| 商业模式 & 用户 | business-decoder | | | | |\n| 财务 & 估值 | financial-detective | | | | |\n| 行业 & 竞争 | competitive-mapper | | | | |\n| 风险 & 治理 | risk-governance-analyst | | | | |\n| 技术 & 知识产权 | tech-ip-analyst | | | | |\n| 替代数据信号 | signal-miner | | | | |\n\n综合评分：★X / 5\n\n#### 4. 关键数据拼图（交叉验证后）\n整合各分析师拼凑的数据，**仅保留经过交叉验证的数据**：\n\n| 指标 | 数据 | 来源数量 | 来源明细 | 置信度 | 备注 |\n|------|------|---------|---------|--------|------|\n\n#### 5. 信号一致性矩阵\n| 检验项 | 信号A | 信号B | 一致性 | 解读 |\n|--------|-------|-------|--------|------|\n| 增长叙事 vs 招聘趋势 | | | ✅/⚠️/❌ | |\n| 技术领先叙事 vs 专利数据 | | | | |\n| 估值水平 vs 竞争地位 | | | | |\n| 管理层叙事 vs 实际行动 | | | | |\n\n#### 6. 各维度分析摘要\n每个维度摘取3-5条最重要的发现（标注来源和置信度）\n\n#### 7. 真实价值评估\n\n**生意本质判断**：\n- 这是一门什么样的生意？（一句话）\n- 这门生意的\"确定性\"有多高？\n- 段永平式判断：这是不是一门\"对的生意\"？\n\n**护城河评分卡**：\n| 护城河类型 | 评分(★1-5) | 核心证据 | 趋势 | 持久性 |\n|-----------|-----------|---------|------|--------|\n| 网络效应 | | | 加宽/稳定/收窄 | |\n| 转换成本 | | | | |\n| 品牌心智 | | | | |\n| 数据壁垒 | | | | |\n| 监管牌照 | | | | |\n| 规模经济 | | | | |\n| 技术壁垒 | | | | |\n\n**估值判断**：\n| 估值方法 | 估值区间 | 置信度 | 说明 |\n|---------|---------|--------|------|\n| 最近融资估值（调整后） | | | |\n| 可比公司法 | | | |\n| DCF情景分析 | | | |\n| 终局市值倒推 | | | |\n| 交易对标法 | | | |\n\n**综合真实价值区间**：\n- 保守估值（安全边际估值）：$XXB\n- 合理估值（中性假设）：$XXB\n- 乐观估值（最优情景）：$XXB\n- 当前市场估值：$XXB\n- **安全边际**：当前估值 vs 保守估值 = XX%\n\n#### 8. 投资论点（看多 vs 看空）\n- 🟢 看多逻辑（5-7条，每条附证据来源）\n- 🔴 看空逻辑（5-7条，每条附证据来源）\n- ⚖️ 哪一方的论据更有说服力？为什么？\n\n#### 9. 风险矩阵\n| 风险 | 概率 | 影响 | 综合严重度 | 是否可对冲 | 监控指标 |\n|------|------|------|-----------|-----------|---------|\n\nTop 3 核心风险及应对策略\n\n#### 10. 退出路径评估\n最可能的退出方式、时间窗口、预期回报\n\n#### 11. 投资决策表\n\n**一页纸决策表**：\n```\n┌──────────────────────────────────────────────┐\n│  公司：XXX    最新估值：$XXB                  │\n│  阶段：[种子/成长/成熟/Pre-IPO]              │\n│  信息完整度：[充分/适中/不足/严重不足]        │\n├──────────────────────────────────────────────┤\n│  核心投资逻辑（3句话以内）：                  │\n│  1. ________________________________________  │\n│  2. ________________________________________  │\n│  3. ________________________________________  │\n├──────────────────────────────────────────────┤\n│  真实价值判断：                               │\n│  合理估值区间：$XXB - $XXB                    │\n│  当前估值 vs 合理估值：偏贵/合理/偏低         │\n│  安全边际：____%                              │\n├──────────────────────────────────────────────┤\n│  关键假设 & 验证方式：                        │\n│  假设1 → 跟踪指标 → 验证节点 → 验证时间      │\n│  假设2 → 跟踪指标 → 验证节点 → 验证时间      │\n│  假设3 → 跟踪指标 → 验证节点 → 验证时间      │\n├──────────────────────────────────────────────┤\n│  致命风险 & \"论文已破\"信号：                  │\n│  风险1 → 如果X发生，结论翻转 → 止损策略       │\n│  风险2 → 如果Y发生，结论翻转 → 止损策略       │\n├──────────────────────────────────────────────┤\n│  结论：投资 / 观望 / 回避                     │\n│  如果观望：重新评估的触发条件是什么？          │\n│  预期退出：IPO / 并购 / 二级转让              │\n│  预期回报倍数：X - Y 倍                      │\n│  预期时间框架：X - Y 年                      │\n│  年化回报率：X% - Y%                         │\n└──────────────────────────────────────────────┘\n```\n\n**分层建议**：\n| 投资者类型 | 建议 | 理由 |\n|-----------|------|------|\n| PE/VC机构（领投） | | |\n| PE/VC机构（跟投） | | |\n| 二级市场转让 | | |\n| IPO后买入 | | |\n| 不建议参与 | | |\n\n**关键催化剂**：\n| 看多催化剂 | 预计时间 | 看空催化剂 | 预计时间 |\n|-----------|---------|-----------|---------|\n| | | | |\n\n#### 12. 信息盲区地图\n| 维度 | 已知信息 | 缺失信息 | 缺失影响 | 获取建议 |\n|------|---------|---------|---------|---------|\n\n这些信息盲区是否影响核心结论的可靠性？如果影响，明确说明\"在X信息缺失的情况下，以上结论的置信度为Y\"。\n\n#### 13. 持续跟踪清单\n| 跟踪事项 | 频率 | 信息来源 | 关注指标 | 预警阈值 |\n|---------|------|---------|---------|---------|\n\n#### 14. 总结段落\n150-250字的最终总结，包含：\n- 这门生意的本质\n- 真实价值判断\n- 当前估值的合理性\n- 最大的确定性和不确定性\n- 最终建议和核心理由\n\n---\n\n### 第八步：保存报告\n\n将完整最终报告写入 `reports/{公司名}/{公司名}-private-{YYYYMMDD}.md`。\n\n### 第九步：清理团队\n\n使用 TeamDelete 清理团队资源。\n\n---\n\n## 重要注意事项\n\n1. **6个Agent必须并行启动**——在同一条消息中调用6次Agent工具\n2. **数据置信度标注**——未上市公司数据来源参差不齐，每个关键数据必须标注来源和置信度\n3. **推算要透明**——所有推算过程要展示计算逻辑，不能凭空给数字\n4. **交叉验证**——关键数据至少2个来源交叉验证，来源冲突时都列出\n5. **信号一致性检验**——汇总阶段必须做跨维度的信号一致性检查\n6. **结论要明确**——不回避给出投资/观望/回避建议，但同时说明结论的置信度\n7. **耐心等待**——6个Agent研究需要几分钟，实时向用户更新进度\n8. **中英文搜索**——未上市公司信息可能分布在中英文媒体，需要两种语言搜索\n9. **反偏见核心原则**——资料少≠公司不好，AI分析篇幅短≠投资确定性低。对于信息极度稀缺的公司，切换\"第一性原理模式\"聚焦核心问题，不追求报告形式完整\n10. **诚实留白**——报告中明确区分\"有据分析\"和\"推测填充\"，允许出现\"此维度数据不足，无法给出有意义的结论\"\n11. **替代数据不是噪音**——招聘、专利、诉讼、App数据等替代数据可能比新闻报道更接近真实经营状况\n12. **真实价值导向**——最终目标是判断这门生意值多少钱，不是输出一份好看的报告。如果信息不足以做出可靠的估值判断，直接说\"信息不足，无法给出可靠估值\"\n","codex-skills/wechat-article/SKILL.md":"---\nname: wechat-article\ndescription: \"AI Berkshire skill: 微信公众号文章：作者-编辑-读者三Agent协作. Source: skills/wechat-article.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/wechat-article.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 微信公众号文章：作者-编辑-读者三Agent协作\n\n对 $ARGUMENTS 进行深度研究，产出一篇可直接发布的微信公众号文章。三个Agent各司其职：作者写深度初稿，编辑精修结构和表达，读者从目标受众视角审读。\n\n**支持输入格式**：主题描述，例如：`大模型OPD技术解读`、`Qwen3技术报告解读`、`为什么巴菲特不买科技股`\n\n---\n\n## 设计理念\n\n一篇好的公众号文章需要同时满足三个维度：\n1. **深度**——对得起花时间读完的人（作者负责）\n2. **可读性**——结构清晰、节奏好、不劝退（编辑负责）\n3. **真的能看懂**——目标读者不会在中途放弃（读者负责）\n\n单人写作容易\"自嗨\"——写的人觉得清楚，读的人看不懂。三Agent协作的本质是**强制引入外部视角**。\n\n---\n\n## 阶段一：研究与素材收集\n\n### 第一步：明确文章定位\n\n在开始写作之前，先确认以下信息（如用户未指定则主动询问）：\n\n| 维度 | 需要确认 | 默认值 |\n|------|---------|--------|\n| **目标读者** | 技术背景程度 | 有点技术背景但非该领域专家 |\n| **文章深度** | 科普/中深度/硬核 | 中深度（有公式但要解释清楚） |\n| **文章长度** | 字数范围 | 3000-4000字 |\n| **是否需要下载原始论文/资料** | 需要PDF/配图 | 是 |\n| **写作风格** | 正式/对话式/犀利 | 对话式（像写给聪明的朋友） |\n\n### 第二步：深度研究\n\n使用 Agent 工具**并行**启动2-3个研究Agent，收集足够的素材：\n\n**研究Agent A：核心内容研究**\n- 如果是论文解读：下载论文PDF、提取核心贡献、关键图表、实验结果\n- 如果是技术主题：搜索最新进展、关键论文、技术细节\n- 如果是商业/投资主题：搜索最新数据、行业报告、竞争格局\n\n**研究Agent B：行业背景与应用**\n- 搜索该技术/主题的行业落地情况\n- 哪些公司在用？效果如何？\n- 最新的发展趋势和里程碑事件\n\n**研究Agent C（可选）：竞品/对比研究**\n- 同类方法/产品的对比\n- 历史发展脉络\n- 未来演进方向\n\n### 第三步：整理素材框架\n\n研究Agent全部完成后，整理出：\n1. **核心论点**（一句话概括文章要传达的核心信息）\n2. **关键数据**（3-5个最有冲击力的数据点）\n3. **配图清单**（需要哪些图，来源是什么）\n4. **文章大纲**（6-8个章节的标题和核心内容）\n\n---\n\n## 阶段二：作者Agent写初稿\n\n使用 Agent 工具启动**作者Agent**，给出详细的写作指令。\n\n### 作者Agent的Prompt模板\n\n```\n你是一位深度技术写作者（Author Agent），需要写一篇微信公众号文章。\n\n## 目标读者\n{根据第一步确认的读者画像}\n\n## 写作风格要求\n- 纯中文表达，避免中英文夹杂（技术术语首次出现时给英文，后续用中文）\n- 像写给聪明的朋友看的技术科普，不是学术论文翻译\n- 用类比帮助理解，但类比要贴切、不俗套\n- 关键公式/数据要有，但每个都要用大白话解释\n- 不用emoji\n- 段落不超过4行（公众号阅读环境）\n\n## 核心内容\n{整理好的素材、数据、论点}\n\n## 文章结构要求\n1. **开头（前3段）**：必须有强钩子——用数据冲击力或反直觉的结论开场，不要用温和的类比开场\n2. **背景**：为什么这件事重要？解决什么问题？\n3. **核心内容（2-3节）**：技术深度在这里体现，但每个技术点都要有\"大白话翻译\"\n4. **实证/案例**：用数据和案例说话，不要空谈\n5. **行业影响/展望**：这件事对行业意味着什么\n6. **结尾**：一句有传播力的判断收束，适合被截图转发\n\n## 配图要求\n- 论文解读类文章：必须从论文PDF中提取原图，直接用 `![描述](相对路径)` 插入文章，不要用 [图X：描述] 占位符\n- 提取方法：用 pdftoppm 将PDF页面渲染为高分辨率PNG（至少900 DPI），再用 PIL 裁切目标图表区域\n- 每张图不小于500KB，确保高清\n- 图片统一存放在 `assets/{主题简称}/` 目录下\n- 非论文类文章：如需配图，搜索并下载合适的图片，同样直接插入\n\n## 公式要求\n- 所有数学公式使用 LaTeX 格式：行内用 `$...$`，独立公式用 `$$...$$`\n- 禁止用纯文本写公式（如 `> D_KL(P || Q) = ...`），必须用 LaTeX 渲染格式\n- 每个公式后面仍然要配\"大白话翻译\"\n\n请写出完整的文章初稿，约{目标字数}字。\n```\n\n### 作者Agent完成后\n\n检查初稿文件是否生成，阅读全文确认内容完整性。\n\n---\n\n## 阶段三：编辑Agent + 读者Agent并行审阅\n\n初稿完成后，使用 Agent 工具在**同一条消息**中启动编辑Agent和读者Agent。\n\n### 编辑Agent的Prompt模板\n\n```\n你是一位资深公众号编辑（Editor Agent）。请对以下文章进行精修审阅。\n\n## 审阅标准\n1. **标题**：是否在朋友圈能吸引点击？是否会被截断（超过30字）？\n2. **开头**：前3段能否留住读者？钩子是否足够强？\n3. **结构**：逻辑链是否流畅？有无跳跃或断层？\n4. **深度与可读性平衡**：公式/技术部分是否真的通俗？有无\"假装通俗但没解释清楚\"的地方？\n5. **节奏**：有无太长的段落？每节长度是否合适？\n6. **配图**：图片是否已实际插入（非占位符）？位置是否在读者最需要视觉辅助时出现？\n7. **结尾**：有无传播力？读者看完会想转发吗？\n\n## 文章全文\n{完整初稿}\n\n## 输出格式\n1. 总体评价（3-5句话）\n2. 标题修改建议（给2-3个备选）\n3. 逐节修改建议（给出\"原文→建议修改为\"的具体对照）\n4. 最关键的3个改进点\n```\n\n### 读者Agent的Prompt模板\n\n```\n你是一位{目标读者画像}（Reader Agent）。请从读者视角审读以下文章。\n\n## 你的背景\n{具体描述目标读者的知识水平和阅读习惯}\n\n## 文章全文\n{完整初稿}\n\n## 请回答以下问题\n1. 读完前3段，你会继续读下去吗？为什么？\n2. 哪些地方\"看不懂\"或\"需要重读才能理解\"？具体是哪句话？\n3. 技术/公式部分你看懂了吗？\"大白话翻译\"是否帮到你了？\n4. 文章的核心类比贴切吗？有更好的类比吗？\n5. 太长还是太短？会在哪里失去耐心？\n6. 读完后你能用一句话概括文章核心观点吗？\n7. 你会转发这篇文章吗？转发时你会说什么？\n8. 有没有你想了解但文章没覆盖的问题？\n```\n\n---\n\n## 阶段四：定稿\n\n### 第一步：综合两个Agent的反馈\n\n重点关注以下高频问题：\n\n| 问题类型 | 编辑常见反馈 | 读者常见反馈 | 处理方式 |\n|---------|------------|------------|---------|\n| 开头太弱 | 钩子不够强 | 前3段没动力继续 | 用数据/反直觉结论重写开头 |\n| 技术段劝退 | 公式太密集 | 某段需要重读3遍 | 删公式或图片化，加更直觉的类比 |\n| 节奏拖沓 | 某节太长 | 某处失去耐心 | 合并或删减（尤其是后半段重复的技术解释） |\n| 结尾无力 | 缺传播力 | 不会转发 | 重写为一句可截图传播的判断 |\n| 概念跳跃 | 逻辑有断层 | 某处\"突然看不懂了\" | 补过渡句或背景解释 |\n\n### 第二步：执行修改\n\n根据反馈重写文章。核心修改原则：\n\n1. **编辑和读者都指出的问题，必须改**\n2. **只有编辑指出的问题，大概率要改**（编辑的专业判断通常准确）\n3. **只有读者指出的问题，视情况改**（读者反馈代表真实体验，但不一定每条都需要响应）\n4. **两者矛盾时，偏向读者**（编辑追求完美，但读者体验是最终标准）\n\n### 第三步：提取配图\n\n论文解读类文章必须在定稿前完成配图提取：\n\n1. **渲染**：`pdftoppm -png -r 900 -f {页码} -l {页码} 论文.pdf /tmp/page`（900 DPI起步，如果图片不到500KB则升到1200或1500 DPI）\n2. **定位**：先用150 DPI渲染全页，目视确认各图表的像素坐标\n3. **裁切**：用 PIL 按坐标裁切，`compress_level=1` 保存，确保每张 ≥ 500KB\n4. **存储**：保存到 `assets/{主题简称}/` 目录，命名为 `fig{序号}-{描述}.png`\n5. **插入**：文章中用 `![描述](../../assets/{主题简称}/fig{序号}-{描述}.png)` 引用\n\n### 第四步：产出最终文件\n\n将定稿保存为 md 文件，文件末尾附上论文/资料原文链接：\n\n```markdown\n**论文原文：**\n- arXiv: {链接}\n```\n\n---\n\n## 文件命名与存储\n\n| 类型 | 路径 | 命名格式 |\n|------|------|---------|\n| 技术主题 | `reports/AI产业研究/` | `公众号-{主题关键词}-{YYYYMMDD}.md` |\n| 投资主题 | `reports/{公司名}/` | `{公司名}-公众号-{YYYYMMDD}.md` |\n| 通用主题 | `reports/` | `公众号-{主题关键词}-{YYYYMMDD}.md` |\n\n---\n\n## 写作红线\n\n1. **不虚构数据**。引用的数据必须有来源，搜不到就标注\"估计\"\n2. **不用AI腔调**。禁止\"让我们一起来看看\"、\"值得关注的是\"、\"不得不说\"等套话\n3. **不过度承诺**。技术文章不说\"颠覆性的\"、\"革命性的\"，用数据说话\n4. **公式必须配大白话**。每个公式后面都要有一段\"翻译成人话就是……\"\n5. **公式必须用LaTeX**。`$$...$$` 格式，禁止纯文本公式\n6. **配图必须实际插入**。论文解读类从PDF提取高清原图（≥500KB），禁止用 `[图X]` 占位符\n7. **表格括号注释要精确**。描述概念时用准确的定义，不用模糊的动宾短语（如\"文本来自教师\"而非\"学教师的文本\"）\n8. **类比要一以贯之**。全文用一个主线类比，不要每节换一个新类比\n9. **结尾必须有传播力**。最后一句话要值得被单独截图转发\n","codex-skills/investment-checklist/SKILL.md":"---\nname: investment-checklist\ndescription: \"AI Berkshire skill: 巴菲特价值投资买入前 Checklist. Source: skills/investment-checklist.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/investment-checklist.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 巴菲特价值投资买入前 Checklist\n\n对 $ARGUMENTS 执行巴菲特价值投资买入前 Checklist 分析。\n\n**支持输入格式**：单个或多个公司，用逗号/顿号/空格分隔。例如：`腾讯, 茅台, 英伟达` 或 `NVDA AAPL MSFT`\n\n## 执行流程\n\n### 第一步：解析输入，识别所有待分析公司\n\n从 $ARGUMENTS 中解析出所有公司名称/代码。对每家公司确定：\n- 公司全称、股票代码、上市交易所\n- 如果公司未上市，标记为\"未上市\"并给出简要说明（是否有间接投资途径），跳过完整Checklist\n\n### 第一步半：AI研究偏见预警\n\n对每家公司进行\"信息丰富度\"快速评级（A/B/C），并在报告中标注：\n\n| 等级 | 判断标准 | 对Checklist的影响 |\n|------|---------|-----------------|\n| A级 | 上市多年、数据充裕 | 正常执行，但警惕\"共识陷阱\"——所有指标看起来都清晰不代表真的确定 |\n| B级 | 数据有限需推算 | 每个推算指标标注置信度，\"好生意\"判断加权考虑数据可靠性 |\n| C级 | 信息极度稀缺 | 不勉强填满六关表格，诚实标注\"数据不足无法判断\"，聚焦可验证的核心问题 |\n\n**核心原则**：Checklist的目标是**排除坏选择**。对于C级公司，\"数据不足\"不等于\"不通过\"，也不等于\"通过\"——应诚实标注为\"灰色地带，需补充一手信息\"，而不是因为AI无法填满表格就判为否决。\n\n段永平说过：\"看不懂\"有两种——一种是生意太复杂真的看不懂，一种是你还没花时间去看。AI研究的局限是容易把\"资料少\"和\"看不懂\"混为一谈。\n\n### 第二步：并行数据收集\n\n使用 Task 工具为**每家公司**启动独立的后台 Agent 进行数据收集（所有公司同时并行启动），每个Agent负责收集：\n\n1. **盈利能力**：ROE（5-10年趋势）、毛利率、净利率、自由现金流\n2. **估值数据**：当前股价、市值、PE(TTM)、前瞻PE、PB、股息率\n3. **增长趋势**：近3年收入/利润增速\n4. **财务健康**：负债水平、资本开支需求、现金储备、净现金/净负债\n5. **竞争格局**：市场份额、主要竞争对手、份额变化趋势\n6. **护城河证据**：品牌/转换成本/网络效应/规模效应/技术壁垒的具体证据\n7. **管理层记录**：CEO履历、关键决策、持股、资本配置记录\n8. **最新动态**：近6个月重大事件（业绩、并购、监管、管理层变动等）\n\n### 第三步：逐公司执行六关 Checklist\n\n对每家已上市公司，依次过六关：\n\n---\n\n#### 第一关：我能理解这门生意吗（能力圈）\n\n必须回答：\n- [ ] 能用一句话说清楚这家公司靠什么赚钱吗？\n- [ ] 10年后大概率还在做什么生意？\n- [ ] 哪些关键变量决定成败？\n- [ ] 对这个行业的认知是来自深度研究还是道听途说？\n\n**评分标准**（★1-5）：\n- ★★★★★：商业模式极其简单清晰，10年确定性高（如茅台：酿酒卖酒）\n- ★★★★☆：模式清晰但有技术门槛，需要一定专业知识理解\n- ★★★☆☆：模式可理解但10年确定性不高，行业变化快\n- ★★☆☆☆：业务线复杂或行业剧变中，难以预判未来\n- ★☆☆☆☆：完全不在能力圈内\n\n**硬性否决**：如果连赚钱方式都说不清，直接标记为\"不在能力圈，不做分析\"。\n\n---\n\n#### 第二关：这是一门好生意吗（经济特征）\n\n用数据说话，**关键指标必须通过工具精确计算**：\n\n```bash\npython3 tools/financial_rigor.py verify-valuation \\\n  --price {股价} --eps {EPS} --bvps {每股净资产} --fcf-per-share {每股FCF} --dividend {每股股息}\n```\n\n| 指标 | 该公司数值 | 参考标准 | 判断 |\n|------|-----------|---------|------|\n| ROE（5年均值） | | >15%优秀, >20%卓越 | |\n| 毛利率 | | >40%暗示定价权 | |\n| 自由现金流 | | 持续为正、≈净利润 | |\n| 资本开支强度 | | 轻资产优于重资产 | |\n| 负债水平 | | 有息负债/净利润<3年 | |\n\n**评分标准**（★1-5）：\n- ★★★★★：ROE>25%、高毛利、强FCF、轻资产、低负债（全部达标）\n- ★★★★☆：4项达标\n- ★★★☆☆：3项达标\n- ★★☆☆☆：2项达标或趋势恶化\n- ★☆☆☆☆：多数不达标或FCF持续为负\n\n---\n\n#### 第三关：护城河够不够深（竞争优势）\n\n逐项检查：\n\n| 护城河类型 | 是否具备 | 具体证据 | 变宽还是变窄？ |\n|-----------|---------|---------|--------------|\n| 品牌/定价权 | | | |\n| 转换成本 | | | |\n| 网络效应 | | | |\n| 成本/规模优势 | | | |\n| 技术/专利壁垒 | | | |\n\n追加检验：如果给竞争对手100亿，能否复制这门生意？\n\n**评分标准**（★1-5）：\n- ★★★★★：多重护城河叠加且在变宽\n- ★★★★☆：至少一条强护城河且稳定\n- ★★★☆☆：有护城河但不够深，或趋势不明\n- ★★☆☆☆：护城河正在被侵蚀\n- ★☆☆☆☆：无明显护城河\n\n---\n\n#### 第四关：管理层是否值得信任（人的因素）\n\n| 检查项 | 评估 |\n|--------|------|\n| 诚实度（承诺vs交付） | |\n| 资本配置能力（回购/分红/并购记录） | |\n| 股东利益导向（持股、薪酬） | |\n| 所有者心态（创始人 vs 职业经理人） | |\n| 公司治理（关联交易、商誉、审计） | |\n| CEO离开后能否照常运转？ | |\n\n**评分标准**（★1-5）：\n- ★★★★★：创始人掌舵、资本配置卓越、利益完全一致\n- ★★★★☆：管理层优秀但有小瑕疵\n- ★★★☆☆：管理层合格但有治理隐患\n- ★★☆☆☆：有诚信或治理问题\n- ★☆☆☆☆：严重诚信问题（→硬性否决）\n\n---\n\n#### 第五关：价格是否足够便宜（安全边际）\n\n| 指标 | 数值 | 历史分位 | 判断 |\n|------|------|---------|------|\n| PE (TTM) | | | |\n| 前瞻PE | | | |\n| PB | | | |\n| 股息率 | | | |\n| FCF Yield | | | |\n\n追加检验（**必须通过工具精确计算，禁止心算**）：\n```bash\npython3 tools/financial_rigor.py three-scenario \\\n  --price {股价} --eps {EPS} --shares {股本亿} \\\n  --growth {乐观} {中性} {悲观} --pe {乐观PE} {中性PE} {悲观PE} --currency {币种}\n```\n- 三情景下的估值区间（取工具输出结果）\n- 如果判断有误，在当前价格买入最多亏多少？\n- 股价腰斩你敢加仓吗？\n\n**评分标准**（★1-5）：\n- ★★★★★：相对内在价值打5折以下，极端安全边际\n- ★★★★☆：打7折，有良好安全边际\n- ★★★☆☆：合理估值，安全边际一般\n- ★★☆☆☆：偏贵，安全边际不足\n- ★☆☆☆☆：严重高估\n\n---\n\n#### 第六关：仓位与决策纪律（防止情绪失控）\n\n检查以下情绪信号：\n- 是否因为FOMO想买？\n- 是否因为别人推荐才想买？\n- 如果停牌5年你能接受吗？\n- 买入论述能否用200字以内写清楚？\n\n---\n\n### 第四步：镜子测试\n\n对每家公司写出镜子测试语句：\n\n> \"我以 ___元 买入 ___公司，因为：\n> 1. 这门生意的本质是___，我理解它；\n> 2. 它的护城河是___，而且在变宽/变窄；\n> 3. 管理层___，值得/不值得信赖；\n> 4. 当前价格相当于内在价值的___折，有/无足够安全边际；\n> 5. 即使我错了，下行风险可控/不可控，因为___。\"\n\n**5句话说不完整 = 不买。** 明确标注\"通过\"或\"未通过\"。\n\n---\n\n### 第五步：快速否决清单\n\n对每家公司逐条检查，触发任何一条直接标注为\"否决\"：\n\n- [ ] 说不清楚这家公司怎么赚钱\n- [ ] 连续3年自由现金流为负且看不到改善\n- [ ] 管理层有诚信污点\n- [ ] 竞争优势正在被不可逆侵蚀\n- [ ] 需要靠\"下一个接盘者出更高价\"来赚钱（博傻）\n- [ ] 无法承受这笔投资归零的后果\n- [ ] 买入理由主要是\"别人都在买\"或\"最近涨得好\"\n- [ ] 无法用200字以内写清楚买入理由\n\n---\n\n### 第六步：输出总览对比表（多公司时必须输出）\n\n当分析多家公司时，必须生成对比总览表：\n\n| 公司 | Checklist通过？ | 能力圈 | 好生意 | 护城河 | 管理层 | 安全边际 | 核心结论 |\n|------|----------------|--------|--------|--------|--------|---------|---------|\n| | | ★☆☆☆☆ | ★☆☆☆☆ | ★☆☆☆☆ | ★☆☆☆☆ | ★☆☆☆☆ | |\n\n---\n\n### 第七步：最终结论与写入文件\n\n对每家公司给出明确结论（不回避）：\n- ✅ **通过 Checklist**（X/6关）— 可以进入深度研究阶段\n- ❌ **未通过 Checklist** — 说明哪条红线被触发\n- ❓ **灰色地带** — 说明关键争议点是什么，投资者需要自行判断什么\n- N/A — 未上市/无法买入\n\n将完整报告写入 `~/巴菲特Checklist-[公司名或\"多公司对比\"].md`\n\n## 输出格式要求\n\n1. 每家公司独立成章，包含：六关评分表 + 核心数据表 + 关键风险（3-5条）+ 镜子测试 + 明确结论\n2. 多公司时在最后附总览对比表\n3. 所有评分必须使用★符号（★1-5），不含半星\n4. 数据必须标注来源时间，估计值必须注明\"估计\"\n5. 文末附结语，呼应巴菲特名言：\"投资的第一条规则是不要亏损\"\n6. 语言风格：直接、犀利、不说废话。用巴菲特/芒格/段永平的语录穿插点评\n\n## 关键原则\n\n- **宁可错过，不可做错**：Checklist的目标是排除坏选择，不是找到最好的\n- **诚实面对能力圈**：看不懂就说看不懂，不要勉强分析\n- **安全边际是生命线**：好公司买贵了也会亏钱\n- **镜子测试不可跳过**：说不清楚理由就不买，没有例外\n","codex-skills/investment-memo-craft/SKILL.md":"---\nname: investment-memo-craft\ndescription: Codex-only writing and layout overlay for AI Berkshire investment research reports. Use whenever Codex creates, rewrites, revises, or critiques company/industry/fund research reports, especially long-form Markdown reports that need financial rigor, readable business mechanics, contrarian analysis, valuation-to-action guidance, investor-specific recommendations, restrained typography, and clear buy/hold/sell signals. Do not use this to modify Claude Code slash-command sources.\n---\n\n# Investment Memo Craft\n\n## Purpose\n\nTurn investment research into a decision-ready Codex research report. Keep the data discipline of the underlying research skill, but make the output easier for an investor to use: concrete business mechanics, sharp inverse thinking, explicit opportunity cost, action thresholds, and calm Markdown typography.\n\nUse this as a writing and judgment overlay. It does not replace financial-data rules, primary-source checks, valuation tools, or report audit tooling.\n\nFor long-form AI Berkshire outputs, title the artifact as a \"research report\" by default. Use \"investment memo\" only when the user explicitly asks for a memo format.\n\nThis is a Codex-only hand-written skill kept under `codex-skills/` for simple installation. Do not add a same-named `skills/investment-memo-craft.md` source unless intentionally adopting this workflow for Claude Code too.\n\n## Core Workflow\n\n1. Open with context; reserve the full decision for after the evidence.\n   - In the first screen, state the research date, price, market cap, valuation, and a short thesis.\n   - Do not front-load the full buy/hold/sell table unless the user explicitly asks for an executive memo.\n   - Put the detailed recommendation, investor-specific actions, and price bands near the end, after business quality, risk, and valuation have been argued.\n   - Separate \"good business\" from \"good investment at this price\".\n\n2. Build the operating map before the philosophy.\n   - Include revenue structure, segment economics, unit drivers, and 3-5 year trends early.\n   - For asset-heavy businesses, show the key assets individually when they explain the moat.\n   - Explain the pricing mechanism, customer lock-in, cost structure, and reinvestment needs.\n\n3. Compress business essence into one memorable sentence.\n   - Prefer a sentence that describes who pays, why they pay, what is scarce, and what repeats.\n   - Avoid generic labels such as \"industry leader\" unless followed by the mechanism that makes leadership durable.\n\n4. Make the moat falsifiable.\n   - Score or table the moat by source: brand/pricing power, switching cost, network effect, scale, cost advantage, regulation, resource scarcity, technology.\n   - Explain whether the moat widened or narrowed over the last 5 years.\n   - Ask what can destroy the moat, even if the answer is \"not competitors, but regulation/weather/price paid\".\n\n5. Do real inverse thinking.\n   - Include failure paths with probability, impact, and observable indicators.\n   - Write the strongest bear case in language a smart short seller or non-buyer would actually use.\n   - Explicitly identify the most likely analytical mistake.\n\n6. Evaluate management through capital allocation.\n   - Replace vague praise with decision history: acquisitions, divestitures, buybacks, dividends, leverage, reinvestment, strategic pivots.\n   - Judge incentives: insider ownership, controlling shareholder behavior, compensation, related-party transactions, and shareholder return policy.\n   - Ask whether the business depends on a person or on a system.\n\n7. Connect industry trend to value capture.\n   - Distinguish civilization-level trend from investable company-level economics.\n   - Describe where the company sits in the value chain and who captures the profit pool.\n   - Identify whether TAM growth, pricing, utilization, or capital intensity is the real driver.\n\n8. Convert valuation into action.\n   - Show current multiples, reverse DCF intuition, scenario valuation, historical comparison, and comparable companies when relevant.\n   - Include dividends or capital returns in expected return when they matter.\n   - Provide price bands, add signals, trim/sell signals, and what would change the thesis.\n\n9. Close with a decision memo.\n   - Include a summary table by business quality, moat, management, risk, trend, and valuation.\n   - Give distinct advice for empty-handed investors and existing holders.\n   - Include the action table here, not at the top, for long-form research reports.\n   - End by separating AI analysis confidence from actual investment certainty.\n\n## Style Standards\n\n- Prefer concrete numbers and mechanisms over adjectives.\n- Use tables when they reduce cognitive load: assets, segments, failure paths, management decisions, scenario valuations, action bands.\n- Write in clear investor prose. A good memo should be understandable after one read and useful after one month.\n- Keep memorable formulations, but never let rhetoric outrun evidence.\n- Avoid hiding behind vague labels such as \"wait and see\" without specifying the price or event that would change the recommendation.\n\n## Layout Standards\n\nFor long-form research reports, prefer a calm stepped layout:\n\n- Use a simple title: `公司名（ticker）研究报告`. Avoid adding \"四大师综合\" or \"投资备忘录\" to the title unless the user asks for that framing.\n- Use dated filenames for reports: `公司名研究报告-YYYYMMDD.md`.\n- Start with one compact metadata block: research date, price, market cap, key multiples, and a one-sentence thesis.\n- Use horizontal separators between major sections.\n- Use Chinese step headings for readability, for example \"第一步：核心数据总览\", \"第二步：生意本质分析\", and \"第八步：最终决策与行动清单\".\n- Keep section titles short and concrete; avoid dense numbering such as \"2.3.1\" unless the document is technical.\n- Use quote blocks for master-style questions, not inline bold paragraphs.\n- Treat GitHub Markdown as the typography system: use heading levels, tables, quote blocks, and bold text; do not add HTML/CSS font styling unless the user explicitly asks for a non-GitHub artifact.\n- Use bold sparingly as a reading guide: metadata labels, one-sentence conclusion labels, key phrases, total/current-company rows, latest-year values, scenario target prices, action rows, and audit verdicts.\n- Keep ordinary facts in normal weight. Do not bold full tables or every important-looking number; over-emphasis makes long research feel noisy.\n- Use explicit `+` and `-` signs for growth rates and return ranges so positive/negative movement can be scanned without rereading the sentence.\n- Put checklists under \"AI research bias awareness\" when the company is information-rich or consensus-heavy.\n- Keep audit and tool details light at the end. Do not expose command lines unless the user asks for reproducibility commands.\n- If a prior report has a layout the user likes, preserve its reading rhythm while keeping only data that passes the current validation standard.\n\n## Default Report Shape\n\nFor AI Berkshire company reports, use this order unless the user asks otherwise:\n\n1. `AI研究偏见自觉`\n   - State the information-richness rating, consensus trap, bias checklist, and AI research limitation.\n\n2. `第一步：核心数据总览`\n   - Show segment revenue, key operating assets or units, 3-5 year financial trend, and cross-source validation.\n\n3. `第二步：生意本质分析`\n   - Define the business in one sentence, map revenue/cost/customer/asset life/growth drivers, and explain the real profit variables.\n\n4. `第三步：护城河评估`\n   - Score moat sources, explain evidence, and state what can destroy or weaken the moat.\n\n5. `第四步：逆向思考与风险清单`\n   - Put the bear case in serious language. Include failure paths, probability, impact, and observable warning indicators.\n\n6. `第五步：管理层评估`\n   - Judge management through capital allocation, governance, incentives, dividends/buybacks, leverage, and whether the business is system-driven.\n\n7. `第六步：行业与文明趋势`\n   - Separate broad trend from investable economics and explain where the company captures value.\n\n8. `第七步：估值与安全边际`\n   - Show current valuation, reverse-DCF intuition, scenario valuation, comparable companies if useful, and explicit price bands.\n\n9. `第八步：最终决策与行动清单`\n   - Put the full decision here, not at the top: summary table, advice for empty-handed investors, advice for holders, add/sell triggers, and master-style comments if useful.\n\n10. `AI分析置信度 vs 投资确定性`\n    - Separate data confidence from investment certainty.\n\n11. `数据来源与审计记录`\n    - List key sources and concise audit results. Keep command lines out of the report unless explicitly requested.\n\n## Quality Bar\n\nA strong memo should answer these questions without forcing the reader to infer:\n\n- What exactly does this company sell, to whom, and why does money repeat?\n- What are the 2-3 variables that actually move profit?\n- Why might smart people refuse to buy?\n- What is already priced in?\n- What return is plausible under bull/base/bear cases, including dividends if relevant?\n- What should an empty-handed investor do?\n- What should a holder do?\n- What evidence would make the thesis wrong?\n\n## Pairing With Other Skills\n\nWhen the task requires fresh company research, first use the relevant data/research skill and its validation requirements. Then use this skill to rewrite or structure the output as a memo.\n\nFor AI Berkshire work, pair especially with:\n\n- `financial-data` for source hierarchy and cross-source validation.\n- `investment-research` for the Buffett/Munger/Duan/Li Lu framework.\n- `management-deep-dive` when management quality is the core uncertainty.\n- `report_audit.py` before treating a report as publishable.\n","codex-skills/management-deep-dive/SKILL.md":"---\nname: management-deep-dive\ndescription: \"AI Berkshire skill: 管理层纵深研究：买股票就是买人. Source: skills/management-deep-dive.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/management-deep-dive.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 管理层纵深研究：买股票就是买人\n\n对 $ARGUMENTS 进行管理层深度研究。\n\n**支持输入格式**：`公司名` 或 `人名 公司名`，例如：`美团`、`王兴 美团`、`黄仁勋 英伟达`\n\n> \"买股票就是买人。找到你信任的人，然后长期持有。\" —— 段永平\n>\n> \"评估管理层，要看他们在没人看着的时候做什么。\" —— 巴菲特\n\n## 设计理念\n\n大多数投资分析对管理层的评估停留在表面：履历、持股比例、薪酬。但巴菲特花大量时间**和管理层吃饭聊天**，李录说**他投资的本质是投人**，段永平说**买股票就是买人**。\n\n本Skill是 `/investment-research` 第五步管理层评估的**深化版**。当标准投资研究中管理层评分不确定（★★★或以下）、或管理层是核心投资逻辑时，使用本Skill做纵深研究。\n\nAI无法和管理层吃饭，但可以通过公开信息做到：\n- **追踪管理层的话与做是否一致**（承诺vs兑现）\n- **分析每一笔重大资本配置决策的回报**\n- **从困难时期的决策中推断品格**\n- **通过员工/商家/客户的反馈侧面验证**\n\n## 执行流程\n\n### 第一步：识别关键管理层并启动并行数据收集\n\n使用 WebSearch 确认以下关键人物：\n\n| 角色 | 姓名 | 任期 | 背景 | 持股/期权 |\n|------|------|------|------|----------|\n| CEO/董事长 | | | | |\n| CFO | | | | |\n| 创始人（如不在位） | | | | |\n| 实际控制人（如不同于CEO） | | | | |\n| 其他关键高管 | | | | |\n\n**注意**：区分\"谁在做决策\"和\"谁的名字在头衔上\"。有些公司创始人虽然卸任但仍是灵魂人物（如黄峥之于拼多多）。\n\n确认关键人物后，使用 Task 工具启动多个后台 Agent **并行**收集以下数据：\n1. Agent 1：CEO公开发言与预测记录（股东信、电话会、采访、社交媒体）\n2. Agent 2：资本配置决策记录（并购、回购、分红、新业务投资）\n3. Agent 3：治理结构与薪酬（股权结构、关联交易、高管薪酬）\n4. Agent 4：侧面验证信息（员工评价、客户反馈、行业口碑）\n\n### 第二步：CEO能力圈评估\n\n#### 2.1 战略眼光\n\n搜索CEO过去5年的公开发言（股东信、电话会、采访、社交媒体），提取其对以下问题的判断：\n\n| 时间 | CEO的判断/预测 | 实际结果 | 准确度 |\n|------|--------------|---------|:------:|\n| | \"我们认为X市场会...\" | X市场实际... | ✅/❌ |\n| | \"未来3年我们的重点是...\" | 实际执行... | ✅/❌ |\n\n**关键问题**：\n- CEO有没有做过超前于市场的正确判断？\n- CEO有没有在大家都看好的时候保持冷静？\n- CEO对行业趋势的理解是跟随市场还是独立思考？\n\n#### 2.2 执行能力\n\n| 维度 | 评估 | 证据 |\n|------|------|------|\n| 战略到落地 | 说了的事做到了吗？ | |\n| 组织能力 | 能不能吸引和留住人才？ | |\n| 危机处理 | 遇到困难时怎么应对？ | |\n| 迭代速度 | 犯错后纠正的速度快吗？ | |\n\n### 第三步：诚信度评估（最重要）\n\n**巴菲特**：\"我们寻找三种品质：正直、智慧和精力。如果没有第一种，后两种会害死你。\"\n\n#### 3.1 承诺vs兑现追踪\n\n从过去3年的财报电话会、股东信、公开采访中，提取管理层做过的**具体承诺**：\n\n| # | 时间 | 承诺内容 | 承诺场合 | 兑现情况 | 评价 |\n|---|------|---------|---------|---------|------|\n| 1 | | \"我们将在2025年实现X业务盈利\" | 2024年报电话会 | | ✅/⚠️/❌ |\n| 2 | | \"我们计划回购$X亿\" | 2024年股东信 | | ✅/⚠️/❌ |\n\n**兑现率统计**：\n\n| 承诺兑现率 | 评价 |\n|:---------:|------|\n| >80% | 优秀——说到做到 |\n| 60-80% | 合格——大方向对但执行有偏差 |\n| 40-60% | 令人担忧——承诺过多交付不足 |\n| <40% | 严重问题——不可信赖 |\n\n#### 3.2 困难时期的表现\n\n搜索公司历史上遭遇的重大危机/困难（股价暴跌、业绩miss、监管冲击、竞争加剧），分析管理层的应对：\n\n| 危机事件 | 时间 | 管理层反应 | 事后回看的评价 |\n|---------|------|-----------|-------------|\n\n**关注**：\n- 是主动沟通还是躲避？\n- 是归因内部还是甩锅外部？\n- 是趁机做困难但正确的事，还是选择短期讨好市场？\n\n#### 3.3 对利益相关方的态度\n\n| 利益相关方 | 管理层态度 | 证据 | 评价 |\n|-----------|-----------|------|------|\n| 股东 | 尊重/忽视/利用 | | |\n| 员工 | 善待/压榨/漠视 | | |\n| 客户/用户 | 以客户为中心/短期榨取 | | |\n| 商家/供应商 | 公平合作/极端压价 | | |\n| 监管/社会 | 合规配合/打擦边球 | | |\n\n**李录**：\"对利益相关方的态度决定了企业的长期生命力。短期压榨能提升效率，但长期会损害生态。\"\n\n### 第四步：资本配置能力\n\n这是巴菲特最看重的管理层能力——**每赚一块钱，管理层能把它变成多少钱？**\n\n#### 4.1 资本配置决策记录\n\n搜索公司过去5年的重大资本配置决策，逐笔评估：\n\n**并购记录**：\n\n| 时间 | 收购标的 | 金额 | 战略逻辑 | 事后回报 | 评分(1-5) |\n|------|---------|------|---------|---------|:---------:|\n\n**回购记录**：\n\n使用 `tools/financial_rigor.py verify-valuation` 校验回购时和当前的PE等估值指标。\n\n| 时间 | 回购金额 | 平均回购价 | 当时PE | 事后回看 | 评分(1-5) |\n|------|---------|-----------|:------:|---------|:---------:|\n\n**分红记录**：\n\n| 年份 | 分红金额 | 分红率 | 同期FCF | 是否可持续 |\n|------|---------|:------:|---------|:---------:|\n\n**新业务投资**：\n\n| 时间 | 投资领域 | 累计投入 | 当前状态 | 回报评估 | 评分(1-5) |\n|------|---------|---------|---------|---------|:---------:|\n\n#### 4.2 资本配置评分\n\n| 维度 | 评分(1-5) | 说明 |\n|------|:---------:|------|\n| 并购纪律 | | 是否在合理价格收购？收购后整合如何？ |\n| 回购时机 | | 是否在低估时回购、高估时停止？ |\n| 分红合理性 | | 分红率是否与FCF匹配？ |\n| 新业务投资 | | 成功率如何？止损纪律如何？ |\n| 现金管理 | | 现金储备是否合理？是否囤积过多？ |\n| **综合评分** | | |\n\n**巴菲特标准**：理想的管理层在有好机会时果断投资，没有好机会时积极回购/分红，永远不做高价并购。\n\n### 第五步：治理结构评估\n\n#### 5.1 股权结构\n\n| 项目 | 详情 | 风险评估 |\n|------|------|---------|\n| 是否有AB股/超级投票权？ | | |\n| 创始人/实控人持股比例？ | | |\n| 是否有VIE结构？ | | |\n| 独立董事是否真正独立？ | | |\n| 大股东近期增减持记录？ | | |\n\n#### 5.2 薪酬合理性\n\n| 高管 | 年度总薪酬 | 占公司净利润比 | 与同行对比 | 是否合理 |\n|------|-----------|:------------:|:---------:|:-------:|\n\n**关注**：激励结构是否与长期股东利益一致？还是鼓励短期行为？\n\n#### 5.3 关联交易\n\n| 关联方 | 交易内容 | 金额 | 是否公允 | 风险评估 |\n|--------|---------|------|:-------:|---------|\n\n### 第六步：侧面验证\n\nAI无法和管理层面对面交流，但可以通过公开渠道的侧面信息验证。**注意**：以下信息取决于公开可搜索的内容，可能不完整，标注信息来源和可得性。\n\n#### 6.1 员工视角\n\n搜索 Glassdoor评分摘要、知乎讨论等**可公开搜索**的员工评价（脉脉等需登录的平台标注\"用户可自行补充\"）：\n\n| 维度 | 评分趋势 | 关键反馈 |\n|------|---------|---------|\n| 企业文化 | | |\n| 管理层评价 | | |\n| 工作强度 | | |\n| 薪酬满意度 | | |\n| 发展前景 | | |\n\n#### 6.2 客户/商家视角\n\n搜索App Store评分、消费者投诉、商家论坛：\n\n| 维度 | 评分/趋势 | 关键反馈 |\n|------|----------|---------|\n| 产品满意度 | | |\n| 客户服务 | | |\n| 商家/供应商关系 | | |\n\n#### 6.3 行业口碑\n\n搜索行业论坛、社交媒体，了解同行和业内人士对该管理层的评价。\n\n### 第七步：CEO离开后的情景分析\n\n**巴菲特**：\"好公司应该是傻瓜都能经营的——因为迟早会有傻瓜来经营。\"\n\n| 问题 | 回答 |\n|------|------|\n| 如果CEO明天离开，公司能正常运转吗？ | |\n| 现有管理团队的深度如何？有没有明确的继任者？ | |\n| 公司的竞争优势是依赖CEO个人，还是依赖组织/系统？ | |\n| 历史上的管理层交接是否顺利？ | |\n\n### 第八步：输出管理层评估报告\n\n#### 报告结构\n\n```\n一、关键人物速览（表格）\n二、诚信度评估\n   - 承诺兑现率\n   - 困难时期表现\n   - 对利益相关方态度\n三、能力评估\n   - 战略眼光（预判准确度）\n   - 执行能力\n   - 资本配置记录\n四、治理结构\n   - 股权结构风险\n   - 薪酬合理性\n   - 关联交易\n五、侧面验证\n   - 员工视角\n   - 客户/商家视角\n六、综合评分与结论\n```\n\n#### 综合评分\n\n| 维度 | 权重 | 评分(1-5) | 加权 |\n|------|:----:|:---------:|:----:|\n| 诚信度 | 35% | | |\n| 战略与执行能力 | 25% | | |\n| 资本配置能力 | 25% | | |\n| 治理结构 | 15% | | |\n| **综合评分** | 100% | | |\n\n#### 段永平的\"买人\"标准\n\n> 回答以下三个问题：\n> 1. **这个人是否正直？**（诚实、不占股东便宜）\n> 2. **这个人是否有能力？**（战略眼光+执行力+资本配置）\n> 3. **你愿意把钱交给这个人管10年吗？**\n>\n> 三个都是\"是\" = ★★★★★（5分）\n> 前两个是\"是\" = ★★★★（4分）\n> 只有第一个是\"是\" = ★★★（3分）\n> 第一个不是\"是\" = ★（1分，不投）\n\n### 第九步：保存报告\n\n将报告写入 `reports/{公司名}-management-{YYYYMMDD}.md`，例如 `reports/美团-management-20260409.md`\n\n---\n\n## 关键原则\n\n- **诚信是一票否决项** — 能力不足可以学习，品格有问题无法修复\n- **看行为不看言辞** — 管理层说什么不重要，做了什么才重要\n- **在困难中看真相** — 顺风时谁都是好CEO，逆风时才见真功夫\n- **资本配置是终极考试** — 赚钱容易，把赚到的钱配置好难\n- **不要爱上管理层** — 保持客观，即使是你欣赏的人也可能犯大错\n","codex-skills/investment-team/SKILL.md":"---\nname: investment-team\ndescription: \"AI Berkshire skill: 投研团队：四角色并行分析框架. Source: skills/investment-team.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/investment-team.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 投研团队：四角色并行分析框架\n\n对 $ARGUMENTS 进行团队化投资研究分析。使用 Team 工具创建真正的多Agent并行研究团队。\n\n## 执行流程\n\n### 第一步：展示团队框架\n\n向用户展示以下团队结构，确认后启动：\n\n| 角色 | 职责 | 分析框架 |\n|------|------|----------|\n| **team-lead**（你自己） | 统筹协调、汇总研判、输出最终报告 | 四大师综合框架 |\n| **business-analyst** | 商业模式 & 护城河分析 | 段永平视角 |\n| **financial-analyst** | 财务报表 & 估值分析 | 巴菲特视角 |\n| **industry-researcher** | 行业格局 & 竞争态势 | 芒格视角 |\n| **risk-assessor** | 风险评估 & 管理层研判 | 李录视角 |\n\n### 第一步半：AI研究偏见评估\n\n在创建团队前，先向用户展示该公司的\"AI可研究性\"评估：\n\n**信息丰富度评级**（决定研究策略）：\n| 等级 | 特征 | 研究策略调整 |\n|------|------|------------|\n| A级（信息充裕） | 上市多年、券商覆盖广 | 团队重点放在**反面检验**和**非共识视角**，避免输出与市场一致的\"正确的废话\" |\n| B级（信息适中） | 上市不久、覆盖有限 | 每个Agent的推算数据必须标注置信度，team-lead汇总时标注\"数据充分度\" |\n| C级（信息稀缺） | 冷门/新上市/新兴市场 | 团队转为\"第一性原理模式\"：不追求报告完整性，聚焦商业本质的几个核心问题 |\n\n**关键提醒**：资料多≠确定性高，资料少≠确定性低。AI能输出的置信度 ≠ 投资的真实确定性。确定性来自商业模式本身，不来自资料数量。\n\n将评级结果告知每个Agent，影响其研究方式。\n\n### 第一步¾：WebSearch 权限预检（关键 · 避免 Agent 静默退化）\n\n在创建团队、启动任何后台 Agent **之前**，必须先确认 WebSearch 权限已放行。\n\n**为什么必须预检**：本 skill 用 `run_in_background: true` 启动 4 个后台子 Agent，而**后台 Agent 无法向用户弹出交互式权限确认**。若 `WebSearch` 未在 `.claude/settings.local.json` 的 `permissions.allow` 白名单中，子 Agent 的联网搜索会被**静默拦截**，导致其退化为仅凭训练知识（有知识截止日期）作答，却仍按框架输出一份\"看起来完整、实则未联网\"的伪研究——这是本 skill 最危险的失败模式（见 issue #58）。\n\n**预检步骤**：\n1. 用 Bash 检查白名单是否含 WebSearch：\n   ```bash\n   grep -l '\"WebSearch\"' .claude/settings.local.json ~/.claude/settings.local.json 2>/dev/null\n   ```\n2. 若两处都未命中（即未放行）→ **停下来，不要启动 Agent**，提示用户：\n   > ⚠️ 检测到 WebSearch 未在权限白名单中。后台研究 Agent 无法联网，会退化成仅凭训练知识作答。请先在 `.claude/settings.local.json` 的 `permissions.allow` 加入 `\"WebSearch\"`（或运行 `/permissions` 勾选），再重跑本命令。\n3. 命中 → 正常继续。\n\n### 第二步：创建团队\n\n使用 TeamCreate 创建团队：\n- team_name: `{公司名}-research`（英文小写，如 `meituan-research`）\n- agent_type: `team-lead`\n\n### 第三步：创建4个任务\n\n使用 TaskCreate 创建以下4个任务（每个都要有 subject、description、activeForm）：\n\n#### 任务1：商业模式分析\n- subject: `分析{公司名}商业模式、护城河与用户价值`\n- description 包含：\n  1. 商业模式本质：核心生意定义、收入结构拆解\n  2. 平台/产品飞轮效应如何运转\n  3. 护城河分析：品牌/转换成本/网络效应/规模效应/技术壁垒，逐一验证\n  4. 用户/客户价值：为各方创造了什么独特价值\n  5. 业务矩阵与协同效应\n  6. 段永平\"好生意\"标准评估：差异化、定价权、可持续竞争优势\n  7. 要求搜索最新财报、行业报告等公开信息\n\n#### 任务2：财务与估值分析\n- subject: `分析{公司名}财务数据、盈利能力与估值`\n- description 包含：\n  1. 近3-5年营收、净利润、经营利润趋势\n  2. 盈利能力指标：ROE、ROA、毛利率、经营利润率\n  3. 现金流分析：经营性现金流、自由现金流、资本开支\n  4. 资产负债表健康度：现金储备、负债率、流动性\n  5. 估值分析：PE/PS/PB/EV等，与历史及同业对比\n  6. 安全边际评估：内在价值 vs 当前股价\n  7. **金融严谨性验证（必须使用Bash调用工具，禁止心算）**：\n     - 市值验算：`python3 tools/financial_rigor.py verify-market-cap --price {价格} --shares {股本} --reported {报告市值} --currency {币种}`\n     - 估值验算：`python3 tools/financial_rigor.py verify-valuation --price {价格} --eps {EPS} --bvps {每股净资产}`\n     - 关键数据交叉验证：`python3 tools/financial_rigor.py cross-validate --field {字段} --values '{JSON}' --unit {单位}`\n     - 三情景估值：`python3 tools/financial_rigor.py three-scenario --price {价格} --eps {EPS} --shares {股本亿} --growth {乐观} {中性} {悲观} --pe {乐观PE} {中性PE} {悲观PE}`\n     - 将工具输出结果直接嵌入报告中作为验证记录\n\n#### 任务3：行业与竞争分析\n- subject: `分析{行业}行业格局与{公司名}竞争态势`\n- description 包含：\n  1. 行业规模与增长：市场规模、增速、渗透率\n  2. 竞争格局：主要对手市场份额、竞争策略对比\n  3. 核心竞争者威胁评估：逐个分析主要竞争对手\n  4. 各细分赛道格局\n  5. 行业趋势：技术变革、政策影响、新进入者\n  6. 产业链分析：上中下游价值分配\n  7. 要求搜索最新行业数据和竞争动态\n\n#### 任务4：风险与管理层评估\n- subject: `评估{公司名}投资风险与管理层质量`\n- description 包含：\n  1. 管理层评估：CEO能力圈、诚信度、战略眼光、资本配置能力、历史决策质量\n  2. 监管风险：当前及潜在监管影响\n  3. 竞争风险：各竞争对手威胁程度评估\n  4. 业务风险：新业务亏损、扩张不确定性\n  5. 宏观风险：经济周期、行业周期影响\n  6. 治理结构：股权结构、关联交易、股东回报政策\n  7. 长期确定性：10年后公司会怎样？什么可能颠覆其商业模式？\n  8. 要求搜索最新监管动态、管理层言论等\n\n### 第四步：启动4个并行Agent\n\n使用 Task 工具同时启动4个Agent（**必须在同一条消息中并行调用**）：\n\n每个Agent的配置：\n- `subagent_type`: `general-purpose`\n- `run_in_background`: `true`\n- `team_name`: 对应团队名\n- `name`: 对应角色名（business-analyst / financial-analyst / industry-researcher / risk-assessor）\n\n每个Agent的prompt模板：\n\n```\n你是{公司名}投研团队中的\"{角色中文名}\"，负责从{大师名}投资视角分析{公司名}。\n\n请完成任务 #{任务编号}：{任务subject}\n\n具体要求：\n{任务description的内容}\n\n**研究方法**：\n- 使用 WebSearch 搜索最新公开信息（财报、行业报告、新闻）\n- **财务数据必须来自两个独立来源**，按 `skills/financial-data.md` 规范执行（美股：macrotrends+stockanalysis；港股：aastocks+macrotrends；A股：东方财富+巨潮资讯；台股：FinMind `tools/twstock_data.py`+Goodinfo），两源误差>1%须标记\n- 确保数据准确，关键数据标注来源\n- 分析要深入，不流于表面\n- **联网失败禁止伪装**：若 WebSearch 被拦截/不可用，禁止用训练知识冒充联网结果。必须在报告顶部醒目标注「⚠️ 本报告未能联网，基于训练知识（截止日期 X），置信度降级」，并如实告知 team-lead，由其决定是否中止研究\n\n**输出要求**：\n- 报告要详尽，使用Markdown表格呈现关键数据\n- 每个分析维度要有明确结论和评分\n- 报告末尾要有该维度的总体结论\n\n**完成后**：\n1. 使用 TaskUpdate 将任务 #{任务编号} 标记为 completed\n2. 通过 SendMessage 把完整分析报告发送给 team-lead（type: \"message\", recipient: \"team-lead\"）\n```\n\n### 第五步：接收报告并跟踪进度\n\n- 向用户实时展示进度表（哪些Agent已完成、哪些仍在研究中）\n- 每收到一份报告，更新进度并展示该报告的核心要点（3-5条）\n- 等待全部4份报告到齐\n\n### 第六步：关闭团队成员\n\n全部报告收到后，向4个Agent发送 shutdown_request（使用 SendMessage，type: \"shutdown_request\"）。\n\n### 第七步：汇总最终报告\n\n综合4份分析报告，输出以下结构的最终报告：\n\n---\n\n#### 1. 一句话结论\n> 用一段话（50-100字）概括是否值得投资及核心逻辑\n\n#### 2. 四维评分总表\n| 维度 | 框架 | 评分(1-5星) | 核心判断 |\n|------|------|------------|----------|\n\n综合评分：X / 5\n\n#### 3. 核心数据速览\n关键财务和经营指标表格（近2年对比）\n\n#### 4. 各维度分析摘要\n每个维度摘取3-5条最重要的发现\n\n#### 5. 投资论点（Bull vs Bear）\n- 🟢 看多逻辑（5-7条）\n- 🔴 看空逻辑（5-7条）\n\n#### 6. 巴菲特买入前Checklist\n| # | 检查项 | 通过? | 说明 |\n10个核心检查项，逐一评估\n\n#### 7. 最终投资建议\n- 定性判断表（生意质量/管理层/估值/时机）\n- 分层操作建议表（激进型/稳健型/保守型 → 建议+价格区间）\n- 关键催化剂（加仓信号/减仓信号各3-5条）\n\n#### 8. 总结段落\n100-200字的最终总结\n\n---\n\n### 第八步：保存报告\n\n将完整最终报告写入 `~/{公司名}投资研究报告_{日期}.md`（日期格式 YYYYMMDD）。\n\n### 第九步：数据抽检（准出流程）\n\n```bash\n# Step 1 — 提取抽检清单（15%随机抽样）\npython3 tools/report_audit.py extract \\\n  --report <报告文件路径>\n\n# Step 2 — 对清单每项从可靠信源取数（参见 skills/financial-data.md）\n\n# Step 3 — 输出准出/打回判决\npython3 tools/report_audit.py verdict \\\n  --results '<填好的JSON>' \\\n  --report <报告文件名>\n```\n\n**【准出】** 全部通过 → 报告可发布；**【打回】** 有不通过 → 修正后重审。\n\n### 第十步：清理团队\n\n使用 TeamDelete 清理团队资源。\n\n## 重要注意事项\n\n1. **4个Agent必须并行启动**——在同一条消息中调用4次Task工具\n2. **Agent通过SendMessage汇报**——不是文件协作，是消息通信\n3. **数据准确性**——要求Agent使用WebSearch搜索最新数据，关键数据交叉验证\n4. **结论要明确**——不回避给出买入/观望/回避建议和具体价格区间\n5. **所有分析必须有数据支撑**——附数据来源\n6. **耐心等待**——4个Agent研究需要几分钟，实时向用户更新进度\n7. **反偏见意识**——team-lead在汇总时必须评估：各Agent的分析是否受限于资料充裕度？是否与市场共识过度趋同？最终报告需包含\"信息丰富度评级\"和\"AI研究局限性声明\"\n8. **信息稀缺时的诚实原则**——宁可在报告中留白标注\"数据不足\"，也不要用推测填满框架伪装确定性\n","codex-skills/investment-research/SKILL.md":"---\nname: investment-research\ndescription: \"AI Berkshire skill: 投资研究：巴菲特-芒格-段永平-李录 四大师综合分析框架. Source: skills/investment-research.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/investment-research.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 投资研究：巴菲特-芒格-段永平-李录 四大师综合分析框架\n\n对 $ARGUMENTS 进行系统化投资研究分析。\n\n## 研究框架\n\n基于巴菲特、芒格、段永平、李录四位投资大师的方法论，按以下七个模块顺序执行研究：\n\n### 前置步骤：AI研究偏见自觉（必须执行）\n\n在开始研究前，先评估该公司的\"AI可研究性\"，识别潜在的数据偏见：\n\n**信息丰富度评级**：\n| 等级 | 特征 | AI研究陷阱 | 应对策略 |\n|------|------|-----------|---------|\n| A级（信息充裕） | 上市多年、券商覆盖多、媒体报道密集 | 共识过强，AI输出趋同于市场定价，alpha有限 | 重点做反面检验：聪明人为什么不买？被忽略的风险是什么？ |\n| B级（信息适中） | 上市1-3年、覆盖有限、部分数据需推算 | AI可能用\"合理推测\"填补空白，看起来完整实则虚假确定性 | 每个推算数据标注置信度，区分\"有据推算\"和\"凭空填充\" |\n| C级（信息稀缺） | 刚上市/冷门股/新兴市场、几乎无覆盖 | AI会因资料不足而过度保守，误判为\"看不清=不好\" | 用第一性原理提问（见下方），从有限信息中提取商业本质 |\n\n**C级公司的第一性原理研究法**：\n当公开资料不足时，不要试图拼凑出\"看起来完整\"的报告，而是聚焦以下底层问题：\n1. 客户是谁？为什么付钱？有没有替代选择？\n2. 复购靠什么驱动？是习惯、锁定、还是持续创造新价值？\n3. 竞争对手拿100亿能复制这门生意吗？\n4. 管理层做过什么关键决策？这些决策反映了什么判断力和价值观？\n\n**偏见自查清单**（研究全程保持警惕）：\n- [ ] 我的\"确定性\"感受是来自生意本质，还是来自资料数量？\n- [ ] 如果把这家公司的资料量减少一半，我的结论会变吗？\n- [ ] AI输出的分析是否与市场共识高度雷同？如果是，我的信息优势在哪？\n- [ ] 是否存在\"公开资料很少但生意本质极好\"的可能性被低估了？\n\n将信息丰富度评级结果写入报告开头，并在最终结论中注明\"AI研究置信度\"与\"实际投资确定性\"的区别。\n\n### 第一步：数据收集\n\n> **数据源规范**：参见 `skills/financial-data.md`。所有财务数据必须来自两个独立来源，误差>1%须标记。\n> - 美股：macrotrends（主）+ stockanalysis（副）\n> - 港股：aastocks（主）+ macrotrends ADR（副）\n> - A股：东方财富（主）+ 巨潮资讯（副）\n\n使用 Task 工具启动后台 Agent，从网络收集以下数据：\n\n1. 收入结构：最近财年及近4季度分部收入、增速、毛利率\n2. 财务指标：近5年收入、净利润、毛利率、经营利润率、自由现金流、现金储备\n3. 竞争格局：市场份额、主要竞争对手对比\n4. 商业模式与护城河：核心竞争优势来源\n5. 技术能力：核心技术栈、研发投入\n6. 管理层：创始人/CEO履历、持股比例、关键决策记录\n7. 行业前景：TAM（总可寻址市场）、增长预测\n8. 风险因素：地缘政治、监管、供应链等\n9. 当前估值：市值、PE、PS、PEG、EV/Revenue\n10. 多空双方核心论点\n\n#### 数据交叉验证（必须执行，使用金融严谨性工具）\n\n数据收集完成后，**必须调用 `tools/financial_rigor.py` 对关键数据进行程序化验证**，杜绝LLM心算误差。\n\n**必须验证的数据点**：\n- 总股本（从交易所、Yahoo Finance、StockAnalysis 等至少2个源确认）\n- 当前股价和市值（**手动计算 股价×总股本 并与报告市值对比，防止单位错误**）\n- 最近财年收入和净利润（从公司年报+至少1个第三方源确认）\n- 现金储备和净现金（现金+短期投资-总债务，注意口径差异）\n- 管理层持股比例（区分经济权益和投票权，注意AB股结构）\n\n**强制验证步骤（使用Bash调用工具）**：\n\nStep 1 — 市值验算（精确十进制，非浮点）：\n```bash\npython3 tools/financial_rigor.py verify-market-cap \\\n  --price {股价} --shares {总股本} --reported {报告市值} --currency {币种}\n```\n\nStep 2 — 关键数据多源交叉验证：\n```bash\npython3 tools/financial_rigor.py cross-validate \\\n  --field {字段名} --values '{\"来源1\": 数值, \"来源2\": 数值}' --unit {单位}\n```\n对收入、净利润、现金储备分别执行。\n\nStep 3 — 估值指标精确验算（PE/PB/ROE/FCF Yield 等）：\n```bash\npython3 tools/financial_rigor.py verify-valuation \\\n  --price {股价} --eps {EPS} --bvps {每股净资产} --fcf-per-share {每股FCF} --dividend {每股股息}\n```\n\n**验证规则**：\n1. 每个关键数据点至少2个独立来源\n2. 发现来源间有差异时，优先采用公司年报/交易所数据，并注明差异原因\n3. **所有涉及计算的数据必须通过工具验算，禁止LLM心算**\n4. 工具输出结果直接嵌入报告附录\"关键数据交叉验证记录\"\n5. 如果工具报告 ❌ 偏差过大，必须排查原因后才能继续分析\n\n**常见错误防范**：\n- 市值单位：港币亿 vs 人民币亿 vs 美元亿，容易漏写/多写一个零\n- FCF口径：不同来源对资本支出的定义可能不同（是否含租赁、收购等）\n- 债务口径：是否包含经营租赁负债\n- 持股比例：AB股公司的经济权益 ≠ 投票权\n\n### 第二步：生意本质分析 — 段永平\"对的生意\"\n\n分析要点：\n- 用一句话定义这门生意的本质\n- 收入结构拆解（图表）\n- 5年盈利能力趋势（图表）\n- 商业模式画布：一次性销售 vs 订阅/复购？硬件 vs 软件 vs 平台？\n- 生态粘性/客户锁定强度\n- 毛利率水平与同行对比，解释为什么高/低\n- 经营杠杆分析\n- **段永平式追问**：这门生意好在哪？如果只能用一句话描述，是什么？\n\n### 第三步：护城河评估 — 巴菲特\"经济护城河\"\n\n逐一验证五类护城河：\n\n| 护城河类型 | 验证方法 |\n|-----------|---------|\n| 品牌/定价权 | 是否能在不损失销量的情况下提价？ |\n| 转换成本 | 客户迁移到竞品的成本有多高？ |\n| 网络效应 | 用户越多产品越好吗？ |\n| 规模效应 | 规模带来的成本优势有多大？ |\n| 技术/专利壁垒 | 技术领先几年？能否被复制？ |\n\n分析护城河趋势：过去5年变宽还是变窄？未来5年预判。\n\n**巴菲特式追问**：10年后这条护城河还在吗？什么能摧毁它？\n\n### 第四步：逆向思考与风险清单 — 芒格\"反过来想\"\n\n- 列出\"这家公司可能失败的所有路径\"（表格：路径/概率/影响程度）\n- 历史类比：找到历史上处于相似位置的公司，结局如何？\n- 跨学科分析：用网络效应理论、技术采纳曲线、竞争博弈等模型交叉验证\n- 偏误自查：叙事偏差、锚定效应、幸存者偏差\n- 收集空方核心论点\n\n**芒格式追问**：我最可能在哪里犯错？聪明人为什么会不买/做空这家公司？\n\n### 第五步：管理层评估 — 段永平\"对的人\" + 巴菲特\"管理层诚信\"\n\n- CEO/创始人关键决策复盘（表格：时间/决策/结果/评分）\n- 资本配置能力：研发回报率、并购成功率、回购时机\n- 股东利益一致性：管理层持股、薪酬结构、减持记录\n- 组织能力：团队稳定性、关键人才风险\n- 企业文化特征\n\n**段永平式追问**：如果CEO退休，这家公司还能保持竞争力吗？\n\n### 第六步：行业与文明趋势 — 李录\"文明演进框架\"\n\n- 判断所在行业是否处于\"文明级范式转移\"\n- 历史技术革命类比（蒸汽机/电力/互联网/AI）\n- TAM增长曲线与天花板分析\n- 公司在产业价值链中的位置\n- 技术路线风险\n- 客户/供应商集中度分析\n\n**李录式追问**：站在20年后回看，这家公司是\"这个时代的标准石油\"还是\"昙花一现的3Com\"？\n\n### 第七步：估值与安全边际 — 巴菲特\"内在价值\" + 段永平\"对的价格\"\n\n- 当前市场定价（关键估值指标表格）—— **必须通过工具验算**\n- 反向DCF：当前股价隐含了什么增长预期？\n- 三情景估值 —— **必须通过工具精确计算，禁止心算**：\n```bash\npython3 tools/financial_rigor.py three-scenario \\\n  --price {股价} --eps {EPS} --shares {总股本亿} \\\n  --growth {乐观增速} {中性增速} {悲观增速} \\\n  --pe {乐观PE} {中性PE} {悲观PE} --years 3 --currency {币种}\n```\n- 与自身历史估值对比\n- 与同行估值对比\n\n#### 长期折现估值（十年尺度，必须执行）\n\n**角色分工（硬约束，禁止混用）：**\n\n| 工具 | 回答的问题 | **不是**什么 |\n|---|---|---|\n| **三年三情景**（`financial_rigor.py three-scenario`） | **\"贵不贵\"**——相对内在价值/历史/同行，当前价有没有安全边际 | 重仓裁决、一票否决 |\n| **十年折现**（`terminal_value.py`） | **仓位压力测试**——在声明的 r 下，十年期望 IRR 能否覆盖资本成本；用于**组合仓位上限/是否值得加大仓位**的压力测试 | **买入/持有/回避的唯一否决票** |\n\n三年三情景回答\"贵不贵\"；十年折现回答\"在声明的折现率下，仓位能不能加到多重\"。**十年基准 IRR 低于 r，只能收紧仓位建议，不得单独把最终决策改成回避/观望。** 最终买/持/回避必须由生意质量、护城河、管理层、风险、文明趋势与估值**六个维度并列**得出，十年模型只是估值维度里的压力测试输入。\n\n> 方法论一致性优先于\"调低 r 去买\"：敏感性和翻转检查是为了暴露\"结论买的是公司还是折现率\"，**禁止**为了迎合 thesis 或主观买入冲动而把 r 调出币种合理区间。\n\n**凡是给出十年期 IRR 或终值倍数的研究，必须走这套流程**，用 `tools/terminal_value.py`。\n\n终值倍数只有一个合法来源——永续增长模型，**不许用同业类比**：\n\n$$PE_{终值} = \\frac{1 - g/ROIC}{r - g}$$\n\n> \"帝亚吉欧 13 倍所以茅台给 16 倍\"是循环论证：用别人今天的价格，证明我假设的价格合理。市场今天整体贵，类比法就把这份贵原封不动搬到十年后。\n\n**Step 1 — 定三个输入，逐个写出理由（这一步全是判断，不是计算，必须在报告里交代）：**\n\n| 输入 | 怎么定 | 常见错误 |\n|---|---|---|\n| **r** 资本成本 | 无风险利率 + β × ERP。**币种必须与现金流一致**：人民币口径 6%–9%（主用 8%），美元/港元口径 9%–11.5%（主用 10%） | 跟着国债利率跑。中国国债 1.70% 折出来的 PE 会到 50 倍以上，那不是估值是放大偏见 |\n| **ROIC** 稳态增量资本回报 | 夹在存量 ROIC（含不上表的无形护城河，偏高）与派息反解的隐含增量 ROIC（假设 capex 回报为零，偏低）之间 | 直接用存量 ROIC。等于假设新投的每块钱都能复制建立微信时的回报 |\n| **g** 永续增速 | **不是未来十年增速**（那已在终值利润里），是终值年之后到永远。硬天花板是长期名义 GDP：人民币口径基准档 ≤2%，美元口径 ≤4% | 用美元的 g 配人民币的 r。3% 名义增长在美国是 0.5% 实际（保守），在中国是 2% 实际（激进） |\n\n**g 不随 r 变**——g 是对终值年之后经济的判断，r 是你要求的回报，两件独立的事。做敏感性时只动 r。\n\n**Step 2 — 三条硬约束准出检查（不通过不许把估值写进报告）：**\n\n```bash\npython3 tools/terminal_value.py audit \\\n  --currency {CNY|USD|HKD} --r {资本成本} --roic {稳态ROIC} \\\n  --g {悲观g},{基准g},{乐观g} --rf {无风险利率} --beta 1.0 \\\n  --discrete-risks \"{风险名}:{情景|尾部档|概率|未建模},...\"\n```\n\n三条检查的内容与打回条件：\n\n| # | 检查 | 打回条件 |\n|---|---|---|\n| **C1** | **r 与 g 必须同币种** | r 落在别的币种区间、或基准档 g 超过本币上限。工具会直接指出\"这是 USD 的量级——r 用了本币而 g 用了外币\" |\n| **C2** | **分母 r−g ≥ 5 个百分点** | 任一档不足 5pct。分母越窄 g 动一点点估值就翻天；分母 ≤0 直接判模型失效。确实要做上行/下行情景时加 `--upside-only` 显式声明，但报告里必须写明\"这是情景不是估值\" |\n| **C3** | **离散风险不得进 r 或 β** | 任一风险归属写成 `折现率`/`r`/`beta` 一律打回。退市、VIE 失效、地缘断供、监管重击必须归 `情景` 或 `尾部档`。β 偏离 1.0 必须给 `--beta-justification` |\n\n**C3 为什么是硬的**：抬 r 三个百分点，对第 10 年现金流的惩罚是第 1 年的 2.6 倍；而退市风险是大致均匀甚至前置的年度危害率。**用折现率处理离散风险，会系统性地把风险的时间分布搞反。** 正确做法是单列一个尾部情景档并给它一个概率。\n\n**C1/C2/C3 的完整论证见** `reports/7公司10年投资价值横评-确定性调整后回报-20260814.md` 第 3.4–3.6 节——三条都是那份报告实际踩过的坑。\n\n**Step 3 — 出数（准出后才能跑）：**\n\n```bash\n# 单点退出 PE，打印完整算式（留存率/分子/分母全部展开，便于报告引用）\npython3 tools/terminal_value.py pe --roic {ROIC} --g {g} --r {r}\n\n# 从零算 IRR\npython3 tools/terminal_value.py irr \\\n  --profit {终值年利润} --mcap {今日市值} --pe {退出PE} \\\n  --years 10 --payout {股息率-稀释率}\n```\n\n多公司横评时把参数写成 JSON 传 `--config`，再用 `table` / `sweep` / `check`。\n\n**Step 4 — 报告里必须写出的五件事：**\n\n1. **r 取值、币种、以及配对的 g 上限**。不写明 r 就报 IRR，报的是自己的偏好。\n2. **r±2pp 敏感性与结论是否翻转（硬约束，写买入/持有/回避之前必须跑）**：\n   ```bash\n   # 内置预设公司（腾讯/阿里巴巴/拼多多/贵州茅台/泡泡玛特/美团/MiniMax）\n   python3 tools/terminal_value.py flip \\\n     --name {预设公司名} --r {基准r} --delta 0.02 \\\n     --currency {CNY|USD|HKD} --g-shift {币种平移} --rf {无风险利率}\n\n   # 新公司：内联参数（字段含义同下方 --config）\n   python3 tools/terminal_value.py flip \\\n     --name {公司名} --roic {稳态ROIC} --g {悲观g},{基准g},{乐观g} \\\n     --p {悲观概率},{基准概率},{乐观概率} --irr10={悲观},{基准},{乐观} --k {股息率-稀释率} \\\n     --r {基准r} --delta 0.02 --currency {CNY|USD|HKD} --g-shift {币种平移} --rf {无风险利率}\n\n   # 新公司：或写成 JSON 传 --config（多家公司可写在同一文件，--name 取其中的键）\n   python3 tools/terminal_value.py flip --config {配置.json} --name {公司名} \\\n     --r {基准r} --delta 0.02 --currency {CNY|USD|HKD} --g-shift {币种平移} --rf {无风险利率}\n   ```\n   `--config` 文件格式（与内置预设字段一致，`k` 可省略，默认 0）：\n   ```json\n   {\n     \"某公司\": {\n       \"roic\": 0.18,\n       \"g\": [0.015, 0.030, 0.040],\n       \"p\": [0.35, 0.50, 0.15],\n       \"irr10\": [-2.0, 8.0, 14.0],\n       \"k\": 0.01\n     }\n   }\n   ```\n   | 字段 | 含义 |\n   |---|---|\n   | `roic` | 2036 稳态增量 ROIC（Step 1 的判断值），小数 |\n   | `g` | 悲观/基准/乐观三档永续增速（平移前的原始口径），小数；币种换算用 `--g-shift` 显式表达 |\n   | `p` | 三档概率，和为 1 |\n   | `irr10` | 在 r=10%、原始 g 下三档的十年 IRR（百分数，如 8.0 表示 8%），是换算其他 r 的锚点；用 Step 3 的 `pe` + `irr` 按 r=10% 逐档算出。内联时用等号写法 `--irr10=-2,8,14`（首项为负时必须） |\n   | `k` | 股息率 − 稀释率，年化小数 |\n\n   - **`--currency` 必填**，与 Step 2 audit 用同一币种。工具按 `CURRENCY_BANDS`（人民币 6%–9%，美元/港元 9%–11.5%，同 audit C1）判定每一档：**区间外的档位标\"区间外，仅供参考\"，不参与翻转判定**；基准 r 本身在区间外直接【打回】。\n   - 必须同时报告 `r−2pp` / `r` / `r+2pp` 三档的期望 IRR，以及每一档相对\"期望 IRR ≥ r\"（覆盖资本成本）是否通过压力测试；区间外档位照抄\"仅供参考\"标注，**不得**用区间外档位的\"通过\"论证买入。\n   - **必须显式写出：结论是否在币种合理区间内随 Δr 翻转。** 若 ±2pp 两侧都落在区间外（工具会提示\"区间内只有基准一档参与判定\"），再用 `--delta 0.01` 在区间内复核一次，两次结果都写进报告。若翻转，报告须标明\"本结论对折现率敏感，仓位建议须降级；不得把单一基准 r 下的未通过当作买入否决\"。\n   - 多公司横评时，另用 `sweep` 检验排序稳定性；绝对数字受 r 支配，排序才是稳健结论。\n3. **每一档的 r−g 分母宽度**，凡低于 5pct 的必须标注\"仅作情景参考\"。\n4. **未建模的离散风险清单**（audit 里标 `未建模` 的），写进\"限制\"章节。\n5. **分歧对账块（Reconciliation，条件强制）**：当十年压力测试结论（期望 IRR 相对 r）与三年三情景的\"贵不贵\"、或与仓库内既有 thesis / 本报告前六步综合倾向**方向不一致**时，报告**必须**单独开一节「估值分歧对账」，写清：\n   - 分歧双方各依据什么（三年安全边际 vs 十年 r 下 IRR）；\n   - 哪一边是**定价判断**、哪一边是**仓位压力测试**；\n   - 最终买/持/回避如何综合六个维度得出，**禁止**用十年未覆盖 r 一票否决其他维度与 thesis 证据；\n   - 若选择维持买入/持有，须说明仓位上限如何被十年压力测试收紧（而非假装十年模型不存在）。\n\n**巴菲特式追问**：这个 r 如果错 2 个百分点，我的结论会翻转吗？如果会，我的结论买的是公司还是折现率？（用 `flip` 的输出直接回答，禁止口头带过。）\n\n**段永平式追问**：如果股市明天关闭5年，你愿意以这个价格持有吗？\n\n### 第八步：综合决策备忘录\n\n汇总表格（**六个维度并列**；估值一格须同时反映三年\"贵不贵\"与十年仓位压力测试，**禁止**只填十年 IRR 相对 r 的通过/未通过）：\n\n| 维度 | 结论 | 信心度 |\n|------|------|--------|\n| 生意质量（段永平） | | |\n| 护城河（巴菲特） | | |\n| 管理层（段永平+巴菲特） | | |\n| 最大风险（芒格） | | |\n| 文明趋势（李录） | | |\n| 估值（巴菲特+段永平） | 三年：… / 十年压力测试：…（附 flip 是否翻转） | |\n\n**估值解除语（硬约束）**：上表估值维度**不是**最终决策的唯一裁决。十年折现未覆盖 r，只能下调仓位建议，不得单独把空仓者/持仓者策略改成\"回避/观望\"。若十年结论与三年/thesis 分歧，必须已完成第七步的「估值分歧对账」块。\n\n最终决策表格：\n\n| 策略 | 建议 |\n|------|------|\n| 空仓者 | |\n| 持仓者 | |\n| 卖出信号 | |\n| 加仓信号 | |\n\n#### 四位大师模拟点评（硬约束：先读原文，禁止发明引语）\n\n写巴菲特 / 芒格 / 段永平 / 李录的模拟点评之前，**必须**对每位大师执行：\n\n1. **Read 原始出处**：优先读本仓库内与该公司相关的一手材料（如 `reports/.../段永平雪球发言-*.md`、大师公开信/演讲摘录、已引用的权威转载）；若仓库无存档，用公开可核验来源（雪球原文、股东信、访谈实录）并在点评下标注 URL 或文件路径。\n2. **引用原话**：每位至少给出 **1 条可核验原话**（短引 + 出处），模拟点评只能是对该原话立场的延伸，不得换成相反立场。\n3. **禁止发明引语**：不得捏造大师未说过的句子，不得用大师名字给与其公开立场相反的结论背书。\n4. **冲突处理**：若模拟点评为迎合本报告\"观望/回避\"而写出的立场，与已 Read 到的原话**相反**，必须二选一——**(a)** 改正点评使其与原话一致，或 **(b)** 在报告中显式标注「与大师公开立场冲突：原话=…；本报告估值压力测试=…」，**禁止**静默歪曲。\n5. **读不到就不代言**：若某位大师对该公司/该议题无足够原文可 Read，写「资料不足，不模拟代言」，不得凭训练语料编一段\"听起来像\"的点评。\n\n## 输出要求\n\n1. 所有分析必须有数据支撑，附数据来源\n2. 使用 Markdown 表格呈现关键数据\n3. 每个模块末尾必须有对应大师的\"追问\"\n4. 最终将完整报告写入 `~/[公司名]投资研究报告.md`\n5. 结论要明确，不回避给出买入/观望/回避的建议\n6. 估值部分必须给出具体的价格区间\n7. **报告开头**必须包含\"信息丰富度评级\"（A/B/C）和\"AI研究局限性声明\"\n8. **报告结尾**必须区分\"AI分析置信度\"与\"投资确定性\"——前者取决于资料量，后者取决于生意本质。明确告知读者：本报告的哪些结论基于充分数据，哪些基于有限信息的推理\n9. 如果公司属于C级（信息稀缺），报告末尾必须列出\"需要一手验证的问题清单\"——建议读者通过田野调查、产品体验、供应链访谈等方式补充AI的盲区\n\n## 数据抽检（准出流程）\n\n报告写入文件后，**必须**执行数据抽检，通过后方可发布：\n\n**Step 1 — 提取抽检清单（15%随机抽样）：**\n```bash\npython3 tools/report_audit.py extract \\\n  --report <报告文件路径>\n```\n输出 JSON 模板，每项含 `fetched_value`（待填）。\n\n**Step 2 — 取数核验：**\n对清单中每个数据点，按 `skills/financial-data.md` 规范从可靠信源取数\n（美股：macrotrends+stockanalysis；港股：aastocks+macrotrends；A股：东方财富+巨潮资讯），\n填入 `fetched_value` / `fetched_source` / `fetched_value2` / `fetched_source2`。\n\n**Step 3 — 输出判决：**\n```bash\npython3 tools/report_audit.py verdict \\\n  --results '<填好的JSON>' \\\n  --report <报告文件名>\n```\n\n- **【准出】**：所有抽检点偏差 ≤ 1% → 报告可发布\n- **【打回】**：任意点偏差 > 1% → 修正对应数据后重新抽检，直到准出\n\n**Step 4 — 估值口径复检（含十年折现估值的报告必须执行）：**\n\n如果报告里出现了十年期 IRR 或终值倍数，把最终定稿用的参数再跑一遍 audit，确认写进报告的数字与准出时的一致：\n\n```bash\npython3 tools/terminal_value.py audit \\\n  --currency {币种} --r {r} --roic {ROIC} --g {三档g} --rf {无风险利率} \\\n  --beta {β} --discrete-risks \"{风险归属清单}\"\n```\n\n- **【准出】**（退出码 0）→ 报告可发布\n- **【打回】**（退出码 1）→ 修正后重跑，直到准出\n\n**这一步不能跳过的原因**：第七步的 audit 是在算数之前做的，而写报告的过程中经常会回头调 g 或 r。**准出前的最后一次 audit 才是对报告负责的那一次。**\n","codex-skills/industry-research/SKILL.md":"# industry-research\n\nPath: `codex-skills/industry-research/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/industry-research/SKILL.md)","codex-skills/industry-funnel/SKILL.md":"# industry-funnel\n\nPath: `codex-skills/industry-funnel/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/industry-funnel/SKILL.md)","codex-skills/income-investment/SKILL.md":"# income-investment\n\nPath: `codex-skills/income-investment/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/income-investment/SKILL.md)","codex-skills/financial-data/SKILL.md":"# financial-data\n\nPath: `codex-skills/financial-data/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/financial-data/SKILL.md)","codex-skills/earnings-team/SKILL.md":"# earnings-team\n\nPath: `codex-skills/earnings-team/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/earnings-team/SKILL.md)","codex-skills/earnings-review/SKILL.md":"# earnings-review\n\nPath: `codex-skills/earnings-review/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/earnings-review/SKILL.md)","codex-skills/dyp-ask/SKILL.md":"# dyp-ask\n\nPath: `codex-skills/dyp-ask/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/dyp-ask/SKILL.md)","codex-skills/deep-company-series/SKILL.md":"# deep-company-series\n\nPath: `codex-skills/deep-company-series/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/deep-company-series/SKILL.md)","codex-skills/bottleneck-hunter/SKILL.md":"# bottleneck-hunter\n\nPath: `codex-skills/bottleneck-hunter/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/bottleneck-hunter/SKILL.md)","AGENTS.md":"# AI Agent Protocol & Instructions\n\nPath: `AGENTS.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/AGENTS.md)","CLAUDE.md":"# Claude Agent Guidelines & System Prompt\n\nPath: `CLAUDE.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/CLAUDE.md)","skills/bottleneck-hunter.md":"# Skills Skill\n\nPath: `skills/bottleneck-hunter.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/bottleneck-hunter.md)","skills/deep-company-series.md":"# Skills Skill\n\nPath: `skills/deep-company-series.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/deep-company-series.md)","skills/dyp-ask.md":"# Skills Skill\n\nPath: `skills/dyp-ask.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/dyp-ask.md)","skills/earnings-review.md":"# Skills Skill\n\nPath: `skills/earnings-review.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/earnings-review.md)","skills/earnings-team.md":"# Skills Skill\n\nPath: `skills/earnings-team.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/earnings-team.md)","skills/financial-data.md":"# Skills Skill\n\nPath: `skills/financial-data.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/financial-data.md)","skills/income-investment.md":"# Skills Skill\n\nPath: `skills/income-investment.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/income-investment.md)","skills/industry-funnel.md":"# Skills Skill\n\nPath: `skills/industry-funnel.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/industry-funnel.md)","skills/industry-research.md":"# Skills Skill\n\nPath: `skills/industry-research.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/industry-research.md)","skills/investment-checklist.md":"# Skills Skill\n\nPath: `skills/investment-checklist.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/investment-checklist.md)","skills/investment-research.md":"# Skills Skill\n\nPath: `skills/investment-research.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/investment-research.md)","skills/investment-team.md":"# Skills Skill\n\nPath: `skills/investment-team.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/investment-team.md)","skills/management-deep-dive.md":"# Skills Skill\n\nPath: `skills/management-deep-dive.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/management-deep-dive.md)","skills/news-pulse.md":"# Skills Skill\n\nPath: `skills/news-pulse.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/news-pulse.md)","skills/portfolio-review.md":"# Skills Skill\n\nPath: `skills/portfolio-review.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/portfolio-review.md)","skills/private-company-research.md":"# Skills Skill\n\nPath: `skills/private-company-research.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/private-company-research.md)","skills/quality-screen.md":"# Skills Skill\n\nPath: `skills/quality-screen.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/quality-screen.md)","skills/thesis-drift.md":"# Skills Skill\n\nPath: `skills/thesis-drift.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/thesis-drift.md)","skills/thesis-tracker.md":"# Skills Skill\n\nPath: `skills/thesis-tracker.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/thesis-tracker.md)","skills/wechat-article.md":"# Skills Skill\n\nPath: `skills/wechat-article.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/wechat-article.md)","codex-skills/investment-memo-craft/agents/openai.yaml":"# Agents Skill\n\nPath: `codex-skills/investment-memo-craft/agents/openai.yaml`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/investment-memo-craft/agents/openai.yaml)"},"files":{"codex-skills/thesis-tracker/SKILL.md":"---\nname: thesis-tracker\ndescription: \"AI Berkshire skill: 投资论文追踪：买入后的纪律系统. Source: skills/thesis-tracker.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/thesis-tracker.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 投资论文追踪：买入后的纪律系统\n\n对 $ARGUMENTS 执行投资论文追踪检查。\n\n**支持输入格式**：\n- `公司名` — 首次使用时建立投资论文，后续使用时追踪检查\n- `公司名 建立论文` — 强制重新建立投资论文\n- `公司名 季度检查` — 基于最新财报进行论文检查\n\n> \"买入只是开始。真正的工作是持有期间的持续跟踪。\" —— 李录\n>\n> \"当事实改变时，我就改变想法。你呢？\" —— 凯恩斯\n\n## 设计理念\n\n大多数投资者的流程是：研究 → 买入 → 祈祷。缺少买入后的系统化跟踪，导致：\n- 该卖的时候舍不得卖（\"再等等，会涨回来的\"）\n- 不该卖的时候恐慌卖出（\"跌了20%，是不是我错了\"）\n- 忘记了当初为什么买的（\"我买这个是因为什么来着？\"）\n\n巴菲特和李录的做法是：**买入前就写下卖出条件**。然后每个季度检查论文是否完整。\n\n## 执行流程\n\n### 第一步：判断操作模式\n\n检查是否已存在该公司的投资论文文件（`reports/{公司名}-thesis.md`）：\n- 如果不存在 → 进入**建立论文**模式\n- 如果存在 → 进入**追踪检查**模式\n- 如果找不到但用户表示已有 → 询问文件路径\n\n---\n\n## 模式A：建立投资论文\n\n### A0：数据收集\n\n使用 WebSearch 获取当前股价、估值指标（PE/PB/股息率）、最新财报核心数据，用于填写估值锚点。如果已有该公司的 `/investment-research` 或 `/investment-team` 报告，优先从中读取。\n\n使用 `tools/financial_rigor.py verify-valuation` 校验估值数据。\n\n### A1：核心论文（必须用200字以内写清楚）\n\n投资论文必须回答以下5个问题，每个问题一句话：\n\n```\n我以 ___元 买入 ___公司，因为：\n1. 这门生意的本质是___，我理解它的赚钱方式\n2. 它的护城河是___，而且在变宽/稳定\n3. 管理层___，值得信赖的原因是___\n4. 当前价格相当于内在价值的___折，安全边际来自___\n5. 即使我错了，下行风险可控，因为___\n```\n\n**如果5句话写不完整，这个论文本身就有问题——说明买入决策不够清晰。**\n\n### A2：核心假设清单\n\n把投资论文拆解成可验证的具体假设：\n\n| # | 核心假设 | 验证方式 | 验证频率 | 当前状态 |\n|---|---------|---------|---------|---------|\n| 1 | 例：收入增速维持15%+ | 季报收入增速 | 每季度 | 🟢 成立 |\n| 2 | 例：毛利率稳定在60%+ | 季报毛利率 | 每季度 | 🟢 成立 |\n| 3 | 例：管理层持续回购 | 回购公告/现金流表 | 每季度 | 🟢 成立 |\n| 4 | 例：竞争对手未取得突破 | 行业数据/竞对财报 | 每半年 | 🟢 成立 |\n| 5 | ... | ... | ... | ... |\n\n通常3-7个假设。太少说明思考不够深入，太多说明论文不够聚焦。\n\n### A3：红线清单（触发任何一条 = 必须重新评估）\n\n| # | 红线条件 | 严重程度 | 触发后动作 |\n|---|---------|---------|-----------|\n| 1 | 例：管理层诚信出问题（财务造假、关联交易） | 致命 | 立即清仓 |\n| 2 | 例：核心业务连续2季度收入下滑 | 严重 | 减仓50%，重新评估 |\n| 3 | 例：护城河被明确突破（竞对获得同等能力） | 严重 | 启动深度研究，考虑退出 |\n| 4 | 例：监管政策根本性改变商业模式 | 严重 | 重新评估内在价值 |\n| 5 | 例：管理层大规模减持（非计划性） | 警告 | 深入调查原因 |\n\n**段永平**：\"卖出只有三个理由：1.发现买错了；2.公司基本面变了；3.找到了更好的。\"\n\n### A4：估值锚点\n\n| 指标 | 买入时 | 乐观目标 | 中性目标 | 悲观情景 |\n|------|-------|---------|---------|---------|\n| 股价 | | | | |\n| PE | | | | |\n| 市值 | | | | |\n| 内在价值估算 | | | | |\n| 安全边际 | | | | |\n\n### A5：保存论文\n\n将投资论文写入 `reports/{公司名}-thesis.md`，包含：\n- 建立日期\n- 买入价格和仓位\n- 核心论文（5句话）\n- 核心假设清单\n- 红线清单\n- 估值锚点\n- 追踪记录表（初始为空）\n\n---\n\n## 模式B：追踪检查\n\n### B1：读取现有论文\n\n读取 `reports/{公司名}-thesis.md`，加载：\n- 核心论文\n- 核心假设清单\n- 红线清单\n- 上次检查记录\n\n### B2：收集最新数据\n\n使用 WebSearch 收集：\n1. 最新财报数据（如果有新的季报/年报）\n2. 近期重大事件（管理层变动、监管政策、竞争动态）\n3. 当前股价和估值指标\n4. 内部人交易记录（大股东增减持）\n\n### B3：逐条检查核心假设\n\n对每个核心假设，用最新数据验证：\n\n| # | 核心假设 | 上次状态 | 最新证据 | 当前状态 | 变化 |\n|---|---------|---------|---------|---------|------|\n| 1 | 收入增速15%+ | 🟢 成立 | Q4收入增速12% | 🟡 边际弱化 | ⚠️ |\n| 2 | 毛利率60%+ | 🟢 成立 | 毛利率61.2% | 🟢 成立 | — |\n| 3 | ... | ... | ... | ... | ... |\n\n状态定义：\n- 🟢 **成立** — 最新数据支持该假设\n- 🟡 **边际弱化** — 数据仍在可接受范围，但趋势不利\n- 🔴 **受损** — 数据明确不支持该假设\n- ⚫ **破裂** — 假设已被推翻\n\n### B4：红线检查\n\n逐条检查红线清单：\n\n| # | 红线条件 | 是否触发 | 证据 |\n|---|---------|:-------:|------|\n| 1 | 管理层诚信问题 | ❌ 未触发 | — |\n| 2 | 核心业务连续2季下滑 | ❌ 未触发 | — |\n\n**任何一条红线触发 → 在报告中用醒目标注，给出明确的行动建议。**\n\n### B5：估值更新\n\n| 指标 | 买入时 | 上次检查 | 当前 | 变化 |\n|------|-------|---------|------|------|\n| 股价 | | | | |\n| PE(TTM) | | | | |\n| 内在价值估算 | | | | |\n| 安全边际 | | | | |\n\n### B6：输出追踪报告\n\n#### 报告结构\n\n```\n一、论文健康度评分（满分10分）\n二、核心假设检查结果（表格）\n三、红线检查结果（表格）\n四、本期关键变化（不超过500字）\n五、估值更新\n六、结论与行动建议\n七、下次检查需关注的重点\n```\n\n#### 论文健康度评分标准\n\n| 评分 | 含义 | 建议动作 |\n|:----:|------|---------|\n**计算公式**：健康度 = 10 - (⚫破裂假设数×3) - (🔴受损假设数×2) - (🟡弱化假设数×1) - (红线触发数×5)，最低1分最高10分。\n\n| 评分 | 含义 | 建议动作 |\n|:----:|------|---------|\n| 9-10 | 所有假设成立，论文比买入时更强 | 考虑加仓 |\n| 7-8 | 核心假设成立，个别边际弱化 | 继续持有 |\n| 5-6 | 1-2个假设受损，但核心逻辑未变 | 持有但提高警惕 |\n| 3-4 | 多个假设受损，论文基础动摇 | 考虑减仓 |\n| 1-2 | 红线触发或核心假设破裂 | 强烈建议卖出 |\n\n#### 结论必须明确回答\n\n1. **论文还完整吗？** 完整 / 边际弱化 / 受损 / 破裂\n2. **该怎么做？** 加仓 / 持有 / 减仓 / 清仓\n3. **下次检查时间**：下一个季报发布后 / 某个特定事件后\n\n### B7：更新论文文件\n\n将本次检查记录追加到 `reports/{公司名}-thesis.md` 的追踪记录表中：\n\n| 检查日期 | 健康度 | 核心变化 | 动作建议 |\n|---------|:------:|---------|---------|\n| 2026-04-09 | 7/10 | 收入增速放缓至12%，但利润率改善 | 持有 |\n\n---\n\n## 关键原则\n\n- **买入前就写好卖出条件** — 冷静时做的决策比恐慌时做的好\n- **论文要具体到可验证** — \"公司很好\"不是论文，\"ROE>25%且趋势稳定\"才是\n- **红线一旦触发就行动** — 最怕的是\"再等等看\"，这是亏大钱的开始\n- **论文破裂 ≠ 股价下跌** — 股价跌30%不一定要卖，论文破裂才要卖\n- **诚实面对错误** — 论文建错了就承认，不要为了面子硬撑\n","codex-skills/portfolio-review/SKILL.md":"---\nname: portfolio-review\ndescription: \"AI Berkshire skill: 组合管理：从\\\"研究公司\\\"到\\\"管理组合\\\". Source: skills/portfolio-review.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/portfolio-review.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 组合管理：从\"研究公司\"到\"管理组合\"\n\n对 $ARGUMENTS 执行投资组合审视与优化。\n\n**支持输入格式**：\n- 持仓清单，例如：`腾讯30%, 美团20%, 茅台20%, 英伟达15%, 现金15%`\n- 或：`腾讯 500股 @480港元, 美团 1000股 @130港元, ...`\n- 或：`我的持仓`（如果已有保存的组合文件 `reports/portfolio-latest.md`）\n\n> \"分散投资是对无知的保护。如果你知道自己在做什么，分散投资就没有意义。\" —— 巴菲特\n>\n> \"我这辈子见过的真正好的投资机会，十个手指就数得完。\" —— 李录\n\n## 设计理念\n\n研究公司只是投资的一半。另一半是**组合层面的决策**：\n- 买多少？（仓位）\n- 用什么钱买？（资金来源——新钱还是换仓）\n- 和已有持仓是否冲突？（相关性）\n- 最优组合长什么样？（机会成本）\n\n巴菲特从不孤立地看一只股票——他总是在想\"这是不是我能做的最好的事？\"\n\n## 执行流程\n\n### 第一步：解析持仓\n\n从输入中解析出当前持仓，标准化为以下格式：\n\n| 标的 | 代码 | 持仓量 | 成本价 | 现价 | 市值 | 占比 | 盈亏 |\n|------|------|--------|-------|------|------|------|------|\n\n如果输入只有比例没有金额，按比例分析即可。\n\n同时检查是否存在已有的组合文件（`reports/portfolio-latest.md`），如有则读取并更新。\n\n### 第二步：获取最新数据\n\n使用 Task 工具启动后台 Agent，通过 WebSearch 为每个持仓并行获取：\n1. 当前股价和估值指标（PE、PB、股息率）\n2. 最近一个季度的关键财务变化\n3. 近期重大事件\n4. 分析师一致预期（前瞻PE、目标价）\n\n对每个持仓使用 `tools/financial_rigor.py verify-valuation` 校验估值数据。对每只持仓标注信息丰富度（A/B/C级），C级持仓的分析结论标注低置信度。\n\n### 第三步：单仓位体检\n\n对每个持仓进行快速健康检查：\n\n| 标的 | 当前PE | 买入逻辑是否变化 | 论文健康度 | 仓位建议 |\n|------|:------:|:--------------:|:---------:|---------|\n| 腾讯 | 18x | 未变化 | 8/10 | 合理 |\n| 美团 | 25x | 竞争加剧 | 6/10 | 偏高，考虑减仓 |\n\n对每个持仓回答：\n- [ ] **如果今天没有持仓，你还会在当前价格买入吗？**\n- [ ] **如果明天不能交易，持有5年你舒服吗？**\n- [ ] **买入论文还完整吗？**\n\n**段永平**：\"如果你不想持有一只股票10年，那就一天也不要持有。\"\n\n### 第四步：组合层面分析\n\n#### 4.1 集中度分析\n\n| 指标 | 当前值 | 建议范围 | 判断 |\n|------|-------|---------|------|\n| 第一大持仓占比 | | <40% | |\n| 前三大持仓占比 | | 50-80% | |\n| 总持仓数量 | | 5-15只 | |\n| 现金占比 | | 10-30%（视市场环境） | |\n\n**李录的标准**：3-5只核心持仓，前3占80%+。**但这要求每一只都研究透彻。**\n\n**巴菲特的标准**：核心持仓不超过10只，但允许更多卫星仓位。\n\n#### 4.2 相关性检查\n\n识别持仓之间的隐性关联：\n\n| 持仓A | 持仓B | 相关类型 | 风险 |\n|-------|-------|---------|------|\n| 腾讯 | 快手 | 同属中国互联网 | 监管风险共振 |\n| 英伟达 | 台积电 | AI供应链上下游 | AI Capex同向波动 |\n| 美团 | 拼多多 | 同属中国消费 | 宏观消费同向波动 |\n\n**检查清单**：\n- [ ] 是否有超过50%的仓位暴露在同一个主题/行业？\n- [ ] 是否有超过50%的仓位暴露在同一个国家/货币？\n- [ ] 如果中美关系恶化，组合会亏多少？\n- [ ] 如果全球经济衰退，组合会亏多少？\n\n#### 4.3 机会成本分析\n\n这是巴菲特最核心的思维方式——**每一块钱都应该放在回报最高的地方**。\n\n将所有持仓按\"预期年化回报\"排序：\n\n| 排名 | 标的 | 当前占比 | 预期年化回报 | 确定性 | 预期回报×确定性 |\n|:----:|------|:-------:|:----------:|:------:|:--------------:|\n| 1 | | | | | |\n| 2 | | | | | |\n| ... | | | | | |\n\n预期回报估算方法（使用 `tools/financial_rigor.py three-scenario` 计算）：\n- **简化公式**：预期年化 ≈ FCF Yield + 预期增速（主要方法）\n- **价值型验证**：安全边际回归 + 利润增速 + 股息率\n- **成长型验证**：利润增速 × 合理PE的变化\n\n**关键问题**：排名最后的持仓，预期回报是否高于现金（无风险利率~4%）？如果不是，应该卖出换成现金。\n\n#### 4.4 压力测试\n\n| 情景 | 假设 | 组合预计影响 | 最大回撤 |\n|------|------|-----------|---------|\n| 全球衰退 | 企业盈利下降20-30% | | |\n| 中美冲突升级 | 中概股折价50% | | |\n| 利率飙升 | 10年期国债→6% | | |\n| 科技泡沫破裂 | 科技股PE压缩40% | | |\n\n对每个情景做定性+粗估评估（基于各持仓的行业属性和历史估值波动范围）：\n- 哪些持仓受冲击最大？大致影响方向和量级范围\n- 组合整体是否能承受？\n- 是否需要对冲？\n\n### 第五步：优化建议\n\n#### 5.1 调仓建议\n\n基于以上分析，给出具体的调仓建议：\n\n| 动作 | 标的 | 当前占比 | 建议占比 | 理由 |\n|------|------|:-------:|:-------:|------|\n| 加仓 | | | | |\n| 减仓 | | | | |\n| 清仓 | | | | |\n| 新建仓 | | | | |\n| 不动 | | | | |\n\n#### 5.2 寻找替代标的\n\n如果组合中有\"不如现金\"的仓位，或者现金占比过高，建议使用 `/industry-research` 或 `/investment-checklist` 对感兴趣的行业/公司进行系统筛选，而非在本Skill内直接推荐个股。\n\n#### 5.3 现金管理\n\n| 当前现金占比 | 建议现金占比 | 理由 |\n|:----------:|:----------:|------|\n\n**巴菲特**：目前持有$3,820亿现金，占比超过总资产的25%——当找不到好机会时，现金是最好的仓位。\n\n### 第六步：输出组合报告\n\n#### 报告结构\n\n```\n一、组合概览（持仓表格+饼图描述）\n二、单仓位体检（每个持仓的健康状态）\n三、组合分析\n   - 集中度：是否过度分散/集中？\n   - 相关性：隐性关联和风险共振\n   - 机会成本：排名最低的仓位是否值得持有？\n   - 压力测试：极端情景下的回撤预估\n四、调仓建议（具体操作+理由）\n五、下次审视时间和关注重点\n```\n\n#### 结论必须明确回答\n\n1. **组合整体健康度**：优秀 / 良好 / 需要调整 / 问题严重\n2. **最应该做的一件事是什么？**（加仓X / 减仓Y / 不动）\n3. **当前最大风险是什么？**\n\n### 第七步：保存组合文件\n\n将组合信息写入 `reports/portfolio-latest.md`，包含：\n- 最新持仓表\n- 本次审视日期和结论\n- 调仓记录（追加）\n- 下次审视提醒\n\n---\n\n## 关键原则\n\n- **每一块钱都有机会成本** — 持有一只平庸的股票，成本是错过了一只优秀的\n- **集中不是风险，无知才是** — 持有3只你深度理解的股票，比持有30只你一知半解的安全\n- **现金是一种仓位** — 找不到好机会时，持有现金不丢人\n- **组合层面 > 个股层面** — 一只好股票在错误的仓位上也会拖累你\n- **定期审视，但不要过度交易** — 每季度审视一次足够，不要每天盯盘调仓\n","codex-skills/quality-screen/SKILL.md":"---\nname: quality-screen\ndescription: \"AI Berkshire skill: 去劣筛选：7条指标快速排除非一流公司. Source: skills/quality-screen.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/quality-screen.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 去劣筛选：7条指标快速排除非一流公司\n\n对 $ARGUMENTS 执行去劣指标筛选，快速排除不符合一流公司标准的标的。\n\n**支持输入格式**：\n\n| 输入方式 | 示例 | 说明 |\n|---------|------|------|\n| 个股 | `腾讯, 美团, 英伟达` | 逐家筛选 |\n| 行业 | `中国啤酒行业` `全球云计算` `港股运动品牌` | 先搜索该行业主要上市公司（10-20家），再逐家筛选 |\n| 市场/指数 | `恒生指数成分股` `沪深300` `纳斯达克100` | 拉取成分股列表，逐家筛选 |\n| 主题 | `中国高股息50强` `全球AI算力链` | 先搜索主题相关公司，再逐家筛选 |\n\n行业/市场/主题模式下，输出额外包含：通过率统计、行业内排名、板块对比总结。\n\n## 设计原则\n\n- **目标**：不错杀任何一流好公司，但能排除确定的非一流公司\n- **逻辑**：7条硬指标 + 2条豁免规则，宁可漏网不可误杀\n- **适用范围**：所有上市公司（银行/保险不适用第3条利息覆盖倍数）\n\n---\n\n## 7条去劣指标\n\n| # | 指标 | 排除条件 | 衡量的是什么 |\n|---|------|---------|-------------|\n| 1 | 10年平均ROE | < 8% | 资本效率——股东的钱能不能跑赢机会成本 |\n| 2 | 5年累计自由现金流 | 为负 | 真金白银——利润是不是\"纸面富贵\" |\n| 3 | 利息覆盖倍数（EBIT/利息） | < 2倍 | 偿债安全——还利息的能力 |\n| 4 | 长期毛利率 | < 15% | 定价权——产品/服务有没有差异化 |\n| 5 | 经营现金流 / 净利润（5年均值） | < 0.7 | 利润质量——赚到的利润能不能收回现金 |\n| 6 | 长期净利率 | < 5% | 抗风险能力——收入波动时利润是否归零 |\n| 7 | 5年总股本膨胀 | > 20%（非并购原因） | 股东利益——管理层是否在稀释你的权益 |\n\n## 3条豁免规则\n\n### 豁免A：战略投入期豁免（适用于第1条）\n\n如果同时满足以下3个条件，可豁免第1条ROE不达标：\n1. 上市不足10年\n2. 毛利率 > 30%（证明商业模式本身有定价权）\n3. 最近2年经营现金流为正（证明造血能力已具备）\n\n**逻辑**：高毛利率+现金流转正说明商业模式没问题，ROE低只是因为还在投入期。典型案例：美团。\n\n### 豁免B：主动低利润率豁免（适用于第6条）\n\n如果同时满足以下2个条件，可豁免第6条净利率不达标：\n1. 毛利率 > 30%（有能力赚但选择不赚）\n2. 近2年净利率已回升至5%以上，或呈明确上升趋势\n\n**逻辑**：毛利率高说明有定价权，净利率低是战略选择（再投资）而非能力缺失。典型案例：亚马逊。\n\n### 豁免C：高周转薄利模式豁免（适用于第4条和第6条）\n\n如果同时满足以下3个条件，可豁免第4条毛利率和第6条净利率不达标：\n1. ROE > 20%（证明虽然利润率低，但资本回报率极高）\n2. 经营现金流/净利润 > 1.0（利润质量无问题）\n3. 商业模式属于\"会员制/平台佣金/高周转薄利\"类型（利润不体现在商品加价上）\n\n**逻辑**：有些一流公司的利润不藏在毛利率里，而是藏在会员费、周转效率或平台抽成中。它们的毛利率和净利率天然很低，但ROE极高说明资本效率一流。典型案例：Costco（毛利率12%、净利率2.5%，但ROE 25%+、会员续费率90%+）。\n\n---\n\n## 执行流程\n\n### 第一步：解析输入，确定筛选范围\n\n**模式判断**：\n- 如果输入是具体公司名/代码 → **个股模式**，直接进入第二步\n- 如果输入是行业/市场/主题 → **批量模式**，先执行以下操作：\n  1. 用 WebSearch 搜索该行业/市场/主题下的主要上市公司\n  2. 行业模式：覆盖该行业市值前15-20家上市公司\n  3. 指数模式：拉取完整成分股列表\n  4. 主题模式：搜索相关公司，覆盖15-30家\n  5. 列出完整公司清单供确认（如公司数>30，分批并行处理）\n\n对每家公司确定全称、代码、交易所。\n\n### 第二步：并行数据收集\n\n为每家公司启动独立后台Agent，使用 WebSearch 搜索以下数据：\n\n1. **ROE**：近10年（或上市以来）的逐年ROE，计算平均值\n2. **自由现金流**：近5年的经营现金流和资本开支，计算5年累计FCF\n3. **利息覆盖**：最新年度EBIT和利息支出，计算倍数\n4. **毛利率**：近5年毛利率趋势\n5. **经营现金流/净利润**：近5年的比值，计算均值\n6. **净利率**：近10年净利率趋势，计算均值\n7. **总股本变化**：5年前和当前的总股本，计算膨胀比例\n\n数据来源优先级：公司年报 > 券商研报 > 财经数据平台\n\n### 第三步：逐条检验\n\n对每家公司，逐条检验7个指标：\n- ✅ 通过\n- ❌ 未通过\n- ⚠️ 边界（附数值说明）\n\n如果触犯某条，检查是否满足对应豁免条件。\n\n### 第四步：输出结果\n\n#### 输出格式\n\n```markdown\n# 去劣筛选结果\n\n**筛选日期**：{当天日期}\n**公司数量**：{N}家\n\n## 汇总表\n\n| 公司 | ①ROE | ②FCF | ③利息覆盖 | ④毛利率 | ⑤OCF/NI | ⑥净利率 | ⑦稀释 | 结果 |\n|------|------|------|----------|---------|---------|---------|-------|------|\n| xxx | ✅ 24% | ✅ | ✅ | ✅ 56% | ✅ | ✅ 30% | ✅ | **通过** |\n| yyy | ❌ 3% | ❌ | ❌ | ✅ 20% | ✅ | ❌ 2% | ✅ | **排除** |\n| zzz | ⚠️→✅ | ✅ | ✅ | ✅ 35% | ✅ | ⚠️→✅ | ✅ | **豁免通过** |\n\n## 通过的公司（N家）\n[列表]\n\n## 排除的公司（N家）\n| 公司 | 触犯指标 | 具体数据 | 排除理由 |\n|------|---------|---------|---------|\n\n## 豁免通过的公司（N家）\n| 公司 | 豁免条款 | 具体数据 | 豁免理由 |\n|------|---------|---------|---------|\n\n## 边界争议（如有）\n[对处于阈值附近的公司做补充说明]\n\n## 板块总结（行业/市场模式专用）\n\n**通过率**：{通过数}/{总数} = {百分比}\n**行业质量判断**：[根据通过率给出行业整体质量评价]\n\n| 质量分层 | 公司 | 共同特征 |\n|---------|------|---------|\n| 一流（全过+高ROE） | xxx, yyy | ... |\n| 合格（全过但指标平庸） | aaa, bbb | ... |\n| 淘汰 | ccc, ddd | ... |\n\n**行业选股结论**：[一句话总结该行业值不值得深挖，最值得关注的2-3家是谁]\n```\n\n---\n\n## 注意事项\n\n1. **银行/保险**：不适用第3条（利息覆盖），其商业模式本质就是利差经营\n2. **REIT**：ROE可能因物业重估波动大，用\"核心营运利润ROE\"代替\n3. **数据不足**：如果某项数据无法获取，标注为\"数据不足\"而非直接判定通过/不通过\n4. **周期性行业**：用完整周期（至少覆盖一个高点和一个低点）的平均值，不用单一年份\n5. **上市时间短**：不足5年的公司用全部可得数据，但在结果中标注\"数据窗口不足\"\n\n## 局限性声明\n\n这套指标能排除\"确定不好\"的公司，但通过筛选不等于\"确定好\"。通过的公司仍需进一步研究：\n- 商业模式是否可持续\n- 管理层是否值得信赖\n- 当前估值是否合理\n- 竞争格局是否在恶化\n\n去劣是第一步，不是最后一步。\n","codex-skills/thesis-drift/SKILL.md":"---\nname: thesis-drift\ndescription: \"AI Berkshire skill: 投资论文漂移检测：分清事实变化与措辞变化. Source: skills/thesis-drift.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/thesis-drift.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 投资论文漂移检测：分清事实变化与措辞变化\n\n对 $ARGUMENTS 执行投资论文漂移检测。\n\n**支持输入格式**：\n- `公司名 旧报告路径 新报告路径` — 指定两份研究报告或论文快照进行对比\n- `公司名 reports/{公司名}-thesis-旧日期.md reports/{公司名}-thesis-新日期.md` — 对比两份带日期的论文快照\n- `公司名` — 自动查找 `reports/{公司名}-thesis.md` 及同目录历史快照；如果没有基线则转入缺失基线处理\n\n> \"当事实改变时，我就改变想法。你呢？\" —— 凯恩斯\n>\n> \"股价波动不是论文漂移，事实变了才是。\" —— AI Berkshire\n\n## 设计理念\n\n长期持仓最难的不是每天读新闻，而是区分三件事：\n- **事实改变**：收入、利润率、竞争格局、管理层行为、资本配置发生可验证变化\n- **价格改变**：市场情绪或估值倍数变化，但生意本身未变\n- **措辞改变**：两份报告表达不同，但底层证据和判断没有变化\n\n投资论文漂移检测的目标是：**只在证据变化时承认论文变化**。不能因为报告换了写法就制造漂移，也不能因为股价涨跌就误判基本面。\n\n本 Skill 依赖 `/thesis-tracker` 输出的结构化维度：核心假设清单、红线清单、估值锚点、追踪记录表。没有这些结构时，先补齐基线，再做漂移检测。\n\n## 执行流程\n\n### 第一步：判断操作模式\n\n解析 `$ARGUMENTS`：\n- 如果提供两份报告路径 → 进入**指定报告对比**模式\n- 如果只提供公司名 → 查找 `reports/{公司名}-thesis.md` 及历史快照，进入**自动快照对比**模式\n- 如果只找到一份报告或没有历史基线 → 进入**缺失基线处理**模式\n- 如果两份报告不是同一家公司 → 停止并要求用户确认，不做跨公司漂移判断\n\n---\n\n## 模式A：指定报告对比\n\n### A1：读取并校验两份报告\n\n读取旧报告和新报告，提取：\n- 报告日期、公司名、股票代码\n- 核心论文（5句话）\n- 核心假设清单\n- 红线清单\n- 估值锚点\n- 追踪记录表\n- 管理层质量判断\n- 竞争护城河判断\n- 当前建议动作（买入 / 持有 / 观察 / 减仓 / 清仓）\n\n如果报告缺少关键结构，先标注\"结构缺失\"，但仍尽量从正文中抽取证据；抽取不到的维度标为\"无法判断\"，不能编造结论。\n\n### A2：证据归一化\n\n把两份报告中的事实证据整理成同一张表：\n\n| 维度 | 旧报告证据 | 新报告证据 | 数据来源 | 是否可验证 |\n|------|-----------|-----------|---------|-----------|\n| 估值锚点 | | | | |\n| 核心假设 | | | | |\n| 红线 | | | | |\n| 管理层质量 | | | | |\n| 竞争护城河 | | | | |\n\n**只比较证据，不比较文风。** 如果新旧报告只是同义改写、排序变化、语气变化，但事实数据和判断阈值没有变化，判定为 Unchanged。\n\n### A3：数值与估值校验\n\n所有数值变化必须使用 `tools/financial_rigor.py` 做精确计算，禁止 LLM 心算：\n\n```bash\npython3 tools/financial_rigor.py verify-valuation \\\n  --price {当前价格} \\\n  --eps {EPS} \\\n  --bvps {每股净资产} \\\n  --fcf-per-share {每股自由现金流}\n```\n\n如需计算市值、百分比变化、目标价差异或情景估值，使用：\n\n```bash\npython3 tools/financial_rigor.py verify-market-cap --price {价格} --shares {股本} --reported {报告市值} --currency {币种}\npython3 tools/financial_rigor.py cross-validate --field {字段} --values '{JSON}' --unit {单位}\npython3 tools/financial_rigor.py three-scenario --price {价格} --eps {EPS} --shares {股本亿} --growth {乐观} {中性} {悲观} --pe {乐观PE} {中性PE} {悲观PE}\npython3 tools/financial_rigor.py calc --expr '{精确算式}'\n```\n\n关键财务数据必须至少两处独立来源交叉验证。来源不足、口径不一致、无法复核的数字必须标注为\"低置信度 / 待核实\"。\n\n### A4：逐维度判定漂移\n\n固定使用以下维度，不要临时增减：\n\n| 维度 | 判定重点 | Improved | Unchanged | Weakened |\n|------|---------|----------|-----------|----------|\n| 估值锚点 | 内在价值、PE/PB/FCF Yield、安全边际、目标价区间 | 安全边际扩大或内在价值上修且经工具验算 | 估值区间和安全边际无实质变化 | 安全边际收窄、内在价值下修或估值假设失效 |\n| 核心假设清单 | 收入增速、利润率、现金流、用户/订单/产能等可验证假设 | 更多假设被新证据强化 | 假设状态与证据基本一致 | 假设边际弱化、受损或破裂 |\n| 红线清单 | 诚信、监管、业务衰退、竞争突破、管理层异常动作 | 原有红线风险解除或显著下降 | 未触发且风险水平不变 | 红线被触发或触发概率上升 |\n| 管理层质量 | 诚信、资本配置、回购分红、执行力、股东友好度 | 新行为提高信任度 | 行为延续旧判断 | 行为损害信任或资本配置变差 |\n| 竞争护城河 | 市占率、定价权、网络效应、成本优势、替代威胁 | 护城河变宽或竞争优势被验证 | 格局无实质变化 | 护城河被削弱或竞对突破 |\n\n每个维度只能给出三类结论：**Improved / Unchanged / Weakened**。\n\n### A5：证据驱动规则\n\n每个非 Unchanged 的结论必须引用导致变化的具体新证据：\n- 财报行项目：例如收入增速、毛利率、经营现金流、回购金额、净现金\n- 监管披露：例如 10-K/20-F、年报、中报、港交所公告、SEC filing\n- 新闻事件：例如管理层变动、监管处罚、重大客户流失、竞品突破\n- 价格与估值：必须说明这是\"估值变化\"还是\"基本面变化\"，不能混淆\n\n如果找不到能解释变化的证据，必须判定为 **Unchanged** 或 **无法判断**，不能用措辞差异推断漂移。\n\n### A6：输出漂移报告\n\n#### 报告结构\n\n```\n一、对比对象与时间跨度\n二、总体结论：论文是否漂移\n三、维度漂移表\n四、证据差异明细\n五、估值与数值验算\n六、建议动作迁移\n七、不确定项与需补充来源\n八、下次跟踪重点\n```\n\n#### 维度漂移表\n\n| 维度 | 旧判断 | 新判断 | 漂移方向 | 触发证据 | 置信度 |\n|------|-------|-------|:--------:|---------|:------:|\n| 估值锚点 | | | Improved / Unchanged / Weakened | | 高/中/低 |\n| 核心假设清单 | | | Improved / Unchanged / Weakened | | 高/中/低 |\n| 红线清单 | | | Improved / Unchanged / Weakened | | 高/中/低 |\n| 管理层质量 | | | Improved / Unchanged / Weakened | | 高/中/低 |\n| 竞争护城河 | | | Improved / Unchanged / Weakened | | 高/中/低 |\n\n**Unchanged 行的触发证据写 `—`，不要为了填表编造证据。**\n\n#### 总体结论必须回答\n\n1. **论文是否漂移？** 未漂移 / 正向漂移 / 负向漂移 / 证据不足无法判断\n2. **漂移来自哪里？** 估值 / 基本面 / 管理层 / 竞争格局 / 红线事件\n3. **是事实变化还是价格变化？** 明确拆开说明\n4. **建议动作如何迁移？** 例如：Watch → Buy、Buy → Hold、Hold → Reduce、Reduce → Exit\n5. **下一步需要什么证据？** 下一份财报 / 监管披露 / 管理层说明 / 竞对数据\n\n---\n\n## 模式B：自动快照对比\n\n### B1：查找快照\n\n在 `reports/` 中查找：\n- `reports/{公司名}-thesis.md`\n- `reports/{公司名}-thesis-*.md`\n- `reports/{公司名}/` 目录下包含 `thesis`、`论文`、`追踪` 的报告\n\n选择时间最早且结构完整的文件作为旧报告，时间最新的文件作为新报告。若用户指定日期，以用户指定为准。\n\n### B2：防止错误配对\n\n对比前必须确认：\n- 公司名或股票代码一致\n- 报告日期不同\n- 两份报告都包含可抽取的论文结构或研究结论\n\n如果无法确认同一公司，停止并要求用户提供明确路径。\n\n### B3：执行模式A\n\n找到两份有效快照后，按模式A完整执行。\n\n---\n\n## 模式C：缺失基线处理\n\n如果只找到一份报告或没有找到旧快照：\n\n1. 明确说明：**缺少可比较的历史基线，不能执行漂移检测**\n2. 不要根据记忆或市场印象补造旧论文\n3. 引导用户先使用 `/thesis-tracker {公司名} 建立论文` 建立结构化基线\n4. 如果当前报告已足够完整，可建议将它保存为 `reports/{公司名}-thesis.md` 作为未来漂移检测基线\n\n输出格式：\n\n```\n无法执行论文漂移检测：缺少历史基线。\n\n已找到：\n- 当前报告：{路径 / 未找到}\n- 历史基线：未找到\n\n建议：\n1. 先运行 /thesis-tracker {公司名} 建立论文\n2. 下次有新财报或重大事件后，再运行 /thesis-drift {公司名} 旧报告 新报告\n```\n\n---\n\n## 关键原则\n\n- **证据优先于措辞** — 同义改写不是漂移，只有事实证据变化才是漂移\n- **基本面优先于股价** — 股价涨跌只影响估值锚点，不自动改变生意质量\n- **数值必须验算** — 所有百分比、估值倍数、目标价差异必须用 `tools/financial_rigor.py`\n- **不确定就标注不确定** — 来源缺失、口径不一致、无法复核时，不要硬判\n- **红线单独处理** — 红线触发优先级高于估值便宜，不能被低 PE 掩盖\n- **输出必须可复盘** — 每个 Improved / Weakened 结论都要能追溯到具体证据\n","codex-skills/news-pulse/SKILL.md":"---\nname: news-pulse\ndescription: 公司新闻脉搏：股价异动时快速归因。用 4 个并行 Agent 侦察公司事件/监管政策/行业对手/市场情绪，产出\"事件时间线 + 异动主因判断 + 是否触发论文重审\"。\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/news-pulse.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 公司新闻脉搏：股价异动快速归因团队\n\n对 $ARGUMENTS 进行最近新闻侦察与异动归因。**这不是深度投研，是情报快速响应**——目标是 10 分钟内回答：\"这家公司最近发生了什么？股价异动的真因是什么？要不要重审投资论文？\"\n\n## 适用场景\n\n- 持仓/关注股票股价大涨/大跌（一般触发线：单日 ±5%、一周 ±10%）\n- 财报后股价异动，想快速搞清市场在反应什么\n- 看到新闻标题，但不确定是噪音还是真信号\n- **不适用**：完整投研（用 `/investment-team`）、财报深读（用 `/earnings-review`）、长期论文跟踪（用 `/thesis-tracker`）\n\n## 执行流程\n\n### 第一步：确认参数与场景\n\n向用户澄清以下信息（如未在 $ARGUMENTS 中提供）：\n\n| 参数 | 说明 | 默认 |\n|------|------|------|\n| **公司名** | 中文/英文/股票代码均可 | 必填 |\n| **时间窗口** | 侦察新闻的回溯天数 | 默认 14 天，财报季可缩到 7 天 |\n| **股价异动** | 涨/跌幅度 + 时间，如\"跌 12%/3 天\" | 选填，有则用于聚焦归因 |\n| **关注侧重** | 公司事件 / 监管 / 行业 / 情绪 | 默认四方平均 |\n\n如果用户只说了公司名，先反问：\"最近多少天的新闻？有具体的股价异动要解释吗？\"——**不要默默假设**。\n\n### 第二步：信息可得性分级\n\n参考 `investment-team.md` 的 A/B/C 评级，但维度不同：\n\n| 等级 | 特征 | 侦察策略 |\n|------|------|---------|\n| **A 级（信息充裕）** | 大盘股、媒体覆盖广、财报季 | 重点是**降噪和归因**——信息太多反而难找真因，每个 Agent 要有判断力，过滤掉\"重复转述\"的二手新闻 |\n| **B 级（信息适中）** | 中小盘、覆盖一般 | 标准模式，每条关键事件附 1-2 个独立信源 |\n| **C 级（信息稀缺）** | 港股小票、新上市、冷门 | 转入\"扫盲模式\"——可能找不到任何能解释异动的新闻，**这个结论本身就有价值**（可能是技术性/资金面而非基本面） |\n\n将评级告知每个 Agent，影响其侦察方式。\n\n### 第三步：创建团队\n\n使用 TeamCreate 创建团队：\n- `team_name`: `{公司名}-newspulse`（英文小写，如 `pdd-newspulse`）\n- `agent_type`: `team-lead`\n\n### 第四步：创建 4 个侦察任务\n\n使用 TaskCreate 创建以下 4 个任务：\n\n#### 任务 1：公司事件侦察（company-event-scout）\n\n- **subject**: `侦察 {公司名} 近 {N} 天的公司本体事件`\n- **description**:\n  1. **官方公告**：港交所/SEC/巨潮 等监管披露平台最近披露\n  2. **财报与业绩指引**：最新季报/年报、业绩预告、业绩会要点\n  3. **管理层动作**：高管变动、增减持、回购、分红、股权激励\n  4. **重大业务事件**：新产品发布、并购重组、业务剥离、大客户/大订单\n  5. **资本运作**：再融资、可转债、ADR 转换、回 A/退市动议\n  6. **诉讼与合规**：被起诉、自行披露的合规事件\n  7. 每条事件标注：**日期 / 来源链接 / 一句话摘要 / 与股价异动可能相关性（高/中/低）**\n  8. 输出按时间倒序的时间线表格\n\n#### 任务 2：监管与政策（regulatory-watcher）\n\n- **subject**: `侦察 {行业/公司} 近 {N} 天的监管与政策变化`\n- **description**:\n  1. **行业监管**：所在行业的新规、罚款、整改、牌照变化\n  2. **跨境政策**：中美关系（中概股）、关税、出口管制、数据安全\n  3. **税收政策**：增值税、企业所得税、个税相关变化\n  4. **反垄断与竞争法**：调查、罚款、并购否决\n  5. **特殊行业政策**：医药集采、教育双减、地产三道红线、互联网平台规制等\n  6. **货币与外汇**：影响该公司的汇率/利率/资本管制变化\n  7. 每条政策标注：**日期 / 来源 / 直接影响该公司的程度（直接/间接/无关）**\n  8. 重点判断：是否有\"政策黑天鹅\"刚刚落地\n\n#### 任务 3：行业与竞争对手（industry-peer-analyst）\n\n- **subject**: `侦察 {公司名} 行业格局与对手近 {N} 天的动态`\n- **description**:\n  1. **直接对手**：列出 3-5 个核心竞争对手，逐个查最近事件（财报、产品、价格战、人事）\n  2. **产业链上下游**：上游原材料/供应商、下游客户/渠道，最近的价格、产能、订单变化\n  3. **行业整体**：行业景气度数据、出货量、需求侧信号（消费数据、招标数据等）\n  4. **替代品威胁**：新技术、新业态对该行业的冲击\n  5. **行业指数表现**：同行业股票最近表现，该公司是跑赢/跑输/同步\n  6. 关键判断：**这是公司个体事件，还是整个行业的 beta 波动？**\n  7. 每条事件标注来源和日期\n\n#### 任务 4：市场情绪与卖方/大V（sentiment-tracker）\n\n- **subject**: `侦察 {公司名} 近 {N} 天的市场情绪与机构观点变化`\n- **description**:\n  1. **卖方评级变动**：高盛、摩根、中金等最近的评级/目标价调整\n  2. **机构持仓变化**：13F 披露（美股）、港股通持仓、北上资金流向\n  3. **做空数据**：做空比例、新发布的做空报告（如有）\n  4. **大 V 观点**：可调用 `python3 tools/xueqiu_scraper.py` 抓段永平等大 V 最近相关发言\n     - 段永平 user_id: `1247347556`\n     - 命令示例：`python3 tools/xueqiu_scraper.py --user-id 1247347556 --keywords {公司名},{股票代码} --output /tmp/dyp-{公司名}.md`\n     - 仅在该公司是段永平/李录关注标的时调用，否则跳过节省时间\n  5. **传言与小作文**：媒体未证实的传言、社交媒体讨论热点（雪球/X/Reddit）\n  6. **技术面信号**：是否触及关键支撑/阻力、是否有大宗交易、融资融券异常\n  7. 关键判断：**是基本面驱动还是情绪/资金面驱动？**\n\n### 第五步：并行启动 4 个 Agent\n\n**必须在同一条消息中并行调用 4 次 Task 工具**。每个 Agent 配置：\n- `subagent_type`: `general-purpose`\n- `run_in_background`: `true`\n- `team_name`: `{公司名}-newspulse`\n- `name`: 对应角色名（company-event-scout / regulatory-watcher / industry-peer-analyst / sentiment-tracker）\n\n每个 Agent 的 prompt 模板：\n\n```\n你是 {公司名} 新闻脉搏团队中的\"{角色中文名}\"，负责侦察 {侦察维度} 维度的最近 {N} 天事件。\n\n时间窗口：{起始日期} ~ {今日日期}\n股价异动背景：{用户提供的异动信息，无则写\"无特定异动，常规体检\"}\n信息可得性等级：{A/B/C}\n\n请完成任务 #{任务编号}：{任务subject}\n\n具体侦察要求：\n{任务description的内容}\n\n**侦察方法**：\n- 优先使用 WebSearch 搜索时效性查询（关键词加日期或\"最近\"、\"latest\"、\"2026\"）\n- 关键事件用 WebFetch 精读原始来源（公告原文、财报、监管文件）\n- 对每个事件做\"独立信源验证\"——传言至少要 2 个独立来源\n- **不要被标题党误导**：标题与正文不符的事件要标注\"标题误导\"\n\n**输出格式（重要）**：\n1. **核心发现**：3-5 条最关键的事件，每条 1-2 句话\n2. **完整事件时间线表格**（按日期倒序）：\n   | 日期 | 事件 | 来源 | 与股价异动相关性 | 持续性 |\n3. **本维度归因结论**：基于侦察到的事件，回答\"这个维度能否解释股价异动？置信度多少？\"\n4. **数据缺口声明**：哪些信息没找到、哪些有疑点、哪些需要等更多信息\n5. 严格区分\"事实\"与\"推测\"，遵循 CLAUDE.md 客观性原则\n\n**完成后**：\n1. 使用 TaskUpdate 将任务标记为 completed\n2. 通过 SendMessage 把完整侦察报告发送给 team-lead（type: \"message\", recipient: \"team-lead\"）\n```\n\n### 第六步：实时跟踪进度\n\n- 每收到一份侦察报告，向用户展示该维度的 3 条核心发现\n- 等待全部 4 份到齐\n- 全部到齐后，通过 SendMessage 向 4 个 Agent 发送 shutdown_request\n\n### 第七步：team-lead 综合归因\n\n汇总 4 份侦察报告，输出**异动归因报告**（不是研究报告，重点是\"判断\"）：\n\n---\n\n#### 1. 一句话归因\n> 用一段话（30-60 字）说明：这次股价异动的主因 + 次因 + 性质判断（价值事件/情绪波动/不明）\n\n#### 2. 完整事件时间线（合并 4 个维度）\n\n按日期倒序，合并所有维度的事件：\n\n| 日期 | 维度 | 事件 | 来源 | 异动归因权重 |\n|------|------|------|------|-----------|\n| 2026-04-30 | 公司 | XX | 链接 | 🔴 高 |\n| 2026-04-29 | 行业 | XX | 链接 | 🟡 中 |\n| 2026-04-28 | 情绪 | XX | 链接 | ⚪ 低 |\n\n权重图例：🔴 高（足以单独解释异动）/ 🟡 中（贡献一部分）/ ⚪ 低（背景噪音）\n\n#### 3. 异动归因表\n\n| 候选解释 | 证据 | 反证 | 置信度 | 持续性 |\n|---------|------|------|------|--------|\n| 例：财报 miss | 营收低于预期 5%、毛利率下滑 | 一次性因素管理层有解释 | 高 | 短期 1-2 周 |\n| 例：行业 beta | 同行同期跌 8% | 该股跌幅明显大于行业 | 中 | 与行业同步 |\n\n#### 4. 性质判断（核心结论）\n\n打勾其一：\n\n- [ ] **价值事件**：基本面发生了真实变化（业绩、护城河、管理层、终局），需要重审投资论文\n- [ ] **情绪/技术波动**：基本面无变化，是资金面/情绪/Beta 驱动，可视为机会或噪音\n- [ ] **真因不明**：找不到能匹配股价异动幅度的事件——**这是最危险的结论**，要么是市场提前知道了什么（内幕/抢跑），要么是我们漏掉了信息源\n- [ ] **混合**：部分价值事件 + 部分情绪放大\n\n#### 5. 各维度侦察摘要\n\n每维度 3-5 条最重要发现 + 该维度归因贡献度。\n\n#### 6. 行动建议\n\n| 行动 | 是否建议 | 理由 |\n|------|--------|------|\n| 触发投资论文重审（`/thesis-tracker`） | | |\n| 触发深度财报研读（`/earnings-review`） | | |\n| 触发管理层重审（`/management-deep-dive`） | | |\n| 调仓动作（加仓/减仓/不动） | | 仅做提示，最终决策权在用户 |\n| 仅观察 | | |\n\n#### 7. 接下来 7-30 天的跟踪清单\n\n- [ ] 待披露事件 1（如：5/15 业绩会）\n- [ ] 待跟踪指标 2\n- [ ] 关键观察信号 3\n\n#### 8. 信息缺口声明\n\n诚实列出本次侦察没能解决的疑点、找不到的信息、需要等更多披露的事项。**宁可标\"不确定\"，也不用推测填满**。\n\n---\n\n### 第八步：保存报告\n\n写入 `reports/{公司名}/{公司名}-news-{YYYYMMDD}.md`。如果 `reports/{公司名}/` 目录不存在则创建（说明该公司还没建过任何研究报告）。\n\n### 第九步：清理团队\n\n使用 TeamDelete 清理团队资源。\n\n## 关键原则\n\n1. **快胜过全**——这个 skill 的核心价值是 10-15 分钟内给出归因判断，不要陷入深度分析（那是其他 skill 的职责）\n2. **归因优先于罗列**——发现事件不难，难的是判断\"哪个事件配得上这次股价异动\"。要做减法，不要做加法\n3. **诚实面对\"不明\"**——找不到主因时，明确写\"真因不明\"。这比硬凑因果链更有价值（市场可能在抢跑利空消息）\n4. **不预设立场**——不要因为持仓就倾向于\"这是情绪波动，没事\"。证据指向哪边就写哪边\n5. **区分\"催化剂\"和\"巧合\"**——同一时间发生的事件不一定是异动主因，要看影响量级是否匹配\n6. **尊重信息可得性**——C 级公司可能就是查不到任何新闻，这个结论本身就要写出来\n7. **遵循 `CLAUDE.md` 客观性原则**——所有判断附数据来源，区分事实与观点\n8. **不替用户做决策**——给出归因和行动建议清单，但买卖决策由用户做\n","codex-skills/private-company-research/SKILL.md":"---\nname: private-company-research\ndescription: \"AI Berkshire skill: 未上市公司研究：多Agent并行深度研究框架. Source: skills/private-company-research.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/private-company-research.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 未上市公司研究：多Agent并行深度研究框架\n\n对 $ARGUMENTS 进行团队化深度研究分析。专为蚂蚁集团、小红书、SpaceX、Stripe 等未上市公司设计。\n\n**最终目标**：在信息天然稀缺的条件下，尽可能还原这家公司的**真实价值**——不是市场给的估值，而是生意本身值多少钱。\n\n## 框架特点\n\n未上市公司 vs 上市公司研究的核心差异：\n- **无标准化财报**：需多源拼凑、交叉验证\n- **估值锚定少**：依赖融资轮次、可比公司法、情景推演\n- **信息不对称大**：需要更多\"拼图式\"研究方法\n- **退出路径不确定**：IPO/并购/二级转让均有可能\n\n## AI研究偏见自觉（本框架的核心前提）\n\n未上市公司是AI研究偏见最严重的领域。必须时刻警惕以下陷阱：\n\n**核心矛盾**：AI擅长结构化已有信息，但未上市公司的信息天然稀缺。这会导致：\n1. **虚假保守**：因为资料少，AI倾向给出保守/模糊的结论，但资料少≠公司不好\n2. **虚假精确**：为了填满报告模板，AI可能用\"合理推测\"伪装成\"有据分析\"\n3. **对标陷阱**：强行与上市公司对标时，会继承上市公司的估值逻辑，忽略未上市公司的独特价值\n4. **幸存者偏差**：网上能搜到的公司信息往往有正面偏向（公司主动传播的多是好消息）\n\n**应对原则**：\n- 宁可留白说\"不知道\"，也不要用推测填满表格伪装确定性\n- 每个数据点必须标注置信度（🟢高/🟡中/🔴低），让读者自己判断\n- 区分\"可验证的事实\"与\"AI的推理\"，用不同格式标注\n- 对于信息极度稀缺的公司，切换为\"第一性原理模式\"——不追求报告完整，只回答几个核心问题：\n  1. 这门生意解决什么真实问题？需求是真需求还是伪需求？\n  2. 为什么是这个团队？他们有什么独特优势？\n  3. 如果成功了，天花板有多高？如果失败了，最可能死在哪里？\n  4. 当前阶段的关键验证节点是什么？\n\n**反向利用信息不对称**：市场对未上市公司信息少→定价效率低→恰恰可能是超额收益的来源。AI研究的目标不是消除信息不对称（做不到），而是在有限信息中提取最关键的判断依据。\n\n---\n\n## 执行流程\n\n### 第一步：展示团队框架\n\n向用户展示以下团队结构，确认后启动：\n\n| 角色 | 职责 | 核心视角 |\n|------|------|----------|\n| **team-lead**（你自己） | 统筹协调、信息拼图、交叉验证、输出最终报告 | 投资决策整合 |\n| **business-decoder** | 商业模式拆解 & 产品用户分析 | \"这门生意的本质是什么\" |\n| **financial-detective** | 财务数据拼凑 & 估值推演 | \"在信息缺失下尽可能还原真实财务面貌\" |\n| **competitive-mapper** | 行业格局 & 竞争态势 & 替代威胁 | \"谁在和它竞争，谁可能颠覆它\" |\n| **risk-governance-analyst** | 风险全景 & 管理层/治理/投资人评估 | \"什么可能出错，谁在掌舵\" |\n| **tech-ip-analyst** | 技术栈/专利/研发能力/技术护城河 | \"技术壁垒是真是假，能撑多久\" |\n| **signal-miner** | 替代数据挖掘：招聘/专利/诉讼/App数据/供应链 | \"常规信息之外，还有什么蛛丝马迹\" |\n\n### 第二步：创建团队\n\n使用 TeamCreate 创建团队：\n- team_name: `{公司名}-private-research`（英文小写，如 `ant-group-private-research`）\n- agent_type: `team-lead`\n\n### 第三步：创建6个任务\n\n使用 TaskCreate 创建以下6个任务（每个都要有 subject、description、activeForm）：\n\n---\n\n#### 任务1：商业模式与产品用户深度分析\n- subject: `拆解{公司名}商业模式、产品矩阵与用户生态`\n- activeForm: `分析{公司名}商业模式与用户生态`\n- description 包含：\n\n```\n## 商业模式深度拆解\n\n### 1. 核心生意定义\n- 用一句话定义这门生意的本质（段永平式定义：用最朴素的语言，把这门生意讲给一个聪明但不懂行的人听）\n- 公司解决什么问题？为谁创造价值？\n- 价值主张与同类产品的差异化\n- 这个问题如果公司不存在，用户会怎么解决？替代方案的代价有多高？\n- 需求的\"刚性\"判断：经济下行时用户会砍掉这个支出吗？\n\n### 2. 收入模式拆解\n- 收入构成：广告/佣金/订阅/交易抽成/金融服务/SaaS/硬件/授权费等\n- 各收入线占比（如有数据）及增长趋势\n- 变现效率指标推算：ARPU、Take Rate、广告加载率、转化率等\n- 收入质量评估：\n  - 经常性收入 vs 一次性收入的占比\n  - 收入集中度：前5大客户/渠道占比\n  - 收入的可预测性（合同型/订阅型 vs 交易型）\n  - 收入确认方式是否合理（有无提前确认收入的迹象）\n- 与同业上市公司变现效率对标\n\n### 3. 单位经济模型（UE）推算\n- CAC（获客成本）推算：\n  - 付费获客 vs 自然增长的占比\n  - 分渠道CAC（如有）\n  - CAC趋势：随规模增长是上升还是下降？\n- LTV（生命周期价值）推算：\n  - ARPU × 预期生命周期\n  - 考虑交叉销售和升级销售\n- LTV/CAC 比值、回本周期\n- 边际成本结构：新增用户/交易的边际成本趋势\n- 规模经济拐点：何时/是否已过盈亏平衡点\n\n### 4. 产品矩阵与飞轮效应\n- 核心产品 + 延伸产品 + 孵化产品\n- 飞轮如何运转：网络效应/数据飞轮/规模效应\n- 产品之间的协同效应与交叉导流\n- 产品生命周期：各产品分别处于哪个阶段\n- 产品迭代速度：App/产品更新频率、近12个月重大功能更新\n\n### 5. 商业模式画布（BMC）\n用以下9要素完整描述商业模式：\n| 要素 | 内容 |\n|------|------|\n| 价值主张 | |\n| 客户细分 | |\n| 渠道通路 | |\n| 客户关系 | |\n| 收入来源 | |\n| 核心资源 | |\n| 关键活动 | |\n| 重要伙伴 | |\n| 成本结构 | |\n\n### 6. 用户深度分析\n- 用户规模：MAU/DAU（从QuestMobile、Sensor Tower、SimilarWeb等推算）\n- 用户增长曲线：处于S曲线哪个阶段（用具体数据论证）\n- 用户粘性指标：\n  - DAU/MAU 比率（日活/月活比）\n  - 平均使用时长、打开频次\n  - 次日/7日/30日留存率（如有）\n  - 用户增长 vs 留存趋势对比（虚假增长识别）\n- 用户画像：年龄/地域/消费力/职业分布\n- 用户口碑：\n  - App Store/Google Play评分趋势（近12个月变化）\n  - 社交媒体舆情分析\n  - 知乎/微博/小红书上的用户真实反馈\n  - 负面评价的主要集中点\n- 用户获取效率：\n  - 付费获客 vs 自然增长 vs 口碑传播比例\n  - 是否依赖单一获客渠道\n\n### 7. 定价权评估\n- 过去3年是否有提价历史？提价后用户流失情况？\n- 与竞品的价格对比：是价格领导者还是跟随者？\n- 用户对价格的敏感度评估\n- 佣金/抽成比例在产业链中的合理性\n\n### 8. 护城河评估\n对以下6个维度逐一验证并打分(★1-5)：\n\n| 护城河类型 | 评分 | 证据 | 趋势 | 持久性评估 |\n|-----------|------|------|------|-----------|\n| 网络效应 | | 用户越多，价值越大？是单边还是双边/多边？ | 加宽/稳定/收窄 | |\n| 转换成本 | | 用户迁移到竞品的代价？数据/关系/习惯迁移成本？ | | |\n| 品牌心智 | | 品类=品牌？NPS推算？ | | |\n| 数据壁垒 | | 数据飞轮是否形成？独有数据资产？数据量级？ | | |\n| 监管牌照 | | 是否有准入门槛？牌照获取难度？ | | |\n| 规模经济 | | 规模带来的成本优势是否显著？ | | |\n\n综合护城河评级：宽/中/窄/无\n\n### 9. 国际化分析（如适用）\n- 海外市场拓展情况\n- 国际化收入占比\n- 本土化策略与挑战\n- 海外竞争格局差异\n```\n\n---\n\n#### 任务2：财务数据拼凑与估值推演\n- subject: `拼凑{公司名}财务数据并进行估值分析`\n- activeForm: `拼凑{公司名}财务数据与估值`\n- description 包含：\n\n```\n## 财务数据拼凑（侦探式研究）\n\n未上市公司没有标准财报，需要多源拼凑、交叉验证。每一个数据都要追溯到具体来源，标明时间和置信度。\n\n### 1. 数据来源矩阵\n**按优先级搜索以下来源**：\n\n| 优先级 | 来源类型 | 具体来源 | 可信度 | 搜索方法 |\n|--------|---------|---------|--------|---------|\n| 1 | 招股书/监管文件 | SEC Filing、港交所、证监会披露的招股书草案 | 🟢高 | 搜索\"公司名 + 招股书/prospectus/IPO filing\" |\n| 2 | 母公司/关联上市公司财报 | 如阿里年报中蚂蚁数据、Google Cloud年报 | 🟢高 | 搜索母公司年报中的关联披露 |\n| 3 | 监管处罚/合规披露 | 央行、证监会、市场监管总局处罚文件 | 🟢高 | 搜索\"公司名 + 处罚/罚款/整改\" |\n| 4 | 债券/ABS发行文件 | 如蚂蚁花呗ABS说明书中的底层数据 | 🟢高 | 搜索\"公司名 + 债券/ABS/信托\" |\n| 5 | 工商登记信息 | 天眼查/企查查的工商年报、实缴资本 | 🟡中高 | |\n| 6 | 融资新闻 | 估值、融资金额、投资方 | 🟡中 | 搜索\"公司名 + 融资/估值/valuation\" |\n| 7 | 第三方研报 | 券商、咨询公司、行业协会研报 | 🟡中 | 搜索\"公司名 + 研报/report\" |\n| 8 | 深度媒体报道 | 晚点LatePost、The Information、36氪、Bloomberg | 🟡中 | 直接搜索这些媒体+公司名 |\n| 9 | 行业数据推算 | 通过行业总量和市场份额反推 | 🔴低-中 | |\n| 10 | 前员工/内部人爆料 | Blind、脉脉、论坛 | 🔴低 | 仅作参考，不作为主要依据 |\n\n### 2. 关键财务指标推算\n尽可能推算以下数据，**每个数据点必须标明**：来源、时间、置信度、推算方法。\n\n**收入端**：\n- 总收入规模与增速（近3年，年度/季度颗粒度）\n- 收入结构拆解（按业务线/产品线）\n- 收入增长驱动因素分解：量（用户/交易量）× 价（ARPU/客单价）\n- 收入的季节性波动模式\n\n**成本端**：\n- 毛利率推算（对标同业上市公司，说明选取逻辑）\n- 研发费用率推算（通过员工数 × 人均薪酬，或研发人员占比推算）\n- 销售费用率推算（通过获客渠道和投放数据推算）\n- 管理费用率推算\n\n**利润端**：\n- 经营利润/EBITDA 推算\n- 净利润/调整后净利润推算\n- 盈利时间线：何时盈利？如果尚未盈利，预计何时？\n\n**现金流端**：\n- 经营现金流判断（正/负，是否自我造血）\n- 资本开支水平和趋势\n- 自由现金流推算\n- 账上现金/烧钱速度（通过融资金额、融资间隔、员工数推算）\n- 现金跑道：按当前烧钱速度还能撑多久？\n\n**效率指标**：\n- 员工数量与人效（人均收入、人均利润）\n- 资本效率：每融1元钱产生多少收入\n- 与同业上市公司效率指标对标\n\n### 3. 财务数据交叉验证\n- 同一指标如果有多个来源，全部列出并说明差异\n- 用不同方法推算同一指标，检查结果是否收敛\n- 标注无法验证的\"孤证\"数据\n\n| 指标 | 来源A（数据/时间） | 来源B（数据/时间） | 差异 | 采信判断 |\n|------|-------------------|-------------------|------|---------|\n\n### 4. 融资历史与估值演变\n整理完整融资时间线：\n\n| 轮次 | 时间 | 金额 | 投前估值 | 投后估值 | 领投方 | 跟投方 | 估值倍数增长 | 备注 |\n|------|------|------|---------|---------|--------|--------|------------|------|\n\n分析：\n- 估值增长曲线是否健康（每轮增长倍数是否合理）\n- 融资间隔是否合理（过于频繁=烧钱快？过于稀疏=融资困难？）\n- 是否出现估值倒挂（Down Round）\n- 老股东是否持续加注（信心信号）\n- 最新一轮的投资条款推测：\n  - 优先清算权（1x/2x/participating）\n  - 反稀释保护（full ratchet/weighted average）\n  - 对赌条款（业绩/上市时间）\n  - 这些条款对普通股价值的影响\n\n### 5. 估值分析（多方法交叉）\n\n**方法1：最近融资估值法**\n- 最近一轮估值及时间\n- 考虑优先清算权等条款后的\"普通股等价估值\"（通常需要打折20-40%）\n- 距今时间差异调整\n- 这一轮投资人的动机分析（财务投资 vs 战略投资，战略投资者可能溢价）\n\n**方法2：可比上市公司法**\n- 选择3-5家上市可比公司，说明选取理由\n- 关键倍数对比：\n\n| 可比公司 | P/S | P/E | EV/EBITDA | EV/Revenue | 增速 | 利润率 |\n|---------|-----|-----|-----------|------------|------|--------|\n\n- 应用的调整：\n  - 流动性折价：20-30%（标注具体取值和理由）\n  - 增速溢价/折价\n  - 规模折价\n  - 监管/政策风险折价\n\n**方法3：DCF 情景分析**\n三种情景，每种都要列出关键假设：\n\n| 假设 | 悲观 | 中性 | 乐观 |\n|------|------|------|------|\n| 未来5年收入CAGR | | | |\n| 终态经营利润率 | | | |\n| 终态增长率 | | | |\n| WACC | | | |\n| 终值倍数(EV/EBITDA) | | | |\n\n每个假设要有论据支撑，不能凭空假设。\n\n**方法4：终局市值倒推法**\n- 假设5年/10年后这门生意在终态时的市场地位\n- 终态收入和利润率假设\n- 终态合理倍数（参考同行业成熟公司）\n- 倒推当前合理估值区间\n- 隐含的年化回报率\n\n**方法5：交易对标法**\n- 同行业近2年的并购/融资交易\n- 交易倍数（P/S、P/E）\n- 交易背景和溢价/折价因素\n\n### 6. 估值综合判断\n\n| 方法 | 估值区间 | 置信度 | 权重 | 加权估值 |\n|------|---------|--------|------|---------|\n\n- 不同方法得出的估值是否收敛？如果差异大，分析原因\n- 最终给出的估值区间要区分\"合理估值\"和\"保守估值\"（安全边际估值）\n```\n\n---\n\n#### 任务3：行业格局与竞争态势分析\n- subject: `分析{公司名}所在行业的竞争格局与替代威胁`\n- activeForm: `分析{公司名}行业格局与竞争态势`\n- description 包含：\n\n```\n## 行业格局与竞争态势\n\n### 1. 行业定位与市场规模\n- 公司所在的核心赛道定义（注意：公司自己定义的赛道可能是美化过的，要独立判断）\n- TAM/SAM/SOM 三层市场规模：\n  - TAM（总可寻址市场）：整个大行业\n  - SAM（可服务市场）：公司技术/模式能覆盖的\n  - SOM（可获得市场）：当前实际能获取的\n- 市场规模数据来源对比（不同研究机构的预测可能差异很大）\n- 市场渗透率：当前 vs 天花板\n- 行业所处阶段：萌芽期/成长期/成熟期/衰退期（附论据）\n- 行业增长驱动因素：哪些力量在推动/阻碍行业增长\n\n### 2. 产业链全景地图\n绘制完整产业链结构（文本图）：\n\n```\n上游供应方（谁？议价能力？）\n    ↓\n公司所处环节（价值链中哪个位置？利润池占比？）\n    ↓\n下游客户/用户（集中度？替代选择？）\n    ↕\n竞争对手 / 替代品 / 潜在进入者\n```\n\n- 利润池分析：产业链各环节的利润分配\n- 公司在产业链中的议价能力（上游/下游）\n- 上下游依赖度分析：是否存在单一供应商/客户依赖\n- 产业链正在发生的结构性变化\n\n### 3. 波特五力分析（量化打分）\n\n| 力量 | 强度(★1-5) | 关键因素 | 对公司影响 |\n|------|-----------|---------|-----------|\n| 行业内竞争 | | 集中度、差异化程度、退出壁垒 | |\n| 新进入者威胁 | | 资本壁垒、技术壁垒、监管壁垒、品牌壁垒 | |\n| 替代品威胁 | | 替代品性价比、转换成本 | |\n| 供应商议价能力 | | 供应商集中度、转换成本 | |\n| 买方议价能力 | | 客户集中度、信息透明度 | |\n\n综合行业吸引力评分：★1-5\n\n### 4. 竞争格局深度扫描\n\n| 竞争对手 | 类型 | 市场份额(推算) | 收入规模 | 融资/市值 | 核心优势 | 主要劣势 | 威胁等级 |\n|---------|------|---------------|---------|----------|---------|---------|---------|\n| 直接竞争者1 | 直接 | | | | | | |\n| 直接竞争者2 | 直接 | | | | | | |\n| 间接竞争者1 | 跨界 | | | | | | |\n| 潜在进入者1 | 巨头 | | | | | | |\n\n重点分析：\n- **直接竞争者**：同赛道直接对手，逐个分析其战略意图和资源投入\n- **间接竞争者**：跨界潜在竞争，特别是大厂的相关业务\n- **替代品威胁**：不同技术路线/模式，特别是AI可能带来的颠覆\n- **潜在进入者**：巨头可能入局的概率和方式（自建/收购/投资）\n\n### 5. 竞争对手深度对比\n选择2-3个最直接的竞争对手（含上市和未上市），进行多维对比：\n\n| 维度 | {公司名} | 竞争者A | 竞争者B | 竞争者C |\n|------|---------|---------|---------|---------|\n| 成立时间 | | | | |\n| 用户规模(MAU) | | | | |\n| 收入规模 | | | | |\n| 收入增速 | | | | |\n| 融资总额/市值 | | | | |\n| 估值/收入倍数 | | | | |\n| 变现效率(ARPU) | | | | |\n| 毛利率 | | | | |\n| 盈利状态 | | | | |\n| 员工数量 | | | | |\n| 技术能力 | | | | |\n| 差异化定位 | | | | |\n| 国际化程度 | | | | |\n\n### 6. 竞争动态与趋势\n- 近12个月的竞争格局关键变化（融资、并购、产品发布、人事变动）\n- 竞争对手的战略方向推断（从招聘、专利、产品更新推断）\n- 行业正在发生的结构性转变\n- 技术变革对竞争格局的影响（特别是AI/大模型）\n- 监管政策对竞争格局的影响\n- 是否存在\"赢家通吃\"的行业特征？还是会形成稳定的多寡头格局？\n\n### 7. 竞争情景推演\n- 情景A：公司胜出——需要什么条件？概率？\n- 情景B：均势共存——各自的生存空间？\n- 情景C：被颠覆——最可能的颠覆者和路径？\n\n### 8. 全球对标分析\n寻找海外/国内的对标公司（已上市），分析：\n\n| 维度 | 对标公司A | 对标公司B | {公司名}对标启示 |\n|------|---------|---------|----------------|\n| 发展路径 | | | |\n| 当前估值水平 | | | |\n| 从类似阶段到上市的时间 | | | |\n| 上市后股价表现 | | | |\n| 成功/失败的关键因素 | | | |\n\n- 对标的局限性说明（中国市场特殊性、监管差异、用户习惯差异）\n```\n\n---\n\n#### 任务4：风险全景与治理评估\n- subject: `评估{公司名}全维度风险与管理层/治理结构`\n- activeForm: `评估{公司名}风险与治理结构`\n- description 包含：\n\n```\n## 风险全景与治理评估\n\n### 1. 创始人/CEO 深度评估\n\n> \"买股票就是买人。\" —— 段永平\n\n- **背景与履历**：教育、职业经历、创业经历\n  - 有无连续创业经历？上一次创业的结果？\n  - 行业相关经验年限\n  - 之前管理的最大团队/业务规模\n- **战略眼光**：搜索CEO过去3年的公开发言（演讲、访谈、内部信、社交媒体）\n  | 时间 | CEO的判断/预测 | 实际结果 | 准确度 |\n  |------|--------------|---------|--------|\n  - 有无做过超前于市场的正确判断？\n  - 有无在大家都看好时保持冷静？\n- **执行力**：关键里程碑是否按时达成\n  | 承诺 | 承诺时间 | 承诺场合 | 兑现情况 | 评价 |\n  |------|---------|---------|---------|------|\n- **格局与价值观**：\n  - 对用户/员工/社会的态度（从具体事件判断，不看口号）\n  - 面对困难时的选择（裁员方式、危机处理、利益冲突时的取舍）\n  - 对短期利润 vs 长期价值的取舍\n- **争议事件**：是否有负面记录（搜索\"CEO名字 + 争议/丑闻/问题\"）\n- **评级**：★1-5（附详细理由）\n\n### 2. 核心团队评估\n- 核心高管团队名单与背景（CTO/CFO/COO/VP等）\n  | 姓名 | 职位 | 背景 | 任期 | 此前经历 |\n  |------|------|------|------|---------|\n- 关键人才流动分析：\n  - 近2年重要高管离职情况（谁走了？去了哪？为什么？）\n  - 近2年重要高管加入情况（从哪挖来的？说明什么？）\n  - 人才净流入还是净流出？\n- 团队互补性：创始团队的能力是否互补？有无明显短板？\n- 团队文化信号：\n  - Glassdoor/脉脉评分与趋势（近12个月变化方向比绝对值重要）\n  - 员工推荐意愿（Would recommend to a friend）\n  - CEO支持率\n  - 加班文化、组织氛围的舆论\n- 关键人物依赖度：如果CEO/CTO离开，公司会怎样？\n\n### 3. 股权结构与治理\n\n**股权架构**：\n| 股东 | 持股比例 | 投票权比例 | 类型 | 备注 |\n|------|---------|-----------|------|------|\n\n- 创始人控制权结构：AB股/一致行动人/VIE架构\n- 创始人持股比例变化趋势（每轮融资稀释情况）\n- 员工持股计划：覆盖面、行权条件、与上市对赌\n\n**治理结构**：\n- 董事会构成（独立董事占比、投资方席位）\n- 重大决策机制\n- 潜在的利益冲突：\n  - 关联交易（创始人其他公司与本公司的交易）\n  - 同业竞争\n  - 大股东利益与小股东利益的冲突点\n\n### 4. 投资人阵容深度分析\n\n| 投资方 | 轮次 | 金额 | 估算持股 | 类型 | 战略价值 | 退出压力 |\n|--------|------|------|---------|------|---------|---------|\n\n分析：\n- 领投机构的品牌背书意义（顶级VC vs 不知名基金）\n- 产业资本的战略协同价值（是否带来资源/渠道）\n- 投资人退出压力评估：\n  - 基金存续期还剩多久？\n  - 是否已在二级市场抛售老股？\n  - 对赌条款是否临近到期？\n- 投资人阵容的红旗信号：\n  - 是否有声誉不佳的投资人？\n  - 早期投资人是否已清仓？\n  - 最近一轮的跟投情况（老股东不跟=不看好？）\n\n### 5. 全维度风险清单\n\n| 风险类型 | 具体风险 | 概率(高/中/低) | 影响(高/中/低) | 严重度 | 是否可对冲 | 监控指标 |\n|---------|---------|---------------|---------------|--------|-----------|---------|\n| 监管风险 | 反垄断、数据安全、行业整顿、牌照风险 | | | | | |\n| 竞争风险 | 巨头入场、新模式颠覆、价格战 | | | | | |\n| 技术风险 | 平台迁移、AI颠覆、技术路线失败 | | | | | |\n| 人才风险 | 创始人/核心团队流失 | | | | | |\n| 融资风险 | 资金链、估值倒挂、融资困难 | | | | | |\n| IPO风险 | 上市窗口、监管审批、市场环境 | | | | | |\n| 地缘风险 | 中美关系、跨境数据、制裁 | | | | | |\n| 商业化风险 | 变现不及预期、用户反弹 | | | | | |\n| 治理风险 | 关联交易、信息不透明、投资人冲突 | | | | | |\n| 合规风险 | 数据隐私(GDPR/个保法)、内容合规 | | | | | |\n| 宏观风险 | 经济周期、利率环境、资本市场冷热 | | | | | |\n| ESG风险 | 环境/社会/治理相关风险 | | | | | |\n\n### 6. 退出路径分析\n\n| 退出方式 | 可能性(★1-5) | 预计时间窗口 | 预期估值区间 | 关键前提 | 主要障碍 |\n|---------|-------------|------------|------------|---------|---------|\n| A股IPO | | | | | |\n| 港股IPO | | | | | |\n| 美股IPO | | | | | |\n| 被并购 | | 潜在买家是谁？ | | | |\n| 二级市场转让 | | 流动性如何？ | | | |\n| SPAC | | | | | |\n| 长期不退出 | | | | | |\n\n- 最可能的退出路径及理由\n- 退出时间线推演\n- 各退出路径下的预期回报分析\n\n### 7. 最坏情景分析（芒格式逆向思考）\n\n> \"反过来想，总是反过来想。\" —— 芒格\n\n- 这家公司最可能怎么**失败**？列出3种具体失败路径\n- 每种失败路径的概率评估和触发条件\n- 最坏情景下，投资人能收回多少？（清算价值分析）\n- 聪明人为什么**不投**这家公司？（至少列出5条理由）\n- 历史上类似定位/阶段的公司，有哪些失败了？为什么？\n- 什么信号出现意味着\"论文已破\"，应该止损？\n```\n\n---\n\n#### 任务5：技术能力与知识产权分析\n- subject: `分析{公司名}技术栈、专利布局与研发能力`\n- activeForm: `分析{公司名}技术能力与知识产权`\n- description 包含：\n\n```\n## 技术能力与知识产权深度分析\n\n> 对科技公司而言，技术壁垒的真假和持久性直接决定估值的合理性。\n\n### 1. 技术栈分析\n- 核心技术架构推断（从招聘信息、技术博客、开源项目、会议演讲推断）\n- 技术栈选择是否合理（是否用了正确的工具解决正确的问题）\n- 技术债务信号：\n  - 招聘岗位中是否大量招\"重构/迁移\"类角色\n  - 是否在做大规模技术栈切换\n  - 用户端是否有频繁的bug/故障投诉\n\n### 2. 专利布局分析\n搜索专利数据库（Google Patents、CNIPA、USPTO）：\n\n| 专利指标 | 数据 | 来源 |\n|---------|------|------|\n| 专利总数（已授权） | | |\n| 专利申请中 | | |\n| 近2年新增专利数 | | |\n| 核心技术领域分布 | | |\n| 关键专利的引用次数 | | |\n| 专利的国际布局 | | |\n\n- 专利质量评估（不只看数量）：\n  - 是否有核心/基础专利？\n  - 专利覆盖的技术领域是否与主营业务一致？\n  - 是否存在专利诉讼（被诉或主动起诉）？\n- 专利趋势：申请速度在加快还是放缓？技术方向有无转移？\n- 与竞争对手的专利对比\n\n### 3. 研发能力评估\n- **研发投入**：\n  - 研发人员数量/占比（从招聘平台、LinkedIn推算）\n  - 研发费用推算（人数 × 平均薪酬 + 基础设施）\n  - 研发费用率（与同业对比）\n  - 研发投入趋势：在加大还是缩减？\n- **研发产出**：\n  - 学术论文发表（搜索Google Scholar、arXiv）\n  - 技术会议演讲（搜索KDD、NeurIPS、SIGIR等顶会）\n  - 开源贡献（搜索GitHub组织账号）\n  - 技术博客/公众号输出\n- **研发效率**：\n  - 从技术研发到产品落地的速度\n  - 技术成果的商业转化率\n\n### 4. 技术人才评估\n- **核心技术领导者**：CTO/VP Eng/首席科学家的背景和能力\n  | 姓名 | 职位 | 学历 | 前公司 | 技术影响力 |\n  |------|------|------|--------|-----------|\n- **技术人才密度**：\n  - 来自哪些公司/实验室？（Google/Meta/MSRA/BAT等顶尖机构占比）\n  - 技术岗位的薪酬竞争力（从招聘信息推算）\n  - 技术团队的流失率信号（LinkedIn上离职动态）\n- **招聘信号**：\n  - 当前在招什么技术岗位？（反映技术战略方向）\n  - 技术岗位的招聘难度和填充速度\n  - 是否在建新的技术团队/实验室？\n\n### 5. 技术护城河评估\n\n| 技术壁垒维度 | 评分(★1-5) | 证据 | 持久性 |\n|-------------|-----------|------|--------|\n| 算法/模型壁垒 | | 是否有独创算法？是否可被复制？ | |\n| 数据壁垒 | | 数据量级、独有数据、数据飞轮速度 | |\n| 工程壁垒 | | 系统复杂度、长时间积累的工程能力 | |\n| 人才壁垒 | | 核心技术人才是否难以替代 | |\n| 生态壁垒 | | 开发者生态、API/SDK覆盖、技术标准 | |\n\n- 综合技术护城河评级：强/中/弱\n- 技术护城河的衰减速度评估（AI时代技术壁垒的半衰期可能很短）\n\n### 6. AI/新技术影响评估\n- 公司的AI能力和布局\n- AI对公司核心业务的影响（增强 vs 威胁 vs 中性）\n- 公司是AI变革的受益者还是被颠覆者？\n- 其他新兴技术（Web3/AR/VR/量子计算等）的影响评估\n\n### 7. 技术风险清单\n| 风险 | 具体描述 | 概率 | 影响 |\n|------|---------|------|------|\n| 技术路线失败 | 押注的技术方向被证伪 | | |\n| 开源替代 | 核心技术被开源方案替代 | | |\n| 平台依赖 | 对特定云/芯片/操作系统的依赖 | | |\n| 安全漏洞 | 数据泄露/系统被攻击 | | |\n| 人才流失 | 核心技术人员出走 | | |\n```\n\n---\n\n#### 任务6：替代数据信号挖掘\n- subject: `挖掘{公司名}的非常规数据信号与隐藏线索`\n- activeForm: `挖掘{公司名}替代数据信号`\n- description 包含：\n\n```\n## 替代数据信号挖掘\n\n> 未上市公司的常规信息有限，替代数据往往能提供比新闻报道更真实的经营信号。\n> 本任务的目标是：在常规信息源之外，挖掘一切可能有用的蛛丝马迹。\n\n### 1. 招聘信号分析\n搜索 LinkedIn、Boss直聘、脉脉、Indeed、Glassdoor 上的招聘信息：\n\n**招聘规模与趋势**：\n- 当前在招岗位总数\n- 近6个月招聘趋势（加速/平稳/缩减）\n- 与竞争对手的招聘规模对比\n\n**招聘结构分析**：\n| 岗位类别 | 数量 | 占比 | 信号解读 |\n|---------|------|------|---------|\n| 研发/工程 | | | 技术方向 |\n| 产品 | | | 产品战略 |\n| 销售/BD | | | 商业化阶段 |\n| 市场/运营 | | | 增长策略 |\n| 数据/AI | | | AI布局 |\n| 国际化 | | | 出海计划 |\n| 合规/法务 | | | 监管应对/IPO准备 |\n| 财务/IR | | | IPO准备信号 |\n\n**关键信号捕捉**：\n- 是否在招IR（投资者关系）= IPO信号\n- 是否在招合规/数据安全 = 监管压力或IPO准备\n- 是否在招海外岗位 = 国际化布局\n- 高级岗位的薪酬范围 = 公司财力和人才竞争力\n- 岗位JD中提到的技术栈/业务方向 = 战略方向\n\n### 2. App/产品数据分析\n搜索 App Store、Google Play、七麦数据、SimilarWeb：\n\n| 指标 | 数据 | 来源 | 趋势 |\n|------|------|------|------|\n| App Store排名 | | | 近6个月趋势 |\n| 用户评分 | | | 变化方向 |\n| 评分数量 | | | 增速 |\n| 下载量估算 | | | |\n| App更新频率 | | | |\n| 最近更新的主要功能 | | | |\n\n- App Store评论中的高频关键词和情感分析\n- 近期差评的主要集中点（bug？收费？体验下降？）\n- Web流量数据（SimilarWeb）：UV、PV、访问时长、跳出率\n\n### 3. 社交媒体与舆情信号\n搜索微博、知乎、小红书、Twitter/X、Reddit：\n\n- 公司官方账号的互动数据（粉丝/转发/评论趋势）\n- 用户自发讨论的热度和情感（正/负/中性）\n- 行业KOL/大V对公司的评价\n- 近3个月的舆情热点事件\n- 负面舆情清单及公司应对方式\n- 是否有内部人（前员工/现员工）的爆料\n\n### 4. 企业工商与法律信号\n搜索天眼查/企查查/启信宝：\n\n**工商信息**：\n- 注册资本及变更历史\n- 实缴资本\n- 股东/股权变更记录\n- 子公司/关联公司清单（新设=新业务？注销=业务收缩？）\n- 经营范围变更（新增范围=新业务方向）\n\n**法律信息**：\n| 类型 | 数量 | 重要案件摘要 |\n|------|------|-------------|\n| 作为原告的诉讼 | | |\n| 作为被告的诉讼 | | |\n| 知识产权纠纷 | | |\n| 劳动仲裁 | | |\n| 行政处罚 | | |\n| 被执行人记录 | | |\n\n- 重大诉讼/仲裁的详情和潜在财务影响\n- 行政处罚记录（环保/税务/劳动/数据安全等）\n\n### 5. 供应链与合作伙伴信号\n- 已知的核心供应商/合作伙伴清单\n- 供应商是否上市？其财报中是否提到与该公司的合作数据？\n- 招标/采购信息（政府采购网、企业招标平台）\n- 合作伙伴的评价和合作深度\n\n### 6. 域名与数字足迹\n搜索 domain/subdomain 信息：\n- 公司注册的域名清单（新注册的域名可能暗示新业务/新产品）\n- 子域名分析（api.xx.com、pay.xx.com等暗示业务架构）\n- SSL证书信息\n- 商标注册情况（新注册商标=新品牌/新产品线）\n\n### 7. 行业会议与曝光信号\n- 公司高管近12个月的会议演讲/参会记录\n- 行业奖项/媒体榜单（是否进入\"独角兽榜\"、\"最具创新力\"等）\n- 政府/行业协会的互动（政策咨询、标准制定参与）\n- 媒体曝光频率和质量的变化趋势\n\n### 8. 二级市场交易信号（如有）\n- 是否存在老股交易市场（SharesPost、EquityZen、微信群等）\n- 老股交易的隐含估值 vs 最近一轮融资估值\n- 买卖双方的供需状况\n- 是否有大量员工在抛售期权/RSU\n\n### 9. 信号综合评分\n\n| 信号类别 | 方向(正/负/中性) | 强度(强/中/弱) | 置信度 | 核心发现 |\n|---------|----------------|---------------|--------|---------|\n| 招聘信号 | | | | |\n| 产品数据 | | | | |\n| 舆情信号 | | | | |\n| 法律信号 | | | | |\n| 供应链信号 | | | | |\n| 数字足迹 | | | | |\n| 行业曝光 | | | | |\n| 二级交易 | | | | |\n\n**信号合力判断**：各信号是否指向同一方向？有无矛盾信号？\n\n### 10. 反常信号清单（最重要）\n列出所有\"不寻常\"的发现——这些往往是最有价值的信息：\n- 与公司对外叙事不一致的信号\n- 与行业常识不符的数据\n- 突然出现的变化（招聘急缩/急扩、高管密集离职等）\n- 无法解释的现象\n```\n\n---\n\n### 第四步：启动6个并行Agent\n\n使用 Agent 工具同时启动6个Agent（**必须在同一条消息中并行调用**）：\n\n每个Agent的配置：\n- `subagent_type`: `general-purpose`\n- `run_in_background`: `true`\n\n每个Agent的prompt模板：\n\n```\n你是{公司名}未上市公司研究团队中的\"{角色中文名}\"。\n\n你正在研究一家**未上市公司**，这意味着：\n- 没有标准化的公开财报，需要从多个来源拼凑信息\n- 数据可能不完整或相互矛盾，需要标注置信度\n- 需要更多的推理和合理推算，但要透明展示推算过程\n- 搜不到信息 ≠ 信息不存在，搜到的信息可能有偏差\n\n请完成以下研究任务：{任务subject}\n\n具体要求：\n{任务description的内容}\n\n**研究方法**：\n1. 使用 WebSearch 搜索最新公开信息，每个维度至少搜索3-5次，用不同关键词组合\n2. 搜索关键词策略：\n   - 中文：公司名+收入/估值/融资/用户数/MAU/IPO/招股书/裁员/整改\n   - 英文：Company Name + revenue/valuation/funding/users/IPO/filing\n   - 具体人名+公司名（搜索管理层相关信息）\n   - 公司名+具体竞争对手名（搜索竞争动态）\n3. 重点信息源：\n   - 高可信度：招股书、监管文件、上市公司年报中的关联披露\n   - 中可信度：晚点LatePost、The Information、36氪、Bloomberg、Reuters、TechCrunch\n   - 辅助验证：知乎、脉脉、Glassdoor、天眼查、企查查\n4. 使用 WebFetch 获取关键文章的全文（不要只看搜索摘要）\n5. 对重要数据，至少用2个不同来源交叉验证\n\n**数据标注规范（严格执行）**：\n- 每个关键数据标注来源（具体到媒体名称和文章标题）\n- 标注数据时间（精确到年月）\n- 标注置信度：🟢高（招股书/官方披露）/ 🟡中（可信媒体/研报）/ 🔴低（推算/传闻）\n- 不同来源数据有冲突时，**全部列出**并说明差异和你的判断\n- 区分\"事实\"和\"推理\"：事实用正常字体，推理/推算用*斜体*并标注推算方法\n- 无法获取的信息明确标注\"数据缺失\"，不要编造\n\n**输出要求**：\n- 报告要详尽，使用Markdown表格呈现关键数据\n- 每个分析维度要有明确结论和评分\n- 推算过程要完全透明（展示计算逻辑和每一步假设）\n- 在报告末尾提供：\n  1. 本维度的总体评分（★1-5）和核心判断\n  2. 本维度信息完整度自评（充分/适中/不足/严重不足）\n  3. 最重要的3个发现\n  4. 最大的信息盲区（什么信息缺失最影响判断）\n```\n\n### 第五步：接收报告并跟踪进度\n\n- 向用户实时展示进度表（哪些Agent已完成、哪些仍在研究中）\n- 每收到一份报告，更新进度并展示该报告的核心要点（3-5条）\n- 等待全部6份报告到齐\n\n### 第六步：交叉验证与信息拼图\n\n**这是增强版框架最关键的新增步骤**。在汇总前，team-lead 需要：\n\n1. **数据冲突仲裁**：\n   - 提取各Agent报告中的关键数据\n   - 识别不同Agent引用的相同数据是否一致\n   - 对冲突数据进行仲裁：列出所有来源，说明采信哪个、为什么\n\n2. **信号一致性检验**：\n   - 业务增长信号（business-decoder）vs 招聘信号（signal-miner）是否一致？\n     （如果说业务快速增长，但招聘在缩减，需要解释）\n   - 技术领先叙事（tech-ip）vs 专利/人才数据（signal-miner）是否支撑？\n   - 估值水平（financial-detective）vs 竞争地位（competitive-mapper）是否匹配？\n   - 管理层公开叙事（risk-governance）vs 实际行动信号（signal-miner）是否一致？\n\n3. **信息拼图还原**：\n   - 将6份报告中的信息碎片拼合，看能否还原出更完整的画面\n   - 标注信息\"白区\"（确认已知）、\"灰区\"（有线索但不确定）、\"黑区\"（完全未知）\n\n4. **反偏见检查**：\n   - 检查报告中是否存在\"正面信息详细、负面信息简略\"的偏差\n   - 确认每个正面判断都有对应的反面检验\n\n### 第七步：汇总最终报告\n\n综合6份分析报告，输出以下结构的最终报告：\n\n---\n\n#### 1. 一句话结论\n> 用一段话（50-100字）概括这家未上市公司的**真实价值判断**：生意值多少钱，为什么。\n\n#### 2. 公司画像速览\n| 项目 | 内容 | 置信度 |\n|------|------|--------|\n| 公司名称 | | |\n| 成立时间 | | |\n| 总部 | | |\n| 创始人/CEO | | |\n| 核心业务 | | |\n| 员工规模 | | |\n| 最新估值 | | |\n| 最新融资轮次 | | |\n| 推算收入规模 | | |\n| 推算利润状态 | | |\n| 推算用户规模 | | |\n| 主要投资方 | | |\n| VIE/红筹架构 | | |\n\n#### 3. 六维评分总表\n| 维度 | 分析师 | 评分(★1-5) | 核心判断 | 置信度 | 信息完整度 |\n|------|--------|-----------|---------|--------|-----------|\n| 商业模式 & 用户 | business-decoder | | | | |\n| 财务 & 估值 | financial-detective | | | | |\n| 行业 & 竞争 | competitive-mapper | | | | |\n| 风险 & 治理 | risk-governance-analyst | | | | |\n| 技术 & 知识产权 | tech-ip-analyst | | | | |\n| 替代数据信号 | signal-miner | | | | |\n\n综合评分：★X / 5\n\n#### 4. 关键数据拼图（交叉验证后）\n整合各分析师拼凑的数据，**仅保留经过交叉验证的数据**：\n\n| 指标 | 数据 | 来源数量 | 来源明细 | 置信度 | 备注 |\n|------|------|---------|---------|--------|------|\n\n#### 5. 信号一致性矩阵\n| 检验项 | 信号A | 信号B | 一致性 | 解读 |\n|--------|-------|-------|--------|------|\n| 增长叙事 vs 招聘趋势 | | | ✅/⚠️/❌ | |\n| 技术领先叙事 vs 专利数据 | | | | |\n| 估值水平 vs 竞争地位 | | | | |\n| 管理层叙事 vs 实际行动 | | | | |\n\n#### 6. 各维度分析摘要\n每个维度摘取3-5条最重要的发现（标注来源和置信度）\n\n#### 7. 真实价值评估\n\n**生意本质判断**：\n- 这是一门什么样的生意？（一句话）\n- 这门生意的\"确定性\"有多高？\n- 段永平式判断：这是不是一门\"对的生意\"？\n\n**护城河评分卡**：\n| 护城河类型 | 评分(★1-5) | 核心证据 | 趋势 | 持久性 |\n|-----------|-----------|---------|------|--------|\n| 网络效应 | | | 加宽/稳定/收窄 | |\n| 转换成本 | | | | |\n| 品牌心智 | | | | |\n| 数据壁垒 | | | | |\n| 监管牌照 | | | | |\n| 规模经济 | | | | |\n| 技术壁垒 | | | | |\n\n**估值判断**：\n| 估值方法 | 估值区间 | 置信度 | 说明 |\n|---------|---------|--------|------|\n| 最近融资估值（调整后） | | | |\n| 可比公司法 | | | |\n| DCF情景分析 | | | |\n| 终局市值倒推 | | | |\n| 交易对标法 | | | |\n\n**综合真实价值区间**：\n- 保守估值（安全边际估值）：$XXB\n- 合理估值（中性假设）：$XXB\n- 乐观估值（最优情景）：$XXB\n- 当前市场估值：$XXB\n- **安全边际**：当前估值 vs 保守估值 = XX%\n\n#### 8. 投资论点（看多 vs 看空）\n- 🟢 看多逻辑（5-7条，每条附证据来源）\n- 🔴 看空逻辑（5-7条，每条附证据来源）\n- ⚖️ 哪一方的论据更有说服力？为什么？\n\n#### 9. 风险矩阵\n| 风险 | 概率 | 影响 | 综合严重度 | 是否可对冲 | 监控指标 |\n|------|------|------|-----------|-----------|---------|\n\nTop 3 核心风险及应对策略\n\n#### 10. 退出路径评估\n最可能的退出方式、时间窗口、预期回报\n\n#### 11. 投资决策表\n\n**一页纸决策表**：\n```\n┌──────────────────────────────────────────────┐\n│  公司：XXX    最新估值：$XXB                  │\n│  阶段：[种子/成长/成熟/Pre-IPO]              │\n│  信息完整度：[充分/适中/不足/严重不足]        │\n├──────────────────────────────────────────────┤\n│  核心投资逻辑（3句话以内）：                  │\n│  1. ________________________________________  │\n│  2. ________________________________________  │\n│  3. ________________________________________  │\n├──────────────────────────────────────────────┤\n│  真实价值判断：                               │\n│  合理估值区间：$XXB - $XXB                    │\n│  当前估值 vs 合理估值：偏贵/合理/偏低         │\n│  安全边际：____%                              │\n├──────────────────────────────────────────────┤\n│  关键假设 & 验证方式：                        │\n│  假设1 → 跟踪指标 → 验证节点 → 验证时间      │\n│  假设2 → 跟踪指标 → 验证节点 → 验证时间      │\n│  假设3 → 跟踪指标 → 验证节点 → 验证时间      │\n├──────────────────────────────────────────────┤\n│  致命风险 & \"论文已破\"信号：                  │\n│  风险1 → 如果X发生，结论翻转 → 止损策略       │\n│  风险2 → 如果Y发生，结论翻转 → 止损策略       │\n├──────────────────────────────────────────────┤\n│  结论：投资 / 观望 / 回避                     │\n│  如果观望：重新评估的触发条件是什么？          │\n│  预期退出：IPO / 并购 / 二级转让              │\n│  预期回报倍数：X - Y 倍                      │\n│  预期时间框架：X - Y 年                      │\n│  年化回报率：X% - Y%                         │\n└──────────────────────────────────────────────┘\n```\n\n**分层建议**：\n| 投资者类型 | 建议 | 理由 |\n|-----------|------|------|\n| PE/VC机构（领投） | | |\n| PE/VC机构（跟投） | | |\n| 二级市场转让 | | |\n| IPO后买入 | | |\n| 不建议参与 | | |\n\n**关键催化剂**：\n| 看多催化剂 | 预计时间 | 看空催化剂 | 预计时间 |\n|-----------|---------|-----------|---------|\n| | | | |\n\n#### 12. 信息盲区地图\n| 维度 | 已知信息 | 缺失信息 | 缺失影响 | 获取建议 |\n|------|---------|---------|---------|---------|\n\n这些信息盲区是否影响核心结论的可靠性？如果影响，明确说明\"在X信息缺失的情况下，以上结论的置信度为Y\"。\n\n#### 13. 持续跟踪清单\n| 跟踪事项 | 频率 | 信息来源 | 关注指标 | 预警阈值 |\n|---------|------|---------|---------|---------|\n\n#### 14. 总结段落\n150-250字的最终总结，包含：\n- 这门生意的本质\n- 真实价值判断\n- 当前估值的合理性\n- 最大的确定性和不确定性\n- 最终建议和核心理由\n\n---\n\n### 第八步：保存报告\n\n将完整最终报告写入 `reports/{公司名}/{公司名}-private-{YYYYMMDD}.md`。\n\n### 第九步：清理团队\n\n使用 TeamDelete 清理团队资源。\n\n---\n\n## 重要注意事项\n\n1. **6个Agent必须并行启动**——在同一条消息中调用6次Agent工具\n2. **数据置信度标注**——未上市公司数据来源参差不齐，每个关键数据必须标注来源和置信度\n3. **推算要透明**——所有推算过程要展示计算逻辑，不能凭空给数字\n4. **交叉验证**——关键数据至少2个来源交叉验证，来源冲突时都列出\n5. **信号一致性检验**——汇总阶段必须做跨维度的信号一致性检查\n6. **结论要明确**——不回避给出投资/观望/回避建议，但同时说明结论的置信度\n7. **耐心等待**——6个Agent研究需要几分钟，实时向用户更新进度\n8. **中英文搜索**——未上市公司信息可能分布在中英文媒体，需要两种语言搜索\n9. **反偏见核心原则**——资料少≠公司不好，AI分析篇幅短≠投资确定性低。对于信息极度稀缺的公司，切换\"第一性原理模式\"聚焦核心问题，不追求报告形式完整\n10. **诚实留白**——报告中明确区分\"有据分析\"和\"推测填充\"，允许出现\"此维度数据不足，无法给出有意义的结论\"\n11. **替代数据不是噪音**——招聘、专利、诉讼、App数据等替代数据可能比新闻报道更接近真实经营状况\n12. **真实价值导向**——最终目标是判断这门生意值多少钱，不是输出一份好看的报告。如果信息不足以做出可靠的估值判断，直接说\"信息不足，无法给出可靠估值\"\n","codex-skills/wechat-article/SKILL.md":"---\nname: wechat-article\ndescription: \"AI Berkshire skill: 微信公众号文章：作者-编辑-读者三Agent协作. Source: skills/wechat-article.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/wechat-article.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 微信公众号文章：作者-编辑-读者三Agent协作\n\n对 $ARGUMENTS 进行深度研究，产出一篇可直接发布的微信公众号文章。三个Agent各司其职：作者写深度初稿，编辑精修结构和表达，读者从目标受众视角审读。\n\n**支持输入格式**：主题描述，例如：`大模型OPD技术解读`、`Qwen3技术报告解读`、`为什么巴菲特不买科技股`\n\n---\n\n## 设计理念\n\n一篇好的公众号文章需要同时满足三个维度：\n1. **深度**——对得起花时间读完的人（作者负责）\n2. **可读性**——结构清晰、节奏好、不劝退（编辑负责）\n3. **真的能看懂**——目标读者不会在中途放弃（读者负责）\n\n单人写作容易\"自嗨\"——写的人觉得清楚，读的人看不懂。三Agent协作的本质是**强制引入外部视角**。\n\n---\n\n## 阶段一：研究与素材收集\n\n### 第一步：明确文章定位\n\n在开始写作之前，先确认以下信息（如用户未指定则主动询问）：\n\n| 维度 | 需要确认 | 默认值 |\n|------|---------|--------|\n| **目标读者** | 技术背景程度 | 有点技术背景但非该领域专家 |\n| **文章深度** | 科普/中深度/硬核 | 中深度（有公式但要解释清楚） |\n| **文章长度** | 字数范围 | 3000-4000字 |\n| **是否需要下载原始论文/资料** | 需要PDF/配图 | 是 |\n| **写作风格** | 正式/对话式/犀利 | 对话式（像写给聪明的朋友） |\n\n### 第二步：深度研究\n\n使用 Agent 工具**并行**启动2-3个研究Agent，收集足够的素材：\n\n**研究Agent A：核心内容研究**\n- 如果是论文解读：下载论文PDF、提取核心贡献、关键图表、实验结果\n- 如果是技术主题：搜索最新进展、关键论文、技术细节\n- 如果是商业/投资主题：搜索最新数据、行业报告、竞争格局\n\n**研究Agent B：行业背景与应用**\n- 搜索该技术/主题的行业落地情况\n- 哪些公司在用？效果如何？\n- 最新的发展趋势和里程碑事件\n\n**研究Agent C（可选）：竞品/对比研究**\n- 同类方法/产品的对比\n- 历史发展脉络\n- 未来演进方向\n\n### 第三步：整理素材框架\n\n研究Agent全部完成后，整理出：\n1. **核心论点**（一句话概括文章要传达的核心信息）\n2. **关键数据**（3-5个最有冲击力的数据点）\n3. **配图清单**（需要哪些图，来源是什么）\n4. **文章大纲**（6-8个章节的标题和核心内容）\n\n---\n\n## 阶段二：作者Agent写初稿\n\n使用 Agent 工具启动**作者Agent**，给出详细的写作指令。\n\n### 作者Agent的Prompt模板\n\n```\n你是一位深度技术写作者（Author Agent），需要写一篇微信公众号文章。\n\n## 目标读者\n{根据第一步确认的读者画像}\n\n## 写作风格要求\n- 纯中文表达，避免中英文夹杂（技术术语首次出现时给英文，后续用中文）\n- 像写给聪明的朋友看的技术科普，不是学术论文翻译\n- 用类比帮助理解，但类比要贴切、不俗套\n- 关键公式/数据要有，但每个都要用大白话解释\n- 不用emoji\n- 段落不超过4行（公众号阅读环境）\n\n## 核心内容\n{整理好的素材、数据、论点}\n\n## 文章结构要求\n1. **开头（前3段）**：必须有强钩子——用数据冲击力或反直觉的结论开场，不要用温和的类比开场\n2. **背景**：为什么这件事重要？解决什么问题？\n3. **核心内容（2-3节）**：技术深度在这里体现，但每个技术点都要有\"大白话翻译\"\n4. **实证/案例**：用数据和案例说话，不要空谈\n5. **行业影响/展望**：这件事对行业意味着什么\n6. **结尾**：一句有传播力的判断收束，适合被截图转发\n\n## 配图要求\n- 论文解读类文章：必须从论文PDF中提取原图，直接用 `![描述](相对路径)` 插入文章，不要用 [图X：描述] 占位符\n- 提取方法：用 pdftoppm 将PDF页面渲染为高分辨率PNG（至少900 DPI），再用 PIL 裁切目标图表区域\n- 每张图不小于500KB，确保高清\n- 图片统一存放在 `assets/{主题简称}/` 目录下\n- 非论文类文章：如需配图，搜索并下载合适的图片，同样直接插入\n\n## 公式要求\n- 所有数学公式使用 LaTeX 格式：行内用 `$...$`，独立公式用 `$$...$$`\n- 禁止用纯文本写公式（如 `> D_KL(P || Q) = ...`），必须用 LaTeX 渲染格式\n- 每个公式后面仍然要配\"大白话翻译\"\n\n请写出完整的文章初稿，约{目标字数}字。\n```\n\n### 作者Agent完成后\n\n检查初稿文件是否生成，阅读全文确认内容完整性。\n\n---\n\n## 阶段三：编辑Agent + 读者Agent并行审阅\n\n初稿完成后，使用 Agent 工具在**同一条消息**中启动编辑Agent和读者Agent。\n\n### 编辑Agent的Prompt模板\n\n```\n你是一位资深公众号编辑（Editor Agent）。请对以下文章进行精修审阅。\n\n## 审阅标准\n1. **标题**：是否在朋友圈能吸引点击？是否会被截断（超过30字）？\n2. **开头**：前3段能否留住读者？钩子是否足够强？\n3. **结构**：逻辑链是否流畅？有无跳跃或断层？\n4. **深度与可读性平衡**：公式/技术部分是否真的通俗？有无\"假装通俗但没解释清楚\"的地方？\n5. **节奏**：有无太长的段落？每节长度是否合适？\n6. **配图**：图片是否已实际插入（非占位符）？位置是否在读者最需要视觉辅助时出现？\n7. **结尾**：有无传播力？读者看完会想转发吗？\n\n## 文章全文\n{完整初稿}\n\n## 输出格式\n1. 总体评价（3-5句话）\n2. 标题修改建议（给2-3个备选）\n3. 逐节修改建议（给出\"原文→建议修改为\"的具体对照）\n4. 最关键的3个改进点\n```\n\n### 读者Agent的Prompt模板\n\n```\n你是一位{目标读者画像}（Reader Agent）。请从读者视角审读以下文章。\n\n## 你的背景\n{具体描述目标读者的知识水平和阅读习惯}\n\n## 文章全文\n{完整初稿}\n\n## 请回答以下问题\n1. 读完前3段，你会继续读下去吗？为什么？\n2. 哪些地方\"看不懂\"或\"需要重读才能理解\"？具体是哪句话？\n3. 技术/公式部分你看懂了吗？\"大白话翻译\"是否帮到你了？\n4. 文章的核心类比贴切吗？有更好的类比吗？\n5. 太长还是太短？会在哪里失去耐心？\n6. 读完后你能用一句话概括文章核心观点吗？\n7. 你会转发这篇文章吗？转发时你会说什么？\n8. 有没有你想了解但文章没覆盖的问题？\n```\n\n---\n\n## 阶段四：定稿\n\n### 第一步：综合两个Agent的反馈\n\n重点关注以下高频问题：\n\n| 问题类型 | 编辑常见反馈 | 读者常见反馈 | 处理方式 |\n|---------|------------|------------|---------|\n| 开头太弱 | 钩子不够强 | 前3段没动力继续 | 用数据/反直觉结论重写开头 |\n| 技术段劝退 | 公式太密集 | 某段需要重读3遍 | 删公式或图片化，加更直觉的类比 |\n| 节奏拖沓 | 某节太长 | 某处失去耐心 | 合并或删减（尤其是后半段重复的技术解释） |\n| 结尾无力 | 缺传播力 | 不会转发 | 重写为一句可截图传播的判断 |\n| 概念跳跃 | 逻辑有断层 | 某处\"突然看不懂了\" | 补过渡句或背景解释 |\n\n### 第二步：执行修改\n\n根据反馈重写文章。核心修改原则：\n\n1. **编辑和读者都指出的问题，必须改**\n2. **只有编辑指出的问题，大概率要改**（编辑的专业判断通常准确）\n3. **只有读者指出的问题，视情况改**（读者反馈代表真实体验，但不一定每条都需要响应）\n4. **两者矛盾时，偏向读者**（编辑追求完美，但读者体验是最终标准）\n\n### 第三步：提取配图\n\n论文解读类文章必须在定稿前完成配图提取：\n\n1. **渲染**：`pdftoppm -png -r 900 -f {页码} -l {页码} 论文.pdf /tmp/page`（900 DPI起步，如果图片不到500KB则升到1200或1500 DPI）\n2. **定位**：先用150 DPI渲染全页，目视确认各图表的像素坐标\n3. **裁切**：用 PIL 按坐标裁切，`compress_level=1` 保存，确保每张 ≥ 500KB\n4. **存储**：保存到 `assets/{主题简称}/` 目录，命名为 `fig{序号}-{描述}.png`\n5. **插入**：文章中用 `![描述](../../assets/{主题简称}/fig{序号}-{描述}.png)` 引用\n\n### 第四步：产出最终文件\n\n将定稿保存为 md 文件，文件末尾附上论文/资料原文链接：\n\n```markdown\n**论文原文：**\n- arXiv: {链接}\n```\n\n---\n\n## 文件命名与存储\n\n| 类型 | 路径 | 命名格式 |\n|------|------|---------|\n| 技术主题 | `reports/AI产业研究/` | `公众号-{主题关键词}-{YYYYMMDD}.md` |\n| 投资主题 | `reports/{公司名}/` | `{公司名}-公众号-{YYYYMMDD}.md` |\n| 通用主题 | `reports/` | `公众号-{主题关键词}-{YYYYMMDD}.md` |\n\n---\n\n## 写作红线\n\n1. **不虚构数据**。引用的数据必须有来源，搜不到就标注\"估计\"\n2. **不用AI腔调**。禁止\"让我们一起来看看\"、\"值得关注的是\"、\"不得不说\"等套话\n3. **不过度承诺**。技术文章不说\"颠覆性的\"、\"革命性的\"，用数据说话\n4. **公式必须配大白话**。每个公式后面都要有一段\"翻译成人话就是……\"\n5. **公式必须用LaTeX**。`$$...$$` 格式，禁止纯文本公式\n6. **配图必须实际插入**。论文解读类从PDF提取高清原图（≥500KB），禁止用 `[图X]` 占位符\n7. **表格括号注释要精确**。描述概念时用准确的定义，不用模糊的动宾短语（如\"文本来自教师\"而非\"学教师的文本\"）\n8. **类比要一以贯之**。全文用一个主线类比，不要每节换一个新类比\n9. **结尾必须有传播力**。最后一句话要值得被单独截图转发\n","codex-skills/investment-checklist/SKILL.md":"---\nname: investment-checklist\ndescription: \"AI Berkshire skill: 巴菲特价值投资买入前 Checklist. Source: skills/investment-checklist.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/investment-checklist.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 巴菲特价值投资买入前 Checklist\n\n对 $ARGUMENTS 执行巴菲特价值投资买入前 Checklist 分析。\n\n**支持输入格式**：单个或多个公司，用逗号/顿号/空格分隔。例如：`腾讯, 茅台, 英伟达` 或 `NVDA AAPL MSFT`\n\n## 执行流程\n\n### 第一步：解析输入，识别所有待分析公司\n\n从 $ARGUMENTS 中解析出所有公司名称/代码。对每家公司确定：\n- 公司全称、股票代码、上市交易所\n- 如果公司未上市，标记为\"未上市\"并给出简要说明（是否有间接投资途径），跳过完整Checklist\n\n### 第一步半：AI研究偏见预警\n\n对每家公司进行\"信息丰富度\"快速评级（A/B/C），并在报告中标注：\n\n| 等级 | 判断标准 | 对Checklist的影响 |\n|------|---------|-----------------|\n| A级 | 上市多年、数据充裕 | 正常执行，但警惕\"共识陷阱\"——所有指标看起来都清晰不代表真的确定 |\n| B级 | 数据有限需推算 | 每个推算指标标注置信度，\"好生意\"判断加权考虑数据可靠性 |\n| C级 | 信息极度稀缺 | 不勉强填满六关表格，诚实标注\"数据不足无法判断\"，聚焦可验证的核心问题 |\n\n**核心原则**：Checklist的目标是**排除坏选择**。对于C级公司，\"数据不足\"不等于\"不通过\"，也不等于\"通过\"——应诚实标注为\"灰色地带，需补充一手信息\"，而不是因为AI无法填满表格就判为否决。\n\n段永平说过：\"看不懂\"有两种——一种是生意太复杂真的看不懂，一种是你还没花时间去看。AI研究的局限是容易把\"资料少\"和\"看不懂\"混为一谈。\n\n### 第二步：并行数据收集\n\n使用 Task 工具为**每家公司**启动独立的后台 Agent 进行数据收集（所有公司同时并行启动），每个Agent负责收集：\n\n1. **盈利能力**：ROE（5-10年趋势）、毛利率、净利率、自由现金流\n2. **估值数据**：当前股价、市值、PE(TTM)、前瞻PE、PB、股息率\n3. **增长趋势**：近3年收入/利润增速\n4. **财务健康**：负债水平、资本开支需求、现金储备、净现金/净负债\n5. **竞争格局**：市场份额、主要竞争对手、份额变化趋势\n6. **护城河证据**：品牌/转换成本/网络效应/规模效应/技术壁垒的具体证据\n7. **管理层记录**：CEO履历、关键决策、持股、资本配置记录\n8. **最新动态**：近6个月重大事件（业绩、并购、监管、管理层变动等）\n\n### 第三步：逐公司执行六关 Checklist\n\n对每家已上市公司，依次过六关：\n\n---\n\n#### 第一关：我能理解这门生意吗（能力圈）\n\n必须回答：\n- [ ] 能用一句话说清楚这家公司靠什么赚钱吗？\n- [ ] 10年后大概率还在做什么生意？\n- [ ] 哪些关键变量决定成败？\n- [ ] 对这个行业的认知是来自深度研究还是道听途说？\n\n**评分标准**（★1-5）：\n- ★★★★★：商业模式极其简单清晰，10年确定性高（如茅台：酿酒卖酒）\n- ★★★★☆：模式清晰但有技术门槛，需要一定专业知识理解\n- ★★★☆☆：模式可理解但10年确定性不高，行业变化快\n- ★★☆☆☆：业务线复杂或行业剧变中，难以预判未来\n- ★☆☆☆☆：完全不在能力圈内\n\n**硬性否决**：如果连赚钱方式都说不清，直接标记为\"不在能力圈，不做分析\"。\n\n---\n\n#### 第二关：这是一门好生意吗（经济特征）\n\n用数据说话，**关键指标必须通过工具精确计算**：\n\n```bash\npython3 tools/financial_rigor.py verify-valuation \\\n  --price {股价} --eps {EPS} --bvps {每股净资产} --fcf-per-share {每股FCF} --dividend {每股股息}\n```\n\n| 指标 | 该公司数值 | 参考标准 | 判断 |\n|------|-----------|---------|------|\n| ROE（5年均值） | | >15%优秀, >20%卓越 | |\n| 毛利率 | | >40%暗示定价权 | |\n| 自由现金流 | | 持续为正、≈净利润 | |\n| 资本开支强度 | | 轻资产优于重资产 | |\n| 负债水平 | | 有息负债/净利润<3年 | |\n\n**评分标准**（★1-5）：\n- ★★★★★：ROE>25%、高毛利、强FCF、轻资产、低负债（全部达标）\n- ★★★★☆：4项达标\n- ★★★☆☆：3项达标\n- ★★☆☆☆：2项达标或趋势恶化\n- ★☆☆☆☆：多数不达标或FCF持续为负\n\n---\n\n#### 第三关：护城河够不够深（竞争优势）\n\n逐项检查：\n\n| 护城河类型 | 是否具备 | 具体证据 | 变宽还是变窄？ |\n|-----------|---------|---------|--------------|\n| 品牌/定价权 | | | |\n| 转换成本 | | | |\n| 网络效应 | | | |\n| 成本/规模优势 | | | |\n| 技术/专利壁垒 | | | |\n\n追加检验：如果给竞争对手100亿，能否复制这门生意？\n\n**评分标准**（★1-5）：\n- ★★★★★：多重护城河叠加且在变宽\n- ★★★★☆：至少一条强护城河且稳定\n- ★★★☆☆：有护城河但不够深，或趋势不明\n- ★★☆☆☆：护城河正在被侵蚀\n- ★☆☆☆☆：无明显护城河\n\n---\n\n#### 第四关：管理层是否值得信任（人的因素）\n\n| 检查项 | 评估 |\n|--------|------|\n| 诚实度（承诺vs交付） | |\n| 资本配置能力（回购/分红/并购记录） | |\n| 股东利益导向（持股、薪酬） | |\n| 所有者心态（创始人 vs 职业经理人） | |\n| 公司治理（关联交易、商誉、审计） | |\n| CEO离开后能否照常运转？ | |\n\n**评分标准**（★1-5）：\n- ★★★★★：创始人掌舵、资本配置卓越、利益完全一致\n- ★★★★☆：管理层优秀但有小瑕疵\n- ★★★☆☆：管理层合格但有治理隐患\n- ★★☆☆☆：有诚信或治理问题\n- ★☆☆☆☆：严重诚信问题（→硬性否决）\n\n---\n\n#### 第五关：价格是否足够便宜（安全边际）\n\n| 指标 | 数值 | 历史分位 | 判断 |\n|------|------|---------|------|\n| PE (TTM) | | | |\n| 前瞻PE | | | |\n| PB | | | |\n| 股息率 | | | |\n| FCF Yield | | | |\n\n追加检验（**必须通过工具精确计算，禁止心算**）：\n```bash\npython3 tools/financial_rigor.py three-scenario \\\n  --price {股价} --eps {EPS} --shares {股本亿} \\\n  --growth {乐观} {中性} {悲观} --pe {乐观PE} {中性PE} {悲观PE} --currency {币种}\n```\n- 三情景下的估值区间（取工具输出结果）\n- 如果判断有误，在当前价格买入最多亏多少？\n- 股价腰斩你敢加仓吗？\n\n**评分标准**（★1-5）：\n- ★★★★★：相对内在价值打5折以下，极端安全边际\n- ★★★★☆：打7折，有良好安全边际\n- ★★★☆☆：合理估值，安全边际一般\n- ★★☆☆☆：偏贵，安全边际不足\n- ★☆☆☆☆：严重高估\n\n---\n\n#### 第六关：仓位与决策纪律（防止情绪失控）\n\n检查以下情绪信号：\n- 是否因为FOMO想买？\n- 是否因为别人推荐才想买？\n- 如果停牌5年你能接受吗？\n- 买入论述能否用200字以内写清楚？\n\n---\n\n### 第四步：镜子测试\n\n对每家公司写出镜子测试语句：\n\n> \"我以 ___元 买入 ___公司，因为：\n> 1. 这门生意的本质是___，我理解它；\n> 2. 它的护城河是___，而且在变宽/变窄；\n> 3. 管理层___，值得/不值得信赖；\n> 4. 当前价格相当于内在价值的___折，有/无足够安全边际；\n> 5. 即使我错了，下行风险可控/不可控，因为___。\"\n\n**5句话说不完整 = 不买。** 明确标注\"通过\"或\"未通过\"。\n\n---\n\n### 第五步：快速否决清单\n\n对每家公司逐条检查，触发任何一条直接标注为\"否决\"：\n\n- [ ] 说不清楚这家公司怎么赚钱\n- [ ] 连续3年自由现金流为负且看不到改善\n- [ ] 管理层有诚信污点\n- [ ] 竞争优势正在被不可逆侵蚀\n- [ ] 需要靠\"下一个接盘者出更高价\"来赚钱（博傻）\n- [ ] 无法承受这笔投资归零的后果\n- [ ] 买入理由主要是\"别人都在买\"或\"最近涨得好\"\n- [ ] 无法用200字以内写清楚买入理由\n\n---\n\n### 第六步：输出总览对比表（多公司时必须输出）\n\n当分析多家公司时，必须生成对比总览表：\n\n| 公司 | Checklist通过？ | 能力圈 | 好生意 | 护城河 | 管理层 | 安全边际 | 核心结论 |\n|------|----------------|--------|--------|--------|--------|---------|---------|\n| | | ★☆☆☆☆ | ★☆☆☆☆ | ★☆☆☆☆ | ★☆☆☆☆ | ★☆☆☆☆ | |\n\n---\n\n### 第七步：最终结论与写入文件\n\n对每家公司给出明确结论（不回避）：\n- ✅ **通过 Checklist**（X/6关）— 可以进入深度研究阶段\n- ❌ **未通过 Checklist** — 说明哪条红线被触发\n- ❓ **灰色地带** — 说明关键争议点是什么，投资者需要自行判断什么\n- N/A — 未上市/无法买入\n\n将完整报告写入 `~/巴菲特Checklist-[公司名或\"多公司对比\"].md`\n\n## 输出格式要求\n\n1. 每家公司独立成章，包含：六关评分表 + 核心数据表 + 关键风险（3-5条）+ 镜子测试 + 明确结论\n2. 多公司时在最后附总览对比表\n3. 所有评分必须使用★符号（★1-5），不含半星\n4. 数据必须标注来源时间，估计值必须注明\"估计\"\n5. 文末附结语，呼应巴菲特名言：\"投资的第一条规则是不要亏损\"\n6. 语言风格：直接、犀利、不说废话。用巴菲特/芒格/段永平的语录穿插点评\n\n## 关键原则\n\n- **宁可错过，不可做错**：Checklist的目标是排除坏选择，不是找到最好的\n- **诚实面对能力圈**：看不懂就说看不懂，不要勉强分析\n- **安全边际是生命线**：好公司买贵了也会亏钱\n- **镜子测试不可跳过**：说不清楚理由就不买，没有例外\n","codex-skills/investment-memo-craft/SKILL.md":"---\nname: investment-memo-craft\ndescription: Codex-only writing and layout overlay for AI Berkshire investment research reports. Use whenever Codex creates, rewrites, revises, or critiques company/industry/fund research reports, especially long-form Markdown reports that need financial rigor, readable business mechanics, contrarian analysis, valuation-to-action guidance, investor-specific recommendations, restrained typography, and clear buy/hold/sell signals. Do not use this to modify Claude Code slash-command sources.\n---\n\n# Investment Memo Craft\n\n## Purpose\n\nTurn investment research into a decision-ready Codex research report. Keep the data discipline of the underlying research skill, but make the output easier for an investor to use: concrete business mechanics, sharp inverse thinking, explicit opportunity cost, action thresholds, and calm Markdown typography.\n\nUse this as a writing and judgment overlay. It does not replace financial-data rules, primary-source checks, valuation tools, or report audit tooling.\n\nFor long-form AI Berkshire outputs, title the artifact as a \"research report\" by default. Use \"investment memo\" only when the user explicitly asks for a memo format.\n\nThis is a Codex-only hand-written skill kept under `codex-skills/` for simple installation. Do not add a same-named `skills/investment-memo-craft.md` source unless intentionally adopting this workflow for Claude Code too.\n\n## Core Workflow\n\n1. Open with context; reserve the full decision for after the evidence.\n   - In the first screen, state the research date, price, market cap, valuation, and a short thesis.\n   - Do not front-load the full buy/hold/sell table unless the user explicitly asks for an executive memo.\n   - Put the detailed recommendation, investor-specific actions, and price bands near the end, after business quality, risk, and valuation have been argued.\n   - Separate \"good business\" from \"good investment at this price\".\n\n2. Build the operating map before the philosophy.\n   - Include revenue structure, segment economics, unit drivers, and 3-5 year trends early.\n   - For asset-heavy businesses, show the key assets individually when they explain the moat.\n   - Explain the pricing mechanism, customer lock-in, cost structure, and reinvestment needs.\n\n3. Compress business essence into one memorable sentence.\n   - Prefer a sentence that describes who pays, why they pay, what is scarce, and what repeats.\n   - Avoid generic labels such as \"industry leader\" unless followed by the mechanism that makes leadership durable.\n\n4. Make the moat falsifiable.\n   - Score or table the moat by source: brand/pricing power, switching cost, network effect, scale, cost advantage, regulation, resource scarcity, technology.\n   - Explain whether the moat widened or narrowed over the last 5 years.\n   - Ask what can destroy the moat, even if the answer is \"not competitors, but regulation/weather/price paid\".\n\n5. Do real inverse thinking.\n   - Include failure paths with probability, impact, and observable indicators.\n   - Write the strongest bear case in language a smart short seller or non-buyer would actually use.\n   - Explicitly identify the most likely analytical mistake.\n\n6. Evaluate management through capital allocation.\n   - Replace vague praise with decision history: acquisitions, divestitures, buybacks, dividends, leverage, reinvestment, strategic pivots.\n   - Judge incentives: insider ownership, controlling shareholder behavior, compensation, related-party transactions, and shareholder return policy.\n   - Ask whether the business depends on a person or on a system.\n\n7. Connect industry trend to value capture.\n   - Distinguish civilization-level trend from investable company-level economics.\n   - Describe where the company sits in the value chain and who captures the profit pool.\n   - Identify whether TAM growth, pricing, utilization, or capital intensity is the real driver.\n\n8. Convert valuation into action.\n   - Show current multiples, reverse DCF intuition, scenario valuation, historical comparison, and comparable companies when relevant.\n   - Include dividends or capital returns in expected return when they matter.\n   - Provide price bands, add signals, trim/sell signals, and what would change the thesis.\n\n9. Close with a decision memo.\n   - Include a summary table by business quality, moat, management, risk, trend, and valuation.\n   - Give distinct advice for empty-handed investors and existing holders.\n   - Include the action table here, not at the top, for long-form research reports.\n   - End by separating AI analysis confidence from actual investment certainty.\n\n## Style Standards\n\n- Prefer concrete numbers and mechanisms over adjectives.\n- Use tables when they reduce cognitive load: assets, segments, failure paths, management decisions, scenario valuations, action bands.\n- Write in clear investor prose. A good memo should be understandable after one read and useful after one month.\n- Keep memorable formulations, but never let rhetoric outrun evidence.\n- Avoid hiding behind vague labels such as \"wait and see\" without specifying the price or event that would change the recommendation.\n\n## Layout Standards\n\nFor long-form research reports, prefer a calm stepped layout:\n\n- Use a simple title: `公司名（ticker）研究报告`. Avoid adding \"四大师综合\" or \"投资备忘录\" to the title unless the user asks for that framing.\n- Use dated filenames for reports: `公司名研究报告-YYYYMMDD.md`.\n- Start with one compact metadata block: research date, price, market cap, key multiples, and a one-sentence thesis.\n- Use horizontal separators between major sections.\n- Use Chinese step headings for readability, for example \"第一步：核心数据总览\", \"第二步：生意本质分析\", and \"第八步：最终决策与行动清单\".\n- Keep section titles short and concrete; avoid dense numbering such as \"2.3.1\" unless the document is technical.\n- Use quote blocks for master-style questions, not inline bold paragraphs.\n- Treat GitHub Markdown as the typography system: use heading levels, tables, quote blocks, and bold text; do not add HTML/CSS font styling unless the user explicitly asks for a non-GitHub artifact.\n- Use bold sparingly as a reading guide: metadata labels, one-sentence conclusion labels, key phrases, total/current-company rows, latest-year values, scenario target prices, action rows, and audit verdicts.\n- Keep ordinary facts in normal weight. Do not bold full tables or every important-looking number; over-emphasis makes long research feel noisy.\n- Use explicit `+` and `-` signs for growth rates and return ranges so positive/negative movement can be scanned without rereading the sentence.\n- Put checklists under \"AI research bias awareness\" when the company is information-rich or consensus-heavy.\n- Keep audit and tool details light at the end. Do not expose command lines unless the user asks for reproducibility commands.\n- If a prior report has a layout the user likes, preserve its reading rhythm while keeping only data that passes the current validation standard.\n\n## Default Report Shape\n\nFor AI Berkshire company reports, use this order unless the user asks otherwise:\n\n1. `AI研究偏见自觉`\n   - State the information-richness rating, consensus trap, bias checklist, and AI research limitation.\n\n2. `第一步：核心数据总览`\n   - Show segment revenue, key operating assets or units, 3-5 year financial trend, and cross-source validation.\n\n3. `第二步：生意本质分析`\n   - Define the business in one sentence, map revenue/cost/customer/asset life/growth drivers, and explain the real profit variables.\n\n4. `第三步：护城河评估`\n   - Score moat sources, explain evidence, and state what can destroy or weaken the moat.\n\n5. `第四步：逆向思考与风险清单`\n   - Put the bear case in serious language. Include failure paths, probability, impact, and observable warning indicators.\n\n6. `第五步：管理层评估`\n   - Judge management through capital allocation, governance, incentives, dividends/buybacks, leverage, and whether the business is system-driven.\n\n7. `第六步：行业与文明趋势`\n   - Separate broad trend from investable economics and explain where the company captures value.\n\n8. `第七步：估值与安全边际`\n   - Show current valuation, reverse-DCF intuition, scenario valuation, comparable companies if useful, and explicit price bands.\n\n9. `第八步：最终决策与行动清单`\n   - Put the full decision here, not at the top: summary table, advice for empty-handed investors, advice for holders, add/sell triggers, and master-style comments if useful.\n\n10. `AI分析置信度 vs 投资确定性`\n    - Separate data confidence from investment certainty.\n\n11. `数据来源与审计记录`\n    - List key sources and concise audit results. Keep command lines out of the report unless explicitly requested.\n\n## Quality Bar\n\nA strong memo should answer these questions without forcing the reader to infer:\n\n- What exactly does this company sell, to whom, and why does money repeat?\n- What are the 2-3 variables that actually move profit?\n- Why might smart people refuse to buy?\n- What is already priced in?\n- What return is plausible under bull/base/bear cases, including dividends if relevant?\n- What should an empty-handed investor do?\n- What should a holder do?\n- What evidence would make the thesis wrong?\n\n## Pairing With Other Skills\n\nWhen the task requires fresh company research, first use the relevant data/research skill and its validation requirements. Then use this skill to rewrite or structure the output as a memo.\n\nFor AI Berkshire work, pair especially with:\n\n- `financial-data` for source hierarchy and cross-source validation.\n- `investment-research` for the Buffett/Munger/Duan/Li Lu framework.\n- `management-deep-dive` when management quality is the core uncertainty.\n- `report_audit.py` before treating a report as publishable.\n","codex-skills/management-deep-dive/SKILL.md":"---\nname: management-deep-dive\ndescription: \"AI Berkshire skill: 管理层纵深研究：买股票就是买人. Source: skills/management-deep-dive.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/management-deep-dive.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 管理层纵深研究：买股票就是买人\n\n对 $ARGUMENTS 进行管理层深度研究。\n\n**支持输入格式**：`公司名` 或 `人名 公司名`，例如：`美团`、`王兴 美团`、`黄仁勋 英伟达`\n\n> \"买股票就是买人。找到你信任的人，然后长期持有。\" —— 段永平\n>\n> \"评估管理层，要看他们在没人看着的时候做什么。\" —— 巴菲特\n\n## 设计理念\n\n大多数投资分析对管理层的评估停留在表面：履历、持股比例、薪酬。但巴菲特花大量时间**和管理层吃饭聊天**，李录说**他投资的本质是投人**，段永平说**买股票就是买人**。\n\n本Skill是 `/investment-research` 第五步管理层评估的**深化版**。当标准投资研究中管理层评分不确定（★★★或以下）、或管理层是核心投资逻辑时，使用本Skill做纵深研究。\n\nAI无法和管理层吃饭，但可以通过公开信息做到：\n- **追踪管理层的话与做是否一致**（承诺vs兑现）\n- **分析每一笔重大资本配置决策的回报**\n- **从困难时期的决策中推断品格**\n- **通过员工/商家/客户的反馈侧面验证**\n\n## 执行流程\n\n### 第一步：识别关键管理层并启动并行数据收集\n\n使用 WebSearch 确认以下关键人物：\n\n| 角色 | 姓名 | 任期 | 背景 | 持股/期权 |\n|------|------|------|------|----------|\n| CEO/董事长 | | | | |\n| CFO | | | | |\n| 创始人（如不在位） | | | | |\n| 实际控制人（如不同于CEO） | | | | |\n| 其他关键高管 | | | | |\n\n**注意**：区分\"谁在做决策\"和\"谁的名字在头衔上\"。有些公司创始人虽然卸任但仍是灵魂人物（如黄峥之于拼多多）。\n\n确认关键人物后，使用 Task 工具启动多个后台 Agent **并行**收集以下数据：\n1. Agent 1：CEO公开发言与预测记录（股东信、电话会、采访、社交媒体）\n2. Agent 2：资本配置决策记录（并购、回购、分红、新业务投资）\n3. Agent 3：治理结构与薪酬（股权结构、关联交易、高管薪酬）\n4. Agent 4：侧面验证信息（员工评价、客户反馈、行业口碑）\n\n### 第二步：CEO能力圈评估\n\n#### 2.1 战略眼光\n\n搜索CEO过去5年的公开发言（股东信、电话会、采访、社交媒体），提取其对以下问题的判断：\n\n| 时间 | CEO的判断/预测 | 实际结果 | 准确度 |\n|------|--------------|---------|:------:|\n| | \"我们认为X市场会...\" | X市场实际... | ✅/❌ |\n| | \"未来3年我们的重点是...\" | 实际执行... | ✅/❌ |\n\n**关键问题**：\n- CEO有没有做过超前于市场的正确判断？\n- CEO有没有在大家都看好的时候保持冷静？\n- CEO对行业趋势的理解是跟随市场还是独立思考？\n\n#### 2.2 执行能力\n\n| 维度 | 评估 | 证据 |\n|------|------|------|\n| 战略到落地 | 说了的事做到了吗？ | |\n| 组织能力 | 能不能吸引和留住人才？ | |\n| 危机处理 | 遇到困难时怎么应对？ | |\n| 迭代速度 | 犯错后纠正的速度快吗？ | |\n\n### 第三步：诚信度评估（最重要）\n\n**巴菲特**：\"我们寻找三种品质：正直、智慧和精力。如果没有第一种，后两种会害死你。\"\n\n#### 3.1 承诺vs兑现追踪\n\n从过去3年的财报电话会、股东信、公开采访中，提取管理层做过的**具体承诺**：\n\n| # | 时间 | 承诺内容 | 承诺场合 | 兑现情况 | 评价 |\n|---|------|---------|---------|---------|------|\n| 1 | | \"我们将在2025年实现X业务盈利\" | 2024年报电话会 | | ✅/⚠️/❌ |\n| 2 | | \"我们计划回购$X亿\" | 2024年股东信 | | ✅/⚠️/❌ |\n\n**兑现率统计**：\n\n| 承诺兑现率 | 评价 |\n|:---------:|------|\n| >80% | 优秀——说到做到 |\n| 60-80% | 合格——大方向对但执行有偏差 |\n| 40-60% | 令人担忧——承诺过多交付不足 |\n| <40% | 严重问题——不可信赖 |\n\n#### 3.2 困难时期的表现\n\n搜索公司历史上遭遇的重大危机/困难（股价暴跌、业绩miss、监管冲击、竞争加剧），分析管理层的应对：\n\n| 危机事件 | 时间 | 管理层反应 | 事后回看的评价 |\n|---------|------|-----------|-------------|\n\n**关注**：\n- 是主动沟通还是躲避？\n- 是归因内部还是甩锅外部？\n- 是趁机做困难但正确的事，还是选择短期讨好市场？\n\n#### 3.3 对利益相关方的态度\n\n| 利益相关方 | 管理层态度 | 证据 | 评价 |\n|-----------|-----------|------|------|\n| 股东 | 尊重/忽视/利用 | | |\n| 员工 | 善待/压榨/漠视 | | |\n| 客户/用户 | 以客户为中心/短期榨取 | | |\n| 商家/供应商 | 公平合作/极端压价 | | |\n| 监管/社会 | 合规配合/打擦边球 | | |\n\n**李录**：\"对利益相关方的态度决定了企业的长期生命力。短期压榨能提升效率，但长期会损害生态。\"\n\n### 第四步：资本配置能力\n\n这是巴菲特最看重的管理层能力——**每赚一块钱，管理层能把它变成多少钱？**\n\n#### 4.1 资本配置决策记录\n\n搜索公司过去5年的重大资本配置决策，逐笔评估：\n\n**并购记录**：\n\n| 时间 | 收购标的 | 金额 | 战略逻辑 | 事后回报 | 评分(1-5) |\n|------|---------|------|---------|---------|:---------:|\n\n**回购记录**：\n\n使用 `tools/financial_rigor.py verify-valuation` 校验回购时和当前的PE等估值指标。\n\n| 时间 | 回购金额 | 平均回购价 | 当时PE | 事后回看 | 评分(1-5) |\n|------|---------|-----------|:------:|---------|:---------:|\n\n**分红记录**：\n\n| 年份 | 分红金额 | 分红率 | 同期FCF | 是否可持续 |\n|------|---------|:------:|---------|:---------:|\n\n**新业务投资**：\n\n| 时间 | 投资领域 | 累计投入 | 当前状态 | 回报评估 | 评分(1-5) |\n|------|---------|---------|---------|---------|:---------:|\n\n#### 4.2 资本配置评分\n\n| 维度 | 评分(1-5) | 说明 |\n|------|:---------:|------|\n| 并购纪律 | | 是否在合理价格收购？收购后整合如何？ |\n| 回购时机 | | 是否在低估时回购、高估时停止？ |\n| 分红合理性 | | 分红率是否与FCF匹配？ |\n| 新业务投资 | | 成功率如何？止损纪律如何？ |\n| 现金管理 | | 现金储备是否合理？是否囤积过多？ |\n| **综合评分** | | |\n\n**巴菲特标准**：理想的管理层在有好机会时果断投资，没有好机会时积极回购/分红，永远不做高价并购。\n\n### 第五步：治理结构评估\n\n#### 5.1 股权结构\n\n| 项目 | 详情 | 风险评估 |\n|------|------|---------|\n| 是否有AB股/超级投票权？ | | |\n| 创始人/实控人持股比例？ | | |\n| 是否有VIE结构？ | | |\n| 独立董事是否真正独立？ | | |\n| 大股东近期增减持记录？ | | |\n\n#### 5.2 薪酬合理性\n\n| 高管 | 年度总薪酬 | 占公司净利润比 | 与同行对比 | 是否合理 |\n|------|-----------|:------------:|:---------:|:-------:|\n\n**关注**：激励结构是否与长期股东利益一致？还是鼓励短期行为？\n\n#### 5.3 关联交易\n\n| 关联方 | 交易内容 | 金额 | 是否公允 | 风险评估 |\n|--------|---------|------|:-------:|---------|\n\n### 第六步：侧面验证\n\nAI无法和管理层面对面交流，但可以通过公开渠道的侧面信息验证。**注意**：以下信息取决于公开可搜索的内容，可能不完整，标注信息来源和可得性。\n\n#### 6.1 员工视角\n\n搜索 Glassdoor评分摘要、知乎讨论等**可公开搜索**的员工评价（脉脉等需登录的平台标注\"用户可自行补充\"）：\n\n| 维度 | 评分趋势 | 关键反馈 |\n|------|---------|---------|\n| 企业文化 | | |\n| 管理层评价 | | |\n| 工作强度 | | |\n| 薪酬满意度 | | |\n| 发展前景 | | |\n\n#### 6.2 客户/商家视角\n\n搜索App Store评分、消费者投诉、商家论坛：\n\n| 维度 | 评分/趋势 | 关键反馈 |\n|------|----------|---------|\n| 产品满意度 | | |\n| 客户服务 | | |\n| 商家/供应商关系 | | |\n\n#### 6.3 行业口碑\n\n搜索行业论坛、社交媒体，了解同行和业内人士对该管理层的评价。\n\n### 第七步：CEO离开后的情景分析\n\n**巴菲特**：\"好公司应该是傻瓜都能经营的——因为迟早会有傻瓜来经营。\"\n\n| 问题 | 回答 |\n|------|------|\n| 如果CEO明天离开，公司能正常运转吗？ | |\n| 现有管理团队的深度如何？有没有明确的继任者？ | |\n| 公司的竞争优势是依赖CEO个人，还是依赖组织/系统？ | |\n| 历史上的管理层交接是否顺利？ | |\n\n### 第八步：输出管理层评估报告\n\n#### 报告结构\n\n```\n一、关键人物速览（表格）\n二、诚信度评估\n   - 承诺兑现率\n   - 困难时期表现\n   - 对利益相关方态度\n三、能力评估\n   - 战略眼光（预判准确度）\n   - 执行能力\n   - 资本配置记录\n四、治理结构\n   - 股权结构风险\n   - 薪酬合理性\n   - 关联交易\n五、侧面验证\n   - 员工视角\n   - 客户/商家视角\n六、综合评分与结论\n```\n\n#### 综合评分\n\n| 维度 | 权重 | 评分(1-5) | 加权 |\n|------|:----:|:---------:|:----:|\n| 诚信度 | 35% | | |\n| 战略与执行能力 | 25% | | |\n| 资本配置能力 | 25% | | |\n| 治理结构 | 15% | | |\n| **综合评分** | 100% | | |\n\n#### 段永平的\"买人\"标准\n\n> 回答以下三个问题：\n> 1. **这个人是否正直？**（诚实、不占股东便宜）\n> 2. **这个人是否有能力？**（战略眼光+执行力+资本配置）\n> 3. **你愿意把钱交给这个人管10年吗？**\n>\n> 三个都是\"是\" = ★★★★★（5分）\n> 前两个是\"是\" = ★★★★（4分）\n> 只有第一个是\"是\" = ★★★（3分）\n> 第一个不是\"是\" = ★（1分，不投）\n\n### 第九步：保存报告\n\n将报告写入 `reports/{公司名}-management-{YYYYMMDD}.md`，例如 `reports/美团-management-20260409.md`\n\n---\n\n## 关键原则\n\n- **诚信是一票否决项** — 能力不足可以学习，品格有问题无法修复\n- **看行为不看言辞** — 管理层说什么不重要，做了什么才重要\n- **在困难中看真相** — 顺风时谁都是好CEO，逆风时才见真功夫\n- **资本配置是终极考试** — 赚钱容易，把赚到的钱配置好难\n- **不要爱上管理层** — 保持客观，即使是你欣赏的人也可能犯大错\n","codex-skills/investment-team/SKILL.md":"---\nname: investment-team\ndescription: \"AI Berkshire skill: 投研团队：四角色并行分析框架. Source: skills/investment-team.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/investment-team.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 投研团队：四角色并行分析框架\n\n对 $ARGUMENTS 进行团队化投资研究分析。使用 Team 工具创建真正的多Agent并行研究团队。\n\n## 执行流程\n\n### 第一步：展示团队框架\n\n向用户展示以下团队结构，确认后启动：\n\n| 角色 | 职责 | 分析框架 |\n|------|------|----------|\n| **team-lead**（你自己） | 统筹协调、汇总研判、输出最终报告 | 四大师综合框架 |\n| **business-analyst** | 商业模式 & 护城河分析 | 段永平视角 |\n| **financial-analyst** | 财务报表 & 估值分析 | 巴菲特视角 |\n| **industry-researcher** | 行业格局 & 竞争态势 | 芒格视角 |\n| **risk-assessor** | 风险评估 & 管理层研判 | 李录视角 |\n\n### 第一步半：AI研究偏见评估\n\n在创建团队前，先向用户展示该公司的\"AI可研究性\"评估：\n\n**信息丰富度评级**（决定研究策略）：\n| 等级 | 特征 | 研究策略调整 |\n|------|------|------------|\n| A级（信息充裕） | 上市多年、券商覆盖广 | 团队重点放在**反面检验**和**非共识视角**，避免输出与市场一致的\"正确的废话\" |\n| B级（信息适中） | 上市不久、覆盖有限 | 每个Agent的推算数据必须标注置信度，team-lead汇总时标注\"数据充分度\" |\n| C级（信息稀缺） | 冷门/新上市/新兴市场 | 团队转为\"第一性原理模式\"：不追求报告完整性，聚焦商业本质的几个核心问题 |\n\n**关键提醒**：资料多≠确定性高，资料少≠确定性低。AI能输出的置信度 ≠ 投资的真实确定性。确定性来自商业模式本身，不来自资料数量。\n\n将评级结果告知每个Agent，影响其研究方式。\n\n### 第一步¾：WebSearch 权限预检（关键 · 避免 Agent 静默退化）\n\n在创建团队、启动任何后台 Agent **之前**，必须先确认 WebSearch 权限已放行。\n\n**为什么必须预检**：本 skill 用 `run_in_background: true` 启动 4 个后台子 Agent，而**后台 Agent 无法向用户弹出交互式权限确认**。若 `WebSearch` 未在 `.claude/settings.local.json` 的 `permissions.allow` 白名单中，子 Agent 的联网搜索会被**静默拦截**，导致其退化为仅凭训练知识（有知识截止日期）作答，却仍按框架输出一份\"看起来完整、实则未联网\"的伪研究——这是本 skill 最危险的失败模式（见 issue #58）。\n\n**预检步骤**：\n1. 用 Bash 检查白名单是否含 WebSearch：\n   ```bash\n   grep -l '\"WebSearch\"' .claude/settings.local.json ~/.claude/settings.local.json 2>/dev/null\n   ```\n2. 若两处都未命中（即未放行）→ **停下来，不要启动 Agent**，提示用户：\n   > ⚠️ 检测到 WebSearch 未在权限白名单中。后台研究 Agent 无法联网，会退化成仅凭训练知识作答。请先在 `.claude/settings.local.json` 的 `permissions.allow` 加入 `\"WebSearch\"`（或运行 `/permissions` 勾选），再重跑本命令。\n3. 命中 → 正常继续。\n\n### 第二步：创建团队\n\n使用 TeamCreate 创建团队：\n- team_name: `{公司名}-research`（英文小写，如 `meituan-research`）\n- agent_type: `team-lead`\n\n### 第三步：创建4个任务\n\n使用 TaskCreate 创建以下4个任务（每个都要有 subject、description、activeForm）：\n\n#### 任务1：商业模式分析\n- subject: `分析{公司名}商业模式、护城河与用户价值`\n- description 包含：\n  1. 商业模式本质：核心生意定义、收入结构拆解\n  2. 平台/产品飞轮效应如何运转\n  3. 护城河分析：品牌/转换成本/网络效应/规模效应/技术壁垒，逐一验证\n  4. 用户/客户价值：为各方创造了什么独特价值\n  5. 业务矩阵与协同效应\n  6. 段永平\"好生意\"标准评估：差异化、定价权、可持续竞争优势\n  7. 要求搜索最新财报、行业报告等公开信息\n\n#### 任务2：财务与估值分析\n- subject: `分析{公司名}财务数据、盈利能力与估值`\n- description 包含：\n  1. 近3-5年营收、净利润、经营利润趋势\n  2. 盈利能力指标：ROE、ROA、毛利率、经营利润率\n  3. 现金流分析：经营性现金流、自由现金流、资本开支\n  4. 资产负债表健康度：现金储备、负债率、流动性\n  5. 估值分析：PE/PS/PB/EV等，与历史及同业对比\n  6. 安全边际评估：内在价值 vs 当前股价\n  7. **金融严谨性验证（必须使用Bash调用工具，禁止心算）**：\n     - 市值验算：`python3 tools/financial_rigor.py verify-market-cap --price {价格} --shares {股本} --reported {报告市值} --currency {币种}`\n     - 估值验算：`python3 tools/financial_rigor.py verify-valuation --price {价格} --eps {EPS} --bvps {每股净资产}`\n     - 关键数据交叉验证：`python3 tools/financial_rigor.py cross-validate --field {字段} --values '{JSON}' --unit {单位}`\n     - 三情景估值：`python3 tools/financial_rigor.py three-scenario --price {价格} --eps {EPS} --shares {股本亿} --growth {乐观} {中性} {悲观} --pe {乐观PE} {中性PE} {悲观PE}`\n     - 将工具输出结果直接嵌入报告中作为验证记录\n\n#### 任务3：行业与竞争分析\n- subject: `分析{行业}行业格局与{公司名}竞争态势`\n- description 包含：\n  1. 行业规模与增长：市场规模、增速、渗透率\n  2. 竞争格局：主要对手市场份额、竞争策略对比\n  3. 核心竞争者威胁评估：逐个分析主要竞争对手\n  4. 各细分赛道格局\n  5. 行业趋势：技术变革、政策影响、新进入者\n  6. 产业链分析：上中下游价值分配\n  7. 要求搜索最新行业数据和竞争动态\n\n#### 任务4：风险与管理层评估\n- subject: `评估{公司名}投资风险与管理层质量`\n- description 包含：\n  1. 管理层评估：CEO能力圈、诚信度、战略眼光、资本配置能力、历史决策质量\n  2. 监管风险：当前及潜在监管影响\n  3. 竞争风险：各竞争对手威胁程度评估\n  4. 业务风险：新业务亏损、扩张不确定性\n  5. 宏观风险：经济周期、行业周期影响\n  6. 治理结构：股权结构、关联交易、股东回报政策\n  7. 长期确定性：10年后公司会怎样？什么可能颠覆其商业模式？\n  8. 要求搜索最新监管动态、管理层言论等\n\n### 第四步：启动4个并行Agent\n\n使用 Task 工具同时启动4个Agent（**必须在同一条消息中并行调用**）：\n\n每个Agent的配置：\n- `subagent_type`: `general-purpose`\n- `run_in_background`: `true`\n- `team_name`: 对应团队名\n- `name`: 对应角色名（business-analyst / financial-analyst / industry-researcher / risk-assessor）\n\n每个Agent的prompt模板：\n\n```\n你是{公司名}投研团队中的\"{角色中文名}\"，负责从{大师名}投资视角分析{公司名}。\n\n请完成任务 #{任务编号}：{任务subject}\n\n具体要求：\n{任务description的内容}\n\n**研究方法**：\n- 使用 WebSearch 搜索最新公开信息（财报、行业报告、新闻）\n- **财务数据必须来自两个独立来源**，按 `skills/financial-data.md` 规范执行（美股：macrotrends+stockanalysis；港股：aastocks+macrotrends；A股：东方财富+巨潮资讯；台股：FinMind `tools/twstock_data.py`+Goodinfo），两源误差>1%须标记\n- 确保数据准确，关键数据标注来源\n- 分析要深入，不流于表面\n- **联网失败禁止伪装**：若 WebSearch 被拦截/不可用，禁止用训练知识冒充联网结果。必须在报告顶部醒目标注「⚠️ 本报告未能联网，基于训练知识（截止日期 X），置信度降级」，并如实告知 team-lead，由其决定是否中止研究\n\n**输出要求**：\n- 报告要详尽，使用Markdown表格呈现关键数据\n- 每个分析维度要有明确结论和评分\n- 报告末尾要有该维度的总体结论\n\n**完成后**：\n1. 使用 TaskUpdate 将任务 #{任务编号} 标记为 completed\n2. 通过 SendMessage 把完整分析报告发送给 team-lead（type: \"message\", recipient: \"team-lead\"）\n```\n\n### 第五步：接收报告并跟踪进度\n\n- 向用户实时展示进度表（哪些Agent已完成、哪些仍在研究中）\n- 每收到一份报告，更新进度并展示该报告的核心要点（3-5条）\n- 等待全部4份报告到齐\n\n### 第六步：关闭团队成员\n\n全部报告收到后，向4个Agent发送 shutdown_request（使用 SendMessage，type: \"shutdown_request\"）。\n\n### 第七步：汇总最终报告\n\n综合4份分析报告，输出以下结构的最终报告：\n\n---\n\n#### 1. 一句话结论\n> 用一段话（50-100字）概括是否值得投资及核心逻辑\n\n#### 2. 四维评分总表\n| 维度 | 框架 | 评分(1-5星) | 核心判断 |\n|------|------|------------|----------|\n\n综合评分：X / 5\n\n#### 3. 核心数据速览\n关键财务和经营指标表格（近2年对比）\n\n#### 4. 各维度分析摘要\n每个维度摘取3-5条最重要的发现\n\n#### 5. 投资论点（Bull vs Bear）\n- 🟢 看多逻辑（5-7条）\n- 🔴 看空逻辑（5-7条）\n\n#### 6. 巴菲特买入前Checklist\n| # | 检查项 | 通过? | 说明 |\n10个核心检查项，逐一评估\n\n#### 7. 最终投资建议\n- 定性判断表（生意质量/管理层/估值/时机）\n- 分层操作建议表（激进型/稳健型/保守型 → 建议+价格区间）\n- 关键催化剂（加仓信号/减仓信号各3-5条）\n\n#### 8. 总结段落\n100-200字的最终总结\n\n---\n\n### 第八步：保存报告\n\n将完整最终报告写入 `~/{公司名}投资研究报告_{日期}.md`（日期格式 YYYYMMDD）。\n\n### 第九步：数据抽检（准出流程）\n\n```bash\n# Step 1 — 提取抽检清单（15%随机抽样）\npython3 tools/report_audit.py extract \\\n  --report <报告文件路径>\n\n# Step 2 — 对清单每项从可靠信源取数（参见 skills/financial-data.md）\n\n# Step 3 — 输出准出/打回判决\npython3 tools/report_audit.py verdict \\\n  --results '<填好的JSON>' \\\n  --report <报告文件名>\n```\n\n**【准出】** 全部通过 → 报告可发布；**【打回】** 有不通过 → 修正后重审。\n\n### 第十步：清理团队\n\n使用 TeamDelete 清理团队资源。\n\n## 重要注意事项\n\n1. **4个Agent必须并行启动**——在同一条消息中调用4次Task工具\n2. **Agent通过SendMessage汇报**——不是文件协作，是消息通信\n3. **数据准确性**——要求Agent使用WebSearch搜索最新数据，关键数据交叉验证\n4. **结论要明确**——不回避给出买入/观望/回避建议和具体价格区间\n5. **所有分析必须有数据支撑**——附数据来源\n6. **耐心等待**——4个Agent研究需要几分钟，实时向用户更新进度\n7. **反偏见意识**——team-lead在汇总时必须评估：各Agent的分析是否受限于资料充裕度？是否与市场共识过度趋同？最终报告需包含\"信息丰富度评级\"和\"AI研究局限性声明\"\n8. **信息稀缺时的诚实原则**——宁可在报告中留白标注\"数据不足\"，也不要用推测填满框架伪装确定性\n","codex-skills/investment-research/SKILL.md":"---\nname: investment-research\ndescription: \"AI Berkshire skill: 投资研究：巴菲特-芒格-段永平-李录 四大师综合分析框架. Source: skills/investment-research.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/investment-research.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 投资研究：巴菲特-芒格-段永平-李录 四大师综合分析框架\n\n对 $ARGUMENTS 进行系统化投资研究分析。\n\n## 研究框架\n\n基于巴菲特、芒格、段永平、李录四位投资大师的方法论，按以下七个模块顺序执行研究：\n\n### 前置步骤：AI研究偏见自觉（必须执行）\n\n在开始研究前，先评估该公司的\"AI可研究性\"，识别潜在的数据偏见：\n\n**信息丰富度评级**：\n| 等级 | 特征 | AI研究陷阱 | 应对策略 |\n|------|------|-----------|---------|\n| A级（信息充裕） | 上市多年、券商覆盖多、媒体报道密集 | 共识过强，AI输出趋同于市场定价，alpha有限 | 重点做反面检验：聪明人为什么不买？被忽略的风险是什么？ |\n| B级（信息适中） | 上市1-3年、覆盖有限、部分数据需推算 | AI可能用\"合理推测\"填补空白，看起来完整实则虚假确定性 | 每个推算数据标注置信度，区分\"有据推算\"和\"凭空填充\" |\n| C级（信息稀缺） | 刚上市/冷门股/新兴市场、几乎无覆盖 | AI会因资料不足而过度保守，误判为\"看不清=不好\" | 用第一性原理提问（见下方），从有限信息中提取商业本质 |\n\n**C级公司的第一性原理研究法**：\n当公开资料不足时，不要试图拼凑出\"看起来完整\"的报告，而是聚焦以下底层问题：\n1. 客户是谁？为什么付钱？有没有替代选择？\n2. 复购靠什么驱动？是习惯、锁定、还是持续创造新价值？\n3. 竞争对手拿100亿能复制这门生意吗？\n4. 管理层做过什么关键决策？这些决策反映了什么判断力和价值观？\n\n**偏见自查清单**（研究全程保持警惕）：\n- [ ] 我的\"确定性\"感受是来自生意本质，还是来自资料数量？\n- [ ] 如果把这家公司的资料量减少一半，我的结论会变吗？\n- [ ] AI输出的分析是否与市场共识高度雷同？如果是，我的信息优势在哪？\n- [ ] 是否存在\"公开资料很少但生意本质极好\"的可能性被低估了？\n\n将信息丰富度评级结果写入报告开头，并在最终结论中注明\"AI研究置信度\"与\"实际投资确定性\"的区别。\n\n### 第一步：数据收集\n\n> **数据源规范**：参见 `skills/financial-data.md`。所有财务数据必须来自两个独立来源，误差>1%须标记。\n> - 美股：macrotrends（主）+ stockanalysis（副）\n> - 港股：aastocks（主）+ macrotrends ADR（副）\n> - A股：东方财富（主）+ 巨潮资讯（副）\n\n使用 Task 工具启动后台 Agent，从网络收集以下数据：\n\n1. 收入结构：最近财年及近4季度分部收入、增速、毛利率\n2. 财务指标：近5年收入、净利润、毛利率、经营利润率、自由现金流、现金储备\n3. 竞争格局：市场份额、主要竞争对手对比\n4. 商业模式与护城河：核心竞争优势来源\n5. 技术能力：核心技术栈、研发投入\n6. 管理层：创始人/CEO履历、持股比例、关键决策记录\n7. 行业前景：TAM（总可寻址市场）、增长预测\n8. 风险因素：地缘政治、监管、供应链等\n9. 当前估值：市值、PE、PS、PEG、EV/Revenue\n10. 多空双方核心论点\n\n#### 数据交叉验证（必须执行，使用金融严谨性工具）\n\n数据收集完成后，**必须调用 `tools/financial_rigor.py` 对关键数据进行程序化验证**，杜绝LLM心算误差。\n\n**必须验证的数据点**：\n- 总股本（从交易所、Yahoo Finance、StockAnalysis 等至少2个源确认）\n- 当前股价和市值（**手动计算 股价×总股本 并与报告市值对比，防止单位错误**）\n- 最近财年收入和净利润（从公司年报+至少1个第三方源确认）\n- 现金储备和净现金（现金+短期投资-总债务，注意口径差异）\n- 管理层持股比例（区分经济权益和投票权，注意AB股结构）\n\n**强制验证步骤（使用Bash调用工具）**：\n\nStep 1 — 市值验算（精确十进制，非浮点）：\n```bash\npython3 tools/financial_rigor.py verify-market-cap \\\n  --price {股价} --shares {总股本} --reported {报告市值} --currency {币种}\n```\n\nStep 2 — 关键数据多源交叉验证：\n```bash\npython3 tools/financial_rigor.py cross-validate \\\n  --field {字段名} --values '{\"来源1\": 数值, \"来源2\": 数值}' --unit {单位}\n```\n对收入、净利润、现金储备分别执行。\n\nStep 3 — 估值指标精确验算（PE/PB/ROE/FCF Yield 等）：\n```bash\npython3 tools/financial_rigor.py verify-valuation \\\n  --price {股价} --eps {EPS} --bvps {每股净资产} --fcf-per-share {每股FCF} --dividend {每股股息}\n```\n\n**验证规则**：\n1. 每个关键数据点至少2个独立来源\n2. 发现来源间有差异时，优先采用公司年报/交易所数据，并注明差异原因\n3. **所有涉及计算的数据必须通过工具验算，禁止LLM心算**\n4. 工具输出结果直接嵌入报告附录\"关键数据交叉验证记录\"\n5. 如果工具报告 ❌ 偏差过大，必须排查原因后才能继续分析\n\n**常见错误防范**：\n- 市值单位：港币亿 vs 人民币亿 vs 美元亿，容易漏写/多写一个零\n- FCF口径：不同来源对资本支出的定义可能不同（是否含租赁、收购等）\n- 债务口径：是否包含经营租赁负债\n- 持股比例：AB股公司的经济权益 ≠ 投票权\n\n### 第二步：生意本质分析 — 段永平\"对的生意\"\n\n分析要点：\n- 用一句话定义这门生意的本质\n- 收入结构拆解（图表）\n- 5年盈利能力趋势（图表）\n- 商业模式画布：一次性销售 vs 订阅/复购？硬件 vs 软件 vs 平台？\n- 生态粘性/客户锁定强度\n- 毛利率水平与同行对比，解释为什么高/低\n- 经营杠杆分析\n- **段永平式追问**：这门生意好在哪？如果只能用一句话描述，是什么？\n\n### 第三步：护城河评估 — 巴菲特\"经济护城河\"\n\n逐一验证五类护城河：\n\n| 护城河类型 | 验证方法 |\n|-----------|---------|\n| 品牌/定价权 | 是否能在不损失销量的情况下提价？ |\n| 转换成本 | 客户迁移到竞品的成本有多高？ |\n| 网络效应 | 用户越多产品越好吗？ |\n| 规模效应 | 规模带来的成本优势有多大？ |\n| 技术/专利壁垒 | 技术领先几年？能否被复制？ |\n\n分析护城河趋势：过去5年变宽还是变窄？未来5年预判。\n\n**巴菲特式追问**：10年后这条护城河还在吗？什么能摧毁它？\n\n### 第四步：逆向思考与风险清单 — 芒格\"反过来想\"\n\n- 列出\"这家公司可能失败的所有路径\"（表格：路径/概率/影响程度）\n- 历史类比：找到历史上处于相似位置的公司，结局如何？\n- 跨学科分析：用网络效应理论、技术采纳曲线、竞争博弈等模型交叉验证\n- 偏误自查：叙事偏差、锚定效应、幸存者偏差\n- 收集空方核心论点\n\n**芒格式追问**：我最可能在哪里犯错？聪明人为什么会不买/做空这家公司？\n\n### 第五步：管理层评估 — 段永平\"对的人\" + 巴菲特\"管理层诚信\"\n\n- CEO/创始人关键决策复盘（表格：时间/决策/结果/评分）\n- 资本配置能力：研发回报率、并购成功率、回购时机\n- 股东利益一致性：管理层持股、薪酬结构、减持记录\n- 组织能力：团队稳定性、关键人才风险\n- 企业文化特征\n\n**段永平式追问**：如果CEO退休，这家公司还能保持竞争力吗？\n\n### 第六步：行业与文明趋势 — 李录\"文明演进框架\"\n\n- 判断所在行业是否处于\"文明级范式转移\"\n- 历史技术革命类比（蒸汽机/电力/互联网/AI）\n- TAM增长曲线与天花板分析\n- 公司在产业价值链中的位置\n- 技术路线风险\n- 客户/供应商集中度分析\n\n**李录式追问**：站在20年后回看，这家公司是\"这个时代的标准石油\"还是\"昙花一现的3Com\"？\n\n### 第七步：估值与安全边际 — 巴菲特\"内在价值\" + 段永平\"对的价格\"\n\n- 当前市场定价（关键估值指标表格）—— **必须通过工具验算**\n- 反向DCF：当前股价隐含了什么增长预期？\n- 三情景估值 —— **必须通过工具精确计算，禁止心算**：\n```bash\npython3 tools/financial_rigor.py three-scenario \\\n  --price {股价} --eps {EPS} --shares {总股本亿} \\\n  --growth {乐观增速} {中性增速} {悲观增速} \\\n  --pe {乐观PE} {中性PE} {悲观PE} --years 3 --currency {币种}\n```\n- 与自身历史估值对比\n- 与同行估值对比\n\n#### 长期折现估值（十年尺度，必须执行）\n\n**角色分工（硬约束，禁止混用）：**\n\n| 工具 | 回答的问题 | **不是**什么 |\n|---|---|---|\n| **三年三情景**（`financial_rigor.py three-scenario`） | **\"贵不贵\"**——相对内在价值/历史/同行，当前价有没有安全边际 | 重仓裁决、一票否决 |\n| **十年折现**（`terminal_value.py`） | **仓位压力测试**——在声明的 r 下，十年期望 IRR 能否覆盖资本成本；用于**组合仓位上限/是否值得加大仓位**的压力测试 | **买入/持有/回避的唯一否决票** |\n\n三年三情景回答\"贵不贵\"；十年折现回答\"在声明的折现率下，仓位能不能加到多重\"。**十年基准 IRR 低于 r，只能收紧仓位建议，不得单独把最终决策改成回避/观望。** 最终买/持/回避必须由生意质量、护城河、管理层、风险、文明趋势与估值**六个维度并列**得出，十年模型只是估值维度里的压力测试输入。\n\n> 方法论一致性优先于\"调低 r 去买\"：敏感性和翻转检查是为了暴露\"结论买的是公司还是折现率\"，**禁止**为了迎合 thesis 或主观买入冲动而把 r 调出币种合理区间。\n\n**凡是给出十年期 IRR 或终值倍数的研究，必须走这套流程**，用 `tools/terminal_value.py`。\n\n终值倍数只有一个合法来源——永续增长模型，**不许用同业类比**：\n\n$$PE_{终值} = \\frac{1 - g/ROIC}{r - g}$$\n\n> \"帝亚吉欧 13 倍所以茅台给 16 倍\"是循环论证：用别人今天的价格，证明我假设的价格合理。市场今天整体贵，类比法就把这份贵原封不动搬到十年后。\n\n**Step 1 — 定三个输入，逐个写出理由（这一步全是判断，不是计算，必须在报告里交代）：**\n\n| 输入 | 怎么定 | 常见错误 |\n|---|---|---|\n| **r** 资本成本 | 无风险利率 + β × ERP。**币种必须与现金流一致**：人民币口径 6%–9%（主用 8%），美元/港元口径 9%–11.5%（主用 10%） | 跟着国债利率跑。中国国债 1.70% 折出来的 PE 会到 50 倍以上，那不是估值是放大偏见 |\n| **ROIC** 稳态增量资本回报 | 夹在存量 ROIC（含不上表的无形护城河，偏高）与派息反解的隐含增量 ROIC（假设 capex 回报为零，偏低）之间 | 直接用存量 ROIC。等于假设新投的每块钱都能复制建立微信时的回报 |\n| **g** 永续增速 | **不是未来十年增速**（那已在终值利润里），是终值年之后到永远。硬天花板是长期名义 GDP：人民币口径基准档 ≤2%，美元口径 ≤4% | 用美元的 g 配人民币的 r。3% 名义增长在美国是 0.5% 实际（保守），在中国是 2% 实际（激进） |\n\n**g 不随 r 变**——g 是对终值年之后经济的判断，r 是你要求的回报，两件独立的事。做敏感性时只动 r。\n\n**Step 2 — 三条硬约束准出检查（不通过不许把估值写进报告）：**\n\n```bash\npython3 tools/terminal_value.py audit \\\n  --currency {CNY|USD|HKD} --r {资本成本} --roic {稳态ROIC} \\\n  --g {悲观g},{基准g},{乐观g} --rf {无风险利率} --beta 1.0 \\\n  --discrete-risks \"{风险名}:{情景|尾部档|概率|未建模},...\"\n```\n\n三条检查的内容与打回条件：\n\n| # | 检查 | 打回条件 |\n|---|---|---|\n| **C1** | **r 与 g 必须同币种** | r 落在别的币种区间、或基准档 g 超过本币上限。工具会直接指出\"这是 USD 的量级——r 用了本币而 g 用了外币\" |\n| **C2** | **分母 r−g ≥ 5 个百分点** | 任一档不足 5pct。分母越窄 g 动一点点估值就翻天；分母 ≤0 直接判模型失效。确实要做上行/下行情景时加 `--upside-only` 显式声明，但报告里必须写明\"这是情景不是估值\" |\n| **C3** | **离散风险不得进 r 或 β** | 任一风险归属写成 `折现率`/`r`/`beta` 一律打回。退市、VIE 失效、地缘断供、监管重击必须归 `情景` 或 `尾部档`。β 偏离 1.0 必须给 `--beta-justification` |\n\n**C3 为什么是硬的**：抬 r 三个百分点，对第 10 年现金流的惩罚是第 1 年的 2.6 倍；而退市风险是大致均匀甚至前置的年度危害率。**用折现率处理离散风险，会系统性地把风险的时间分布搞反。** 正确做法是单列一个尾部情景档并给它一个概率。\n\n**C1/C2/C3 的完整论证见** `reports/7公司10年投资价值横评-确定性调整后回报-20260814.md` 第 3.4–3.6 节——三条都是那份报告实际踩过的坑。\n\n**Step 3 — 出数（准出后才能跑）：**\n\n```bash\n# 单点退出 PE，打印完整算式（留存率/分子/分母全部展开，便于报告引用）\npython3 tools/terminal_value.py pe --roic {ROIC} --g {g} --r {r}\n\n# 从零算 IRR\npython3 tools/terminal_value.py irr \\\n  --profit {终值年利润} --mcap {今日市值} --pe {退出PE} \\\n  --years 10 --payout {股息率-稀释率}\n```\n\n多公司横评时把参数写成 JSON 传 `--config`，再用 `table` / `sweep` / `check`。\n\n**Step 4 — 报告里必须写出的五件事：**\n\n1. **r 取值、币种、以及配对的 g 上限**。不写明 r 就报 IRR，报的是自己的偏好。\n2. **r±2pp 敏感性与结论是否翻转（硬约束，写买入/持有/回避之前必须跑）**：\n   ```bash\n   # 内置预设公司（腾讯/阿里巴巴/拼多多/贵州茅台/泡泡玛特/美团/MiniMax）\n   python3 tools/terminal_value.py flip \\\n     --name {预设公司名} --r {基准r} --delta 0.02 \\\n     --currency {CNY|USD|HKD} --g-shift {币种平移} --rf {无风险利率}\n\n   # 新公司：内联参数（字段含义同下方 --config）\n   python3 tools/terminal_value.py flip \\\n     --name {公司名} --roic {稳态ROIC} --g {悲观g},{基准g},{乐观g} \\\n     --p {悲观概率},{基准概率},{乐观概率} --irr10={悲观},{基准},{乐观} --k {股息率-稀释率} \\\n     --r {基准r} --delta 0.02 --currency {CNY|USD|HKD} --g-shift {币种平移} --rf {无风险利率}\n\n   # 新公司：或写成 JSON 传 --config（多家公司可写在同一文件，--name 取其中的键）\n   python3 tools/terminal_value.py flip --config {配置.json} --name {公司名} \\\n     --r {基准r} --delta 0.02 --currency {CNY|USD|HKD} --g-shift {币种平移} --rf {无风险利率}\n   ```\n   `--config` 文件格式（与内置预设字段一致，`k` 可省略，默认 0）：\n   ```json\n   {\n     \"某公司\": {\n       \"roic\": 0.18,\n       \"g\": [0.015, 0.030, 0.040],\n       \"p\": [0.35, 0.50, 0.15],\n       \"irr10\": [-2.0, 8.0, 14.0],\n       \"k\": 0.01\n     }\n   }\n   ```\n   | 字段 | 含义 |\n   |---|---|\n   | `roic` | 2036 稳态增量 ROIC（Step 1 的判断值），小数 |\n   | `g` | 悲观/基准/乐观三档永续增速（平移前的原始口径），小数；币种换算用 `--g-shift` 显式表达 |\n   | `p` | 三档概率，和为 1 |\n   | `irr10` | 在 r=10%、原始 g 下三档的十年 IRR（百分数，如 8.0 表示 8%），是换算其他 r 的锚点；用 Step 3 的 `pe` + `irr` 按 r=10% 逐档算出。内联时用等号写法 `--irr10=-2,8,14`（首项为负时必须） |\n   | `k` | 股息率 − 稀释率，年化小数 |\n\n   - **`--currency` 必填**，与 Step 2 audit 用同一币种。工具按 `CURRENCY_BANDS`（人民币 6%–9%，美元/港元 9%–11.5%，同 audit C1）判定每一档：**区间外的档位标\"区间外，仅供参考\"，不参与翻转判定**；基准 r 本身在区间外直接【打回】。\n   - 必须同时报告 `r−2pp` / `r` / `r+2pp` 三档的期望 IRR，以及每一档相对\"期望 IRR ≥ r\"（覆盖资本成本）是否通过压力测试；区间外档位照抄\"仅供参考\"标注，**不得**用区间外档位的\"通过\"论证买入。\n   - **必须显式写出：结论是否在币种合理区间内随 Δr 翻转。** 若 ±2pp 两侧都落在区间外（工具会提示\"区间内只有基准一档参与判定\"），再用 `--delta 0.01` 在区间内复核一次，两次结果都写进报告。若翻转，报告须标明\"本结论对折现率敏感，仓位建议须降级；不得把单一基准 r 下的未通过当作买入否决\"。\n   - 多公司横评时，另用 `sweep` 检验排序稳定性；绝对数字受 r 支配，排序才是稳健结论。\n3. **每一档的 r−g 分母宽度**，凡低于 5pct 的必须标注\"仅作情景参考\"。\n4. **未建模的离散风险清单**（audit 里标 `未建模` 的），写进\"限制\"章节。\n5. **分歧对账块（Reconciliation，条件强制）**：当十年压力测试结论（期望 IRR 相对 r）与三年三情景的\"贵不贵\"、或与仓库内既有 thesis / 本报告前六步综合倾向**方向不一致**时，报告**必须**单独开一节「估值分歧对账」，写清：\n   - 分歧双方各依据什么（三年安全边际 vs 十年 r 下 IRR）；\n   - 哪一边是**定价判断**、哪一边是**仓位压力测试**；\n   - 最终买/持/回避如何综合六个维度得出，**禁止**用十年未覆盖 r 一票否决其他维度与 thesis 证据；\n   - 若选择维持买入/持有，须说明仓位上限如何被十年压力测试收紧（而非假装十年模型不存在）。\n\n**巴菲特式追问**：这个 r 如果错 2 个百分点，我的结论会翻转吗？如果会，我的结论买的是公司还是折现率？（用 `flip` 的输出直接回答，禁止口头带过。）\n\n**段永平式追问**：如果股市明天关闭5年，你愿意以这个价格持有吗？\n\n### 第八步：综合决策备忘录\n\n汇总表格（**六个维度并列**；估值一格须同时反映三年\"贵不贵\"与十年仓位压力测试，**禁止**只填十年 IRR 相对 r 的通过/未通过）：\n\n| 维度 | 结论 | 信心度 |\n|------|------|--------|\n| 生意质量（段永平） | | |\n| 护城河（巴菲特） | | |\n| 管理层（段永平+巴菲特） | | |\n| 最大风险（芒格） | | |\n| 文明趋势（李录） | | |\n| 估值（巴菲特+段永平） | 三年：… / 十年压力测试：…（附 flip 是否翻转） | |\n\n**估值解除语（硬约束）**：上表估值维度**不是**最终决策的唯一裁决。十年折现未覆盖 r，只能下调仓位建议，不得单独把空仓者/持仓者策略改成\"回避/观望\"。若十年结论与三年/thesis 分歧，必须已完成第七步的「估值分歧对账」块。\n\n最终决策表格：\n\n| 策略 | 建议 |\n|------|------|\n| 空仓者 | |\n| 持仓者 | |\n| 卖出信号 | |\n| 加仓信号 | |\n\n#### 四位大师模拟点评（硬约束：先读原文，禁止发明引语）\n\n写巴菲特 / 芒格 / 段永平 / 李录的模拟点评之前，**必须**对每位大师执行：\n\n1. **Read 原始出处**：优先读本仓库内与该公司相关的一手材料（如 `reports/.../段永平雪球发言-*.md`、大师公开信/演讲摘录、已引用的权威转载）；若仓库无存档，用公开可核验来源（雪球原文、股东信、访谈实录）并在点评下标注 URL 或文件路径。\n2. **引用原话**：每位至少给出 **1 条可核验原话**（短引 + 出处），模拟点评只能是对该原话立场的延伸，不得换成相反立场。\n3. **禁止发明引语**：不得捏造大师未说过的句子，不得用大师名字给与其公开立场相反的结论背书。\n4. **冲突处理**：若模拟点评为迎合本报告\"观望/回避\"而写出的立场，与已 Read 到的原话**相反**，必须二选一——**(a)** 改正点评使其与原话一致，或 **(b)** 在报告中显式标注「与大师公开立场冲突：原话=…；本报告估值压力测试=…」，**禁止**静默歪曲。\n5. **读不到就不代言**：若某位大师对该公司/该议题无足够原文可 Read，写「资料不足，不模拟代言」，不得凭训练语料编一段\"听起来像\"的点评。\n\n## 输出要求\n\n1. 所有分析必须有数据支撑，附数据来源\n2. 使用 Markdown 表格呈现关键数据\n3. 每个模块末尾必须有对应大师的\"追问\"\n4. 最终将完整报告写入 `~/[公司名]投资研究报告.md`\n5. 结论要明确，不回避给出买入/观望/回避的建议\n6. 估值部分必须给出具体的价格区间\n7. **报告开头**必须包含\"信息丰富度评级\"（A/B/C）和\"AI研究局限性声明\"\n8. **报告结尾**必须区分\"AI分析置信度\"与\"投资确定性\"——前者取决于资料量，后者取决于生意本质。明确告知读者：本报告的哪些结论基于充分数据，哪些基于有限信息的推理\n9. 如果公司属于C级（信息稀缺），报告末尾必须列出\"需要一手验证的问题清单\"——建议读者通过田野调查、产品体验、供应链访谈等方式补充AI的盲区\n\n## 数据抽检（准出流程）\n\n报告写入文件后，**必须**执行数据抽检，通过后方可发布：\n\n**Step 1 — 提取抽检清单（15%随机抽样）：**\n```bash\npython3 tools/report_audit.py extract \\\n  --report <报告文件路径>\n```\n输出 JSON 模板，每项含 `fetched_value`（待填）。\n\n**Step 2 — 取数核验：**\n对清单中每个数据点，按 `skills/financial-data.md` 规范从可靠信源取数\n（美股：macrotrends+stockanalysis；港股：aastocks+macrotrends；A股：东方财富+巨潮资讯），\n填入 `fetched_value` / `fetched_source` / `fetched_value2` / `fetched_source2`。\n\n**Step 3 — 输出判决：**\n```bash\npython3 tools/report_audit.py verdict \\\n  --results '<填好的JSON>' \\\n  --report <报告文件名>\n```\n\n- **【准出】**：所有抽检点偏差 ≤ 1% → 报告可发布\n- **【打回】**：任意点偏差 > 1% → 修正对应数据后重新抽检，直到准出\n\n**Step 4 — 估值口径复检（含十年折现估值的报告必须执行）：**\n\n如果报告里出现了十年期 IRR 或终值倍数，把最终定稿用的参数再跑一遍 audit，确认写进报告的数字与准出时的一致：\n\n```bash\npython3 tools/terminal_value.py audit \\\n  --currency {币种} --r {r} --roic {ROIC} --g {三档g} --rf {无风险利率} \\\n  --beta {β} --discrete-risks \"{风险归属清单}\"\n```\n\n- **【准出】**（退出码 0）→ 报告可发布\n- **【打回】**（退出码 1）→ 修正后重跑，直到准出\n\n**这一步不能跳过的原因**：第七步的 audit 是在算数之前做的，而写报告的过程中经常会回头调 g 或 r。**准出前的最后一次 audit 才是对报告负责的那一次。**\n","codex-skills/industry-research/SKILL.md":"# industry-research\n\nPath: `codex-skills/industry-research/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/industry-research/SKILL.md)","codex-skills/industry-funnel/SKILL.md":"# industry-funnel\n\nPath: `codex-skills/industry-funnel/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/industry-funnel/SKILL.md)","codex-skills/income-investment/SKILL.md":"# income-investment\n\nPath: `codex-skills/income-investment/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/income-investment/SKILL.md)","codex-skills/financial-data/SKILL.md":"# financial-data\n\nPath: `codex-skills/financial-data/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/financial-data/SKILL.md)","codex-skills/earnings-team/SKILL.md":"# earnings-team\n\nPath: `codex-skills/earnings-team/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/earnings-team/SKILL.md)","codex-skills/earnings-review/SKILL.md":"# earnings-review\n\nPath: `codex-skills/earnings-review/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/earnings-review/SKILL.md)","codex-skills/dyp-ask/SKILL.md":"# dyp-ask\n\nPath: `codex-skills/dyp-ask/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/dyp-ask/SKILL.md)","codex-skills/deep-company-series/SKILL.md":"# deep-company-series\n\nPath: `codex-skills/deep-company-series/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/deep-company-series/SKILL.md)","codex-skills/bottleneck-hunter/SKILL.md":"# bottleneck-hunter\n\nPath: `codex-skills/bottleneck-hunter/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/bottleneck-hunter/SKILL.md)","AGENTS.md":"# AI Agent Protocol & Instructions\n\nPath: `AGENTS.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/AGENTS.md)","CLAUDE.md":"# Claude Agent Guidelines & System Prompt\n\nPath: `CLAUDE.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/CLAUDE.md)","skills/bottleneck-hunter.md":"# Skills Skill\n\nPath: `skills/bottleneck-hunter.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/bottleneck-hunter.md)","skills/deep-company-series.md":"# Skills Skill\n\nPath: `skills/deep-company-series.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/deep-company-series.md)","skills/dyp-ask.md":"# Skills Skill\n\nPath: `skills/dyp-ask.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/dyp-ask.md)","skills/earnings-review.md":"# Skills Skill\n\nPath: `skills/earnings-review.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/earnings-review.md)","skills/earnings-team.md":"# Skills Skill\n\nPath: `skills/earnings-team.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/earnings-team.md)","skills/financial-data.md":"# Skills Skill\n\nPath: `skills/financial-data.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/financial-data.md)","skills/income-investment.md":"# Skills Skill\n\nPath: `skills/income-investment.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/income-investment.md)","skills/industry-funnel.md":"# Skills Skill\n\nPath: `skills/industry-funnel.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/industry-funnel.md)","skills/industry-research.md":"# Skills Skill\n\nPath: `skills/industry-research.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/industry-research.md)","skills/investment-checklist.md":"# Skills Skill\n\nPath: `skills/investment-checklist.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/investment-checklist.md)","skills/investment-research.md":"# Skills Skill\n\nPath: `skills/investment-research.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/investment-research.md)","skills/investment-team.md":"# Skills Skill\n\nPath: `skills/investment-team.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/investment-team.md)","skills/management-deep-dive.md":"# Skills Skill\n\nPath: `skills/management-deep-dive.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/management-deep-dive.md)","skills/news-pulse.md":"# Skills Skill\n\nPath: `skills/news-pulse.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/news-pulse.md)","skills/portfolio-review.md":"# Skills Skill\n\nPath: `skills/portfolio-review.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/portfolio-review.md)","skills/private-company-research.md":"# Skills Skill\n\nPath: `skills/private-company-research.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/private-company-research.md)","skills/quality-screen.md":"# Skills Skill\n\nPath: `skills/quality-screen.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/quality-screen.md)","skills/thesis-drift.md":"# Skills Skill\n\nPath: `skills/thesis-drift.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/thesis-drift.md)","skills/thesis-tracker.md":"# Skills Skill\n\nPath: `skills/thesis-tracker.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/thesis-tracker.md)","skills/wechat-article.md":"# Skills Skill\n\nPath: `skills/wechat-article.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/wechat-article.md)","codex-skills/investment-memo-craft/agents/openai.yaml":"# Agents Skill\n\nPath: `codex-skills/investment-memo-craft/agents/openai.yaml`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/investment-memo-craft/agents/openai.yaml)"},"items":[{"name":"AGENTS.md","path":"AGENTS.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/AGENTS.md","title":"AI Agent Protocol & Instructions","category":"root-instruction","format":"markdown","content":"# AI Agent Protocol & Instructions\n\nPath: `AGENTS.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/AGENTS.md)","tokens":300,"sizeBytes":153},{"name":"SKILL.md","path":"codex-skills/bottleneck-hunter/SKILL.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/bottleneck-hunter/SKILL.md","title":"bottleneck-hunter","category":"anthropic-skill","format":"markdown","content":"# bottleneck-hunter\n\nPath: `codex-skills/bottleneck-hunter/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/bottleneck-hunter/SKILL.md)","tokens":300,"sizeBytes":198},{"name":"SKILL.md","path":"codex-skills/deep-company-series/SKILL.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/deep-company-series/SKILL.md","title":"deep-company-series","category":"anthropic-skill","format":"markdown","content":"# deep-company-series\n\nPath: `codex-skills/deep-company-series/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/deep-company-series/SKILL.md)","tokens":300,"sizeBytes":204},{"name":"SKILL.md","path":"codex-skills/dyp-ask/SKILL.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/dyp-ask/SKILL.md","title":"dyp-ask","category":"anthropic-skill","format":"markdown","content":"# dyp-ask\n\nPath: `codex-skills/dyp-ask/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/dyp-ask/SKILL.md)","tokens":300,"sizeBytes":168},{"name":"SKILL.md","path":"codex-skills/earnings-review/SKILL.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/earnings-review/SKILL.md","title":"earnings-review","category":"anthropic-skill","format":"markdown","content":"# earnings-review\n\nPath: `codex-skills/earnings-review/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/earnings-review/SKILL.md)","tokens":300,"sizeBytes":192},{"name":"SKILL.md","path":"codex-skills/earnings-team/SKILL.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/earnings-team/SKILL.md","title":"earnings-team","category":"anthropic-skill","format":"markdown","content":"# earnings-team\n\nPath: `codex-skills/earnings-team/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/earnings-team/SKILL.md)","tokens":300,"sizeBytes":186},{"name":"SKILL.md","path":"codex-skills/financial-data/SKILL.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/financial-data/SKILL.md","title":"financial-data","category":"anthropic-skill","format":"markdown","content":"# financial-data\n\nPath: `codex-skills/financial-data/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/financial-data/SKILL.md)","tokens":300,"sizeBytes":189},{"name":"SKILL.md","path":"codex-skills/income-investment/SKILL.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/income-investment/SKILL.md","title":"income-investment","category":"anthropic-skill","format":"markdown","content":"# income-investment\n\nPath: `codex-skills/income-investment/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/income-investment/SKILL.md)","tokens":300,"sizeBytes":198},{"name":"SKILL.md","path":"codex-skills/industry-funnel/SKILL.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/industry-funnel/SKILL.md","title":"industry-funnel","category":"anthropic-skill","format":"markdown","content":"# industry-funnel\n\nPath: `codex-skills/industry-funnel/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/industry-funnel/SKILL.md)","tokens":300,"sizeBytes":192},{"name":"SKILL.md","path":"codex-skills/industry-research/SKILL.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/industry-research/SKILL.md","title":"industry-research","category":"anthropic-skill","format":"markdown","content":"# industry-research\n\nPath: `codex-skills/industry-research/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/industry-research/SKILL.md)","tokens":300,"sizeBytes":198},{"name":"SKILL.md","path":"codex-skills/investment-checklist/SKILL.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/investment-checklist/SKILL.md","title":"investment-checklist","category":"anthropic-skill","format":"markdown","content":"---\nname: investment-checklist\ndescription: \"AI Berkshire skill: 巴菲特价值投资买入前 Checklist. Source: skills/investment-checklist.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/investment-checklist.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 巴菲特价值投资买入前 Checklist\n\n对 $ARGUMENTS 执行巴菲特价值投资买入前 Checklist 分析。\n\n**支持输入格式**：单个或多个公司，用逗号/顿号/空格分隔。例如：`腾讯, 茅台, 英伟达` 或 `NVDA AAPL MSFT`\n\n## 执行流程\n\n### 第一步：解析输入，识别所有待分析公司\n\n从 $ARGUMENTS 中解析出所有公司名称/代码。对每家公司确定：\n- 公司全称、股票代码、上市交易所\n- 如果公司未上市，标记为\"未上市\"并给出简要说明（是否有间接投资途径），跳过完整Checklist\n\n### 第一步半：AI研究偏见预警\n\n对每家公司进行\"信息丰富度\"快速评级（A/B/C），并在报告中标注：\n\n| 等级 | 判断标准 | 对Checklist的影响 |\n|------|---------|-----------------|\n| A级 | 上市多年、数据充裕 | 正常执行，但警惕\"共识陷阱\"——所有指标看起来都清晰不代表真的确定 |\n| B级 | 数据有限需推算 | 每个推算指标标注置信度，\"好生意\"判断加权考虑数据可靠性 |\n| C级 | 信息极度稀缺 | 不勉强填满六关表格，诚实标注\"数据不足无法判断\"，聚焦可验证的核心问题 |\n\n**核心原则**：Checklist的目标是**排除坏选择**。对于C级公司，\"数据不足\"不等于\"不通过\"，也不等于\"通过\"——应诚实标注为\"灰色地带，需补充一手信息\"，而不是因为AI无法填满表格就判为否决。\n\n段永平说过：\"看不懂\"有两种——一种是生意太复杂真的看不懂，一种是你还没花时间去看。AI研究的局限是容易把\"资料少\"和\"看不懂\"混为一谈。\n\n### 第二步：并行数据收集\n\n使用 Task 工具为**每家公司**启动独立的后台 Agent 进行数据收集（所有公司同时并行启动），每个Agent负责收集：\n\n1. **盈利能力**：ROE（5-10年趋势）、毛利率、净利率、自由现金流\n2. **估值数据**：当前股价、市值、PE(TTM)、前瞻PE、PB、股息率\n3. **增长趋势**：近3年收入/利润增速\n4. **财务健康**：负债水平、资本开支需求、现金储备、净现金/净负债\n5. **竞争格局**：市场份额、主要竞争对手、份额变化趋势\n6. **护城河证据**：品牌/转换成本/网络效应/规模效应/技术壁垒的具体证据\n7. **管理层记录**：CEO履历、关键决策、持股、资本配置记录\n8. **最新动态**：近6个月重大事件（业绩、并购、监管、管理层变动等）\n\n### 第三步：逐公司执行六关 Checklist\n\n对每家已上市公司，依次过六关：\n\n---\n\n#### 第一关：我能理解这门生意吗（能力圈）\n\n必须回答：\n- [ ] 能用一句话说清楚这家公司靠什么赚钱吗？\n- [ ] 10年后大概率还在做什么生意？\n- [ ] 哪些关键变量决定成败？\n- [ ] 对这个行业的认知是来自深度研究还是道听途说？\n\n**评分标准**（★1-5）：\n- ★★★★★：商业模式极其简单清晰，10年确定性高（如茅台：酿酒卖酒）\n- ★★★★☆：模式清晰但有技术门槛，需要一定专业知识理解\n- ★★★☆☆：模式可理解但10年确定性不高，行业变化快\n- ★★☆☆☆：业务线复杂或行业剧变中，难以预判未来\n- ★☆☆☆☆：完全不在能力圈内\n\n**硬性否决**：如果连赚钱方式都说不清，直接标记为\"不在能力圈，不做分析\"。\n\n---\n\n#### 第二关：这是一门好生意吗（经济特征）\n\n用数据说话，**关键指标必须通过工具精确计算**：\n\n```bash\npython3 tools/financial_rigor.py verify-valuation \\\n  --price {股价} --eps {EPS} --bvps {每股净资产} --fcf-per-share {每股FCF} --dividend {每股股息}\n```\n\n| 指标 | 该公司数值 | 参考标准 | 判断 |\n|------|-----------|---------|------|\n| ROE（5年均值） | | >15%优秀, >20%卓越 | |\n| 毛利率 | | >40%暗示定价权 | |\n| 自由现金流 | | 持续为正、≈净利润 | |\n| 资本开支强度 | | 轻资产优于重资产 | |\n| 负债水平 | | 有息负债/净利润<3年 | |\n\n**评分标准**（★1-5）：\n- ★★★★★：ROE>25%、高毛利、强FCF、轻资产、低负债（全部达标）\n- ★★★★☆：4项达标\n- ★★★☆☆：3项达标\n- ★★☆☆☆：2项达标或趋势恶化\n- ★☆☆☆☆：多数不达标或FCF持续为负\n\n---\n\n#### 第三关：护城河够不够深（竞争优势）\n\n逐项检查：\n\n| 护城河类型 | 是否具备 | 具体证据 | 变宽还是变窄？ |\n|-----------|---------|---------|--------------|\n| 品牌/定价权 | | | |\n| 转换成本 | | | |\n| 网络效应 | | | |\n| 成本/规模优势 | | | |\n| 技术/专利壁垒 | | | |\n\n追加检验：如果给竞争对手100亿，能否复制这门生意？\n\n**评分标准**（★1-5）：\n- ★★★★★：多重护城河叠加且在变宽\n- ★★★★☆：至少一条强护城河且稳定\n- ★★★☆☆：有护城河但不够深，或趋势不明\n- ★★☆☆☆：护城河正在被侵蚀\n- ★☆☆☆☆：无明显护城河\n\n---\n\n#### 第四关：管理层是否值得信任（人的因素）\n\n| 检查项 | 评估 |\n|--------|------|\n| 诚实度（承诺vs交付） | |\n| 资本配置能力（回购/分红/并购记录） | |\n| 股东利益导向（持股、薪酬） | |\n| 所有者心态（创始人 vs 职业经理人） | |\n| 公司治理（关联交易、商誉、审计） | |\n| CEO离开后能否照常运转？ | |\n\n**评分标准**（★1-5）：\n- ★★★★★：创始人掌舵、资本配置卓越、利益完全一致\n- ★★★★☆：管理层优秀但有小瑕疵\n- ★★★☆☆：管理层合格但有治理隐患\n- ★★☆☆☆：有诚信或治理问题\n- ★☆☆☆☆：严重诚信问题（→硬性否决）\n\n---\n\n#### 第五关：价格是否足够便宜（安全边际）\n\n| 指标 | 数值 | 历史分位 | 判断 |\n|------|------|---------|------|\n| PE (TTM) | | | |\n| 前瞻PE | | | |\n| PB | | | |\n| 股息率 | | | |\n| FCF Yield | | | |\n\n追加检验（**必须通过工具精确计算，禁止心算**）：\n```bash\npython3 tools/financial_rigor.py three-scenario \\\n  --price {股价} --eps {EPS} --shares {股本亿} \\\n  --growth {乐观} {中性} {悲观} --pe {乐观PE} {中性PE} {悲观PE} --currency {币种}\n```\n- 三情景下的估值区间（取工具输出结果）\n- 如果判断有误，在当前价格买入最多亏多少？\n- 股价腰斩你敢加仓吗？\n\n**评分标准**（★1-5）：\n- ★★★★★：相对内在价值打5折以下，极端安全边际\n- ★★★★☆：打7折，有良好安全边际\n- ★★★☆☆：合理估值，安全边际一般\n- ★★☆☆☆：偏贵，安全边际不足\n- ★☆☆☆☆：严重高估\n\n---\n\n#### 第六关：仓位与决策纪律（防止情绪失控）\n\n检查以下情绪信号：\n- 是否因为FOMO想买？\n- 是否因为别人推荐才想买？\n- 如果停牌5年你能接受吗？\n- 买入论述能否用200字以内写清楚？\n\n---\n\n### 第四步：镜子测试\n\n对每家公司写出镜子测试语句：\n\n> \"我以 ___元 买入 ___公司，因为：\n> 1. 这门生意的本质是___，我理解它；\n> 2. 它的护城河是___，而且在变宽/变窄；\n> 3. 管理层___，值得/不值得信赖；\n> 4. 当前价格相当于内在价值的___折，有/无足够安全边际；\n> 5. 即使我错了，下行风险可控/不可控，因为___。\"\n\n**5句话说不完整 = 不买。** 明确标注\"通过\"或\"未通过\"。\n\n---\n\n### 第五步：快速否决清单\n\n对每家公司逐条检查，触发任何一条直接标注为\"否决\"：\n\n- [ ] 说不清楚这家公司怎么赚钱\n- [ ] 连续3年自由现金流为负且看不到改善\n- [ ] 管理层有诚信污点\n- [ ] 竞争优势正在被不可逆侵蚀\n- [ ] 需要靠\"下一个接盘者出更高价\"来赚钱（博傻）\n- [ ] 无法承受这笔投资归零的后果\n- [ ] 买入理由主要是\"别人都在买\"或\"最近涨得好\"\n- [ ] 无法用200字以内写清楚买入理由\n\n---\n\n### 第六步：输出总览对比表（多公司时必须输出）\n\n当分析多家公司时，必须生成对比总览表：\n\n| 公司 | Checklist通过？ | 能力圈 | 好生意 | 护城河 | 管理层 | 安全边际 | 核心结论 |\n|------|----------------|--------|--------|--------|--------|---------|---------|\n| | | ★☆☆☆☆ | ★☆☆☆☆ | ★☆☆☆☆ | ★☆☆☆☆ | ★☆☆☆☆ | |\n\n---\n\n### 第七步：最终结论与写入文件\n\n对每家公司给出明确结论（不回避）：\n- ✅ **通过 Checklist**（X/6关）— 可以进入深度研究阶段\n- ❌ **未通过 Checklist** — 说明哪条红线被触发\n- ❓ **灰色地带** — 说明关键争议点是什么，投资者需要自行判断什么\n- N/A — 未上市/无法买入\n\n将完整报告写入 `~/巴菲特Checklist-[公司名或\"多公司对比\"].md`\n\n## 输出格式要求\n\n1. 每家公司独立成章，包含：六关评分表 + 核心数据表 + 关键风险（3-5条）+ 镜子测试 + 明确结论\n2. 多公司时在最后附总览对比表\n3. 所有评分必须使用★符号（★1-5），不含半星\n4. 数据必须标注来源时间，估计值必须注明\"估计\"\n5. 文末附结语，呼应巴菲特名言：\"投资的第一条规则是不要亏损\"\n6. 语言风格：直接、犀利、不说废话。用巴菲特/芒格/段永平的语录穿插点评\n\n## 关键原则\n\n- **宁可错过，不可做错**：Checklist的目标是排除坏选择，不是找到最好的\n- **诚实面对能力圈**：看不懂就说看不懂，不要勉强分析\n- **安全边际是生命线**：好公司买贵了也会亏钱\n- **镜子测试不可跳过**：说不清楚理由就不买，没有例外\n","frontmatter":{"name":"investment-checklist","description":"AI Berkshire skill: 巴菲特价值投资买入前 Checklist. Source: skills/investment-checklist.md."},"isInternal":false,"tokens":4134,"sizeBytes":11092},{"name":"openai.yaml","path":"codex-skills/investment-memo-craft/agents/openai.yaml","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/investment-memo-craft/agents/openai.yaml","title":"Agents Skill","category":"anthropic-skill","format":"yaml","content":"# Agents Skill\n\nPath: `codex-skills/investment-memo-craft/agents/openai.yaml`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/investment-memo-craft/agents/openai.yaml)","tokens":300,"sizeBytes":221},{"name":"SKILL.md","path":"codex-skills/investment-memo-craft/SKILL.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/investment-memo-craft/SKILL.md","title":"investment-memo-craft","category":"anthropic-skill","format":"markdown","content":"---\nname: investment-memo-craft\ndescription: Codex-only writing and layout overlay for AI Berkshire investment research reports. Use whenever Codex creates, rewrites, revises, or critiques company/industry/fund research reports, especially long-form Markdown reports that need financial rigor, readable business mechanics, contrarian analysis, valuation-to-action guidance, investor-specific recommendations, restrained typography, and clear buy/hold/sell signals. Do not use this to modify Claude Code slash-command sources.\n---\n\n# Investment Memo Craft\n\n## Purpose\n\nTurn investment research into a decision-ready Codex research report. Keep the data discipline of the underlying research skill, but make the output easier for an investor to use: concrete business mechanics, sharp inverse thinking, explicit opportunity cost, action thresholds, and calm Markdown typography.\n\nUse this as a writing and judgment overlay. It does not replace financial-data rules, primary-source checks, valuation tools, or report audit tooling.\n\nFor long-form AI Berkshire outputs, title the artifact as a \"research report\" by default. Use \"investment memo\" only when the user explicitly asks for a memo format.\n\nThis is a Codex-only hand-written skill kept under `codex-skills/` for simple installation. Do not add a same-named `skills/investment-memo-craft.md` source unless intentionally adopting this workflow for Claude Code too.\n\n## Core Workflow\n\n1. Open with context; reserve the full decision for after the evidence.\n   - In the first screen, state the research date, price, market cap, valuation, and a short thesis.\n   - Do not front-load the full buy/hold/sell table unless the user explicitly asks for an executive memo.\n   - Put the detailed recommendation, investor-specific actions, and price bands near the end, after business quality, risk, and valuation have been argued.\n   - Separate \"good business\" from \"good investment at this price\".\n\n2. Build the operating map before the philosophy.\n   - Include revenue structure, segment economics, unit drivers, and 3-5 year trends early.\n   - For asset-heavy businesses, show the key assets individually when they explain the moat.\n   - Explain the pricing mechanism, customer lock-in, cost structure, and reinvestment needs.\n\n3. Compress business essence into one memorable sentence.\n   - Prefer a sentence that describes who pays, why they pay, what is scarce, and what repeats.\n   - Avoid generic labels such as \"industry leader\" unless followed by the mechanism that makes leadership durable.\n\n4. Make the moat falsifiable.\n   - Score or table the moat by source: brand/pricing power, switching cost, network effect, scale, cost advantage, regulation, resource scarcity, technology.\n   - Explain whether the moat widened or narrowed over the last 5 years.\n   - Ask what can destroy the moat, even if the answer is \"not competitors, but regulation/weather/price paid\".\n\n5. Do real inverse thinking.\n   - Include failure paths with probability, impact, and observable indicators.\n   - Write the strongest bear case in language a smart short seller or non-buyer would actually use.\n   - Explicitly identify the most likely analytical mistake.\n\n6. Evaluate management through capital allocation.\n   - Replace vague praise with decision history: acquisitions, divestitures, buybacks, dividends, leverage, reinvestment, strategic pivots.\n   - Judge incentives: insider ownership, controlling shareholder behavior, compensation, related-party transactions, and shareholder return policy.\n   - Ask whether the business depends on a person or on a system.\n\n7. Connect industry trend to value capture.\n   - Distinguish civilization-level trend from investable company-level economics.\n   - Describe where the company sits in the value chain and who captures the profit pool.\n   - Identify whether TAM growth, pricing, utilization, or capital intensity is the real driver.\n\n8. Convert valuation into action.\n   - Show current multiples, reverse DCF intuition, scenario valuation, historical comparison, and comparable companies when relevant.\n   - Include dividends or capital returns in expected return when they matter.\n   - Provide price bands, add signals, trim/sell signals, and what would change the thesis.\n\n9. Close with a decision memo.\n   - Include a summary table by business quality, moat, management, risk, trend, and valuation.\n   - Give distinct advice for empty-handed investors and existing holders.\n   - Include the action table here, not at the top, for long-form research reports.\n   - End by separating AI analysis confidence from actual investment certainty.\n\n## Style Standards\n\n- Prefer concrete numbers and mechanisms over adjectives.\n- Use tables when they reduce cognitive load: assets, segments, failure paths, management decisions, scenario valuations, action bands.\n- Write in clear investor prose. A good memo should be understandable after one read and useful after one month.\n- Keep memorable formulations, but never let rhetoric outrun evidence.\n- Avoid hiding behind vague labels such as \"wait and see\" without specifying the price or event that would change the recommendation.\n\n## Layout Standards\n\nFor long-form research reports, prefer a calm stepped layout:\n\n- Use a simple title: `公司名（ticker）研究报告`. Avoid adding \"四大师综合\" or \"投资备忘录\" to the title unless the user asks for that framing.\n- Use dated filenames for reports: `公司名研究报告-YYYYMMDD.md`.\n- Start with one compact metadata block: research date, price, market cap, key multiples, and a one-sentence thesis.\n- Use horizontal separators between major sections.\n- Use Chinese step headings for readability, for example \"第一步：核心数据总览\", \"第二步：生意本质分析\", and \"第八步：最终决策与行动清单\".\n- Keep section titles short and concrete; avoid dense numbering such as \"2.3.1\" unless the document is technical.\n- Use quote blocks for master-style questions, not inline bold paragraphs.\n- Treat GitHub Markdown as the typography system: use heading levels, tables, quote blocks, and bold text; do not add HTML/CSS font styling unless the user explicitly asks for a non-GitHub artifact.\n- Use bold sparingly as a reading guide: metadata labels, one-sentence conclusion labels, key phrases, total/current-company rows, latest-year values, scenario target prices, action rows, and audit verdicts.\n- Keep ordinary facts in normal weight. Do not bold full tables or every important-looking number; over-emphasis makes long research feel noisy.\n- Use explicit `+` and `-` signs for growth rates and return ranges so positive/negative movement can be scanned without rereading the sentence.\n- Put checklists under \"AI research bias awareness\" when the company is information-rich or consensus-heavy.\n- Keep audit and tool details light at the end. Do not expose command lines unless the user asks for reproducibility commands.\n- If a prior report has a layout the user likes, preserve its reading rhythm while keeping only data that passes the current validation standard.\n\n## Default Report Shape\n\nFor AI Berkshire company reports, use this order unless the user asks otherwise:\n\n1. `AI研究偏见自觉`\n   - State the information-richness rating, consensus trap, bias checklist, and AI research limitation.\n\n2. `第一步：核心数据总览`\n   - Show segment revenue, key operating assets or units, 3-5 year financial trend, and cross-source validation.\n\n3. `第二步：生意本质分析`\n   - Define the business in one sentence, map revenue/cost/customer/asset life/growth drivers, and explain the real profit variables.\n\n4. `第三步：护城河评估`\n   - Score moat sources, explain evidence, and state what can destroy or weaken the moat.\n\n5. `第四步：逆向思考与风险清单`\n   - Put the bear case in serious language. Include failure paths, probability, impact, and observable warning indicators.\n\n6. `第五步：管理层评估`\n   - Judge management through capital allocation, governance, incentives, dividends/buybacks, leverage, and whether the business is system-driven.\n\n7. `第六步：行业与文明趋势`\n   - Separate broad trend from investable economics and explain where the company captures value.\n\n8. `第七步：估值与安全边际`\n   - Show current valuation, reverse-DCF intuition, scenario valuation, comparable companies if useful, and explicit price bands.\n\n9. `第八步：最终决策与行动清单`\n   - Put the full decision here, not at the top: summary table, advice for empty-handed investors, advice for holders, add/sell triggers, and master-style comments if useful.\n\n10. `AI分析置信度 vs 投资确定性`\n    - Separate data confidence from investment certainty.\n\n11. `数据来源与审计记录`\n    - List key sources and concise audit results. Keep command lines out of the report unless explicitly requested.\n\n## Quality Bar\n\nA strong memo should answer these questions without forcing the reader to infer:\n\n- What exactly does this company sell, to whom, and why does money repeat?\n- What are the 2-3 variables that actually move profit?\n- Why might smart people refuse to buy?\n- What is already priced in?\n- What return is plausible under bull/base/bear cases, including dividends if relevant?\n- What should an empty-handed investor do?\n- What should a holder do?\n- What evidence would make the thesis wrong?\n\n## Pairing With Other Skills\n\nWhen the task requires fresh company research, first use the relevant data/research skill and its validation requirements. Then use this skill to rewrite or structure the output as a memo.\n\nFor AI Berkshire work, pair especially with:\n\n- `financial-data` for source hierarchy and cross-source validation.\n- `investment-research` for the Buffett/Munger/Duan/Li Lu framework.\n- `management-deep-dive` when management quality is the core uncertainty.\n- `report_audit.py` before treating a report as publishable.\n","frontmatter":{"name":"investment-memo-craft","description":"Codex-only writing and layout overlay for AI Berkshire investment research reports. Use whenever Codex creates, rewrites, revises, or critiques company/industry/fund research reports, especially long-form Markdown reports that need financial rigor, readable business mechanics, contrarian analysis, valuation-to-action guidance, investor-specific recommendations, restrained typography, and clear buy/hold/sell signals. Do not use this to modify Claude Code slash-command sources."},"isInternal":false,"tokens":2133,"sizeBytes":9941},{"name":"SKILL.md","path":"codex-skills/investment-research/SKILL.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/investment-research/SKILL.md","title":"investment-research","category":"anthropic-skill","format":"markdown","content":"---\nname: investment-research\ndescription: \"AI Berkshire skill: 投资研究：巴菲特-芒格-段永平-李录 四大师综合分析框架. Source: skills/investment-research.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/investment-research.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 投资研究：巴菲特-芒格-段永平-李录 四大师综合分析框架\n\n对 $ARGUMENTS 进行系统化投资研究分析。\n\n## 研究框架\n\n基于巴菲特、芒格、段永平、李录四位投资大师的方法论，按以下七个模块顺序执行研究：\n\n### 前置步骤：AI研究偏见自觉（必须执行）\n\n在开始研究前，先评估该公司的\"AI可研究性\"，识别潜在的数据偏见：\n\n**信息丰富度评级**：\n| 等级 | 特征 | AI研究陷阱 | 应对策略 |\n|------|------|-----------|---------|\n| A级（信息充裕） | 上市多年、券商覆盖多、媒体报道密集 | 共识过强，AI输出趋同于市场定价，alpha有限 | 重点做反面检验：聪明人为什么不买？被忽略的风险是什么？ |\n| B级（信息适中） | 上市1-3年、覆盖有限、部分数据需推算 | AI可能用\"合理推测\"填补空白，看起来完整实则虚假确定性 | 每个推算数据标注置信度，区分\"有据推算\"和\"凭空填充\" |\n| C级（信息稀缺） | 刚上市/冷门股/新兴市场、几乎无覆盖 | AI会因资料不足而过度保守，误判为\"看不清=不好\" | 用第一性原理提问（见下方），从有限信息中提取商业本质 |\n\n**C级公司的第一性原理研究法**：\n当公开资料不足时，不要试图拼凑出\"看起来完整\"的报告，而是聚焦以下底层问题：\n1. 客户是谁？为什么付钱？有没有替代选择？\n2. 复购靠什么驱动？是习惯、锁定、还是持续创造新价值？\n3. 竞争对手拿100亿能复制这门生意吗？\n4. 管理层做过什么关键决策？这些决策反映了什么判断力和价值观？\n\n**偏见自查清单**（研究全程保持警惕）：\n- [ ] 我的\"确定性\"感受是来自生意本质，还是来自资料数量？\n- [ ] 如果把这家公司的资料量减少一半，我的结论会变吗？\n- [ ] AI输出的分析是否与市场共识高度雷同？如果是，我的信息优势在哪？\n- [ ] 是否存在\"公开资料很少但生意本质极好\"的可能性被低估了？\n\n将信息丰富度评级结果写入报告开头，并在最终结论中注明\"AI研究置信度\"与\"实际投资确定性\"的区别。\n\n### 第一步：数据收集\n\n> **数据源规范**：参见 `skills/financial-data.md`。所有财务数据必须来自两个独立来源，误差>1%须标记。\n> - 美股：macrotrends（主）+ stockanalysis（副）\n> - 港股：aastocks（主）+ macrotrends ADR（副）\n> - A股：东方财富（主）+ 巨潮资讯（副）\n\n使用 Task 工具启动后台 Agent，从网络收集以下数据：\n\n1. 收入结构：最近财年及近4季度分部收入、增速、毛利率\n2. 财务指标：近5年收入、净利润、毛利率、经营利润率、自由现金流、现金储备\n3. 竞争格局：市场份额、主要竞争对手对比\n4. 商业模式与护城河：核心竞争优势来源\n5. 技术能力：核心技术栈、研发投入\n6. 管理层：创始人/CEO履历、持股比例、关键决策记录\n7. 行业前景：TAM（总可寻址市场）、增长预测\n8. 风险因素：地缘政治、监管、供应链等\n9. 当前估值：市值、PE、PS、PEG、EV/Revenue\n10. 多空双方核心论点\n\n#### 数据交叉验证（必须执行，使用金融严谨性工具）\n\n数据收集完成后，**必须调用 `tools/financial_rigor.py` 对关键数据进行程序化验证**，杜绝LLM心算误差。\n\n**必须验证的数据点**：\n- 总股本（从交易所、Yahoo Finance、StockAnalysis 等至少2个源确认）\n- 当前股价和市值（**手动计算 股价×总股本 并与报告市值对比，防止单位错误**）\n- 最近财年收入和净利润（从公司年报+至少1个第三方源确认）\n- 现金储备和净现金（现金+短期投资-总债务，注意口径差异）\n- 管理层持股比例（区分经济权益和投票权，注意AB股结构）\n\n**强制验证步骤（使用Bash调用工具）**：\n\nStep 1 — 市值验算（精确十进制，非浮点）：\n```bash\npython3 tools/financial_rigor.py verify-market-cap \\\n  --price {股价} --shares {总股本} --reported {报告市值} --currency {币种}\n```\n\nStep 2 — 关键数据多源交叉验证：\n```bash\npython3 tools/financial_rigor.py cross-validate \\\n  --field {字段名} --values '{\"来源1\": 数值, \"来源2\": 数值}' --unit {单位}\n```\n对收入、净利润、现金储备分别执行。\n\nStep 3 — 估值指标精确验算（PE/PB/ROE/FCF Yield 等）：\n```bash\npython3 tools/financial_rigor.py verify-valuation \\\n  --price {股价} --eps {EPS} --bvps {每股净资产} --fcf-per-share {每股FCF} --dividend {每股股息}\n```\n\n**验证规则**：\n1. 每个关键数据点至少2个独立来源\n2. 发现来源间有差异时，优先采用公司年报/交易所数据，并注明差异原因\n3. **所有涉及计算的数据必须通过工具验算，禁止LLM心算**\n4. 工具输出结果直接嵌入报告附录\"关键数据交叉验证记录\"\n5. 如果工具报告 ❌ 偏差过大，必须排查原因后才能继续分析\n\n**常见错误防范**：\n- 市值单位：港币亿 vs 人民币亿 vs 美元亿，容易漏写/多写一个零\n- FCF口径：不同来源对资本支出的定义可能不同（是否含租赁、收购等）\n- 债务口径：是否包含经营租赁负债\n- 持股比例：AB股公司的经济权益 ≠ 投票权\n\n### 第二步：生意本质分析 — 段永平\"对的生意\"\n\n分析要点：\n- 用一句话定义这门生意的本质\n- 收入结构拆解（图表）\n- 5年盈利能力趋势（图表）\n- 商业模式画布：一次性销售 vs 订阅/复购？硬件 vs 软件 vs 平台？\n- 生态粘性/客户锁定强度\n- 毛利率水平与同行对比，解释为什么高/低\n- 经营杠杆分析\n- **段永平式追问**：这门生意好在哪？如果只能用一句话描述，是什么？\n\n### 第三步：护城河评估 — 巴菲特\"经济护城河\"\n\n逐一验证五类护城河：\n\n| 护城河类型 | 验证方法 |\n|-----------|---------|\n| 品牌/定价权 | 是否能在不损失销量的情况下提价？ |\n| 转换成本 | 客户迁移到竞品的成本有多高？ |\n| 网络效应 | 用户越多产品越好吗？ |\n| 规模效应 | 规模带来的成本优势有多大？ |\n| 技术/专利壁垒 | 技术领先几年？能否被复制？ |\n\n分析护城河趋势：过去5年变宽还是变窄？未来5年预判。\n\n**巴菲特式追问**：10年后这条护城河还在吗？什么能摧毁它？\n\n### 第四步：逆向思考与风险清单 — 芒格\"反过来想\"\n\n- 列出\"这家公司可能失败的所有路径\"（表格：路径/概率/影响程度）\n- 历史类比：找到历史上处于相似位置的公司，结局如何？\n- 跨学科分析：用网络效应理论、技术采纳曲线、竞争博弈等模型交叉验证\n- 偏误自查：叙事偏差、锚定效应、幸存者偏差\n- 收集空方核心论点\n\n**芒格式追问**：我最可能在哪里犯错？聪明人为什么会不买/做空这家公司？\n\n### 第五步：管理层评估 — 段永平\"对的人\" + 巴菲特\"管理层诚信\"\n\n- CEO/创始人关键决策复盘（表格：时间/决策/结果/评分）\n- 资本配置能力：研发回报率、并购成功率、回购时机\n- 股东利益一致性：管理层持股、薪酬结构、减持记录\n- 组织能力：团队稳定性、关键人才风险\n- 企业文化特征\n\n**段永平式追问**：如果CEO退休，这家公司还能保持竞争力吗？\n\n### 第六步：行业与文明趋势 — 李录\"文明演进框架\"\n\n- 判断所在行业是否处于\"文明级范式转移\"\n- 历史技术革命类比（蒸汽机/电力/互联网/AI）\n- TAM增长曲线与天花板分析\n- 公司在产业价值链中的位置\n- 技术路线风险\n- 客户/供应商集中度分析\n\n**李录式追问**：站在20年后回看，这家公司是\"这个时代的标准石油\"还是\"昙花一现的3Com\"？\n\n### 第七步：估值与安全边际 — 巴菲特\"内在价值\" + 段永平\"对的价格\"\n\n- 当前市场定价（关键估值指标表格）—— **必须通过工具验算**\n- 反向DCF：当前股价隐含了什么增长预期？\n- 三情景估值 —— **必须通过工具精确计算，禁止心算**：\n```bash\npython3 tools/financial_rigor.py three-scenario \\\n  --price {股价} --eps {EPS} --shares {总股本亿} \\\n  --growth {乐观增速} {中性增速} {悲观增速} \\\n  --pe {乐观PE} {中性PE} {悲观PE} --years 3 --currency {币种}\n```\n- 与自身历史估值对比\n- 与同行估值对比\n\n#### 长期折现估值（十年尺度，必须执行）\n\n**角色分工（硬约束，禁止混用）：**\n\n| 工具 | 回答的问题 | **不是**什么 |\n|---|---|---|\n| **三年三情景**（`financial_rigor.py three-scenario`） | **\"贵不贵\"**——相对内在价值/历史/同行，当前价有没有安全边际 | 重仓裁决、一票否决 |\n| **十年折现**（`terminal_value.py`） | **仓位压力测试**——在声明的 r 下，十年期望 IRR 能否覆盖资本成本；用于**组合仓位上限/是否值得加大仓位**的压力测试 | **买入/持有/回避的唯一否决票** |\n\n三年三情景回答\"贵不贵\"；十年折现回答\"在声明的折现率下，仓位能不能加到多重\"。**十年基准 IRR 低于 r，只能收紧仓位建议，不得单独把最终决策改成回避/观望。** 最终买/持/回避必须由生意质量、护城河、管理层、风险、文明趋势与估值**六个维度并列**得出，十年模型只是估值维度里的压力测试输入。\n\n> 方法论一致性优先于\"调低 r 去买\"：敏感性和翻转检查是为了暴露\"结论买的是公司还是折现率\"，**禁止**为了迎合 thesis 或主观买入冲动而把 r 调出币种合理区间。\n\n**凡是给出十年期 IRR 或终值倍数的研究，必须走这套流程**，用 `tools/terminal_value.py`。\n\n终值倍数只有一个合法来源——永续增长模型，**不许用同业类比**：\n\n$$PE_{终值} = \\frac{1 - g/ROIC}{r - g}$$\n\n> \"帝亚吉欧 13 倍所以茅台给 16 倍\"是循环论证：用别人今天的价格，证明我假设的价格合理。市场今天整体贵，类比法就把这份贵原封不动搬到十年后。\n\n**Step 1 — 定三个输入，逐个写出理由（这一步全是判断，不是计算，必须在报告里交代）：**\n\n| 输入 | 怎么定 | 常见错误 |\n|---|---|---|\n| **r** 资本成本 | 无风险利率 + β × ERP。**币种必须与现金流一致**：人民币口径 6%–9%（主用 8%），美元/港元口径 9%–11.5%（主用 10%） | 跟着国债利率跑。中国国债 1.70% 折出来的 PE 会到 50 倍以上，那不是估值是放大偏见 |\n| **ROIC** 稳态增量资本回报 | 夹在存量 ROIC（含不上表的无形护城河，偏高）与派息反解的隐含增量 ROIC（假设 capex 回报为零，偏低）之间 | 直接用存量 ROIC。等于假设新投的每块钱都能复制建立微信时的回报 |\n| **g** 永续增速 | **不是未来十年增速**（那已在终值利润里），是终值年之后到永远。硬天花板是长期名义 GDP：人民币口径基准档 ≤2%，美元口径 ≤4% | 用美元的 g 配人民币的 r。3% 名义增长在美国是 0.5% 实际（保守），在中国是 2% 实际（激进） |\n\n**g 不随 r 变**——g 是对终值年之后经济的判断，r 是你要求的回报，两件独立的事。做敏感性时只动 r。\n\n**Step 2 — 三条硬约束准出检查（不通过不许把估值写进报告）：**\n\n```bash\npython3 tools/terminal_value.py audit \\\n  --currency {CNY|USD|HKD} --r {资本成本} --roic {稳态ROIC} \\\n  --g {悲观g},{基准g},{乐观g} --rf {无风险利率} --beta 1.0 \\\n  --discrete-risks \"{风险名}:{情景|尾部档|概率|未建模},...\"\n```\n\n三条检查的内容与打回条件：\n\n| # | 检查 | 打回条件 |\n|---|---|---|\n| **C1** | **r 与 g 必须同币种** | r 落在别的币种区间、或基准档 g 超过本币上限。工具会直接指出\"这是 USD 的量级——r 用了本币而 g 用了外币\" |\n| **C2** | **分母 r−g ≥ 5 个百分点** | 任一档不足 5pct。分母越窄 g 动一点点估值就翻天；分母 ≤0 直接判模型失效。确实要做上行/下行情景时加 `--upside-only` 显式声明，但报告里必须写明\"这是情景不是估值\" |\n| **C3** | **离散风险不得进 r 或 β** | 任一风险归属写成 `折现率`/`r`/`beta` 一律打回。退市、VIE 失效、地缘断供、监管重击必须归 `情景` 或 `尾部档`。β 偏离 1.0 必须给 `--beta-justification` |\n\n**C3 为什么是硬的**：抬 r 三个百分点，对第 10 年现金流的惩罚是第 1 年的 2.6 倍；而退市风险是大致均匀甚至前置的年度危害率。**用折现率处理离散风险，会系统性地把风险的时间分布搞反。** 正确做法是单列一个尾部情景档并给它一个概率。\n\n**C1/C2/C3 的完整论证见** `reports/7公司10年投资价值横评-确定性调整后回报-20260814.md` 第 3.4–3.6 节——三条都是那份报告实际踩过的坑。\n\n**Step 3 — 出数（准出后才能跑）：**\n\n```bash\n# 单点退出 PE，打印完整算式（留存率/分子/分母全部展开，便于报告引用）\npython3 tools/terminal_value.py pe --roic {ROIC} --g {g} --r {r}\n\n# 从零算 IRR\npython3 tools/terminal_value.py irr \\\n  --profit {终值年利润} --mcap {今日市值} --pe {退出PE} \\\n  --years 10 --payout {股息率-稀释率}\n```\n\n多公司横评时把参数写成 JSON 传 `--config`，再用 `table` / `sweep` / `check`。\n\n**Step 4 — 报告里必须写出的五件事：**\n\n1. **r 取值、币种、以及配对的 g 上限**。不写明 r 就报 IRR，报的是自己的偏好。\n2. **r±2pp 敏感性与结论是否翻转（硬约束，写买入/持有/回避之前必须跑）**：\n   ```bash\n   # 内置预设公司（腾讯/阿里巴巴/拼多多/贵州茅台/泡泡玛特/美团/MiniMax）\n   python3 tools/terminal_value.py flip \\\n     --name {预设公司名} --r {基准r} --delta 0.02 \\\n     --currency {CNY|USD|HKD} --g-shift {币种平移} --rf {无风险利率}\n\n   # 新公司：内联参数（字段含义同下方 --config）\n   python3 tools/terminal_value.py flip \\\n     --name {公司名} --roic {稳态ROIC} --g {悲观g},{基准g},{乐观g} \\\n     --p {悲观概率},{基准概率},{乐观概率} --irr10={悲观},{基准},{乐观} --k {股息率-稀释率} \\\n     --r {基准r} --delta 0.02 --currency {CNY|USD|HKD} --g-shift {币种平移} --rf {无风险利率}\n\n   # 新公司：或写成 JSON 传 --config（多家公司可写在同一文件，--name 取其中的键）\n   python3 tools/terminal_value.py flip --config {配置.json} --name {公司名} \\\n     --r {基准r} --delta 0.02 --currency {CNY|USD|HKD} --g-shift {币种平移} --rf {无风险利率}\n   ```\n   `--config` 文件格式（与内置预设字段一致，`k` 可省略，默认 0）：\n   ```json\n   {\n     \"某公司\": {\n       \"roic\": 0.18,\n       \"g\": [0.015, 0.030, 0.040],\n       \"p\": [0.35, 0.50, 0.15],\n       \"irr10\": [-2.0, 8.0, 14.0],\n       \"k\": 0.01\n     }\n   }\n   ```\n   | 字段 | 含义 |\n   |---|---|\n   | `roic` | 2036 稳态增量 ROIC（Step 1 的判断值），小数 |\n   | `g` | 悲观/基准/乐观三档永续增速（平移前的原始口径），小数；币种换算用 `--g-shift` 显式表达 |\n   | `p` | 三档概率，和为 1 |\n   | `irr10` | 在 r=10%、原始 g 下三档的十年 IRR（百分数，如 8.0 表示 8%），是换算其他 r 的锚点；用 Step 3 的 `pe` + `irr` 按 r=10% 逐档算出。内联时用等号写法 `--irr10=-2,8,14`（首项为负时必须） |\n   | `k` | 股息率 − 稀释率，年化小数 |\n\n   - **`--currency` 必填**，与 Step 2 audit 用同一币种。工具按 `CURRENCY_BANDS`（人民币 6%–9%，美元/港元 9%–11.5%，同 audit C1）判定每一档：**区间外的档位标\"区间外，仅供参考\"，不参与翻转判定**；基准 r 本身在区间外直接【打回】。\n   - 必须同时报告 `r−2pp` / `r` / `r+2pp` 三档的期望 IRR，以及每一档相对\"期望 IRR ≥ r\"（覆盖资本成本）是否通过压力测试；区间外档位照抄\"仅供参考\"标注，**不得**用区间外档位的\"通过\"论证买入。\n   - **必须显式写出：结论是否在币种合理区间内随 Δr 翻转。** 若 ±2pp 两侧都落在区间外（工具会提示\"区间内只有基准一档参与判定\"），再用 `--delta 0.01` 在区间内复核一次，两次结果都写进报告。若翻转，报告须标明\"本结论对折现率敏感，仓位建议须降级；不得把单一基准 r 下的未通过当作买入否决\"。\n   - 多公司横评时，另用 `sweep` 检验排序稳定性；绝对数字受 r 支配，排序才是稳健结论。\n3. **每一档的 r−g 分母宽度**，凡低于 5pct 的必须标注\"仅作情景参考\"。\n4. **未建模的离散风险清单**（audit 里标 `未建模` 的），写进\"限制\"章节。\n5. **分歧对账块（Reconciliation，条件强制）**：当十年压力测试结论（期望 IRR 相对 r）与三年三情景的\"贵不贵\"、或与仓库内既有 thesis / 本报告前六步综合倾向**方向不一致**时，报告**必须**单独开一节「估值分歧对账」，写清：\n   - 分歧双方各依据什么（三年安全边际 vs 十年 r 下 IRR）；\n   - 哪一边是**定价判断**、哪一边是**仓位压力测试**；\n   - 最终买/持/回避如何综合六个维度得出，**禁止**用十年未覆盖 r 一票否决其他维度与 thesis 证据；\n   - 若选择维持买入/持有，须说明仓位上限如何被十年压力测试收紧（而非假装十年模型不存在）。\n\n**巴菲特式追问**：这个 r 如果错 2 个百分点，我的结论会翻转吗？如果会，我的结论买的是公司还是折现率？（用 `flip` 的输出直接回答，禁止口头带过。）\n\n**段永平式追问**：如果股市明天关闭5年，你愿意以这个价格持有吗？\n\n### 第八步：综合决策备忘录\n\n汇总表格（**六个维度并列**；估值一格须同时反映三年\"贵不贵\"与十年仓位压力测试，**禁止**只填十年 IRR 相对 r 的通过/未通过）：\n\n| 维度 | 结论 | 信心度 |\n|------|------|--------|\n| 生意质量（段永平） | | |\n| 护城河（巴菲特） | | |\n| 管理层（段永平+巴菲特） | | |\n| 最大风险（芒格） | | |\n| 文明趋势（李录） | | |\n| 估值（巴菲特+段永平） | 三年：… / 十年压力测试：…（附 flip 是否翻转） | |\n\n**估值解除语（硬约束）**：上表估值维度**不是**最终决策的唯一裁决。十年折现未覆盖 r，只能下调仓位建议，不得单独把空仓者/持仓者策略改成\"回避/观望\"。若十年结论与三年/thesis 分歧，必须已完成第七步的「估值分歧对账」块。\n\n最终决策表格：\n\n| 策略 | 建议 |\n|------|------|\n| 空仓者 | |\n| 持仓者 | |\n| 卖出信号 | |\n| 加仓信号 | |\n\n#### 四位大师模拟点评（硬约束：先读原文，禁止发明引语）\n\n写巴菲特 / 芒格 / 段永平 / 李录的模拟点评之前，**必须**对每位大师执行：\n\n1. **Read 原始出处**：优先读本仓库内与该公司相关的一手材料（如 `reports/.../段永平雪球发言-*.md`、大师公开信/演讲摘录、已引用的权威转载）；若仓库无存档，用公开可核验来源（雪球原文、股东信、访谈实录）并在点评下标注 URL 或文件路径。\n2. **引用原话**：每位至少给出 **1 条可核验原话**（短引 + 出处），模拟点评只能是对该原话立场的延伸，不得换成相反立场。\n3. **禁止发明引语**：不得捏造大师未说过的句子，不得用大师名字给与其公开立场相反的结论背书。\n4. **冲突处理**：若模拟点评为迎合本报告\"观望/回避\"而写出的立场，与已 Read 到的原话**相反**，必须二选一——**(a)** 改正点评使其与原话一致，或 **(b)** 在报告中显式标注「与大师公开立场冲突：原话=…；本报告估值压力测试=…」，**禁止**静默歪曲。\n5. **读不到就不代言**：若某位大师对该公司/该议题无足够原文可 Read，写「资料不足，不模拟代言」，不得凭训练语料编一段\"听起来像\"的点评。\n\n## 输出要求\n\n1. 所有分析必须有数据支撑，附数据来源\n2. 使用 Markdown 表格呈现关键数据\n3. 每个模块末尾必须有对应大师的\"追问\"\n4. 最终将完整报告写入 `~/[公司名]投资研究报告.md`\n5. 结论要明确，不回避给出买入/观望/回避的建议\n6. 估值部分必须给出具体的价格区间\n7. **报告开头**必须包含\"信息丰富度评级\"（A/B/C）和\"AI研究局限性声明\"\n8. **报告结尾**必须区分\"AI分析置信度\"与\"投资确定性\"——前者取决于资料量，后者取决于生意本质。明确告知读者：本报告的哪些结论基于充分数据，哪些基于有限信息的推理\n9. 如果公司属于C级（信息稀缺），报告末尾必须列出\"需要一手验证的问题清单\"——建议读者通过田野调查、产品体验、供应链访谈等方式补充AI的盲区\n\n## 数据抽检（准出流程）\n\n报告写入文件后，**必须**执行数据抽检，通过后方可发布：\n\n**Step 1 — 提取抽检清单（15%随机抽样）：**\n```bash\npython3 tools/report_audit.py extract \\\n  --report <报告文件路径>\n```\n输出 JSON 模板，每项含 `fetched_value`（待填）。\n\n**Step 2 — 取数核验：**\n对清单中每个数据点，按 `skills/financial-data.md` 规范从可靠信源取数\n（美股：macrotrends+stockanalysis；港股：aastocks+macrotrends；A股：东方财富+巨潮资讯），\n填入 `fetched_value` / `fetched_source` / `fetched_value2` / `fetched_source2`。\n\n**Step 3 — 输出判决：**\n```bash\npython3 tools/report_audit.py verdict \\\n  --results '<填好的JSON>' \\\n  --report <报告文件名>\n```\n\n- **【准出】**：所有抽检点偏差 ≤ 1% → 报告可发布\n- **【打回】**：任意点偏差 > 1% → 修正对应数据后重新抽检，直到准出\n\n**Step 4 — 估值口径复检（含十年折现估值的报告必须执行）：**\n\n如果报告里出现了十年期 IRR 或终值倍数，把最终定稿用的参数再跑一遍 audit，确认写进报告的数字与准出时的一致：\n\n```bash\npython3 tools/terminal_value.py audit \\\n  --currency {币种} --r {r} --roic {ROIC} --g {三档g} --rf {无风险利率} \\\n  --beta {β} --discrete-risks \"{风险归属清单}\"\n```\n\n- **【准出】**（退出码 0）→ 报告可发布\n- **【打回】**（退出码 1）→ 修正后重跑，直到准出\n\n**这一步不能跳过的原因**：第七步的 audit 是在算数之前做的，而写报告的过程中经常会回头调 g 或 r。**准出前的最后一次 audit 才是对报告负责的那一次。**\n","frontmatter":{"name":"investment-research","description":"AI Berkshire skill: 投资研究：巴菲特-芒格-段永平-李录 四大师综合分析框架. Source: skills/investment-research.md."},"isInternal":false,"tokens":9601,"sizeBytes":24407},{"name":"SKILL.md","path":"codex-skills/investment-team/SKILL.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/investment-team/SKILL.md","title":"investment-team","category":"anthropic-skill","format":"markdown","content":"---\nname: investment-team\ndescription: \"AI Berkshire skill: 投研团队：四角色并行分析框架. Source: skills/investment-team.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/investment-team.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 投研团队：四角色并行分析框架\n\n对 $ARGUMENTS 进行团队化投资研究分析。使用 Team 工具创建真正的多Agent并行研究团队。\n\n## 执行流程\n\n### 第一步：展示团队框架\n\n向用户展示以下团队结构，确认后启动：\n\n| 角色 | 职责 | 分析框架 |\n|------|------|----------|\n| **team-lead**（你自己） | 统筹协调、汇总研判、输出最终报告 | 四大师综合框架 |\n| **business-analyst** | 商业模式 & 护城河分析 | 段永平视角 |\n| **financial-analyst** | 财务报表 & 估值分析 | 巴菲特视角 |\n| **industry-researcher** | 行业格局 & 竞争态势 | 芒格视角 |\n| **risk-assessor** | 风险评估 & 管理层研判 | 李录视角 |\n\n### 第一步半：AI研究偏见评估\n\n在创建团队前，先向用户展示该公司的\"AI可研究性\"评估：\n\n**信息丰富度评级**（决定研究策略）：\n| 等级 | 特征 | 研究策略调整 |\n|------|------|------------|\n| A级（信息充裕） | 上市多年、券商覆盖广 | 团队重点放在**反面检验**和**非共识视角**，避免输出与市场一致的\"正确的废话\" |\n| B级（信息适中） | 上市不久、覆盖有限 | 每个Agent的推算数据必须标注置信度，team-lead汇总时标注\"数据充分度\" |\n| C级（信息稀缺） | 冷门/新上市/新兴市场 | 团队转为\"第一性原理模式\"：不追求报告完整性，聚焦商业本质的几个核心问题 |\n\n**关键提醒**：资料多≠确定性高，资料少≠确定性低。AI能输出的置信度 ≠ 投资的真实确定性。确定性来自商业模式本身，不来自资料数量。\n\n将评级结果告知每个Agent，影响其研究方式。\n\n### 第一步¾：WebSearch 权限预检（关键 · 避免 Agent 静默退化）\n\n在创建团队、启动任何后台 Agent **之前**，必须先确认 WebSearch 权限已放行。\n\n**为什么必须预检**：本 skill 用 `run_in_background: true` 启动 4 个后台子 Agent，而**后台 Agent 无法向用户弹出交互式权限确认**。若 `WebSearch` 未在 `.claude/settings.local.json` 的 `permissions.allow` 白名单中，子 Agent 的联网搜索会被**静默拦截**，导致其退化为仅凭训练知识（有知识截止日期）作答，却仍按框架输出一份\"看起来完整、实则未联网\"的伪研究——这是本 skill 最危险的失败模式（见 issue #58）。\n\n**预检步骤**：\n1. 用 Bash 检查白名单是否含 WebSearch：\n   ```bash\n   grep -l '\"WebSearch\"' .claude/settings.local.json ~/.claude/settings.local.json 2>/dev/null\n   ```\n2. 若两处都未命中（即未放行）→ **停下来，不要启动 Agent**，提示用户：\n   > ⚠️ 检测到 WebSearch 未在权限白名单中。后台研究 Agent 无法联网，会退化成仅凭训练知识作答。请先在 `.claude/settings.local.json` 的 `permissions.allow` 加入 `\"WebSearch\"`（或运行 `/permissions` 勾选），再重跑本命令。\n3. 命中 → 正常继续。\n\n### 第二步：创建团队\n\n使用 TeamCreate 创建团队：\n- team_name: `{公司名}-research`（英文小写，如 `meituan-research`）\n- agent_type: `team-lead`\n\n### 第三步：创建4个任务\n\n使用 TaskCreate 创建以下4个任务（每个都要有 subject、description、activeForm）：\n\n#### 任务1：商业模式分析\n- subject: `分析{公司名}商业模式、护城河与用户价值`\n- description 包含：\n  1. 商业模式本质：核心生意定义、收入结构拆解\n  2. 平台/产品飞轮效应如何运转\n  3. 护城河分析：品牌/转换成本/网络效应/规模效应/技术壁垒，逐一验证\n  4. 用户/客户价值：为各方创造了什么独特价值\n  5. 业务矩阵与协同效应\n  6. 段永平\"好生意\"标准评估：差异化、定价权、可持续竞争优势\n  7. 要求搜索最新财报、行业报告等公开信息\n\n#### 任务2：财务与估值分析\n- subject: `分析{公司名}财务数据、盈利能力与估值`\n- description 包含：\n  1. 近3-5年营收、净利润、经营利润趋势\n  2. 盈利能力指标：ROE、ROA、毛利率、经营利润率\n  3. 现金流分析：经营性现金流、自由现金流、资本开支\n  4. 资产负债表健康度：现金储备、负债率、流动性\n  5. 估值分析：PE/PS/PB/EV等，与历史及同业对比\n  6. 安全边际评估：内在价值 vs 当前股价\n  7. **金融严谨性验证（必须使用Bash调用工具，禁止心算）**：\n     - 市值验算：`python3 tools/financial_rigor.py verify-market-cap --price {价格} --shares {股本} --reported {报告市值} --currency {币种}`\n     - 估值验算：`python3 tools/financial_rigor.py verify-valuation --price {价格} --eps {EPS} --bvps {每股净资产}`\n     - 关键数据交叉验证：`python3 tools/financial_rigor.py cross-validate --field {字段} --values '{JSON}' --unit {单位}`\n     - 三情景估值：`python3 tools/financial_rigor.py three-scenario --price {价格} --eps {EPS} --shares {股本亿} --growth {乐观} {中性} {悲观} --pe {乐观PE} {中性PE} {悲观PE}`\n     - 将工具输出结果直接嵌入报告中作为验证记录\n\n#### 任务3：行业与竞争分析\n- subject: `分析{行业}行业格局与{公司名}竞争态势`\n- description 包含：\n  1. 行业规模与增长：市场规模、增速、渗透率\n  2. 竞争格局：主要对手市场份额、竞争策略对比\n  3. 核心竞争者威胁评估：逐个分析主要竞争对手\n  4. 各细分赛道格局\n  5. 行业趋势：技术变革、政策影响、新进入者\n  6. 产业链分析：上中下游价值分配\n  7. 要求搜索最新行业数据和竞争动态\n\n#### 任务4：风险与管理层评估\n- subject: `评估{公司名}投资风险与管理层质量`\n- description 包含：\n  1. 管理层评估：CEO能力圈、诚信度、战略眼光、资本配置能力、历史决策质量\n  2. 监管风险：当前及潜在监管影响\n  3. 竞争风险：各竞争对手威胁程度评估\n  4. 业务风险：新业务亏损、扩张不确定性\n  5. 宏观风险：经济周期、行业周期影响\n  6. 治理结构：股权结构、关联交易、股东回报政策\n  7. 长期确定性：10年后公司会怎样？什么可能颠覆其商业模式？\n  8. 要求搜索最新监管动态、管理层言论等\n\n### 第四步：启动4个并行Agent\n\n使用 Task 工具同时启动4个Agent（**必须在同一条消息中并行调用**）：\n\n每个Agent的配置：\n- `subagent_type`: `general-purpose`\n- `run_in_background`: `true`\n- `team_name`: 对应团队名\n- `name`: 对应角色名（business-analyst / financial-analyst / industry-researcher / risk-assessor）\n\n每个Agent的prompt模板：\n\n```\n你是{公司名}投研团队中的\"{角色中文名}\"，负责从{大师名}投资视角分析{公司名}。\n\n请完成任务 #{任务编号}：{任务subject}\n\n具体要求：\n{任务description的内容}\n\n**研究方法**：\n- 使用 WebSearch 搜索最新公开信息（财报、行业报告、新闻）\n- **财务数据必须来自两个独立来源**，按 `skills/financial-data.md` 规范执行（美股：macrotrends+stockanalysis；港股：aastocks+macrotrends；A股：东方财富+巨潮资讯；台股：FinMind `tools/twstock_data.py`+Goodinfo），两源误差>1%须标记\n- 确保数据准确，关键数据标注来源\n- 分析要深入，不流于表面\n- **联网失败禁止伪装**：若 WebSearch 被拦截/不可用，禁止用训练知识冒充联网结果。必须在报告顶部醒目标注「⚠️ 本报告未能联网，基于训练知识（截止日期 X），置信度降级」，并如实告知 team-lead，由其决定是否中止研究\n\n**输出要求**：\n- 报告要详尽，使用Markdown表格呈现关键数据\n- 每个分析维度要有明确结论和评分\n- 报告末尾要有该维度的总体结论\n\n**完成后**：\n1. 使用 TaskUpdate 将任务 #{任务编号} 标记为 completed\n2. 通过 SendMessage 把完整分析报告发送给 team-lead（type: \"message\", recipient: \"team-lead\"）\n```\n\n### 第五步：接收报告并跟踪进度\n\n- 向用户实时展示进度表（哪些Agent已完成、哪些仍在研究中）\n- 每收到一份报告，更新进度并展示该报告的核心要点（3-5条）\n- 等待全部4份报告到齐\n\n### 第六步：关闭团队成员\n\n全部报告收到后，向4个Agent发送 shutdown_request（使用 SendMessage，type: \"shutdown_request\"）。\n\n### 第七步：汇总最终报告\n\n综合4份分析报告，输出以下结构的最终报告：\n\n---\n\n#### 1. 一句话结论\n> 用一段话（50-100字）概括是否值得投资及核心逻辑\n\n#### 2. 四维评分总表\n| 维度 | 框架 | 评分(1-5星) | 核心判断 |\n|------|------|------------|----------|\n\n综合评分：X / 5\n\n#### 3. 核心数据速览\n关键财务和经营指标表格（近2年对比）\n\n#### 4. 各维度分析摘要\n每个维度摘取3-5条最重要的发现\n\n#### 5. 投资论点（Bull vs Bear）\n- 🟢 看多逻辑（5-7条）\n- 🔴 看空逻辑（5-7条）\n\n#### 6. 巴菲特买入前Checklist\n| # | 检查项 | 通过? | 说明 |\n10个核心检查项，逐一评估\n\n#### 7. 最终投资建议\n- 定性判断表（生意质量/管理层/估值/时机）\n- 分层操作建议表（激进型/稳健型/保守型 → 建议+价格区间）\n- 关键催化剂（加仓信号/减仓信号各3-5条）\n\n#### 8. 总结段落\n100-200字的最终总结\n\n---\n\n### 第八步：保存报告\n\n将完整最终报告写入 `~/{公司名}投资研究报告_{日期}.md`（日期格式 YYYYMMDD）。\n\n### 第九步：数据抽检（准出流程）\n\n```bash\n# Step 1 — 提取抽检清单（15%随机抽样）\npython3 tools/report_audit.py extract \\\n  --report <报告文件路径>\n\n# Step 2 — 对清单每项从可靠信源取数（参见 skills/financial-data.md）\n\n# Step 3 — 输出准出/打回判决\npython3 tools/report_audit.py verdict \\\n  --results '<填好的JSON>' \\\n  --report <报告文件名>\n```\n\n**【准出】** 全部通过 → 报告可发布；**【打回】** 有不通过 → 修正后重审。\n\n### 第十步：清理团队\n\n使用 TeamDelete 清理团队资源。\n\n## 重要注意事项\n\n1. **4个Agent必须并行启动**——在同一条消息中调用4次Task工具\n2. **Agent通过SendMessage汇报**——不是文件协作，是消息通信\n3. **数据准确性**——要求Agent使用WebSearch搜索最新数据，关键数据交叉验证\n4. **结论要明确**——不回避给出买入/观望/回避建议和具体价格区间\n5. **所有分析必须有数据支撑**——附数据来源\n6. **耐心等待**——4个Agent研究需要几分钟，实时向用户更新进度\n7. **反偏见意识**——team-lead在汇总时必须评估：各Agent的分析是否受限于资料充裕度？是否与市场共识过度趋同？最终报告需包含\"信息丰富度评级\"和\"AI研究局限性声明\"\n8. **信息稀缺时的诚实原则**——宁可在报告中留白标注\"数据不足\"，也不要用推测填满框架伪装确定性\n","frontmatter":{"name":"investment-team","description":"AI Berkshire skill: 投研团队：四角色并行分析框架. Source: skills/investment-team.md."},"isInternal":false,"tokens":4506,"sizeBytes":12421},{"name":"SKILL.md","path":"codex-skills/management-deep-dive/SKILL.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/management-deep-dive/SKILL.md","title":"management-deep-dive","category":"anthropic-skill","format":"markdown","content":"---\nname: management-deep-dive\ndescription: \"AI Berkshire skill: 管理层纵深研究：买股票就是买人. Source: skills/management-deep-dive.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/management-deep-dive.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 管理层纵深研究：买股票就是买人\n\n对 $ARGUMENTS 进行管理层深度研究。\n\n**支持输入格式**：`公司名` 或 `人名 公司名`，例如：`美团`、`王兴 美团`、`黄仁勋 英伟达`\n\n> \"买股票就是买人。找到你信任的人，然后长期持有。\" —— 段永平\n>\n> \"评估管理层，要看他们在没人看着的时候做什么。\" —— 巴菲特\n\n## 设计理念\n\n大多数投资分析对管理层的评估停留在表面：履历、持股比例、薪酬。但巴菲特花大量时间**和管理层吃饭聊天**，李录说**他投资的本质是投人**，段永平说**买股票就是买人**。\n\n本Skill是 `/investment-research` 第五步管理层评估的**深化版**。当标准投资研究中管理层评分不确定（★★★或以下）、或管理层是核心投资逻辑时，使用本Skill做纵深研究。\n\nAI无法和管理层吃饭，但可以通过公开信息做到：\n- **追踪管理层的话与做是否一致**（承诺vs兑现）\n- **分析每一笔重大资本配置决策的回报**\n- **从困难时期的决策中推断品格**\n- **通过员工/商家/客户的反馈侧面验证**\n\n## 执行流程\n\n### 第一步：识别关键管理层并启动并行数据收集\n\n使用 WebSearch 确认以下关键人物：\n\n| 角色 | 姓名 | 任期 | 背景 | 持股/期权 |\n|------|------|------|------|----------|\n| CEO/董事长 | | | | |\n| CFO | | | | |\n| 创始人（如不在位） | | | | |\n| 实际控制人（如不同于CEO） | | | | |\n| 其他关键高管 | | | | |\n\n**注意**：区分\"谁在做决策\"和\"谁的名字在头衔上\"。有些公司创始人虽然卸任但仍是灵魂人物（如黄峥之于拼多多）。\n\n确认关键人物后，使用 Task 工具启动多个后台 Agent **并行**收集以下数据：\n1. Agent 1：CEO公开发言与预测记录（股东信、电话会、采访、社交媒体）\n2. Agent 2：资本配置决策记录（并购、回购、分红、新业务投资）\n3. Agent 3：治理结构与薪酬（股权结构、关联交易、高管薪酬）\n4. Agent 4：侧面验证信息（员工评价、客户反馈、行业口碑）\n\n### 第二步：CEO能力圈评估\n\n#### 2.1 战略眼光\n\n搜索CEO过去5年的公开发言（股东信、电话会、采访、社交媒体），提取其对以下问题的判断：\n\n| 时间 | CEO的判断/预测 | 实际结果 | 准确度 |\n|------|--------------|---------|:------:|\n| | \"我们认为X市场会...\" | X市场实际... | ✅/❌ |\n| | \"未来3年我们的重点是...\" | 实际执行... | ✅/❌ |\n\n**关键问题**：\n- CEO有没有做过超前于市场的正确判断？\n- CEO有没有在大家都看好的时候保持冷静？\n- CEO对行业趋势的理解是跟随市场还是独立思考？\n\n#### 2.2 执行能力\n\n| 维度 | 评估 | 证据 |\n|------|------|------|\n| 战略到落地 | 说了的事做到了吗？ | |\n| 组织能力 | 能不能吸引和留住人才？ | |\n| 危机处理 | 遇到困难时怎么应对？ | |\n| 迭代速度 | 犯错后纠正的速度快吗？ | |\n\n### 第三步：诚信度评估（最重要）\n\n**巴菲特**：\"我们寻找三种品质：正直、智慧和精力。如果没有第一种，后两种会害死你。\"\n\n#### 3.1 承诺vs兑现追踪\n\n从过去3年的财报电话会、股东信、公开采访中，提取管理层做过的**具体承诺**：\n\n| # | 时间 | 承诺内容 | 承诺场合 | 兑现情况 | 评价 |\n|---|------|---------|---------|---------|------|\n| 1 | | \"我们将在2025年实现X业务盈利\" | 2024年报电话会 | | ✅/⚠️/❌ |\n| 2 | | \"我们计划回购$X亿\" | 2024年股东信 | | ✅/⚠️/❌ |\n\n**兑现率统计**：\n\n| 承诺兑现率 | 评价 |\n|:---------:|------|\n| >80% | 优秀——说到做到 |\n| 60-80% | 合格——大方向对但执行有偏差 |\n| 40-60% | 令人担忧——承诺过多交付不足 |\n| <40% | 严重问题——不可信赖 |\n\n#### 3.2 困难时期的表现\n\n搜索公司历史上遭遇的重大危机/困难（股价暴跌、业绩miss、监管冲击、竞争加剧），分析管理层的应对：\n\n| 危机事件 | 时间 | 管理层反应 | 事后回看的评价 |\n|---------|------|-----------|-------------|\n\n**关注**：\n- 是主动沟通还是躲避？\n- 是归因内部还是甩锅外部？\n- 是趁机做困难但正确的事，还是选择短期讨好市场？\n\n#### 3.3 对利益相关方的态度\n\n| 利益相关方 | 管理层态度 | 证据 | 评价 |\n|-----------|-----------|------|------|\n| 股东 | 尊重/忽视/利用 | | |\n| 员工 | 善待/压榨/漠视 | | |\n| 客户/用户 | 以客户为中心/短期榨取 | | |\n| 商家/供应商 | 公平合作/极端压价 | | |\n| 监管/社会 | 合规配合/打擦边球 | | |\n\n**李录**：\"对利益相关方的态度决定了企业的长期生命力。短期压榨能提升效率，但长期会损害生态。\"\n\n### 第四步：资本配置能力\n\n这是巴菲特最看重的管理层能力——**每赚一块钱，管理层能把它变成多少钱？**\n\n#### 4.1 资本配置决策记录\n\n搜索公司过去5年的重大资本配置决策，逐笔评估：\n\n**并购记录**：\n\n| 时间 | 收购标的 | 金额 | 战略逻辑 | 事后回报 | 评分(1-5) |\n|------|---------|------|---------|---------|:---------:|\n\n**回购记录**：\n\n使用 `tools/financial_rigor.py verify-valuation` 校验回购时和当前的PE等估值指标。\n\n| 时间 | 回购金额 | 平均回购价 | 当时PE | 事后回看 | 评分(1-5) |\n|------|---------|-----------|:------:|---------|:---------:|\n\n**分红记录**：\n\n| 年份 | 分红金额 | 分红率 | 同期FCF | 是否可持续 |\n|------|---------|:------:|---------|:---------:|\n\n**新业务投资**：\n\n| 时间 | 投资领域 | 累计投入 | 当前状态 | 回报评估 | 评分(1-5) |\n|------|---------|---------|---------|---------|:---------:|\n\n#### 4.2 资本配置评分\n\n| 维度 | 评分(1-5) | 说明 |\n|------|:---------:|------|\n| 并购纪律 | | 是否在合理价格收购？收购后整合如何？ |\n| 回购时机 | | 是否在低估时回购、高估时停止？ |\n| 分红合理性 | | 分红率是否与FCF匹配？ |\n| 新业务投资 | | 成功率如何？止损纪律如何？ |\n| 现金管理 | | 现金储备是否合理？是否囤积过多？ |\n| **综合评分** | | |\n\n**巴菲特标准**：理想的管理层在有好机会时果断投资，没有好机会时积极回购/分红，永远不做高价并购。\n\n### 第五步：治理结构评估\n\n#### 5.1 股权结构\n\n| 项目 | 详情 | 风险评估 |\n|------|------|---------|\n| 是否有AB股/超级投票权？ | | |\n| 创始人/实控人持股比例？ | | |\n| 是否有VIE结构？ | | |\n| 独立董事是否真正独立？ | | |\n| 大股东近期增减持记录？ | | |\n\n#### 5.2 薪酬合理性\n\n| 高管 | 年度总薪酬 | 占公司净利润比 | 与同行对比 | 是否合理 |\n|------|-----------|:------------:|:---------:|:-------:|\n\n**关注**：激励结构是否与长期股东利益一致？还是鼓励短期行为？\n\n#### 5.3 关联交易\n\n| 关联方 | 交易内容 | 金额 | 是否公允 | 风险评估 |\n|--------|---------|------|:-------:|---------|\n\n### 第六步：侧面验证\n\nAI无法和管理层面对面交流，但可以通过公开渠道的侧面信息验证。**注意**：以下信息取决于公开可搜索的内容，可能不完整，标注信息来源和可得性。\n\n#### 6.1 员工视角\n\n搜索 Glassdoor评分摘要、知乎讨论等**可公开搜索**的员工评价（脉脉等需登录的平台标注\"用户可自行补充\"）：\n\n| 维度 | 评分趋势 | 关键反馈 |\n|------|---------|---------|\n| 企业文化 | | |\n| 管理层评价 | | |\n| 工作强度 | | |\n| 薪酬满意度 | | |\n| 发展前景 | | |\n\n#### 6.2 客户/商家视角\n\n搜索App Store评分、消费者投诉、商家论坛：\n\n| 维度 | 评分/趋势 | 关键反馈 |\n|------|----------|---------|\n| 产品满意度 | | |\n| 客户服务 | | |\n| 商家/供应商关系 | | |\n\n#### 6.3 行业口碑\n\n搜索行业论坛、社交媒体，了解同行和业内人士对该管理层的评价。\n\n### 第七步：CEO离开后的情景分析\n\n**巴菲特**：\"好公司应该是傻瓜都能经营的——因为迟早会有傻瓜来经营。\"\n\n| 问题 | 回答 |\n|------|------|\n| 如果CEO明天离开，公司能正常运转吗？ | |\n| 现有管理团队的深度如何？有没有明确的继任者？ | |\n| 公司的竞争优势是依赖CEO个人，还是依赖组织/系统？ | |\n| 历史上的管理层交接是否顺利？ | |\n\n### 第八步：输出管理层评估报告\n\n#### 报告结构\n\n```\n一、关键人物速览（表格）\n二、诚信度评估\n   - 承诺兑现率\n   - 困难时期表现\n   - 对利益相关方态度\n三、能力评估\n   - 战略眼光（预判准确度）\n   - 执行能力\n   - 资本配置记录\n四、治理结构\n   - 股权结构风险\n   - 薪酬合理性\n   - 关联交易\n五、侧面验证\n   - 员工视角\n   - 客户/商家视角\n六、综合评分与结论\n```\n\n#### 综合评分\n\n| 维度 | 权重 | 评分(1-5) | 加权 |\n|------|:----:|:---------:|:----:|\n| 诚信度 | 35% | | |\n| 战略与执行能力 | 25% | | |\n| 资本配置能力 | 25% | | |\n| 治理结构 | 15% | | |\n| **综合评分** | 100% | | |\n\n#### 段永平的\"买人\"标准\n\n> 回答以下三个问题：\n> 1. **这个人是否正直？**（诚实、不占股东便宜）\n> 2. **这个人是否有能力？**（战略眼光+执行力+资本配置）\n> 3. **你愿意把钱交给这个人管10年吗？**\n>\n> 三个都是\"是\" = ★★★★★（5分）\n> 前两个是\"是\" = ★★★★（4分）\n> 只有第一个是\"是\" = ★★★（3分）\n> 第一个不是\"是\" = ★（1分，不投）\n\n### 第九步：保存报告\n\n将报告写入 `reports/{公司名}-management-{YYYYMMDD}.md`，例如 `reports/美团-management-20260409.md`\n\n---\n\n## 关键原则\n\n- **诚信是一票否决项** — 能力不足可以学习，品格有问题无法修复\n- **看行为不看言辞** — 管理层说什么不重要，做了什么才重要\n- **在困难中看真相** — 顺风时谁都是好CEO，逆风时才见真功夫\n- **资本配置是终极考试** — 赚钱容易，把赚到的钱配置好难\n- **不要爱上管理层** — 保持客观，即使是你欣赏的人也可能犯大错\n","frontmatter":{"name":"management-deep-dive","description":"AI Berkshire skill: 管理层纵深研究：买股票就是买人. Source: skills/management-deep-dive.md."},"isInternal":false,"tokens":4413,"sizeBytes":11697},{"name":"SKILL.md","path":"codex-skills/news-pulse/SKILL.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/news-pulse/SKILL.md","title":"news-pulse","category":"anthropic-skill","format":"markdown","content":"---\nname: news-pulse\ndescription: 公司新闻脉搏：股价异动时快速归因。用 4 个并行 Agent 侦察公司事件/监管政策/行业对手/市场情绪，产出\"事件时间线 + 异动主因判断 + 是否触发论文重审\"。\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/news-pulse.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 公司新闻脉搏：股价异动快速归因团队\n\n对 $ARGUMENTS 进行最近新闻侦察与异动归因。**这不是深度投研，是情报快速响应**——目标是 10 分钟内回答：\"这家公司最近发生了什么？股价异动的真因是什么？要不要重审投资论文？\"\n\n## 适用场景\n\n- 持仓/关注股票股价大涨/大跌（一般触发线：单日 ±5%、一周 ±10%）\n- 财报后股价异动，想快速搞清市场在反应什么\n- 看到新闻标题，但不确定是噪音还是真信号\n- **不适用**：完整投研（用 `/investment-team`）、财报深读（用 `/earnings-review`）、长期论文跟踪（用 `/thesis-tracker`）\n\n## 执行流程\n\n### 第一步：确认参数与场景\n\n向用户澄清以下信息（如未在 $ARGUMENTS 中提供）：\n\n| 参数 | 说明 | 默认 |\n|------|------|------|\n| **公司名** | 中文/英文/股票代码均可 | 必填 |\n| **时间窗口** | 侦察新闻的回溯天数 | 默认 14 天，财报季可缩到 7 天 |\n| **股价异动** | 涨/跌幅度 + 时间，如\"跌 12%/3 天\" | 选填，有则用于聚焦归因 |\n| **关注侧重** | 公司事件 / 监管 / 行业 / 情绪 | 默认四方平均 |\n\n如果用户只说了公司名，先反问：\"最近多少天的新闻？有具体的股价异动要解释吗？\"——**不要默默假设**。\n\n### 第二步：信息可得性分级\n\n参考 `investment-team.md` 的 A/B/C 评级，但维度不同：\n\n| 等级 | 特征 | 侦察策略 |\n|------|------|---------|\n| **A 级（信息充裕）** | 大盘股、媒体覆盖广、财报季 | 重点是**降噪和归因**——信息太多反而难找真因，每个 Agent 要有判断力，过滤掉\"重复转述\"的二手新闻 |\n| **B 级（信息适中）** | 中小盘、覆盖一般 | 标准模式，每条关键事件附 1-2 个独立信源 |\n| **C 级（信息稀缺）** | 港股小票、新上市、冷门 | 转入\"扫盲模式\"——可能找不到任何能解释异动的新闻，**这个结论本身就有价值**（可能是技术性/资金面而非基本面） |\n\n将评级告知每个 Agent，影响其侦察方式。\n\n### 第三步：创建团队\n\n使用 TeamCreate 创建团队：\n- `team_name`: `{公司名}-newspulse`（英文小写，如 `pdd-newspulse`）\n- `agent_type`: `team-lead`\n\n### 第四步：创建 4 个侦察任务\n\n使用 TaskCreate 创建以下 4 个任务：\n\n#### 任务 1：公司事件侦察（company-event-scout）\n\n- **subject**: `侦察 {公司名} 近 {N} 天的公司本体事件`\n- **description**:\n  1. **官方公告**：港交所/SEC/巨潮 等监管披露平台最近披露\n  2. **财报与业绩指引**：最新季报/年报、业绩预告、业绩会要点\n  3. **管理层动作**：高管变动、增减持、回购、分红、股权激励\n  4. **重大业务事件**：新产品发布、并购重组、业务剥离、大客户/大订单\n  5. **资本运作**：再融资、可转债、ADR 转换、回 A/退市动议\n  6. **诉讼与合规**：被起诉、自行披露的合规事件\n  7. 每条事件标注：**日期 / 来源链接 / 一句话摘要 / 与股价异动可能相关性（高/中/低）**\n  8. 输出按时间倒序的时间线表格\n\n#### 任务 2：监管与政策（regulatory-watcher）\n\n- **subject**: `侦察 {行业/公司} 近 {N} 天的监管与政策变化`\n- **description**:\n  1. **行业监管**：所在行业的新规、罚款、整改、牌照变化\n  2. **跨境政策**：中美关系（中概股）、关税、出口管制、数据安全\n  3. **税收政策**：增值税、企业所得税、个税相关变化\n  4. **反垄断与竞争法**：调查、罚款、并购否决\n  5. **特殊行业政策**：医药集采、教育双减、地产三道红线、互联网平台规制等\n  6. **货币与外汇**：影响该公司的汇率/利率/资本管制变化\n  7. 每条政策标注：**日期 / 来源 / 直接影响该公司的程度（直接/间接/无关）**\n  8. 重点判断：是否有\"政策黑天鹅\"刚刚落地\n\n#### 任务 3：行业与竞争对手（industry-peer-analyst）\n\n- **subject**: `侦察 {公司名} 行业格局与对手近 {N} 天的动态`\n- **description**:\n  1. **直接对手**：列出 3-5 个核心竞争对手，逐个查最近事件（财报、产品、价格战、人事）\n  2. **产业链上下游**：上游原材料/供应商、下游客户/渠道，最近的价格、产能、订单变化\n  3. **行业整体**：行业景气度数据、出货量、需求侧信号（消费数据、招标数据等）\n  4. **替代品威胁**：新技术、新业态对该行业的冲击\n  5. **行业指数表现**：同行业股票最近表现，该公司是跑赢/跑输/同步\n  6. 关键判断：**这是公司个体事件，还是整个行业的 beta 波动？**\n  7. 每条事件标注来源和日期\n\n#### 任务 4：市场情绪与卖方/大V（sentiment-tracker）\n\n- **subject**: `侦察 {公司名} 近 {N} 天的市场情绪与机构观点变化`\n- **description**:\n  1. **卖方评级变动**：高盛、摩根、中金等最近的评级/目标价调整\n  2. **机构持仓变化**：13F 披露（美股）、港股通持仓、北上资金流向\n  3. **做空数据**：做空比例、新发布的做空报告（如有）\n  4. **大 V 观点**：可调用 `python3 tools/xueqiu_scraper.py` 抓段永平等大 V 最近相关发言\n     - 段永平 user_id: `1247347556`\n     - 命令示例：`python3 tools/xueqiu_scraper.py --user-id 1247347556 --keywords {公司名},{股票代码} --output /tmp/dyp-{公司名}.md`\n     - 仅在该公司是段永平/李录关注标的时调用，否则跳过节省时间\n  5. **传言与小作文**：媒体未证实的传言、社交媒体讨论热点（雪球/X/Reddit）\n  6. **技术面信号**：是否触及关键支撑/阻力、是否有大宗交易、融资融券异常\n  7. 关键判断：**是基本面驱动还是情绪/资金面驱动？**\n\n### 第五步：并行启动 4 个 Agent\n\n**必须在同一条消息中并行调用 4 次 Task 工具**。每个 Agent 配置：\n- `subagent_type`: `general-purpose`\n- `run_in_background`: `true`\n- `team_name`: `{公司名}-newspulse`\n- `name`: 对应角色名（company-event-scout / regulatory-watcher / industry-peer-analyst / sentiment-tracker）\n\n每个 Agent 的 prompt 模板：\n\n```\n你是 {公司名} 新闻脉搏团队中的\"{角色中文名}\"，负责侦察 {侦察维度} 维度的最近 {N} 天事件。\n\n时间窗口：{起始日期} ~ {今日日期}\n股价异动背景：{用户提供的异动信息，无则写\"无特定异动，常规体检\"}\n信息可得性等级：{A/B/C}\n\n请完成任务 #{任务编号}：{任务subject}\n\n具体侦察要求：\n{任务description的内容}\n\n**侦察方法**：\n- 优先使用 WebSearch 搜索时效性查询（关键词加日期或\"最近\"、\"latest\"、\"2026\"）\n- 关键事件用 WebFetch 精读原始来源（公告原文、财报、监管文件）\n- 对每个事件做\"独立信源验证\"——传言至少要 2 个独立来源\n- **不要被标题党误导**：标题与正文不符的事件要标注\"标题误导\"\n\n**输出格式（重要）**：\n1. **核心发现**：3-5 条最关键的事件，每条 1-2 句话\n2. **完整事件时间线表格**（按日期倒序）：\n   | 日期 | 事件 | 来源 | 与股价异动相关性 | 持续性 |\n3. **本维度归因结论**：基于侦察到的事件，回答\"这个维度能否解释股价异动？置信度多少？\"\n4. **数据缺口声明**：哪些信息没找到、哪些有疑点、哪些需要等更多信息\n5. 严格区分\"事实\"与\"推测\"，遵循 CLAUDE.md 客观性原则\n\n**完成后**：\n1. 使用 TaskUpdate 将任务标记为 completed\n2. 通过 SendMessage 把完整侦察报告发送给 team-lead（type: \"message\", recipient: \"team-lead\"）\n```\n\n### 第六步：实时跟踪进度\n\n- 每收到一份侦察报告，向用户展示该维度的 3 条核心发现\n- 等待全部 4 份到齐\n- 全部到齐后，通过 SendMessage 向 4 个 Agent 发送 shutdown_request\n\n### 第七步：team-lead 综合归因\n\n汇总 4 份侦察报告，输出**异动归因报告**（不是研究报告，重点是\"判断\"）：\n\n---\n\n#### 1. 一句话归因\n> 用一段话（30-60 字）说明：这次股价异动的主因 + 次因 + 性质判断（价值事件/情绪波动/不明）\n\n#### 2. 完整事件时间线（合并 4 个维度）\n\n按日期倒序，合并所有维度的事件：\n\n| 日期 | 维度 | 事件 | 来源 | 异动归因权重 |\n|------|------|------|------|-----------|\n| 2026-04-30 | 公司 | XX | 链接 | 🔴 高 |\n| 2026-04-29 | 行业 | XX | 链接 | 🟡 中 |\n| 2026-04-28 | 情绪 | XX | 链接 | ⚪ 低 |\n\n权重图例：🔴 高（足以单独解释异动）/ 🟡 中（贡献一部分）/ ⚪ 低（背景噪音）\n\n#### 3. 异动归因表\n\n| 候选解释 | 证据 | 反证 | 置信度 | 持续性 |\n|---------|------|------|------|--------|\n| 例：财报 miss | 营收低于预期 5%、毛利率下滑 | 一次性因素管理层有解释 | 高 | 短期 1-2 周 |\n| 例：行业 beta | 同行同期跌 8% | 该股跌幅明显大于行业 | 中 | 与行业同步 |\n\n#### 4. 性质判断（核心结论）\n\n打勾其一：\n\n- [ ] **价值事件**：基本面发生了真实变化（业绩、护城河、管理层、终局），需要重审投资论文\n- [ ] **情绪/技术波动**：基本面无变化，是资金面/情绪/Beta 驱动，可视为机会或噪音\n- [ ] **真因不明**：找不到能匹配股价异动幅度的事件——**这是最危险的结论**，要么是市场提前知道了什么（内幕/抢跑），要么是我们漏掉了信息源\n- [ ] **混合**：部分价值事件 + 部分情绪放大\n\n#### 5. 各维度侦察摘要\n\n每维度 3-5 条最重要发现 + 该维度归因贡献度。\n\n#### 6. 行动建议\n\n| 行动 | 是否建议 | 理由 |\n|------|--------|------|\n| 触发投资论文重审（`/thesis-tracker`） | | |\n| 触发深度财报研读（`/earnings-review`） | | |\n| 触发管理层重审（`/management-deep-dive`） | | |\n| 调仓动作（加仓/减仓/不动） | | 仅做提示，最终决策权在用户 |\n| 仅观察 | | |\n\n#### 7. 接下来 7-30 天的跟踪清单\n\n- [ ] 待披露事件 1（如：5/15 业绩会）\n- [ ] 待跟踪指标 2\n- [ ] 关键观察信号 3\n\n#### 8. 信息缺口声明\n\n诚实列出本次侦察没能解决的疑点、找不到的信息、需要等更多披露的事项。**宁可标\"不确定\"，也不用推测填满**。\n\n---\n\n### 第八步：保存报告\n\n写入 `reports/{公司名}/{公司名}-news-{YYYYMMDD}.md`。如果 `reports/{公司名}/` 目录不存在则创建（说明该公司还没建过任何研究报告）。\n\n### 第九步：清理团队\n\n使用 TeamDelete 清理团队资源。\n\n## 关键原则\n\n1. **快胜过全**——这个 skill 的核心价值是 10-15 分钟内给出归因判断，不要陷入深度分析（那是其他 skill 的职责）\n2. **归因优先于罗列**——发现事件不难，难的是判断\"哪个事件配得上这次股价异动\"。要做减法，不要做加法\n3. **诚实面对\"不明\"**——找不到主因时，明确写\"真因不明\"。这比硬凑因果链更有价值（市场可能在抢跑利空消息）\n4. **不预设立场**——不要因为持仓就倾向于\"这是情绪波动，没事\"。证据指向哪边就写哪边\n5. **区分\"催化剂\"和\"巧合\"**——同一时间发生的事件不一定是异动主因，要看影响量级是否匹配\n6. **尊重信息可得性**——C 级公司可能就是查不到任何新闻，这个结论本身就要写出来\n7. **遵循 `CLAUDE.md` 客观性原则**——所有判断附数据来源，区分事实与观点\n8. **不替用户做决策**——给出归因和行动建议清单，但买卖决策由用户做\n","frontmatter":{"name":"news-pulse","description":"公司新闻脉搏：股价异动时快速归因。用 4 个并行 Agent 侦察公司事件/监管政策/行业对手/市场情绪，产出\"事件时间线 + 异动主因判断 + 是否触发论文重审\"。"},"isInternal":false,"tokens":4980,"sizeBytes":13217},{"name":"SKILL.md","path":"codex-skills/portfolio-review/SKILL.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/portfolio-review/SKILL.md","title":"portfolio-review","category":"anthropic-skill","format":"markdown","content":"---\nname: portfolio-review\ndescription: \"AI Berkshire skill: 组合管理：从\\\"研究公司\\\"到\\\"管理组合\\\". Source: skills/portfolio-review.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/portfolio-review.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 组合管理：从\"研究公司\"到\"管理组合\"\n\n对 $ARGUMENTS 执行投资组合审视与优化。\n\n**支持输入格式**：\n- 持仓清单，例如：`腾讯30%, 美团20%, 茅台20%, 英伟达15%, 现金15%`\n- 或：`腾讯 500股 @480港元, 美团 1000股 @130港元, ...`\n- 或：`我的持仓`（如果已有保存的组合文件 `reports/portfolio-latest.md`）\n\n> \"分散投资是对无知的保护。如果你知道自己在做什么，分散投资就没有意义。\" —— 巴菲特\n>\n> \"我这辈子见过的真正好的投资机会，十个手指就数得完。\" —— 李录\n\n## 设计理念\n\n研究公司只是投资的一半。另一半是**组合层面的决策**：\n- 买多少？（仓位）\n- 用什么钱买？（资金来源——新钱还是换仓）\n- 和已有持仓是否冲突？（相关性）\n- 最优组合长什么样？（机会成本）\n\n巴菲特从不孤立地看一只股票——他总是在想\"这是不是我能做的最好的事？\"\n\n## 执行流程\n\n### 第一步：解析持仓\n\n从输入中解析出当前持仓，标准化为以下格式：\n\n| 标的 | 代码 | 持仓量 | 成本价 | 现价 | 市值 | 占比 | 盈亏 |\n|------|------|--------|-------|------|------|------|------|\n\n如果输入只有比例没有金额，按比例分析即可。\n\n同时检查是否存在已有的组合文件（`reports/portfolio-latest.md`），如有则读取并更新。\n\n### 第二步：获取最新数据\n\n使用 Task 工具启动后台 Agent，通过 WebSearch 为每个持仓并行获取：\n1. 当前股价和估值指标（PE、PB、股息率）\n2. 最近一个季度的关键财务变化\n3. 近期重大事件\n4. 分析师一致预期（前瞻PE、目标价）\n\n对每个持仓使用 `tools/financial_rigor.py verify-valuation` 校验估值数据。对每只持仓标注信息丰富度（A/B/C级），C级持仓的分析结论标注低置信度。\n\n### 第三步：单仓位体检\n\n对每个持仓进行快速健康检查：\n\n| 标的 | 当前PE | 买入逻辑是否变化 | 论文健康度 | 仓位建议 |\n|------|:------:|:--------------:|:---------:|---------|\n| 腾讯 | 18x | 未变化 | 8/10 | 合理 |\n| 美团 | 25x | 竞争加剧 | 6/10 | 偏高，考虑减仓 |\n\n对每个持仓回答：\n- [ ] **如果今天没有持仓，你还会在当前价格买入吗？**\n- [ ] **如果明天不能交易，持有5年你舒服吗？**\n- [ ] **买入论文还完整吗？**\n\n**段永平**：\"如果你不想持有一只股票10年，那就一天也不要持有。\"\n\n### 第四步：组合层面分析\n\n#### 4.1 集中度分析\n\n| 指标 | 当前值 | 建议范围 | 判断 |\n|------|-------|---------|------|\n| 第一大持仓占比 | | <40% | |\n| 前三大持仓占比 | | 50-80% | |\n| 总持仓数量 | | 5-15只 | |\n| 现金占比 | | 10-30%（视市场环境） | |\n\n**李录的标准**：3-5只核心持仓，前3占80%+。**但这要求每一只都研究透彻。**\n\n**巴菲特的标准**：核心持仓不超过10只，但允许更多卫星仓位。\n\n#### 4.2 相关性检查\n\n识别持仓之间的隐性关联：\n\n| 持仓A | 持仓B | 相关类型 | 风险 |\n|-------|-------|---------|------|\n| 腾讯 | 快手 | 同属中国互联网 | 监管风险共振 |\n| 英伟达 | 台积电 | AI供应链上下游 | AI Capex同向波动 |\n| 美团 | 拼多多 | 同属中国消费 | 宏观消费同向波动 |\n\n**检查清单**：\n- [ ] 是否有超过50%的仓位暴露在同一个主题/行业？\n- [ ] 是否有超过50%的仓位暴露在同一个国家/货币？\n- [ ] 如果中美关系恶化，组合会亏多少？\n- [ ] 如果全球经济衰退，组合会亏多少？\n\n#### 4.3 机会成本分析\n\n这是巴菲特最核心的思维方式——**每一块钱都应该放在回报最高的地方**。\n\n将所有持仓按\"预期年化回报\"排序：\n\n| 排名 | 标的 | 当前占比 | 预期年化回报 | 确定性 | 预期回报×确定性 |\n|:----:|------|:-------:|:----------:|:------:|:--------------:|\n| 1 | | | | | |\n| 2 | | | | | |\n| ... | | | | | |\n\n预期回报估算方法（使用 `tools/financial_rigor.py three-scenario` 计算）：\n- **简化公式**：预期年化 ≈ FCF Yield + 预期增速（主要方法）\n- **价值型验证**：安全边际回归 + 利润增速 + 股息率\n- **成长型验证**：利润增速 × 合理PE的变化\n\n**关键问题**：排名最后的持仓，预期回报是否高于现金（无风险利率~4%）？如果不是，应该卖出换成现金。\n\n#### 4.4 压力测试\n\n| 情景 | 假设 | 组合预计影响 | 最大回撤 |\n|------|------|-----------|---------|\n| 全球衰退 | 企业盈利下降20-30% | | |\n| 中美冲突升级 | 中概股折价50% | | |\n| 利率飙升 | 10年期国债→6% | | |\n| 科技泡沫破裂 | 科技股PE压缩40% | | |\n\n对每个情景做定性+粗估评估（基于各持仓的行业属性和历史估值波动范围）：\n- 哪些持仓受冲击最大？大致影响方向和量级范围\n- 组合整体是否能承受？\n- 是否需要对冲？\n\n### 第五步：优化建议\n\n#### 5.1 调仓建议\n\n基于以上分析，给出具体的调仓建议：\n\n| 动作 | 标的 | 当前占比 | 建议占比 | 理由 |\n|------|------|:-------:|:-------:|------|\n| 加仓 | | | | |\n| 减仓 | | | | |\n| 清仓 | | | | |\n| 新建仓 | | | | |\n| 不动 | | | | |\n\n#### 5.2 寻找替代标的\n\n如果组合中有\"不如现金\"的仓位，或者现金占比过高，建议使用 `/industry-research` 或 `/investment-checklist` 对感兴趣的行业/公司进行系统筛选，而非在本Skill内直接推荐个股。\n\n#### 5.3 现金管理\n\n| 当前现金占比 | 建议现金占比 | 理由 |\n|:----------:|:----------:|------|\n\n**巴菲特**：目前持有$3,820亿现金，占比超过总资产的25%——当找不到好机会时，现金是最好的仓位。\n\n### 第六步：输出组合报告\n\n#### 报告结构\n\n```\n一、组合概览（持仓表格+饼图描述）\n二、单仓位体检（每个持仓的健康状态）\n三、组合分析\n   - 集中度：是否过度分散/集中？\n   - 相关性：隐性关联和风险共振\n   - 机会成本：排名最低的仓位是否值得持有？\n   - 压力测试：极端情景下的回撤预估\n四、调仓建议（具体操作+理由）\n五、下次审视时间和关注重点\n```\n\n#### 结论必须明确回答\n\n1. **组合整体健康度**：优秀 / 良好 / 需要调整 / 问题严重\n2. **最应该做的一件事是什么？**（加仓X / 减仓Y / 不动）\n3. **当前最大风险是什么？**\n\n### 第七步：保存组合文件\n\n将组合信息写入 `reports/portfolio-latest.md`，包含：\n- 最新持仓表\n- 本次审视日期和结论\n- 调仓记录（追加）\n- 下次审视提醒\n\n---\n\n## 关键原则\n\n- **每一块钱都有机会成本** — 持有一只平庸的股票，成本是错过了一只优秀的\n- **集中不是风险，无知才是** — 持有3只你深度理解的股票，比持有30只你一知半解的安全\n- **现金是一种仓位** — 找不到好机会时，持有现金不丢人\n- **组合层面 > 个股层面** — 一只好股票在错误的仓位上也会拖累你\n- **定期审视，但不要过度交易** — 每季度审视一次足够，不要每天盯盘调仓\n","frontmatter":{"name":"portfolio-review","description":"AI Berkshire skill: 组合管理：从\"研究公司\"到\"管理组合\". Source: skills/portfolio-review.md."},"isInternal":false,"tokens":3148,"sizeBytes":8579},{"name":"SKILL.md","path":"codex-skills/private-company-research/SKILL.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/private-company-research/SKILL.md","title":"private-company-research","category":"anthropic-skill","format":"markdown","content":"---\nname: private-company-research\ndescription: \"AI Berkshire skill: 未上市公司研究：多Agent并行深度研究框架. Source: skills/private-company-research.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/private-company-research.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 未上市公司研究：多Agent并行深度研究框架\n\n对 $ARGUMENTS 进行团队化深度研究分析。专为蚂蚁集团、小红书、SpaceX、Stripe 等未上市公司设计。\n\n**最终目标**：在信息天然稀缺的条件下，尽可能还原这家公司的**真实价值**——不是市场给的估值，而是生意本身值多少钱。\n\n## 框架特点\n\n未上市公司 vs 上市公司研究的核心差异：\n- **无标准化财报**：需多源拼凑、交叉验证\n- **估值锚定少**：依赖融资轮次、可比公司法、情景推演\n- **信息不对称大**：需要更多\"拼图式\"研究方法\n- **退出路径不确定**：IPO/并购/二级转让均有可能\n\n## AI研究偏见自觉（本框架的核心前提）\n\n未上市公司是AI研究偏见最严重的领域。必须时刻警惕以下陷阱：\n\n**核心矛盾**：AI擅长结构化已有信息，但未上市公司的信息天然稀缺。这会导致：\n1. **虚假保守**：因为资料少，AI倾向给出保守/模糊的结论，但资料少≠公司不好\n2. **虚假精确**：为了填满报告模板，AI可能用\"合理推测\"伪装成\"有据分析\"\n3. **对标陷阱**：强行与上市公司对标时，会继承上市公司的估值逻辑，忽略未上市公司的独特价值\n4. **幸存者偏差**：网上能搜到的公司信息往往有正面偏向（公司主动传播的多是好消息）\n\n**应对原则**：\n- 宁可留白说\"不知道\"，也不要用推测填满表格伪装确定性\n- 每个数据点必须标注置信度（🟢高/🟡中/🔴低），让读者自己判断\n- 区分\"可验证的事实\"与\"AI的推理\"，用不同格式标注\n- 对于信息极度稀缺的公司，切换为\"第一性原理模式\"——不追求报告完整，只回答几个核心问题：\n  1. 这门生意解决什么真实问题？需求是真需求还是伪需求？\n  2. 为什么是这个团队？他们有什么独特优势？\n  3. 如果成功了，天花板有多高？如果失败了，最可能死在哪里？\n  4. 当前阶段的关键验证节点是什么？\n\n**反向利用信息不对称**：市场对未上市公司信息少→定价效率低→恰恰可能是超额收益的来源。AI研究的目标不是消除信息不对称（做不到），而是在有限信息中提取最关键的判断依据。\n\n---\n\n## 执行流程\n\n### 第一步：展示团队框架\n\n向用户展示以下团队结构，确认后启动：\n\n| 角色 | 职责 | 核心视角 |\n|------|------|----------|\n| **team-lead**（你自己） | 统筹协调、信息拼图、交叉验证、输出最终报告 | 投资决策整合 |\n| **business-decoder** | 商业模式拆解 & 产品用户分析 | \"这门生意的本质是什么\" |\n| **financial-detective** | 财务数据拼凑 & 估值推演 | \"在信息缺失下尽可能还原真实财务面貌\" |\n| **competitive-mapper** | 行业格局 & 竞争态势 & 替代威胁 | \"谁在和它竞争，谁可能颠覆它\" |\n| **risk-governance-analyst** | 风险全景 & 管理层/治理/投资人评估 | \"什么可能出错，谁在掌舵\" |\n| **tech-ip-analyst** | 技术栈/专利/研发能力/技术护城河 | \"技术壁垒是真是假，能撑多久\" |\n| **signal-miner** | 替代数据挖掘：招聘/专利/诉讼/App数据/供应链 | \"常规信息之外，还有什么蛛丝马迹\" |\n\n### 第二步：创建团队\n\n使用 TeamCreate 创建团队：\n- team_name: `{公司名}-private-research`（英文小写，如 `ant-group-private-research`）\n- agent_type: `team-lead`\n\n### 第三步：创建6个任务\n\n使用 TaskCreate 创建以下6个任务（每个都要有 subject、description、activeForm）：\n\n---\n\n#### 任务1：商业模式与产品用户深度分析\n- subject: `拆解{公司名}商业模式、产品矩阵与用户生态`\n- activeForm: `分析{公司名}商业模式与用户生态`\n- description 包含：\n\n```\n## 商业模式深度拆解\n\n### 1. 核心生意定义\n- 用一句话定义这门生意的本质（段永平式定义：用最朴素的语言，把这门生意讲给一个聪明但不懂行的人听）\n- 公司解决什么问题？为谁创造价值？\n- 价值主张与同类产品的差异化\n- 这个问题如果公司不存在，用户会怎么解决？替代方案的代价有多高？\n- 需求的\"刚性\"判断：经济下行时用户会砍掉这个支出吗？\n\n### 2. 收入模式拆解\n- 收入构成：广告/佣金/订阅/交易抽成/金融服务/SaaS/硬件/授权费等\n- 各收入线占比（如有数据）及增长趋势\n- 变现效率指标推算：ARPU、Take Rate、广告加载率、转化率等\n- 收入质量评估：\n  - 经常性收入 vs 一次性收入的占比\n  - 收入集中度：前5大客户/渠道占比\n  - 收入的可预测性（合同型/订阅型 vs 交易型）\n  - 收入确认方式是否合理（有无提前确认收入的迹象）\n- 与同业上市公司变现效率对标\n\n### 3. 单位经济模型（UE）推算\n- CAC（获客成本）推算：\n  - 付费获客 vs 自然增长的占比\n  - 分渠道CAC（如有）\n  - CAC趋势：随规模增长是上升还是下降？\n- LTV（生命周期价值）推算：\n  - ARPU × 预期生命周期\n  - 考虑交叉销售和升级销售\n- LTV/CAC 比值、回本周期\n- 边际成本结构：新增用户/交易的边际成本趋势\n- 规模经济拐点：何时/是否已过盈亏平衡点\n\n### 4. 产品矩阵与飞轮效应\n- 核心产品 + 延伸产品 + 孵化产品\n- 飞轮如何运转：网络效应/数据飞轮/规模效应\n- 产品之间的协同效应与交叉导流\n- 产品生命周期：各产品分别处于哪个阶段\n- 产品迭代速度：App/产品更新频率、近12个月重大功能更新\n\n### 5. 商业模式画布（BMC）\n用以下9要素完整描述商业模式：\n| 要素 | 内容 |\n|------|------|\n| 价值主张 | |\n| 客户细分 | |\n| 渠道通路 | |\n| 客户关系 | |\n| 收入来源 | |\n| 核心资源 | |\n| 关键活动 | |\n| 重要伙伴 | |\n| 成本结构 | |\n\n### 6. 用户深度分析\n- 用户规模：MAU/DAU（从QuestMobile、Sensor Tower、SimilarWeb等推算）\n- 用户增长曲线：处于S曲线哪个阶段（用具体数据论证）\n- 用户粘性指标：\n  - DAU/MAU 比率（日活/月活比）\n  - 平均使用时长、打开频次\n  - 次日/7日/30日留存率（如有）\n  - 用户增长 vs 留存趋势对比（虚假增长识别）\n- 用户画像：年龄/地域/消费力/职业分布\n- 用户口碑：\n  - App Store/Google Play评分趋势（近12个月变化）\n  - 社交媒体舆情分析\n  - 知乎/微博/小红书上的用户真实反馈\n  - 负面评价的主要集中点\n- 用户获取效率：\n  - 付费获客 vs 自然增长 vs 口碑传播比例\n  - 是否依赖单一获客渠道\n\n### 7. 定价权评估\n- 过去3年是否有提价历史？提价后用户流失情况？\n- 与竞品的价格对比：是价格领导者还是跟随者？\n- 用户对价格的敏感度评估\n- 佣金/抽成比例在产业链中的合理性\n\n### 8. 护城河评估\n对以下6个维度逐一验证并打分(★1-5)：\n\n| 护城河类型 | 评分 | 证据 | 趋势 | 持久性评估 |\n|-----------|------|------|------|-----------|\n| 网络效应 | | 用户越多，价值越大？是单边还是双边/多边？ | 加宽/稳定/收窄 | |\n| 转换成本 | | 用户迁移到竞品的代价？数据/关系/习惯迁移成本？ | | |\n| 品牌心智 | | 品类=品牌？NPS推算？ | | |\n| 数据壁垒 | | 数据飞轮是否形成？独有数据资产？数据量级？ | | |\n| 监管牌照 | | 是否有准入门槛？牌照获取难度？ | | |\n| 规模经济 | | 规模带来的成本优势是否显著？ | | |\n\n综合护城河评级：宽/中/窄/无\n\n### 9. 国际化分析（如适用）\n- 海外市场拓展情况\n- 国际化收入占比\n- 本土化策略与挑战\n- 海外竞争格局差异\n```\n\n---\n\n#### 任务2：财务数据拼凑与估值推演\n- subject: `拼凑{公司名}财务数据并进行估值分析`\n- activeForm: `拼凑{公司名}财务数据与估值`\n- description 包含：\n\n```\n## 财务数据拼凑（侦探式研究）\n\n未上市公司没有标准财报，需要多源拼凑、交叉验证。每一个数据都要追溯到具体来源，标明时间和置信度。\n\n### 1. 数据来源矩阵\n**按优先级搜索以下来源**：\n\n| 优先级 | 来源类型 | 具体来源 | 可信度 | 搜索方法 |\n|--------|---------|---------|--------|---------|\n| 1 | 招股书/监管文件 | SEC Filing、港交所、证监会披露的招股书草案 | 🟢高 | 搜索\"公司名 + 招股书/prospectus/IPO filing\" |\n| 2 | 母公司/关联上市公司财报 | 如阿里年报中蚂蚁数据、Google Cloud年报 | 🟢高 | 搜索母公司年报中的关联披露 |\n| 3 | 监管处罚/合规披露 | 央行、证监会、市场监管总局处罚文件 | 🟢高 | 搜索\"公司名 + 处罚/罚款/整改\" |\n| 4 | 债券/ABS发行文件 | 如蚂蚁花呗ABS说明书中的底层数据 | 🟢高 | 搜索\"公司名 + 债券/ABS/信托\" |\n| 5 | 工商登记信息 | 天眼查/企查查的工商年报、实缴资本 | 🟡中高 | |\n| 6 | 融资新闻 | 估值、融资金额、投资方 | 🟡中 | 搜索\"公司名 + 融资/估值/valuation\" |\n| 7 | 第三方研报 | 券商、咨询公司、行业协会研报 | 🟡中 | 搜索\"公司名 + 研报/report\" |\n| 8 | 深度媒体报道 | 晚点LatePost、The Information、36氪、Bloomberg | 🟡中 | 直接搜索这些媒体+公司名 |\n| 9 | 行业数据推算 | 通过行业总量和市场份额反推 | 🔴低-中 | |\n| 10 | 前员工/内部人爆料 | Blind、脉脉、论坛 | 🔴低 | 仅作参考，不作为主要依据 |\n\n### 2. 关键财务指标推算\n尽可能推算以下数据，**每个数据点必须标明**：来源、时间、置信度、推算方法。\n\n**收入端**：\n- 总收入规模与增速（近3年，年度/季度颗粒度）\n- 收入结构拆解（按业务线/产品线）\n- 收入增长驱动因素分解：量（用户/交易量）× 价（ARPU/客单价）\n- 收入的季节性波动模式\n\n**成本端**：\n- 毛利率推算（对标同业上市公司，说明选取逻辑）\n- 研发费用率推算（通过员工数 × 人均薪酬，或研发人员占比推算）\n- 销售费用率推算（通过获客渠道和投放数据推算）\n- 管理费用率推算\n\n**利润端**：\n- 经营利润/EBITDA 推算\n- 净利润/调整后净利润推算\n- 盈利时间线：何时盈利？如果尚未盈利，预计何时？\n\n**现金流端**：\n- 经营现金流判断（正/负，是否自我造血）\n- 资本开支水平和趋势\n- 自由现金流推算\n- 账上现金/烧钱速度（通过融资金额、融资间隔、员工数推算）\n- 现金跑道：按当前烧钱速度还能撑多久？\n\n**效率指标**：\n- 员工数量与人效（人均收入、人均利润）\n- 资本效率：每融1元钱产生多少收入\n- 与同业上市公司效率指标对标\n\n### 3. 财务数据交叉验证\n- 同一指标如果有多个来源，全部列出并说明差异\n- 用不同方法推算同一指标，检查结果是否收敛\n- 标注无法验证的\"孤证\"数据\n\n| 指标 | 来源A（数据/时间） | 来源B（数据/时间） | 差异 | 采信判断 |\n|------|-------------------|-------------------|------|---------|\n\n### 4. 融资历史与估值演变\n整理完整融资时间线：\n\n| 轮次 | 时间 | 金额 | 投前估值 | 投后估值 | 领投方 | 跟投方 | 估值倍数增长 | 备注 |\n|------|------|------|---------|---------|--------|--------|------------|------|\n\n分析：\n- 估值增长曲线是否健康（每轮增长倍数是否合理）\n- 融资间隔是否合理（过于频繁=烧钱快？过于稀疏=融资困难？）\n- 是否出现估值倒挂（Down Round）\n- 老股东是否持续加注（信心信号）\n- 最新一轮的投资条款推测：\n  - 优先清算权（1x/2x/participating）\n  - 反稀释保护（full ratchet/weighted average）\n  - 对赌条款（业绩/上市时间）\n  - 这些条款对普通股价值的影响\n\n### 5. 估值分析（多方法交叉）\n\n**方法1：最近融资估值法**\n- 最近一轮估值及时间\n- 考虑优先清算权等条款后的\"普通股等价估值\"（通常需要打折20-40%）\n- 距今时间差异调整\n- 这一轮投资人的动机分析（财务投资 vs 战略投资，战略投资者可能溢价）\n\n**方法2：可比上市公司法**\n- 选择3-5家上市可比公司，说明选取理由\n- 关键倍数对比：\n\n| 可比公司 | P/S | P/E | EV/EBITDA | EV/Revenue | 增速 | 利润率 |\n|---------|-----|-----|-----------|------------|------|--------|\n\n- 应用的调整：\n  - 流动性折价：20-30%（标注具体取值和理由）\n  - 增速溢价/折价\n  - 规模折价\n  - 监管/政策风险折价\n\n**方法3：DCF 情景分析**\n三种情景，每种都要列出关键假设：\n\n| 假设 | 悲观 | 中性 | 乐观 |\n|------|------|------|------|\n| 未来5年收入CAGR | | | |\n| 终态经营利润率 | | | |\n| 终态增长率 | | | |\n| WACC | | | |\n| 终值倍数(EV/EBITDA) | | | |\n\n每个假设要有论据支撑，不能凭空假设。\n\n**方法4：终局市值倒推法**\n- 假设5年/10年后这门生意在终态时的市场地位\n- 终态收入和利润率假设\n- 终态合理倍数（参考同行业成熟公司）\n- 倒推当前合理估值区间\n- 隐含的年化回报率\n\n**方法5：交易对标法**\n- 同行业近2年的并购/融资交易\n- 交易倍数（P/S、P/E）\n- 交易背景和溢价/折价因素\n\n### 6. 估值综合判断\n\n| 方法 | 估值区间 | 置信度 | 权重 | 加权估值 |\n|------|---------|--------|------|---------|\n\n- 不同方法得出的估值是否收敛？如果差异大，分析原因\n- 最终给出的估值区间要区分\"合理估值\"和\"保守估值\"（安全边际估值）\n```\n\n---\n\n#### 任务3：行业格局与竞争态势分析\n- subject: `分析{公司名}所在行业的竞争格局与替代威胁`\n- activeForm: `分析{公司名}行业格局与竞争态势`\n- description 包含：\n\n```\n## 行业格局与竞争态势\n\n### 1. 行业定位与市场规模\n- 公司所在的核心赛道定义（注意：公司自己定义的赛道可能是美化过的，要独立判断）\n- TAM/SAM/SOM 三层市场规模：\n  - TAM（总可寻址市场）：整个大行业\n  - SAM（可服务市场）：公司技术/模式能覆盖的\n  - SOM（可获得市场）：当前实际能获取的\n- 市场规模数据来源对比（不同研究机构的预测可能差异很大）\n- 市场渗透率：当前 vs 天花板\n- 行业所处阶段：萌芽期/成长期/成熟期/衰退期（附论据）\n- 行业增长驱动因素：哪些力量在推动/阻碍行业增长\n\n### 2. 产业链全景地图\n绘制完整产业链结构（文本图）：\n\n```\n上游供应方（谁？议价能力？）\n    ↓\n公司所处环节（价值链中哪个位置？利润池占比？）\n    ↓\n下游客户/用户（集中度？替代选择？）\n    ↕\n竞争对手 / 替代品 / 潜在进入者\n```\n\n- 利润池分析：产业链各环节的利润分配\n- 公司在产业链中的议价能力（上游/下游）\n- 上下游依赖度分析：是否存在单一供应商/客户依赖\n- 产业链正在发生的结构性变化\n\n### 3. 波特五力分析（量化打分）\n\n| 力量 | 强度(★1-5) | 关键因素 | 对公司影响 |\n|------|-----------|---------|-----------|\n| 行业内竞争 | | 集中度、差异化程度、退出壁垒 | |\n| 新进入者威胁 | | 资本壁垒、技术壁垒、监管壁垒、品牌壁垒 | |\n| 替代品威胁 | | 替代品性价比、转换成本 | |\n| 供应商议价能力 | | 供应商集中度、转换成本 | |\n| 买方议价能力 | | 客户集中度、信息透明度 | |\n\n综合行业吸引力评分：★1-5\n\n### 4. 竞争格局深度扫描\n\n| 竞争对手 | 类型 | 市场份额(推算) | 收入规模 | 融资/市值 | 核心优势 | 主要劣势 | 威胁等级 |\n|---------|------|---------------|---------|----------|---------|---------|---------|\n| 直接竞争者1 | 直接 | | | | | | |\n| 直接竞争者2 | 直接 | | | | | | |\n| 间接竞争者1 | 跨界 | | | | | | |\n| 潜在进入者1 | 巨头 | | | | | | |\n\n重点分析：\n- **直接竞争者**：同赛道直接对手，逐个分析其战略意图和资源投入\n- **间接竞争者**：跨界潜在竞争，特别是大厂的相关业务\n- **替代品威胁**：不同技术路线/模式，特别是AI可能带来的颠覆\n- **潜在进入者**：巨头可能入局的概率和方式（自建/收购/投资）\n\n### 5. 竞争对手深度对比\n选择2-3个最直接的竞争对手（含上市和未上市），进行多维对比：\n\n| 维度 | {公司名} | 竞争者A | 竞争者B | 竞争者C |\n|------|---------|---------|---------|---------|\n| 成立时间 | | | | |\n| 用户规模(MAU) | | | | |\n| 收入规模 | | | | |\n| 收入增速 | | | | |\n| 融资总额/市值 | | | | |\n| 估值/收入倍数 | | | | |\n| 变现效率(ARPU) | | | | |\n| 毛利率 | | | | |\n| 盈利状态 | | | | |\n| 员工数量 | | | | |\n| 技术能力 | | | | |\n| 差异化定位 | | | | |\n| 国际化程度 | | | | |\n\n### 6. 竞争动态与趋势\n- 近12个月的竞争格局关键变化（融资、并购、产品发布、人事变动）\n- 竞争对手的战略方向推断（从招聘、专利、产品更新推断）\n- 行业正在发生的结构性转变\n- 技术变革对竞争格局的影响（特别是AI/大模型）\n- 监管政策对竞争格局的影响\n- 是否存在\"赢家通吃\"的行业特征？还是会形成稳定的多寡头格局？\n\n### 7. 竞争情景推演\n- 情景A：公司胜出——需要什么条件？概率？\n- 情景B：均势共存——各自的生存空间？\n- 情景C：被颠覆——最可能的颠覆者和路径？\n\n### 8. 全球对标分析\n寻找海外/国内的对标公司（已上市），分析：\n\n| 维度 | 对标公司A | 对标公司B | {公司名}对标启示 |\n|------|---------|---------|----------------|\n| 发展路径 | | | |\n| 当前估值水平 | | | |\n| 从类似阶段到上市的时间 | | | |\n| 上市后股价表现 | | | |\n| 成功/失败的关键因素 | | | |\n\n- 对标的局限性说明（中国市场特殊性、监管差异、用户习惯差异）\n```\n\n---\n\n#### 任务4：风险全景与治理评估\n- subject: `评估{公司名}全维度风险与管理层/治理结构`\n- activeForm: `评估{公司名}风险与治理结构`\n- description 包含：\n\n```\n## 风险全景与治理评估\n\n### 1. 创始人/CEO 深度评估\n\n> \"买股票就是买人。\" —— 段永平\n\n- **背景与履历**：教育、职业经历、创业经历\n  - 有无连续创业经历？上一次创业的结果？\n  - 行业相关经验年限\n  - 之前管理的最大团队/业务规模\n- **战略眼光**：搜索CEO过去3年的公开发言（演讲、访谈、内部信、社交媒体）\n  | 时间 | CEO的判断/预测 | 实际结果 | 准确度 |\n  |------|--------------|---------|--------|\n  - 有无做过超前于市场的正确判断？\n  - 有无在大家都看好时保持冷静？\n- **执行力**：关键里程碑是否按时达成\n  | 承诺 | 承诺时间 | 承诺场合 | 兑现情况 | 评价 |\n  |------|---------|---------|---------|------|\n- **格局与价值观**：\n  - 对用户/员工/社会的态度（从具体事件判断，不看口号）\n  - 面对困难时的选择（裁员方式、危机处理、利益冲突时的取舍）\n  - 对短期利润 vs 长期价值的取舍\n- **争议事件**：是否有负面记录（搜索\"CEO名字 + 争议/丑闻/问题\"）\n- **评级**：★1-5（附详细理由）\n\n### 2. 核心团队评估\n- 核心高管团队名单与背景（CTO/CFO/COO/VP等）\n  | 姓名 | 职位 | 背景 | 任期 | 此前经历 |\n  |------|------|------|------|---------|\n- 关键人才流动分析：\n  - 近2年重要高管离职情况（谁走了？去了哪？为什么？）\n  - 近2年重要高管加入情况（从哪挖来的？说明什么？）\n  - 人才净流入还是净流出？\n- 团队互补性：创始团队的能力是否互补？有无明显短板？\n- 团队文化信号：\n  - Glassdoor/脉脉评分与趋势（近12个月变化方向比绝对值重要）\n  - 员工推荐意愿（Would recommend to a friend）\n  - CEO支持率\n  - 加班文化、组织氛围的舆论\n- 关键人物依赖度：如果CEO/CTO离开，公司会怎样？\n\n### 3. 股权结构与治理\n\n**股权架构**：\n| 股东 | 持股比例 | 投票权比例 | 类型 | 备注 |\n|------|---------|-----------|------|------|\n\n- 创始人控制权结构：AB股/一致行动人/VIE架构\n- 创始人持股比例变化趋势（每轮融资稀释情况）\n- 员工持股计划：覆盖面、行权条件、与上市对赌\n\n**治理结构**：\n- 董事会构成（独立董事占比、投资方席位）\n- 重大决策机制\n- 潜在的利益冲突：\n  - 关联交易（创始人其他公司与本公司的交易）\n  - 同业竞争\n  - 大股东利益与小股东利益的冲突点\n\n### 4. 投资人阵容深度分析\n\n| 投资方 | 轮次 | 金额 | 估算持股 | 类型 | 战略价值 | 退出压力 |\n|--------|------|------|---------|------|---------|---------|\n\n分析：\n- 领投机构的品牌背书意义（顶级VC vs 不知名基金）\n- 产业资本的战略协同价值（是否带来资源/渠道）\n- 投资人退出压力评估：\n  - 基金存续期还剩多久？\n  - 是否已在二级市场抛售老股？\n  - 对赌条款是否临近到期？\n- 投资人阵容的红旗信号：\n  - 是否有声誉不佳的投资人？\n  - 早期投资人是否已清仓？\n  - 最近一轮的跟投情况（老股东不跟=不看好？）\n\n### 5. 全维度风险清单\n\n| 风险类型 | 具体风险 | 概率(高/中/低) | 影响(高/中/低) | 严重度 | 是否可对冲 | 监控指标 |\n|---------|---------|---------------|---------------|--------|-----------|---------|\n| 监管风险 | 反垄断、数据安全、行业整顿、牌照风险 | | | | | |\n| 竞争风险 | 巨头入场、新模式颠覆、价格战 | | | | | |\n| 技术风险 | 平台迁移、AI颠覆、技术路线失败 | | | | | |\n| 人才风险 | 创始人/核心团队流失 | | | | | |\n| 融资风险 | 资金链、估值倒挂、融资困难 | | | | | |\n| IPO风险 | 上市窗口、监管审批、市场环境 | | | | | |\n| 地缘风险 | 中美关系、跨境数据、制裁 | | | | | |\n| 商业化风险 | 变现不及预期、用户反弹 | | | | | |\n| 治理风险 | 关联交易、信息不透明、投资人冲突 | | | | | |\n| 合规风险 | 数据隐私(GDPR/个保法)、内容合规 | | | | | |\n| 宏观风险 | 经济周期、利率环境、资本市场冷热 | | | | | |\n| ESG风险 | 环境/社会/治理相关风险 | | | | | |\n\n### 6. 退出路径分析\n\n| 退出方式 | 可能性(★1-5) | 预计时间窗口 | 预期估值区间 | 关键前提 | 主要障碍 |\n|---------|-------------|------------|------------|---------|---------|\n| A股IPO | | | | | |\n| 港股IPO | | | | | |\n| 美股IPO | | | | | |\n| 被并购 | | 潜在买家是谁？ | | | |\n| 二级市场转让 | | 流动性如何？ | | | |\n| SPAC | | | | | |\n| 长期不退出 | | | | | |\n\n- 最可能的退出路径及理由\n- 退出时间线推演\n- 各退出路径下的预期回报分析\n\n### 7. 最坏情景分析（芒格式逆向思考）\n\n> \"反过来想，总是反过来想。\" —— 芒格\n\n- 这家公司最可能怎么**失败**？列出3种具体失败路径\n- 每种失败路径的概率评估和触发条件\n- 最坏情景下，投资人能收回多少？（清算价值分析）\n- 聪明人为什么**不投**这家公司？（至少列出5条理由）\n- 历史上类似定位/阶段的公司，有哪些失败了？为什么？\n- 什么信号出现意味着\"论文已破\"，应该止损？\n```\n\n---\n\n#### 任务5：技术能力与知识产权分析\n- subject: `分析{公司名}技术栈、专利布局与研发能力`\n- activeForm: `分析{公司名}技术能力与知识产权`\n- description 包含：\n\n```\n## 技术能力与知识产权深度分析\n\n> 对科技公司而言，技术壁垒的真假和持久性直接决定估值的合理性。\n\n### 1. 技术栈分析\n- 核心技术架构推断（从招聘信息、技术博客、开源项目、会议演讲推断）\n- 技术栈选择是否合理（是否用了正确的工具解决正确的问题）\n- 技术债务信号：\n  - 招聘岗位中是否大量招\"重构/迁移\"类角色\n  - 是否在做大规模技术栈切换\n  - 用户端是否有频繁的bug/故障投诉\n\n### 2. 专利布局分析\n搜索专利数据库（Google Patents、CNIPA、USPTO）：\n\n| 专利指标 | 数据 | 来源 |\n|---------|------|------|\n| 专利总数（已授权） | | |\n| 专利申请中 | | |\n| 近2年新增专利数 | | |\n| 核心技术领域分布 | | |\n| 关键专利的引用次数 | | |\n| 专利的国际布局 | | |\n\n- 专利质量评估（不只看数量）：\n  - 是否有核心/基础专利？\n  - 专利覆盖的技术领域是否与主营业务一致？\n  - 是否存在专利诉讼（被诉或主动起诉）？\n- 专利趋势：申请速度在加快还是放缓？技术方向有无转移？\n- 与竞争对手的专利对比\n\n### 3. 研发能力评估\n- **研发投入**：\n  - 研发人员数量/占比（从招聘平台、LinkedIn推算）\n  - 研发费用推算（人数 × 平均薪酬 + 基础设施）\n  - 研发费用率（与同业对比）\n  - 研发投入趋势：在加大还是缩减？\n- **研发产出**：\n  - 学术论文发表（搜索Google Scholar、arXiv）\n  - 技术会议演讲（搜索KDD、NeurIPS、SIGIR等顶会）\n  - 开源贡献（搜索GitHub组织账号）\n  - 技术博客/公众号输出\n- **研发效率**：\n  - 从技术研发到产品落地的速度\n  - 技术成果的商业转化率\n\n### 4. 技术人才评估\n- **核心技术领导者**：CTO/VP Eng/首席科学家的背景和能力\n  | 姓名 | 职位 | 学历 | 前公司 | 技术影响力 |\n  |------|------|------|--------|-----------|\n- **技术人才密度**：\n  - 来自哪些公司/实验室？（Google/Meta/MSRA/BAT等顶尖机构占比）\n  - 技术岗位的薪酬竞争力（从招聘信息推算）\n  - 技术团队的流失率信号（LinkedIn上离职动态）\n- **招聘信号**：\n  - 当前在招什么技术岗位？（反映技术战略方向）\n  - 技术岗位的招聘难度和填充速度\n  - 是否在建新的技术团队/实验室？\n\n### 5. 技术护城河评估\n\n| 技术壁垒维度 | 评分(★1-5) | 证据 | 持久性 |\n|-------------|-----------|------|--------|\n| 算法/模型壁垒 | | 是否有独创算法？是否可被复制？ | |\n| 数据壁垒 | | 数据量级、独有数据、数据飞轮速度 | |\n| 工程壁垒 | | 系统复杂度、长时间积累的工程能力 | |\n| 人才壁垒 | | 核心技术人才是否难以替代 | |\n| 生态壁垒 | | 开发者生态、API/SDK覆盖、技术标准 | |\n\n- 综合技术护城河评级：强/中/弱\n- 技术护城河的衰减速度评估（AI时代技术壁垒的半衰期可能很短）\n\n### 6. AI/新技术影响评估\n- 公司的AI能力和布局\n- AI对公司核心业务的影响（增强 vs 威胁 vs 中性）\n- 公司是AI变革的受益者还是被颠覆者？\n- 其他新兴技术（Web3/AR/VR/量子计算等）的影响评估\n\n### 7. 技术风险清单\n| 风险 | 具体描述 | 概率 | 影响 |\n|------|---------|------|------|\n| 技术路线失败 | 押注的技术方向被证伪 | | |\n| 开源替代 | 核心技术被开源方案替代 | | |\n| 平台依赖 | 对特定云/芯片/操作系统的依赖 | | |\n| 安全漏洞 | 数据泄露/系统被攻击 | | |\n| 人才流失 | 核心技术人员出走 | | |\n```\n\n---\n\n#### 任务6：替代数据信号挖掘\n- subject: `挖掘{公司名}的非常规数据信号与隐藏线索`\n- activeForm: `挖掘{公司名}替代数据信号`\n- description 包含：\n\n```\n## 替代数据信号挖掘\n\n> 未上市公司的常规信息有限，替代数据往往能提供比新闻报道更真实的经营信号。\n> 本任务的目标是：在常规信息源之外，挖掘一切可能有用的蛛丝马迹。\n\n### 1. 招聘信号分析\n搜索 LinkedIn、Boss直聘、脉脉、Indeed、Glassdoor 上的招聘信息：\n\n**招聘规模与趋势**：\n- 当前在招岗位总数\n- 近6个月招聘趋势（加速/平稳/缩减）\n- 与竞争对手的招聘规模对比\n\n**招聘结构分析**：\n| 岗位类别 | 数量 | 占比 | 信号解读 |\n|---------|------|------|---------|\n| 研发/工程 | | | 技术方向 |\n| 产品 | | | 产品战略 |\n| 销售/BD | | | 商业化阶段 |\n| 市场/运营 | | | 增长策略 |\n| 数据/AI | | | AI布局 |\n| 国际化 | | | 出海计划 |\n| 合规/法务 | | | 监管应对/IPO准备 |\n| 财务/IR | | | IPO准备信号 |\n\n**关键信号捕捉**：\n- 是否在招IR（投资者关系）= IPO信号\n- 是否在招合规/数据安全 = 监管压力或IPO准备\n- 是否在招海外岗位 = 国际化布局\n- 高级岗位的薪酬范围 = 公司财力和人才竞争力\n- 岗位JD中提到的技术栈/业务方向 = 战略方向\n\n### 2. App/产品数据分析\n搜索 App Store、Google Play、七麦数据、SimilarWeb：\n\n| 指标 | 数据 | 来源 | 趋势 |\n|------|------|------|------|\n| App Store排名 | | | 近6个月趋势 |\n| 用户评分 | | | 变化方向 |\n| 评分数量 | | | 增速 |\n| 下载量估算 | | | |\n| App更新频率 | | | |\n| 最近更新的主要功能 | | | |\n\n- App Store评论中的高频关键词和情感分析\n- 近期差评的主要集中点（bug？收费？体验下降？）\n- Web流量数据（SimilarWeb）：UV、PV、访问时长、跳出率\n\n### 3. 社交媒体与舆情信号\n搜索微博、知乎、小红书、Twitter/X、Reddit：\n\n- 公司官方账号的互动数据（粉丝/转发/评论趋势）\n- 用户自发讨论的热度和情感（正/负/中性）\n- 行业KOL/大V对公司的评价\n- 近3个月的舆情热点事件\n- 负面舆情清单及公司应对方式\n- 是否有内部人（前员工/现员工）的爆料\n\n### 4. 企业工商与法律信号\n搜索天眼查/企查查/启信宝：\n\n**工商信息**：\n- 注册资本及变更历史\n- 实缴资本\n- 股东/股权变更记录\n- 子公司/关联公司清单（新设=新业务？注销=业务收缩？）\n- 经营范围变更（新增范围=新业务方向）\n\n**法律信息**：\n| 类型 | 数量 | 重要案件摘要 |\n|------|------|-------------|\n| 作为原告的诉讼 | | |\n| 作为被告的诉讼 | | |\n| 知识产权纠纷 | | |\n| 劳动仲裁 | | |\n| 行政处罚 | | |\n| 被执行人记录 | | |\n\n- 重大诉讼/仲裁的详情和潜在财务影响\n- 行政处罚记录（环保/税务/劳动/数据安全等）\n\n### 5. 供应链与合作伙伴信号\n- 已知的核心供应商/合作伙伴清单\n- 供应商是否上市？其财报中是否提到与该公司的合作数据？\n- 招标/采购信息（政府采购网、企业招标平台）\n- 合作伙伴的评价和合作深度\n\n### 6. 域名与数字足迹\n搜索 domain/subdomain 信息：\n- 公司注册的域名清单（新注册的域名可能暗示新业务/新产品）\n- 子域名分析（api.xx.com、pay.xx.com等暗示业务架构）\n- SSL证书信息\n- 商标注册情况（新注册商标=新品牌/新产品线）\n\n### 7. 行业会议与曝光信号\n- 公司高管近12个月的会议演讲/参会记录\n- 行业奖项/媒体榜单（是否进入\"独角兽榜\"、\"最具创新力\"等）\n- 政府/行业协会的互动（政策咨询、标准制定参与）\n- 媒体曝光频率和质量的变化趋势\n\n### 8. 二级市场交易信号（如有）\n- 是否存在老股交易市场（SharesPost、EquityZen、微信群等）\n- 老股交易的隐含估值 vs 最近一轮融资估值\n- 买卖双方的供需状况\n- 是否有大量员工在抛售期权/RSU\n\n### 9. 信号综合评分\n\n| 信号类别 | 方向(正/负/中性) | 强度(强/中/弱) | 置信度 | 核心发现 |\n|---------|----------------|---------------|--------|---------|\n| 招聘信号 | | | | |\n| 产品数据 | | | | |\n| 舆情信号 | | | | |\n| 法律信号 | | | | |\n| 供应链信号 | | | | |\n| 数字足迹 | | | | |\n| 行业曝光 | | | | |\n| 二级交易 | | | | |\n\n**信号合力判断**：各信号是否指向同一方向？有无矛盾信号？\n\n### 10. 反常信号清单（最重要）\n列出所有\"不寻常\"的发现——这些往往是最有价值的信息：\n- 与公司对外叙事不一致的信号\n- 与行业常识不符的数据\n- 突然出现的变化（招聘急缩/急扩、高管密集离职等）\n- 无法解释的现象\n```\n\n---\n\n### 第四步：启动6个并行Agent\n\n使用 Agent 工具同时启动6个Agent（**必须在同一条消息中并行调用**）：\n\n每个Agent的配置：\n- `subagent_type`: `general-purpose`\n- `run_in_background`: `true`\n\n每个Agent的prompt模板：\n\n```\n你是{公司名}未上市公司研究团队中的\"{角色中文名}\"。\n\n你正在研究一家**未上市公司**，这意味着：\n- 没有标准化的公开财报，需要从多个来源拼凑信息\n- 数据可能不完整或相互矛盾，需要标注置信度\n- 需要更多的推理和合理推算，但要透明展示推算过程\n- 搜不到信息 ≠ 信息不存在，搜到的信息可能有偏差\n\n请完成以下研究任务：{任务subject}\n\n具体要求：\n{任务description的内容}\n\n**研究方法**：\n1. 使用 WebSearch 搜索最新公开信息，每个维度至少搜索3-5次，用不同关键词组合\n2. 搜索关键词策略：\n   - 中文：公司名+收入/估值/融资/用户数/MAU/IPO/招股书/裁员/整改\n   - 英文：Company Name + revenue/valuation/funding/users/IPO/filing\n   - 具体人名+公司名（搜索管理层相关信息）\n   - 公司名+具体竞争对手名（搜索竞争动态）\n3. 重点信息源：\n   - 高可信度：招股书、监管文件、上市公司年报中的关联披露\n   - 中可信度：晚点LatePost、The Information、36氪、Bloomberg、Reuters、TechCrunch\n   - 辅助验证：知乎、脉脉、Glassdoor、天眼查、企查查\n4. 使用 WebFetch 获取关键文章的全文（不要只看搜索摘要）\n5. 对重要数据，至少用2个不同来源交叉验证\n\n**数据标注规范（严格执行）**：\n- 每个关键数据标注来源（具体到媒体名称和文章标题）\n- 标注数据时间（精确到年月）\n- 标注置信度：🟢高（招股书/官方披露）/ 🟡中（可信媒体/研报）/ 🔴低（推算/传闻）\n- 不同来源数据有冲突时，**全部列出**并说明差异和你的判断\n- 区分\"事实\"和\"推理\"：事实用正常字体，推理/推算用*斜体*并标注推算方法\n- 无法获取的信息明确标注\"数据缺失\"，不要编造\n\n**输出要求**：\n- 报告要详尽，使用Markdown表格呈现关键数据\n- 每个分析维度要有明确结论和评分\n- 推算过程要完全透明（展示计算逻辑和每一步假设）\n- 在报告末尾提供：\n  1. 本维度的总体评分（★1-5）和核心判断\n  2. 本维度信息完整度自评（充分/适中/不足/严重不足）\n  3. 最重要的3个发现\n  4. 最大的信息盲区（什么信息缺失最影响判断）\n```\n\n### 第五步：接收报告并跟踪进度\n\n- 向用户实时展示进度表（哪些Agent已完成、哪些仍在研究中）\n- 每收到一份报告，更新进度并展示该报告的核心要点（3-5条）\n- 等待全部6份报告到齐\n\n### 第六步：交叉验证与信息拼图\n\n**这是增强版框架最关键的新增步骤**。在汇总前，team-lead 需要：\n\n1. **数据冲突仲裁**：\n   - 提取各Agent报告中的关键数据\n   - 识别不同Agent引用的相同数据是否一致\n   - 对冲突数据进行仲裁：列出所有来源，说明采信哪个、为什么\n\n2. **信号一致性检验**：\n   - 业务增长信号（business-decoder）vs 招聘信号（signal-miner）是否一致？\n     （如果说业务快速增长，但招聘在缩减，需要解释）\n   - 技术领先叙事（tech-ip）vs 专利/人才数据（signal-miner）是否支撑？\n   - 估值水平（financial-detective）vs 竞争地位（competitive-mapper）是否匹配？\n   - 管理层公开叙事（risk-governance）vs 实际行动信号（signal-miner）是否一致？\n\n3. **信息拼图还原**：\n   - 将6份报告中的信息碎片拼合，看能否还原出更完整的画面\n   - 标注信息\"白区\"（确认已知）、\"灰区\"（有线索但不确定）、\"黑区\"（完全未知）\n\n4. **反偏见检查**：\n   - 检查报告中是否存在\"正面信息详细、负面信息简略\"的偏差\n   - 确认每个正面判断都有对应的反面检验\n\n### 第七步：汇总最终报告\n\n综合6份分析报告，输出以下结构的最终报告：\n\n---\n\n#### 1. 一句话结论\n> 用一段话（50-100字）概括这家未上市公司的**真实价值判断**：生意值多少钱，为什么。\n\n#### 2. 公司画像速览\n| 项目 | 内容 | 置信度 |\n|------|------|--------|\n| 公司名称 | | |\n| 成立时间 | | |\n| 总部 | | |\n| 创始人/CEO | | |\n| 核心业务 | | |\n| 员工规模 | | |\n| 最新估值 | | |\n| 最新融资轮次 | | |\n| 推算收入规模 | | |\n| 推算利润状态 | | |\n| 推算用户规模 | | |\n| 主要投资方 | | |\n| VIE/红筹架构 | | |\n\n#### 3. 六维评分总表\n| 维度 | 分析师 | 评分(★1-5) | 核心判断 | 置信度 | 信息完整度 |\n|------|--------|-----------|---------|--------|-----------|\n| 商业模式 & 用户 | business-decoder | | | | |\n| 财务 & 估值 | financial-detective | | | | |\n| 行业 & 竞争 | competitive-mapper | | | | |\n| 风险 & 治理 | risk-governance-analyst | | | | |\n| 技术 & 知识产权 | tech-ip-analyst | | | | |\n| 替代数据信号 | signal-miner | | | | |\n\n综合评分：★X / 5\n\n#### 4. 关键数据拼图（交叉验证后）\n整合各分析师拼凑的数据，**仅保留经过交叉验证的数据**：\n\n| 指标 | 数据 | 来源数量 | 来源明细 | 置信度 | 备注 |\n|------|------|---------|---------|--------|------|\n\n#### 5. 信号一致性矩阵\n| 检验项 | 信号A | 信号B | 一致性 | 解读 |\n|--------|-------|-------|--------|------|\n| 增长叙事 vs 招聘趋势 | | | ✅/⚠️/❌ | |\n| 技术领先叙事 vs 专利数据 | | | | |\n| 估值水平 vs 竞争地位 | | | | |\n| 管理层叙事 vs 实际行动 | | | | |\n\n#### 6. 各维度分析摘要\n每个维度摘取3-5条最重要的发现（标注来源和置信度）\n\n#### 7. 真实价值评估\n\n**生意本质判断**：\n- 这是一门什么样的生意？（一句话）\n- 这门生意的\"确定性\"有多高？\n- 段永平式判断：这是不是一门\"对的生意\"？\n\n**护城河评分卡**：\n| 护城河类型 | 评分(★1-5) | 核心证据 | 趋势 | 持久性 |\n|-----------|-----------|---------|------|--------|\n| 网络效应 | | | 加宽/稳定/收窄 | |\n| 转换成本 | | | | |\n| 品牌心智 | | | | |\n| 数据壁垒 | | | | |\n| 监管牌照 | | | | |\n| 规模经济 | | | | |\n| 技术壁垒 | | | | |\n\n**估值判断**：\n| 估值方法 | 估值区间 | 置信度 | 说明 |\n|---------|---------|--------|------|\n| 最近融资估值（调整后） | | | |\n| 可比公司法 | | | |\n| DCF情景分析 | | | |\n| 终局市值倒推 | | | |\n| 交易对标法 | | | |\n\n**综合真实价值区间**：\n- 保守估值（安全边际估值）：$XXB\n- 合理估值（中性假设）：$XXB\n- 乐观估值（最优情景）：$XXB\n- 当前市场估值：$XXB\n- **安全边际**：当前估值 vs 保守估值 = XX%\n\n#### 8. 投资论点（看多 vs 看空）\n- 🟢 看多逻辑（5-7条，每条附证据来源）\n- 🔴 看空逻辑（5-7条，每条附证据来源）\n- ⚖️ 哪一方的论据更有说服力？为什么？\n\n#### 9. 风险矩阵\n| 风险 | 概率 | 影响 | 综合严重度 | 是否可对冲 | 监控指标 |\n|------|------|------|-----------|-----------|---------|\n\nTop 3 核心风险及应对策略\n\n#### 10. 退出路径评估\n最可能的退出方式、时间窗口、预期回报\n\n#### 11. 投资决策表\n\n**一页纸决策表**：\n```\n┌──────────────────────────────────────────────┐\n│  公司：XXX    最新估值：$XXB                  │\n│  阶段：[种子/成长/成熟/Pre-IPO]              │\n│  信息完整度：[充分/适中/不足/严重不足]        │\n├──────────────────────────────────────────────┤\n│  核心投资逻辑（3句话以内）：                  │\n│  1. ________________________________________  │\n│  2. ________________________________________  │\n│  3. ________________________________________  │\n├──────────────────────────────────────────────┤\n│  真实价值判断：                               │\n│  合理估值区间：$XXB - $XXB                    │\n│  当前估值 vs 合理估值：偏贵/合理/偏低         │\n│  安全边际：____%                              │\n├──────────────────────────────────────────────┤\n│  关键假设 & 验证方式：                        │\n│  假设1 → 跟踪指标 → 验证节点 → 验证时间      │\n│  假设2 → 跟踪指标 → 验证节点 → 验证时间      │\n│  假设3 → 跟踪指标 → 验证节点 → 验证时间      │\n├──────────────────────────────────────────────┤\n│  致命风险 & \"论文已破\"信号：                  │\n│  风险1 → 如果X发生，结论翻转 → 止损策略       │\n│  风险2 → 如果Y发生，结论翻转 → 止损策略       │\n├──────────────────────────────────────────────┤\n│  结论：投资 / 观望 / 回避                     │\n│  如果观望：重新评估的触发条件是什么？          │\n│  预期退出：IPO / 并购 / 二级转让              │\n│  预期回报倍数：X - Y 倍                      │\n│  预期时间框架：X - Y 年                      │\n│  年化回报率：X% - Y%                         │\n└──────────────────────────────────────────────┘\n```\n\n**分层建议**：\n| 投资者类型 | 建议 | 理由 |\n|-----------|------|------|\n| PE/VC机构（领投） | | |\n| PE/VC机构（跟投） | | |\n| 二级市场转让 | | |\n| IPO后买入 | | |\n| 不建议参与 | | |\n\n**关键催化剂**：\n| 看多催化剂 | 预计时间 | 看空催化剂 | 预计时间 |\n|-----------|---------|-----------|---------|\n| | | | |\n\n#### 12. 信息盲区地图\n| 维度 | 已知信息 | 缺失信息 | 缺失影响 | 获取建议 |\n|------|---------|---------|---------|---------|\n\n这些信息盲区是否影响核心结论的可靠性？如果影响，明确说明\"在X信息缺失的情况下，以上结论的置信度为Y\"。\n\n#### 13. 持续跟踪清单\n| 跟踪事项 | 频率 | 信息来源 | 关注指标 | 预警阈值 |\n|---------|------|---------|---------|---------|\n\n#### 14. 总结段落\n150-250字的最终总结，包含：\n- 这门生意的本质\n- 真实价值判断\n- 当前估值的合理性\n- 最大的确定性和不确定性\n- 最终建议和核心理由\n\n---\n\n### 第八步：保存报告\n\n将完整最终报告写入 `reports/{公司名}/{公司名}-private-{YYYYMMDD}.md`。\n\n### 第九步：清理团队\n\n使用 TeamDelete 清理团队资源。\n\n---\n\n## 重要注意事项\n\n1. **6个Agent必须并行启动**——在同一条消息中调用6次Agent工具\n2. **数据置信度标注**——未上市公司数据来源参差不齐，每个关键数据必须标注来源和置信度\n3. **推算要透明**——所有推算过程要展示计算逻辑，不能凭空给数字\n4. **交叉验证**——关键数据至少2个来源交叉验证，来源冲突时都列出\n5. **信号一致性检验**——汇总阶段必须做跨维度的信号一致性检查\n6. **结论要明确**——不回避给出投资/观望/回避建议，但同时说明结论的置信度\n7. **耐心等待**——6个Agent研究需要几分钟，实时向用户更新进度\n8. **中英文搜索**——未上市公司信息可能分布在中英文媒体，需要两种语言搜索\n9. **反偏见核心原则**——资料少≠公司不好，AI分析篇幅短≠投资确定性低。对于信息极度稀缺的公司，切换\"第一性原理模式\"聚焦核心问题，不追求报告形式完整\n10. **诚实留白**——报告中明确区分\"有据分析\"和\"推测填充\"，允许出现\"此维度数据不足，无法给出有意义的结论\"\n11. **替代数据不是噪音**——招聘、专利、诉讼、App数据等替代数据可能比新闻报道更接近真实经营状况\n12. **真实价值导向**——最终目标是判断这门生意值多少钱，不是输出一份好看的报告。如果信息不足以做出可靠的估值判断，直接说\"信息不足，无法给出可靠估值\"\n","frontmatter":{"name":"private-company-research","description":"AI Berkshire skill: 未上市公司研究：多Agent并行深度研究框架. Source: skills/private-company-research.md."},"isInternal":false,"tokens":18039,"sizeBytes":46675},{"name":"SKILL.md","path":"codex-skills/quality-screen/SKILL.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/quality-screen/SKILL.md","title":"quality-screen","category":"anthropic-skill","format":"markdown","content":"---\nname: quality-screen\ndescription: \"AI Berkshire skill: 去劣筛选：7条指标快速排除非一流公司. Source: skills/quality-screen.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/quality-screen.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 去劣筛选：7条指标快速排除非一流公司\n\n对 $ARGUMENTS 执行去劣指标筛选，快速排除不符合一流公司标准的标的。\n\n**支持输入格式**：\n\n| 输入方式 | 示例 | 说明 |\n|---------|------|------|\n| 个股 | `腾讯, 美团, 英伟达` | 逐家筛选 |\n| 行业 | `中国啤酒行业` `全球云计算` `港股运动品牌` | 先搜索该行业主要上市公司（10-20家），再逐家筛选 |\n| 市场/指数 | `恒生指数成分股` `沪深300` `纳斯达克100` | 拉取成分股列表，逐家筛选 |\n| 主题 | `中国高股息50强` `全球AI算力链` | 先搜索主题相关公司，再逐家筛选 |\n\n行业/市场/主题模式下，输出额外包含：通过率统计、行业内排名、板块对比总结。\n\n## 设计原则\n\n- **目标**：不错杀任何一流好公司，但能排除确定的非一流公司\n- **逻辑**：7条硬指标 + 2条豁免规则，宁可漏网不可误杀\n- **适用范围**：所有上市公司（银行/保险不适用第3条利息覆盖倍数）\n\n---\n\n## 7条去劣指标\n\n| # | 指标 | 排除条件 | 衡量的是什么 |\n|---|------|---------|-------------|\n| 1 | 10年平均ROE | < 8% | 资本效率——股东的钱能不能跑赢机会成本 |\n| 2 | 5年累计自由现金流 | 为负 | 真金白银——利润是不是\"纸面富贵\" |\n| 3 | 利息覆盖倍数（EBIT/利息） | < 2倍 | 偿债安全——还利息的能力 |\n| 4 | 长期毛利率 | < 15% | 定价权——产品/服务有没有差异化 |\n| 5 | 经营现金流 / 净利润（5年均值） | < 0.7 | 利润质量——赚到的利润能不能收回现金 |\n| 6 | 长期净利率 | < 5% | 抗风险能力——收入波动时利润是否归零 |\n| 7 | 5年总股本膨胀 | > 20%（非并购原因） | 股东利益——管理层是否在稀释你的权益 |\n\n## 3条豁免规则\n\n### 豁免A：战略投入期豁免（适用于第1条）\n\n如果同时满足以下3个条件，可豁免第1条ROE不达标：\n1. 上市不足10年\n2. 毛利率 > 30%（证明商业模式本身有定价权）\n3. 最近2年经营现金流为正（证明造血能力已具备）\n\n**逻辑**：高毛利率+现金流转正说明商业模式没问题，ROE低只是因为还在投入期。典型案例：美团。\n\n### 豁免B：主动低利润率豁免（适用于第6条）\n\n如果同时满足以下2个条件，可豁免第6条净利率不达标：\n1. 毛利率 > 30%（有能力赚但选择不赚）\n2. 近2年净利率已回升至5%以上，或呈明确上升趋势\n\n**逻辑**：毛利率高说明有定价权，净利率低是战略选择（再投资）而非能力缺失。典型案例：亚马逊。\n\n### 豁免C：高周转薄利模式豁免（适用于第4条和第6条）\n\n如果同时满足以下3个条件，可豁免第4条毛利率和第6条净利率不达标：\n1. ROE > 20%（证明虽然利润率低，但资本回报率极高）\n2. 经营现金流/净利润 > 1.0（利润质量无问题）\n3. 商业模式属于\"会员制/平台佣金/高周转薄利\"类型（利润不体现在商品加价上）\n\n**逻辑**：有些一流公司的利润不藏在毛利率里，而是藏在会员费、周转效率或平台抽成中。它们的毛利率和净利率天然很低，但ROE极高说明资本效率一流。典型案例：Costco（毛利率12%、净利率2.5%，但ROE 25%+、会员续费率90%+）。\n\n---\n\n## 执行流程\n\n### 第一步：解析输入，确定筛选范围\n\n**模式判断**：\n- 如果输入是具体公司名/代码 → **个股模式**，直接进入第二步\n- 如果输入是行业/市场/主题 → **批量模式**，先执行以下操作：\n  1. 用 WebSearch 搜索该行业/市场/主题下的主要上市公司\n  2. 行业模式：覆盖该行业市值前15-20家上市公司\n  3. 指数模式：拉取完整成分股列表\n  4. 主题模式：搜索相关公司，覆盖15-30家\n  5. 列出完整公司清单供确认（如公司数>30，分批并行处理）\n\n对每家公司确定全称、代码、交易所。\n\n### 第二步：并行数据收集\n\n为每家公司启动独立后台Agent，使用 WebSearch 搜索以下数据：\n\n1. **ROE**：近10年（或上市以来）的逐年ROE，计算平均值\n2. **自由现金流**：近5年的经营现金流和资本开支，计算5年累计FCF\n3. **利息覆盖**：最新年度EBIT和利息支出，计算倍数\n4. **毛利率**：近5年毛利率趋势\n5. **经营现金流/净利润**：近5年的比值，计算均值\n6. **净利率**：近10年净利率趋势，计算均值\n7. **总股本变化**：5年前和当前的总股本，计算膨胀比例\n\n数据来源优先级：公司年报 > 券商研报 > 财经数据平台\n\n### 第三步：逐条检验\n\n对每家公司，逐条检验7个指标：\n- ✅ 通过\n- ❌ 未通过\n- ⚠️ 边界（附数值说明）\n\n如果触犯某条，检查是否满足对应豁免条件。\n\n### 第四步：输出结果\n\n#### 输出格式\n\n```markdown\n# 去劣筛选结果\n\n**筛选日期**：{当天日期}\n**公司数量**：{N}家\n\n## 汇总表\n\n| 公司 | ①ROE | ②FCF | ③利息覆盖 | ④毛利率 | ⑤OCF/NI | ⑥净利率 | ⑦稀释 | 结果 |\n|------|------|------|----------|---------|---------|---------|-------|------|\n| xxx | ✅ 24% | ✅ | ✅ | ✅ 56% | ✅ | ✅ 30% | ✅ | **通过** |\n| yyy | ❌ 3% | ❌ | ❌ | ✅ 20% | ✅ | ❌ 2% | ✅ | **排除** |\n| zzz | ⚠️→✅ | ✅ | ✅ | ✅ 35% | ✅ | ⚠️→✅ | ✅ | **豁免通过** |\n\n## 通过的公司（N家）\n[列表]\n\n## 排除的公司（N家）\n| 公司 | 触犯指标 | 具体数据 | 排除理由 |\n|------|---------|---------|---------|\n\n## 豁免通过的公司（N家）\n| 公司 | 豁免条款 | 具体数据 | 豁免理由 |\n|------|---------|---------|---------|\n\n## 边界争议（如有）\n[对处于阈值附近的公司做补充说明]\n\n## 板块总结（行业/市场模式专用）\n\n**通过率**：{通过数}/{总数} = {百分比}\n**行业质量判断**：[根据通过率给出行业整体质量评价]\n\n| 质量分层 | 公司 | 共同特征 |\n|---------|------|---------|\n| 一流（全过+高ROE） | xxx, yyy | ... |\n| 合格（全过但指标平庸） | aaa, bbb | ... |\n| 淘汰 | ccc, ddd | ... |\n\n**行业选股结论**：[一句话总结该行业值不值得深挖，最值得关注的2-3家是谁]\n```\n\n---\n\n## 注意事项\n\n1. **银行/保险**：不适用第3条（利息覆盖），其商业模式本质就是利差经营\n2. **REIT**：ROE可能因物业重估波动大，用\"核心营运利润ROE\"代替\n3. **数据不足**：如果某项数据无法获取，标注为\"数据不足\"而非直接判定通过/不通过\n4. **周期性行业**：用完整周期（至少覆盖一个高点和一个低点）的平均值，不用单一年份\n5. **上市时间短**：不足5年的公司用全部可得数据，但在结果中标注\"数据窗口不足\"\n\n## 局限性声明\n\n这套指标能排除\"确定不好\"的公司，但通过筛选不等于\"确定好\"。通过的公司仍需进一步研究：\n- 商业模式是否可持续\n- 管理层是否值得信赖\n- 当前估值是否合理\n- 竞争格局是否在恶化\n\n去劣是第一步，不是最后一步。\n","frontmatter":{"name":"quality-screen","description":"AI Berkshire skill: 去劣筛选：7条指标快速排除非一流公司. Source: skills/quality-screen.md."},"isInternal":false,"tokens":3166,"sizeBytes":8525},{"name":"SKILL.md","path":"codex-skills/thesis-drift/SKILL.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/thesis-drift/SKILL.md","title":"thesis-drift","category":"anthropic-skill","format":"markdown","content":"---\nname: thesis-drift\ndescription: \"AI Berkshire skill: 投资论文漂移检测：分清事实变化与措辞变化. Source: skills/thesis-drift.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/thesis-drift.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 投资论文漂移检测：分清事实变化与措辞变化\n\n对 $ARGUMENTS 执行投资论文漂移检测。\n\n**支持输入格式**：\n- `公司名 旧报告路径 新报告路径` — 指定两份研究报告或论文快照进行对比\n- `公司名 reports/{公司名}-thesis-旧日期.md reports/{公司名}-thesis-新日期.md` — 对比两份带日期的论文快照\n- `公司名` — 自动查找 `reports/{公司名}-thesis.md` 及同目录历史快照；如果没有基线则转入缺失基线处理\n\n> \"当事实改变时，我就改变想法。你呢？\" —— 凯恩斯\n>\n> \"股价波动不是论文漂移，事实变了才是。\" —— AI Berkshire\n\n## 设计理念\n\n长期持仓最难的不是每天读新闻，而是区分三件事：\n- **事实改变**：收入、利润率、竞争格局、管理层行为、资本配置发生可验证变化\n- **价格改变**：市场情绪或估值倍数变化，但生意本身未变\n- **措辞改变**：两份报告表达不同，但底层证据和判断没有变化\n\n投资论文漂移检测的目标是：**只在证据变化时承认论文变化**。不能因为报告换了写法就制造漂移，也不能因为股价涨跌就误判基本面。\n\n本 Skill 依赖 `/thesis-tracker` 输出的结构化维度：核心假设清单、红线清单、估值锚点、追踪记录表。没有这些结构时，先补齐基线，再做漂移检测。\n\n## 执行流程\n\n### 第一步：判断操作模式\n\n解析 `$ARGUMENTS`：\n- 如果提供两份报告路径 → 进入**指定报告对比**模式\n- 如果只提供公司名 → 查找 `reports/{公司名}-thesis.md` 及历史快照，进入**自动快照对比**模式\n- 如果只找到一份报告或没有历史基线 → 进入**缺失基线处理**模式\n- 如果两份报告不是同一家公司 → 停止并要求用户确认，不做跨公司漂移判断\n\n---\n\n## 模式A：指定报告对比\n\n### A1：读取并校验两份报告\n\n读取旧报告和新报告，提取：\n- 报告日期、公司名、股票代码\n- 核心论文（5句话）\n- 核心假设清单\n- 红线清单\n- 估值锚点\n- 追踪记录表\n- 管理层质量判断\n- 竞争护城河判断\n- 当前建议动作（买入 / 持有 / 观察 / 减仓 / 清仓）\n\n如果报告缺少关键结构，先标注\"结构缺失\"，但仍尽量从正文中抽取证据；抽取不到的维度标为\"无法判断\"，不能编造结论。\n\n### A2：证据归一化\n\n把两份报告中的事实证据整理成同一张表：\n\n| 维度 | 旧报告证据 | 新报告证据 | 数据来源 | 是否可验证 |\n|------|-----------|-----------|---------|-----------|\n| 估值锚点 | | | | |\n| 核心假设 | | | | |\n| 红线 | | | | |\n| 管理层质量 | | | | |\n| 竞争护城河 | | | | |\n\n**只比较证据，不比较文风。** 如果新旧报告只是同义改写、排序变化、语气变化，但事实数据和判断阈值没有变化，判定为 Unchanged。\n\n### A3：数值与估值校验\n\n所有数值变化必须使用 `tools/financial_rigor.py` 做精确计算，禁止 LLM 心算：\n\n```bash\npython3 tools/financial_rigor.py verify-valuation \\\n  --price {当前价格} \\\n  --eps {EPS} \\\n  --bvps {每股净资产} \\\n  --fcf-per-share {每股自由现金流}\n```\n\n如需计算市值、百分比变化、目标价差异或情景估值，使用：\n\n```bash\npython3 tools/financial_rigor.py verify-market-cap --price {价格} --shares {股本} --reported {报告市值} --currency {币种}\npython3 tools/financial_rigor.py cross-validate --field {字段} --values '{JSON}' --unit {单位}\npython3 tools/financial_rigor.py three-scenario --price {价格} --eps {EPS} --shares {股本亿} --growth {乐观} {中性} {悲观} --pe {乐观PE} {中性PE} {悲观PE}\npython3 tools/financial_rigor.py calc --expr '{精确算式}'\n```\n\n关键财务数据必须至少两处独立来源交叉验证。来源不足、口径不一致、无法复核的数字必须标注为\"低置信度 / 待核实\"。\n\n### A4：逐维度判定漂移\n\n固定使用以下维度，不要临时增减：\n\n| 维度 | 判定重点 | Improved | Unchanged | Weakened |\n|------|---------|----------|-----------|----------|\n| 估值锚点 | 内在价值、PE/PB/FCF Yield、安全边际、目标价区间 | 安全边际扩大或内在价值上修且经工具验算 | 估值区间和安全边际无实质变化 | 安全边际收窄、内在价值下修或估值假设失效 |\n| 核心假设清单 | 收入增速、利润率、现金流、用户/订单/产能等可验证假设 | 更多假设被新证据强化 | 假设状态与证据基本一致 | 假设边际弱化、受损或破裂 |\n| 红线清单 | 诚信、监管、业务衰退、竞争突破、管理层异常动作 | 原有红线风险解除或显著下降 | 未触发且风险水平不变 | 红线被触发或触发概率上升 |\n| 管理层质量 | 诚信、资本配置、回购分红、执行力、股东友好度 | 新行为提高信任度 | 行为延续旧判断 | 行为损害信任或资本配置变差 |\n| 竞争护城河 | 市占率、定价权、网络效应、成本优势、替代威胁 | 护城河变宽或竞争优势被验证 | 格局无实质变化 | 护城河被削弱或竞对突破 |\n\n每个维度只能给出三类结论：**Improved / Unchanged / Weakened**。\n\n### A5：证据驱动规则\n\n每个非 Unchanged 的结论必须引用导致变化的具体新证据：\n- 财报行项目：例如收入增速、毛利率、经营现金流、回购金额、净现金\n- 监管披露：例如 10-K/20-F、年报、中报、港交所公告、SEC filing\n- 新闻事件：例如管理层变动、监管处罚、重大客户流失、竞品突破\n- 价格与估值：必须说明这是\"估值变化\"还是\"基本面变化\"，不能混淆\n\n如果找不到能解释变化的证据，必须判定为 **Unchanged** 或 **无法判断**，不能用措辞差异推断漂移。\n\n### A6：输出漂移报告\n\n#### 报告结构\n\n```\n一、对比对象与时间跨度\n二、总体结论：论文是否漂移\n三、维度漂移表\n四、证据差异明细\n五、估值与数值验算\n六、建议动作迁移\n七、不确定项与需补充来源\n八、下次跟踪重点\n```\n\n#### 维度漂移表\n\n| 维度 | 旧判断 | 新判断 | 漂移方向 | 触发证据 | 置信度 |\n|------|-------|-------|:--------:|---------|:------:|\n| 估值锚点 | | | Improved / Unchanged / Weakened | | 高/中/低 |\n| 核心假设清单 | | | Improved / Unchanged / Weakened | | 高/中/低 |\n| 红线清单 | | | Improved / Unchanged / Weakened | | 高/中/低 |\n| 管理层质量 | | | Improved / Unchanged / Weakened | | 高/中/低 |\n| 竞争护城河 | | | Improved / Unchanged / Weakened | | 高/中/低 |\n\n**Unchanged 行的触发证据写 `—`，不要为了填表编造证据。**\n\n#### 总体结论必须回答\n\n1. **论文是否漂移？** 未漂移 / 正向漂移 / 负向漂移 / 证据不足无法判断\n2. **漂移来自哪里？** 估值 / 基本面 / 管理层 / 竞争格局 / 红线事件\n3. **是事实变化还是价格变化？** 明确拆开说明\n4. **建议动作如何迁移？** 例如：Watch → Buy、Buy → Hold、Hold → Reduce、Reduce → Exit\n5. **下一步需要什么证据？** 下一份财报 / 监管披露 / 管理层说明 / 竞对数据\n\n---\n\n## 模式B：自动快照对比\n\n### B1：查找快照\n\n在 `reports/` 中查找：\n- `reports/{公司名}-thesis.md`\n- `reports/{公司名}-thesis-*.md`\n- `reports/{公司名}/` 目录下包含 `thesis`、`论文`、`追踪` 的报告\n\n选择时间最早且结构完整的文件作为旧报告，时间最新的文件作为新报告。若用户指定日期，以用户指定为准。\n\n### B2：防止错误配对\n\n对比前必须确认：\n- 公司名或股票代码一致\n- 报告日期不同\n- 两份报告都包含可抽取的论文结构或研究结论\n\n如果无法确认同一公司，停止并要求用户提供明确路径。\n\n### B3：执行模式A\n\n找到两份有效快照后，按模式A完整执行。\n\n---\n\n## 模式C：缺失基线处理\n\n如果只找到一份报告或没有找到旧快照：\n\n1. 明确说明：**缺少可比较的历史基线，不能执行漂移检测**\n2. 不要根据记忆或市场印象补造旧论文\n3. 引导用户先使用 `/thesis-tracker {公司名} 建立论文` 建立结构化基线\n4. 如果当前报告已足够完整，可建议将它保存为 `reports/{公司名}-thesis.md` 作为未来漂移检测基线\n\n输出格式：\n\n```\n无法执行论文漂移检测：缺少历史基线。\n\n已找到：\n- 当前报告：{路径 / 未找到}\n- 历史基线：未找到\n\n建议：\n1. 先运行 /thesis-tracker {公司名} 建立论文\n2. 下次有新财报或重大事件后，再运行 /thesis-drift {公司名} 旧报告 新报告\n```\n\n---\n\n## 关键原则\n\n- **证据优先于措辞** — 同义改写不是漂移，只有事实证据变化才是漂移\n- **基本面优先于股价** — 股价涨跌只影响估值锚点，不自动改变生意质量\n- **数值必须验算** — 所有百分比、估值倍数、目标价差异必须用 `tools/financial_rigor.py`\n- **不确定就标注不确定** — 来源缺失、口径不一致、无法复核时，不要硬判\n- **红线单独处理** — 红线触发优先级高于估值便宜，不能被低 PE 掩盖\n- **输出必须可复盘** — 每个 Improved / Weakened 结论都要能追溯到具体证据\n","frontmatter":{"name":"thesis-drift","description":"AI Berkshire skill: 投资论文漂移检测：分清事实变化与措辞变化. Source: skills/thesis-drift.md."},"isInternal":false,"tokens":3871,"sizeBytes":10735},{"name":"SKILL.md","path":"codex-skills/thesis-tracker/SKILL.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/thesis-tracker/SKILL.md","title":"thesis-tracker","category":"anthropic-skill","format":"markdown","content":"---\nname: thesis-tracker\ndescription: \"AI Berkshire skill: 投资论文追踪：买入后的纪律系统. Source: skills/thesis-tracker.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/thesis-tracker.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 投资论文追踪：买入后的纪律系统\n\n对 $ARGUMENTS 执行投资论文追踪检查。\n\n**支持输入格式**：\n- `公司名` — 首次使用时建立投资论文，后续使用时追踪检查\n- `公司名 建立论文` — 强制重新建立投资论文\n- `公司名 季度检查` — 基于最新财报进行论文检查\n\n> \"买入只是开始。真正的工作是持有期间的持续跟踪。\" —— 李录\n>\n> \"当事实改变时，我就改变想法。你呢？\" —— 凯恩斯\n\n## 设计理念\n\n大多数投资者的流程是：研究 → 买入 → 祈祷。缺少买入后的系统化跟踪，导致：\n- 该卖的时候舍不得卖（\"再等等，会涨回来的\"）\n- 不该卖的时候恐慌卖出（\"跌了20%，是不是我错了\"）\n- 忘记了当初为什么买的（\"我买这个是因为什么来着？\"）\n\n巴菲特和李录的做法是：**买入前就写下卖出条件**。然后每个季度检查论文是否完整。\n\n## 执行流程\n\n### 第一步：判断操作模式\n\n检查是否已存在该公司的投资论文文件（`reports/{公司名}-thesis.md`）：\n- 如果不存在 → 进入**建立论文**模式\n- 如果存在 → 进入**追踪检查**模式\n- 如果找不到但用户表示已有 → 询问文件路径\n\n---\n\n## 模式A：建立投资论文\n\n### A0：数据收集\n\n使用 WebSearch 获取当前股价、估值指标（PE/PB/股息率）、最新财报核心数据，用于填写估值锚点。如果已有该公司的 `/investment-research` 或 `/investment-team` 报告，优先从中读取。\n\n使用 `tools/financial_rigor.py verify-valuation` 校验估值数据。\n\n### A1：核心论文（必须用200字以内写清楚）\n\n投资论文必须回答以下5个问题，每个问题一句话：\n\n```\n我以 ___元 买入 ___公司，因为：\n1. 这门生意的本质是___，我理解它的赚钱方式\n2. 它的护城河是___，而且在变宽/稳定\n3. 管理层___，值得信赖的原因是___\n4. 当前价格相当于内在价值的___折，安全边际来自___\n5. 即使我错了，下行风险可控，因为___\n```\n\n**如果5句话写不完整，这个论文本身就有问题——说明买入决策不够清晰。**\n\n### A2：核心假设清单\n\n把投资论文拆解成可验证的具体假设：\n\n| # | 核心假设 | 验证方式 | 验证频率 | 当前状态 |\n|---|---------|---------|---------|---------|\n| 1 | 例：收入增速维持15%+ | 季报收入增速 | 每季度 | 🟢 成立 |\n| 2 | 例：毛利率稳定在60%+ | 季报毛利率 | 每季度 | 🟢 成立 |\n| 3 | 例：管理层持续回购 | 回购公告/现金流表 | 每季度 | 🟢 成立 |\n| 4 | 例：竞争对手未取得突破 | 行业数据/竞对财报 | 每半年 | 🟢 成立 |\n| 5 | ... | ... | ... | ... |\n\n通常3-7个假设。太少说明思考不够深入，太多说明论文不够聚焦。\n\n### A3：红线清单（触发任何一条 = 必须重新评估）\n\n| # | 红线条件 | 严重程度 | 触发后动作 |\n|---|---------|---------|-----------|\n| 1 | 例：管理层诚信出问题（财务造假、关联交易） | 致命 | 立即清仓 |\n| 2 | 例：核心业务连续2季度收入下滑 | 严重 | 减仓50%，重新评估 |\n| 3 | 例：护城河被明确突破（竞对获得同等能力） | 严重 | 启动深度研究，考虑退出 |\n| 4 | 例：监管政策根本性改变商业模式 | 严重 | 重新评估内在价值 |\n| 5 | 例：管理层大规模减持（非计划性） | 警告 | 深入调查原因 |\n\n**段永平**：\"卖出只有三个理由：1.发现买错了；2.公司基本面变了；3.找到了更好的。\"\n\n### A4：估值锚点\n\n| 指标 | 买入时 | 乐观目标 | 中性目标 | 悲观情景 |\n|------|-------|---------|---------|---------|\n| 股价 | | | | |\n| PE | | | | |\n| 市值 | | | | |\n| 内在价值估算 | | | | |\n| 安全边际 | | | | |\n\n### A5：保存论文\n\n将投资论文写入 `reports/{公司名}-thesis.md`，包含：\n- 建立日期\n- 买入价格和仓位\n- 核心论文（5句话）\n- 核心假设清单\n- 红线清单\n- 估值锚点\n- 追踪记录表（初始为空）\n\n---\n\n## 模式B：追踪检查\n\n### B1：读取现有论文\n\n读取 `reports/{公司名}-thesis.md`，加载：\n- 核心论文\n- 核心假设清单\n- 红线清单\n- 上次检查记录\n\n### B2：收集最新数据\n\n使用 WebSearch 收集：\n1. 最新财报数据（如果有新的季报/年报）\n2. 近期重大事件（管理层变动、监管政策、竞争动态）\n3. 当前股价和估值指标\n4. 内部人交易记录（大股东增减持）\n\n### B3：逐条检查核心假设\n\n对每个核心假设，用最新数据验证：\n\n| # | 核心假设 | 上次状态 | 最新证据 | 当前状态 | 变化 |\n|---|---------|---------|---------|---------|------|\n| 1 | 收入增速15%+ | 🟢 成立 | Q4收入增速12% | 🟡 边际弱化 | ⚠️ |\n| 2 | 毛利率60%+ | 🟢 成立 | 毛利率61.2% | 🟢 成立 | — |\n| 3 | ... | ... | ... | ... | ... |\n\n状态定义：\n- 🟢 **成立** — 最新数据支持该假设\n- 🟡 **边际弱化** — 数据仍在可接受范围，但趋势不利\n- 🔴 **受损** — 数据明确不支持该假设\n- ⚫ **破裂** — 假设已被推翻\n\n### B4：红线检查\n\n逐条检查红线清单：\n\n| # | 红线条件 | 是否触发 | 证据 |\n|---|---------|:-------:|------|\n| 1 | 管理层诚信问题 | ❌ 未触发 | — |\n| 2 | 核心业务连续2季下滑 | ❌ 未触发 | — |\n\n**任何一条红线触发 → 在报告中用醒目标注，给出明确的行动建议。**\n\n### B5：估值更新\n\n| 指标 | 买入时 | 上次检查 | 当前 | 变化 |\n|------|-------|---------|------|------|\n| 股价 | | | | |\n| PE(TTM) | | | | |\n| 内在价值估算 | | | | |\n| 安全边际 | | | | |\n\n### B6：输出追踪报告\n\n#### 报告结构\n\n```\n一、论文健康度评分（满分10分）\n二、核心假设检查结果（表格）\n三、红线检查结果（表格）\n四、本期关键变化（不超过500字）\n五、估值更新\n六、结论与行动建议\n七、下次检查需关注的重点\n```\n\n#### 论文健康度评分标准\n\n| 评分 | 含义 | 建议动作 |\n|:----:|------|---------|\n**计算公式**：健康度 = 10 - (⚫破裂假设数×3) - (🔴受损假设数×2) - (🟡弱化假设数×1) - (红线触发数×5)，最低1分最高10分。\n\n| 评分 | 含义 | 建议动作 |\n|:----:|------|---------|\n| 9-10 | 所有假设成立，论文比买入时更强 | 考虑加仓 |\n| 7-8 | 核心假设成立，个别边际弱化 | 继续持有 |\n| 5-6 | 1-2个假设受损，但核心逻辑未变 | 持有但提高警惕 |\n| 3-4 | 多个假设受损，论文基础动摇 | 考虑减仓 |\n| 1-2 | 红线触发或核心假设破裂 | 强烈建议卖出 |\n\n#### 结论必须明确回答\n\n1. **论文还完整吗？** 完整 / 边际弱化 / 受损 / 破裂\n2. **该怎么做？** 加仓 / 持有 / 减仓 / 清仓\n3. **下次检查时间**：下一个季报发布后 / 某个特定事件后\n\n### B7：更新论文文件\n\n将本次检查记录追加到 `reports/{公司名}-thesis.md` 的追踪记录表中：\n\n| 检查日期 | 健康度 | 核心变化 | 动作建议 |\n|---------|:------:|---------|---------|\n| 2026-04-09 | 7/10 | 收入增速放缓至12%，但利润率改善 | 持有 |\n\n---\n\n## 关键原则\n\n- **买入前就写好卖出条件** — 冷静时做的决策比恐慌时做的好\n- **论文要具体到可验证** — \"公司很好\"不是论文，\"ROE>25%且趋势稳定\"才是\n- **红线一旦触发就行动** — 最怕的是\"再等等看\"，这是亏大钱的开始\n- **论文破裂 ≠ 股价下跌** — 股价跌30%不一定要卖，论文破裂才要卖\n- **诚实面对错误** — 论文建错了就承认，不要为了面子硬撑\n","frontmatter":{"name":"thesis-tracker","description":"AI Berkshire skill: 投资论文追踪：买入后的纪律系统. Source: skills/thesis-tracker.md."},"isInternal":false,"tokens":3453,"sizeBytes":9080},{"name":"SKILL.md","path":"codex-skills/wechat-article/SKILL.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/wechat-article/SKILL.md","title":"wechat-article","category":"anthropic-skill","format":"markdown","content":"---\nname: wechat-article\ndescription: \"AI Berkshire skill: 微信公众号文章：作者-编辑-读者三Agent协作. Source: skills/wechat-article.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/wechat-article.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 微信公众号文章：作者-编辑-读者三Agent协作\n\n对 $ARGUMENTS 进行深度研究，产出一篇可直接发布的微信公众号文章。三个Agent各司其职：作者写深度初稿，编辑精修结构和表达，读者从目标受众视角审读。\n\n**支持输入格式**：主题描述，例如：`大模型OPD技术解读`、`Qwen3技术报告解读`、`为什么巴菲特不买科技股`\n\n---\n\n## 设计理念\n\n一篇好的公众号文章需要同时满足三个维度：\n1. **深度**——对得起花时间读完的人（作者负责）\n2. **可读性**——结构清晰、节奏好、不劝退（编辑负责）\n3. **真的能看懂**——目标读者不会在中途放弃（读者负责）\n\n单人写作容易\"自嗨\"——写的人觉得清楚，读的人看不懂。三Agent协作的本质是**强制引入外部视角**。\n\n---\n\n## 阶段一：研究与素材收集\n\n### 第一步：明确文章定位\n\n在开始写作之前，先确认以下信息（如用户未指定则主动询问）：\n\n| 维度 | 需要确认 | 默认值 |\n|------|---------|--------|\n| **目标读者** | 技术背景程度 | 有点技术背景但非该领域专家 |\n| **文章深度** | 科普/中深度/硬核 | 中深度（有公式但要解释清楚） |\n| **文章长度** | 字数范围 | 3000-4000字 |\n| **是否需要下载原始论文/资料** | 需要PDF/配图 | 是 |\n| **写作风格** | 正式/对话式/犀利 | 对话式（像写给聪明的朋友） |\n\n### 第二步：深度研究\n\n使用 Agent 工具**并行**启动2-3个研究Agent，收集足够的素材：\n\n**研究Agent A：核心内容研究**\n- 如果是论文解读：下载论文PDF、提取核心贡献、关键图表、实验结果\n- 如果是技术主题：搜索最新进展、关键论文、技术细节\n- 如果是商业/投资主题：搜索最新数据、行业报告、竞争格局\n\n**研究Agent B：行业背景与应用**\n- 搜索该技术/主题的行业落地情况\n- 哪些公司在用？效果如何？\n- 最新的发展趋势和里程碑事件\n\n**研究Agent C（可选）：竞品/对比研究**\n- 同类方法/产品的对比\n- 历史发展脉络\n- 未来演进方向\n\n### 第三步：整理素材框架\n\n研究Agent全部完成后，整理出：\n1. **核心论点**（一句话概括文章要传达的核心信息）\n2. **关键数据**（3-5个最有冲击力的数据点）\n3. **配图清单**（需要哪些图，来源是什么）\n4. **文章大纲**（6-8个章节的标题和核心内容）\n\n---\n\n## 阶段二：作者Agent写初稿\n\n使用 Agent 工具启动**作者Agent**，给出详细的写作指令。\n\n### 作者Agent的Prompt模板\n\n```\n你是一位深度技术写作者（Author Agent），需要写一篇微信公众号文章。\n\n## 目标读者\n{根据第一步确认的读者画像}\n\n## 写作风格要求\n- 纯中文表达，避免中英文夹杂（技术术语首次出现时给英文，后续用中文）\n- 像写给聪明的朋友看的技术科普，不是学术论文翻译\n- 用类比帮助理解，但类比要贴切、不俗套\n- 关键公式/数据要有，但每个都要用大白话解释\n- 不用emoji\n- 段落不超过4行（公众号阅读环境）\n\n## 核心内容\n{整理好的素材、数据、论点}\n\n## 文章结构要求\n1. **开头（前3段）**：必须有强钩子——用数据冲击力或反直觉的结论开场，不要用温和的类比开场\n2. **背景**：为什么这件事重要？解决什么问题？\n3. **核心内容（2-3节）**：技术深度在这里体现，但每个技术点都要有\"大白话翻译\"\n4. **实证/案例**：用数据和案例说话，不要空谈\n5. **行业影响/展望**：这件事对行业意味着什么\n6. **结尾**：一句有传播力的判断收束，适合被截图转发\n\n## 配图要求\n- 论文解读类文章：必须从论文PDF中提取原图，直接用 `![描述](相对路径)` 插入文章，不要用 [图X：描述] 占位符\n- 提取方法：用 pdftoppm 将PDF页面渲染为高分辨率PNG（至少900 DPI），再用 PIL 裁切目标图表区域\n- 每张图不小于500KB，确保高清\n- 图片统一存放在 `assets/{主题简称}/` 目录下\n- 非论文类文章：如需配图，搜索并下载合适的图片，同样直接插入\n\n## 公式要求\n- 所有数学公式使用 LaTeX 格式：行内用 `$...$`，独立公式用 `$$...$$`\n- 禁止用纯文本写公式（如 `> D_KL(P || Q) = ...`），必须用 LaTeX 渲染格式\n- 每个公式后面仍然要配\"大白话翻译\"\n\n请写出完整的文章初稿，约{目标字数}字。\n```\n\n### 作者Agent完成后\n\n检查初稿文件是否生成，阅读全文确认内容完整性。\n\n---\n\n## 阶段三：编辑Agent + 读者Agent并行审阅\n\n初稿完成后，使用 Agent 工具在**同一条消息**中启动编辑Agent和读者Agent。\n\n### 编辑Agent的Prompt模板\n\n```\n你是一位资深公众号编辑（Editor Agent）。请对以下文章进行精修审阅。\n\n## 审阅标准\n1. **标题**：是否在朋友圈能吸引点击？是否会被截断（超过30字）？\n2. **开头**：前3段能否留住读者？钩子是否足够强？\n3. **结构**：逻辑链是否流畅？有无跳跃或断层？\n4. **深度与可读性平衡**：公式/技术部分是否真的通俗？有无\"假装通俗但没解释清楚\"的地方？\n5. **节奏**：有无太长的段落？每节长度是否合适？\n6. **配图**：图片是否已实际插入（非占位符）？位置是否在读者最需要视觉辅助时出现？\n7. **结尾**：有无传播力？读者看完会想转发吗？\n\n## 文章全文\n{完整初稿}\n\n## 输出格式\n1. 总体评价（3-5句话）\n2. 标题修改建议（给2-3个备选）\n3. 逐节修改建议（给出\"原文→建议修改为\"的具体对照）\n4. 最关键的3个改进点\n```\n\n### 读者Agent的Prompt模板\n\n```\n你是一位{目标读者画像}（Reader Agent）。请从读者视角审读以下文章。\n\n## 你的背景\n{具体描述目标读者的知识水平和阅读习惯}\n\n## 文章全文\n{完整初稿}\n\n## 请回答以下问题\n1. 读完前3段，你会继续读下去吗？为什么？\n2. 哪些地方\"看不懂\"或\"需要重读才能理解\"？具体是哪句话？\n3. 技术/公式部分你看懂了吗？\"大白话翻译\"是否帮到你了？\n4. 文章的核心类比贴切吗？有更好的类比吗？\n5. 太长还是太短？会在哪里失去耐心？\n6. 读完后你能用一句话概括文章核心观点吗？\n7. 你会转发这篇文章吗？转发时你会说什么？\n8. 有没有你想了解但文章没覆盖的问题？\n```\n\n---\n\n## 阶段四：定稿\n\n### 第一步：综合两个Agent的反馈\n\n重点关注以下高频问题：\n\n| 问题类型 | 编辑常见反馈 | 读者常见反馈 | 处理方式 |\n|---------|------------|------------|---------|\n| 开头太弱 | 钩子不够强 | 前3段没动力继续 | 用数据/反直觉结论重写开头 |\n| 技术段劝退 | 公式太密集 | 某段需要重读3遍 | 删公式或图片化，加更直觉的类比 |\n| 节奏拖沓 | 某节太长 | 某处失去耐心 | 合并或删减（尤其是后半段重复的技术解释） |\n| 结尾无力 | 缺传播力 | 不会转发 | 重写为一句可截图传播的判断 |\n| 概念跳跃 | 逻辑有断层 | 某处\"突然看不懂了\" | 补过渡句或背景解释 |\n\n### 第二步：执行修改\n\n根据反馈重写文章。核心修改原则：\n\n1. **编辑和读者都指出的问题，必须改**\n2. **只有编辑指出的问题，大概率要改**（编辑的专业判断通常准确）\n3. **只有读者指出的问题，视情况改**（读者反馈代表真实体验，但不一定每条都需要响应）\n4. **两者矛盾时，偏向读者**（编辑追求完美，但读者体验是最终标准）\n\n### 第三步：提取配图\n\n论文解读类文章必须在定稿前完成配图提取：\n\n1. **渲染**：`pdftoppm -png -r 900 -f {页码} -l {页码} 论文.pdf /tmp/page`（900 DPI起步，如果图片不到500KB则升到1200或1500 DPI）\n2. **定位**：先用150 DPI渲染全页，目视确认各图表的像素坐标\n3. **裁切**：用 PIL 按坐标裁切，`compress_level=1` 保存，确保每张 ≥ 500KB\n4. **存储**：保存到 `assets/{主题简称}/` 目录，命名为 `fig{序号}-{描述}.png`\n5. **插入**：文章中用 `![描述](../../assets/{主题简称}/fig{序号}-{描述}.png)` 引用\n\n### 第四步：产出最终文件\n\n将定稿保存为 md 文件，文件末尾附上论文/资料原文链接：\n\n```markdown\n**论文原文：**\n- arXiv: {链接}\n```\n\n---\n\n## 文件命名与存储\n\n| 类型 | 路径 | 命名格式 |\n|------|------|---------|\n| 技术主题 | `reports/AI产业研究/` | `公众号-{主题关键词}-{YYYYMMDD}.md` |\n| 投资主题 | `reports/{公司名}/` | `{公司名}-公众号-{YYYYMMDD}.md` |\n| 通用主题 | `reports/` | `公众号-{主题关键词}-{YYYYMMDD}.md` |\n\n---\n\n## 写作红线\n\n1. **不虚构数据**。引用的数据必须有来源，搜不到就标注\"估计\"\n2. **不用AI腔调**。禁止\"让我们一起来看看\"、\"值得关注的是\"、\"不得不说\"等套话\n3. **不过度承诺**。技术文章不说\"颠覆性的\"、\"革命性的\"，用数据说话\n4. **公式必须配大白话**。每个公式后面都要有一段\"翻译成人话就是……\"\n5. **公式必须用LaTeX**。`$$...$$` 格式，禁止纯文本公式\n6. **配图必须实际插入**。论文解读类从PDF提取高清原图（≥500KB），禁止用 `[图X]` 占位符\n7. **表格括号注释要精确**。描述概念时用准确的定义，不用模糊的动宾短语（如\"文本来自教师\"而非\"学教师的文本\"）\n8. **类比要一以贯之**。全文用一个主线类比，不要每节换一个新类比\n9. **结尾必须有传播力**。最后一句话要值得被单独截图转发\n","frontmatter":{"name":"wechat-article","description":"AI Berkshire skill: 微信公众号文章：作者-编辑-读者三Agent协作. Source: skills/wechat-article.md."},"isInternal":false,"tokens":4089,"sizeBytes":11171},{"name":"bottleneck-hunter.md","path":"skills/bottleneck-hunter.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/bottleneck-hunter.md","title":"Skills Skill","category":"anthropic-skill","format":"markdown","content":"# Skills Skill\n\nPath: `skills/bottleneck-hunter.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/bottleneck-hunter.md)","tokens":300,"sizeBytes":169},{"name":"deep-company-series.md","path":"skills/deep-company-series.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/deep-company-series.md","title":"Skills Skill","category":"anthropic-skill","format":"markdown","content":"# Skills Skill\n\nPath: `skills/deep-company-series.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/deep-company-series.md)","tokens":300,"sizeBytes":173},{"name":"dyp-ask.md","path":"skills/dyp-ask.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/dyp-ask.md","title":"Skills Skill","category":"anthropic-skill","format":"markdown","content":"# Skills Skill\n\nPath: `skills/dyp-ask.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/dyp-ask.md)","tokens":300,"sizeBytes":149},{"name":"earnings-review.md","path":"skills/earnings-review.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/earnings-review.md","title":"Skills Skill","category":"anthropic-skill","format":"markdown","content":"# Skills Skill\n\nPath: `skills/earnings-review.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/earnings-review.md)","tokens":300,"sizeBytes":165},{"name":"earnings-team.md","path":"skills/earnings-team.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/earnings-team.md","title":"Skills Skill","category":"anthropic-skill","format":"markdown","content":"# Skills Skill\n\nPath: `skills/earnings-team.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/earnings-team.md)","tokens":300,"sizeBytes":161},{"name":"financial-data.md","path":"skills/financial-data.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/financial-data.md","title":"Skills Skill","category":"anthropic-skill","format":"markdown","content":"# Skills Skill\n\nPath: `skills/financial-data.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/financial-data.md)","tokens":300,"sizeBytes":163},{"name":"income-investment.md","path":"skills/income-investment.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/income-investment.md","title":"Skills Skill","category":"anthropic-skill","format":"markdown","content":"# Skills Skill\n\nPath: `skills/income-investment.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/income-investment.md)","tokens":300,"sizeBytes":169},{"name":"industry-funnel.md","path":"skills/industry-funnel.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/industry-funnel.md","title":"Skills Skill","category":"anthropic-skill","format":"markdown","content":"# Skills Skill\n\nPath: `skills/industry-funnel.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/industry-funnel.md)","tokens":300,"sizeBytes":165},{"name":"industry-research.md","path":"skills/industry-research.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/industry-research.md","title":"Skills Skill","category":"anthropic-skill","format":"markdown","content":"# Skills Skill\n\nPath: `skills/industry-research.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/industry-research.md)","tokens":300,"sizeBytes":169},{"name":"investment-checklist.md","path":"skills/investment-checklist.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/investment-checklist.md","title":"Skills Skill","category":"anthropic-skill","format":"markdown","content":"# Skills Skill\n\nPath: `skills/investment-checklist.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/investment-checklist.md)","tokens":300,"sizeBytes":175},{"name":"investment-research.md","path":"skills/investment-research.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/investment-research.md","title":"Skills Skill","category":"anthropic-skill","format":"markdown","content":"# Skills Skill\n\nPath: `skills/investment-research.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/investment-research.md)","tokens":300,"sizeBytes":173},{"name":"investment-team.md","path":"skills/investment-team.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/investment-team.md","title":"Skills Skill","category":"anthropic-skill","format":"markdown","content":"# Skills Skill\n\nPath: `skills/investment-team.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/investment-team.md)","tokens":300,"sizeBytes":165},{"name":"management-deep-dive.md","path":"skills/management-deep-dive.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/management-deep-dive.md","title":"Skills Skill","category":"anthropic-skill","format":"markdown","content":"# Skills Skill\n\nPath: `skills/management-deep-dive.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/management-deep-dive.md)","tokens":300,"sizeBytes":175},{"name":"news-pulse.md","path":"skills/news-pulse.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/news-pulse.md","title":"Skills Skill","category":"anthropic-skill","format":"markdown","content":"# Skills Skill\n\nPath: `skills/news-pulse.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/news-pulse.md)","tokens":300,"sizeBytes":155},{"name":"portfolio-review.md","path":"skills/portfolio-review.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/portfolio-review.md","title":"Skills Skill","category":"anthropic-skill","format":"markdown","content":"# Skills Skill\n\nPath: `skills/portfolio-review.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/portfolio-review.md)","tokens":300,"sizeBytes":167},{"name":"private-company-research.md","path":"skills/private-company-research.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/private-company-research.md","title":"Skills Skill","category":"anthropic-skill","format":"markdown","content":"# Skills Skill\n\nPath: `skills/private-company-research.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/private-company-research.md)","tokens":300,"sizeBytes":183},{"name":"quality-screen.md","path":"skills/quality-screen.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/quality-screen.md","title":"Skills Skill","category":"anthropic-skill","format":"markdown","content":"# Skills Skill\n\nPath: `skills/quality-screen.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/quality-screen.md)","tokens":300,"sizeBytes":163},{"name":"thesis-drift.md","path":"skills/thesis-drift.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/thesis-drift.md","title":"Skills Skill","category":"anthropic-skill","format":"markdown","content":"# Skills Skill\n\nPath: `skills/thesis-drift.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/thesis-drift.md)","tokens":300,"sizeBytes":159},{"name":"thesis-tracker.md","path":"skills/thesis-tracker.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/thesis-tracker.md","title":"Skills Skill","category":"anthropic-skill","format":"markdown","content":"# Skills Skill\n\nPath: `skills/thesis-tracker.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/thesis-tracker.md)","tokens":300,"sizeBytes":163},{"name":"wechat-article.md","path":"skills/wechat-article.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/wechat-article.md","title":"Skills Skill","category":"anthropic-skill","format":"markdown","content":"# Skills Skill\n\nPath: `skills/wechat-article.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/wechat-article.md)","tokens":300,"sizeBytes":163},{"name":"CLAUDE.md","path":"CLAUDE.md","rawUrl":"https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/CLAUDE.md","title":"Claude Agent Guidelines & System Prompt","category":"claude-rule","format":"markdown","content":"# Claude Agent Guidelines & System Prompt\n\nPath: `CLAUDE.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/CLAUDE.md)","tokens":300,"sizeBytes":160}],"systemPromptSnippet":"<yakaai_skills repo=\"xbtlin/ai-berkshire\">\n<!-- File: AGENTS.md (Tokens: ~300 | Category: root-instruction) -->\n# AI Agent Protocol & Instructions\n\nPath: `AGENTS.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/AGENTS.md)\n\n<!-- File: codex-skills/bottleneck-hunter/SKILL.md (Tokens: ~300 | Category: anthropic-skill) -->\n# bottleneck-hunter\n\nPath: `codex-skills/bottleneck-hunter/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/bottleneck-hunter/SKILL.md)\n\n<!-- File: codex-skills/deep-company-series/SKILL.md (Tokens: ~300 | Category: anthropic-skill) -->\n# deep-company-series\n\nPath: `codex-skills/deep-company-series/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/deep-company-series/SKILL.md)\n\n<!-- File: codex-skills/dyp-ask/SKILL.md (Tokens: ~300 | Category: anthropic-skill) -->\n# dyp-ask\n\nPath: `codex-skills/dyp-ask/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/dyp-ask/SKILL.md)\n\n<!-- File: codex-skills/earnings-review/SKILL.md (Tokens: ~300 | Category: anthropic-skill) -->\n# earnings-review\n\nPath: `codex-skills/earnings-review/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/earnings-review/SKILL.md)\n\n<!-- File: codex-skills/earnings-team/SKILL.md (Tokens: ~300 | Category: anthropic-skill) -->\n# earnings-team\n\nPath: `codex-skills/earnings-team/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/earnings-team/SKILL.md)\n\n<!-- File: codex-skills/financial-data/SKILL.md (Tokens: ~300 | Category: anthropic-skill) -->\n# financial-data\n\nPath: `codex-skills/financial-data/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/financial-data/SKILL.md)\n\n<!-- File: codex-skills/income-investment/SKILL.md (Tokens: ~300 | Category: anthropic-skill) -->\n# income-investment\n\nPath: `codex-skills/income-investment/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/income-investment/SKILL.md)\n\n<!-- File: codex-skills/industry-funnel/SKILL.md (Tokens: ~300 | Category: anthropic-skill) -->\n# industry-funnel\n\nPath: `codex-skills/industry-funnel/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/industry-funnel/SKILL.md)\n\n<!-- File: codex-skills/industry-research/SKILL.md (Tokens: ~300 | Category: anthropic-skill) -->\n# industry-research\n\nPath: `codex-skills/industry-research/SKILL.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/industry-research/SKILL.md)\n\n<!-- File: codex-skills/investment-checklist/SKILL.md (Tokens: ~4134 | Category: anthropic-skill) -->\n---\nname: investment-checklist\ndescription: \"AI Berkshire skill: 巴菲特价值投资买入前 Checklist. Source: skills/investment-checklist.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/investment-checklist.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 巴菲特价值投资买入前 Checklist\n\n对 $ARGUMENTS 执行巴菲特价值投资买入前 Checklist 分析。\n\n**支持输入格式**：单个或多个公司，用逗号/顿号/空格分隔。例如：`腾讯, 茅台, 英伟达` 或 `NVDA AAPL MSFT`\n\n## 执行流程\n\n### 第一步：解析输入，识别所有待分析公司\n\n从 $ARGUMENTS 中解析出所有公司名称/代码。对每家公司确定：\n- 公司全称、股票代码、上市交易所\n- 如果公司未上市，标记为\"未上市\"并给出简要说明（是否有间接投资途径），跳过完整Checklist\n\n### 第一步半：AI研究偏见预警\n\n对每家公司进行\"信息丰富度\"快速评级（A/B/C），并在报告中标注：\n\n| 等级 | 判断标准 | 对Checklist的影响 |\n|------|---------|-----------------|\n| A级 | 上市多年、数据充裕 | 正常执行，但警惕\"共识陷阱\"——所有指标看起来都清晰不代表真的确定 |\n| B级 | 数据有限需推算 | 每个推算指标标注置信度，\"好生意\"判断加权考虑数据可靠性 |\n| C级 | 信息极度稀缺 | 不勉强填满六关表格，诚实标注\"数据不足无法判断\"，聚焦可验证的核心问题 |\n\n**核心原则**：Checklist的目标是**排除坏选择**。对于C级公司，\"数据不足\"不等于\"不通过\"，也不等于\"通过\"——应诚实标注为\"灰色地带，需补充一手信息\"，而不是因为AI无法填满表格就判为否决。\n\n段永平说过：\"看不懂\"有两种——一种是生意太复杂真的看不懂，一种是你还没花时间去看。AI研究的局限是容易把\"资料少\"和\"看不懂\"混为一谈。\n\n### 第二步：并行数据收集\n\n使用 Task 工具为**每家公司**启动独立的后台 Agent 进行数据收集（所有公司同时并行启动），每个Agent负责收集：\n\n1. **盈利能力**：ROE（5-10年趋势）、毛利率、净利率、自由现金流\n2. **估值数据**：当前股价、市值、PE(TTM)、前瞻PE、PB、股息率\n3. **增长趋势**：近3年收入/利润增速\n4. **财务健康**：负债水平、资本开支需求、现金储备、净现金/净负债\n5. **竞争格局**：市场份额、主要竞争对手、份额变化趋势\n6. **护城河证据**：品牌/转换成本/网络效应/规模效应/技术壁垒的具体证据\n7. **管理层记录**：CEO履历、关键决策、持股、资本配置记录\n8. **最新动态**：近6个月重大事件（业绩、并购、监管、管理层变动等）\n\n### 第三步：逐公司执行六关 Checklist\n\n对每家已上市公司，依次过六关：\n\n---\n\n#### 第一关：我能理解这门生意吗（能力圈）\n\n必须回答：\n- [ ] 能用一句话说清楚这家公司靠什么赚钱吗？\n- [ ] 10年后大概率还在做什么生意？\n- [ ] 哪些关键变量决定成败？\n- [ ] 对这个行业的认知是来自深度研究还是道听途说？\n\n**评分标准**（★1-5）：\n- ★★★★★：商业模式极其简单清晰，10年确定性高（如茅台：酿酒卖酒）\n- ★★★★☆：模式清晰但有技术门槛，需要一定专业知识理解\n- ★★★☆☆：模式可理解但10年确定性不高，行业变化快\n- ★★☆☆☆：业务线复杂或行业剧变中，难以预判未来\n- ★☆☆☆☆：完全不在能力圈内\n\n**硬性否决**：如果连赚钱方式都说不清，直接标记为\"不在能力圈，不做分析\"。\n\n---\n\n#### 第二关：这是一门好生意吗（经济特征）\n\n用数据说话，**关键指标必须通过工具精确计算**：\n\n```bash\npython3 tools/financial_rigor.py verify-valuation \\\n  --price {股价} --eps {EPS} --bvps {每股净资产} --fcf-per-share {每股FCF} --dividend {每股股息}\n```\n\n| 指标 | 该公司数值 | 参考标准 | 判断 |\n|------|-----------|---------|------|\n| ROE（5年均值） | | >15%优秀, >20%卓越 | |\n| 毛利率 | | >40%暗示定价权 | |\n| 自由现金流 | | 持续为正、≈净利润 | |\n| 资本开支强度 | | 轻资产优于重资产 | |\n| 负债水平 | | 有息负债/净利润<3年 | |\n\n**评分标准**（★1-5）：\n- ★★★★★：ROE>25%、高毛利、强FCF、轻资产、低负债（全部达标）\n- ★★★★☆：4项达标\n- ★★★☆☆：3项达标\n- ★★☆☆☆：2项达标或趋势恶化\n- ★☆☆☆☆：多数不达标或FCF持续为负\n\n---\n\n#### 第三关：护城河够不够深（竞争优势）\n\n逐项检查：\n\n| 护城河类型 | 是否具备 | 具体证据 | 变宽还是变窄？ |\n|-----------|---------|---------|--------------|\n| 品牌/定价权 | | | |\n| 转换成本 | | | |\n| 网络效应 | | | |\n| 成本/规模优势 | | | |\n| 技术/专利壁垒 | | | |\n\n追加检验：如果给竞争对手100亿，能否复制这门生意？\n\n**评分标准**（★1-5）：\n- ★★★★★：多重护城河叠加且在变宽\n- ★★★★☆：至少一条强护城河且稳定\n- ★★★☆☆：有护城河但不够深，或趋势不明\n- ★★☆☆☆：护城河正在被侵蚀\n- ★☆☆☆☆：无明显护城河\n\n---\n\n#### 第四关：管理层是否值得信任（人的因素）\n\n| 检查项 | 评估 |\n|--------|------|\n| 诚实度（承诺vs交付） | |\n| 资本配置能力（回购/分红/并购记录） | |\n| 股东利益导向（持股、薪酬） | |\n| 所有者心态（创始人 vs 职业经理人） | |\n| 公司治理（关联交易、商誉、审计） | |\n| CEO离开后能否照常运转？ | |\n\n**评分标准**（★1-5）：\n- ★★★★★：创始人掌舵、资本配置卓越、利益完全一致\n- ★★★★☆：管理层优秀但有小瑕疵\n- ★★★☆☆：管理层合格但有治理隐患\n- ★★☆☆☆：有诚信或治理问题\n- ★☆☆☆☆：严重诚信问题（→硬性否决）\n\n---\n\n#### 第五关：价格是否足够便宜（安全边际）\n\n| 指标 | 数值 | 历史分位 | 判断 |\n|------|------|---------|------|\n| PE (TTM) | | | |\n| 前瞻PE | | | |\n| PB | | | |\n| 股息率 | | | |\n| FCF Yield | | | |\n\n追加检验（**必须通过工具精确计算，禁止心算**）：\n```bash\npython3 tools/financial_rigor.py three-scenario \\\n  --price {股价} --eps {EPS} --shares {股本亿} \\\n  --growth {乐观} {中性} {悲观} --pe {乐观PE} {中性PE} {悲观PE} --currency {币种}\n```\n- 三情景下的估值区间（取工具输出结果）\n- 如果判断有误，在当前价格买入最多亏多少？\n- 股价腰斩你敢加仓吗？\n\n**评分标准**（★1-5）：\n- ★★★★★：相对内在价值打5折以下，极端安全边际\n- ★★★★☆：打7折，有良好安全边际\n- ★★★☆☆：合理估值，安全边际一般\n- ★★☆☆☆：偏贵，安全边际不足\n- ★☆☆☆☆：严重高估\n\n---\n\n#### 第六关：仓位与决策纪律（防止情绪失控）\n\n检查以下情绪信号：\n- 是否因为FOMO想买？\n- 是否因为别人推荐才想买？\n- 如果停牌5年你能接受吗？\n- 买入论述能否用200字以内写清楚？\n\n---\n\n### 第四步：镜子测试\n\n对每家公司写出镜子测试语句：\n\n> \"我以 ___元 买入 ___公司，因为：\n> 1. 这门生意的本质是___，我理解它；\n> 2. 它的护城河是___，而且在变宽/变窄；\n> 3. 管理层___，值得/不值得信赖；\n> 4. 当前价格相当于内在价值的___折，有/无足够安全边际；\n> 5. 即使我错了，下行风险可控/不可控，因为___。\"\n\n**5句话说不完整 = 不买。** 明确标注\"通过\"或\"未通过\"。\n\n---\n\n### 第五步：快速否决清单\n\n对每家公司逐条检查，触发任何一条直接标注为\"否决\"：\n\n- [ ] 说不清楚这家公司怎么赚钱\n- [ ] 连续3年自由现金流为负且看不到改善\n- [ ] 管理层有诚信污点\n- [ ] 竞争优势正在被不可逆侵蚀\n- [ ] 需要靠\"下一个接盘者出更高价\"来赚钱（博傻）\n- [ ] 无法承受这笔投资归零的后果\n- [ ] 买入理由主要是\"别人都在买\"或\"最近涨得好\"\n- [ ] 无法用200字以内写清楚买入理由\n\n---\n\n### 第六步：输出总览对比表（多公司时必须输出）\n\n当分析多家公司时，必须生成对比总览表：\n\n| 公司 | Checklist通过？ | 能力圈 | 好生意 | 护城河 | 管理层 | 安全边际 | 核心结论 |\n|------|----------------|--------|--------|--------|--------|---------|---------|\n| | | ★☆☆☆☆ | ★☆☆☆☆ | ★☆☆☆☆ | ★☆☆☆☆ | ★☆☆☆☆ | |\n\n---\n\n### 第七步：最终结论与写入文件\n\n对每家公司给出明确结论（不回避）：\n- ✅ **通过 Checklist**（X/6关）— 可以进入深度研究阶段\n- ❌ **未通过 Checklist** — 说明哪条红线被触发\n- ❓ **灰色地带** — 说明关键争议点是什么，投资者需要自行判断什么\n- N/A — 未上市/无法买入\n\n将完整报告写入 `~/巴菲特Checklist-[公司名或\"多公司对比\"].md`\n\n## 输出格式要求\n\n1. 每家公司独立成章，包含：六关评分表 + 核心数据表 + 关键风险（3-5条）+ 镜子测试 + 明确结论\n2. 多公司时在最后附总览对比表\n3. 所有评分必须使用★符号（★1-5），不含半星\n4. 数据必须标注来源时间，估计值必须注明\"估计\"\n5. 文末附结语，呼应巴菲特名言：\"投资的第一条规则是不要亏损\"\n6. 语言风格：直接、犀利、不说废话。用巴菲特/芒格/段永平的语录穿插点评\n\n## 关键原则\n\n- **宁可错过，不可做错**：Checklist的目标是排除坏选择，不是找到最好的\n- **诚实面对能力圈**：看不懂就说看不懂，不要勉强分析\n- **安全边际是生命线**：好公司买贵了也会亏钱\n- **镜子测试不可跳过**：说不清楚理由就不买，没有例外\n\n<!-- File: codex-skills/investment-memo-craft/agents/openai.yaml (Tokens: ~300 | Category: anthropic-skill) -->\n# Agents Skill\n\nPath: `codex-skills/investment-memo-craft/agents/openai.yaml`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/codex-skills/investment-memo-craft/agents/openai.yaml)\n\n<!-- File: codex-skills/investment-memo-craft/SKILL.md (Tokens: ~2133 | Category: anthropic-skill) -->\n---\nname: investment-memo-craft\ndescription: Codex-only writing and layout overlay for AI Berkshire investment research reports. Use whenever Codex creates, rewrites, revises, or critiques company/industry/fund research reports, especially long-form Markdown reports that need financial rigor, readable business mechanics, contrarian analysis, valuation-to-action guidance, investor-specific recommendations, restrained typography, and clear buy/hold/sell signals. Do not use this to modify Claude Code slash-command sources.\n---\n\n# Investment Memo Craft\n\n## Purpose\n\nTurn investment research into a decision-ready Codex research report. Keep the data discipline of the underlying research skill, but make the output easier for an investor to use: concrete business mechanics, sharp inverse thinking, explicit opportunity cost, action thresholds, and calm Markdown typography.\n\nUse this as a writing and judgment overlay. It does not replace financial-data rules, primary-source checks, valuation tools, or report audit tooling.\n\nFor long-form AI Berkshire outputs, title the artifact as a \"research report\" by default. Use \"investment memo\" only when the user explicitly asks for a memo format.\n\nThis is a Codex-only hand-written skill kept under `codex-skills/` for simple installation. Do not add a same-named `skills/investment-memo-craft.md` source unless intentionally adopting this workflow for Claude Code too.\n\n## Core Workflow\n\n1. Open with context; reserve the full decision for after the evidence.\n   - In the first screen, state the research date, price, market cap, valuation, and a short thesis.\n   - Do not front-load the full buy/hold/sell table unless the user explicitly asks for an executive memo.\n   - Put the detailed recommendation, investor-specific actions, and price bands near the end, after business quality, risk, and valuation have been argued.\n   - Separate \"good business\" from \"good investment at this price\".\n\n2. Build the operating map before the philosophy.\n   - Include revenue structure, segment economics, unit drivers, and 3-5 year trends early.\n   - For asset-heavy businesses, show the key assets individually when they explain the moat.\n   - Explain the pricing mechanism, customer lock-in, cost structure, and reinvestment needs.\n\n3. Compress business essence into one memorable sentence.\n   - Prefer a sentence that describes who pays, why they pay, what is scarce, and what repeats.\n   - Avoid generic labels such as \"industry leader\" unless followed by the mechanism that makes leadership durable.\n\n4. Make the moat falsifiable.\n   - Score or table the moat by source: brand/pricing power, switching cost, network effect, scale, cost advantage, regulation, resource scarcity, technology.\n   - Explain whether the moat widened or narrowed over the last 5 years.\n   - Ask what can destroy the moat, even if the answer is \"not competitors, but regulation/weather/price paid\".\n\n5. Do real inverse thinking.\n   - Include failure paths with probability, impact, and observable indicators.\n   - Write the strongest bear case in language a smart short seller or non-buyer would actually use.\n   - Explicitly identify the most likely analytical mistake.\n\n6. Evaluate management through capital allocation.\n   - Replace vague praise with decision history: acquisitions, divestitures, buybacks, dividends, leverage, reinvestment, strategic pivots.\n   - Judge incentives: insider ownership, controlling shareholder behavior, compensation, related-party transactions, and shareholder return policy.\n   - Ask whether the business depends on a person or on a system.\n\n7. Connect industry trend to value capture.\n   - Distinguish civilization-level trend from investable company-level economics.\n   - Describe where the company sits in the value chain and who captures the profit pool.\n   - Identify whether TAM growth, pricing, utilization, or capital intensity is the real driver.\n\n8. Convert valuation into action.\n   - Show current multiples, reverse DCF intuition, scenario valuation, historical comparison, and comparable companies when relevant.\n   - Include dividends or capital returns in expected return when they matter.\n   - Provide price bands, add signals, trim/sell signals, and what would change the thesis.\n\n9. Close with a decision memo.\n   - Include a summary table by business quality, moat, management, risk, trend, and valuation.\n   - Give distinct advice for empty-handed investors and existing holders.\n   - Include the action table here, not at the top, for long-form research reports.\n   - End by separating AI analysis confidence from actual investment certainty.\n\n## Style Standards\n\n- Prefer concrete numbers and mechanisms over adjectives.\n- Use tables when they reduce cognitive load: assets, segments, failure paths, management decisions, scenario valuations, action bands.\n- Write in clear investor prose. A good memo should be understandable after one read and useful after one month.\n- Keep memorable formulations, but never let rhetoric outrun evidence.\n- Avoid hiding behind vague labels such as \"wait and see\" without specifying the price or event that would change the recommendation.\n\n## Layout Standards\n\nFor long-form research reports, prefer a calm stepped layout:\n\n- Use a simple title: `公司名（ticker）研究报告`. Avoid adding \"四大师综合\" or \"投资备忘录\" to the title unless the user asks for that framing.\n- Use dated filenames for reports: `公司名研究报告-YYYYMMDD.md`.\n- Start with one compact metadata block: research date, price, market cap, key multiples, and a one-sentence thesis.\n- Use horizontal separators between major sections.\n- Use Chinese step headings for readability, for example \"第一步：核心数据总览\", \"第二步：生意本质分析\", and \"第八步：最终决策与行动清单\".\n- Keep section titles short and concrete; avoid dense numbering such as \"2.3.1\" unless the document is technical.\n- Use quote blocks for master-style questions, not inline bold paragraphs.\n- Treat GitHub Markdown as the typography system: use heading levels, tables, quote blocks, and bold text; do not add HTML/CSS font styling unless the user explicitly asks for a non-GitHub artifact.\n- Use bold sparingly as a reading guide: metadata labels, one-sentence conclusion labels, key phrases, total/current-company rows, latest-year values, scenario target prices, action rows, and audit verdicts.\n- Keep ordinary facts in normal weight. Do not bold full tables or every important-looking number; over-emphasis makes long research feel noisy.\n- Use explicit `+` and `-` signs for growth rates and return ranges so positive/negative movement can be scanned without rereading the sentence.\n- Put checklists under \"AI research bias awareness\" when the company is information-rich or consensus-heavy.\n- Keep audit and tool details light at the end. Do not expose command lines unless the user asks for reproducibility commands.\n- If a prior report has a layout the user likes, preserve its reading rhythm while keeping only data that passes the current validation standard.\n\n## Default Report Shape\n\nFor AI Berkshire company reports, use this order unless the user asks otherwise:\n\n1. `AI研究偏见自觉`\n   - State the information-richness rating, consensus trap, bias checklist, and AI research limitation.\n\n2. `第一步：核心数据总览`\n   - Show segment revenue, key operating assets or units, 3-5 year financial trend, and cross-source validation.\n\n3. `第二步：生意本质分析`\n   - Define the business in one sentence, map revenue/cost/customer/asset life/growth drivers, and explain the real profit variables.\n\n4. `第三步：护城河评估`\n   - Score moat sources, explain evidence, and state what can destroy or weaken the moat.\n\n5. `第四步：逆向思考与风险清单`\n   - Put the bear case in serious language. Include failure paths, probability, impact, and observable warning indicators.\n\n6. `第五步：管理层评估`\n   - Judge management through capital allocation, governance, incentives, dividends/buybacks, leverage, and whether the business is system-driven.\n\n7. `第六步：行业与文明趋势`\n   - Separate broad trend from investable economics and explain where the company captures value.\n\n8. `第七步：估值与安全边际`\n   - Show current valuation, reverse-DCF intuition, scenario valuation, comparable companies if useful, and explicit price bands.\n\n9. `第八步：最终决策与行动清单`\n   - Put the full decision here, not at the top: summary table, advice for empty-handed investors, advice for holders, add/sell triggers, and master-style comments if useful.\n\n10. `AI分析置信度 vs 投资确定性`\n    - Separate data confidence from investment certainty.\n\n11. `数据来源与审计记录`\n    - List key sources and concise audit results. Keep command lines out of the report unless explicitly requested.\n\n## Quality Bar\n\nA strong memo should answer these questions without forcing the reader to infer:\n\n- What exactly does this company sell, to whom, and why does money repeat?\n- What are the 2-3 variables that actually move profit?\n- Why might smart people refuse to buy?\n- What is already priced in?\n- What return is plausible under bull/base/bear cases, including dividends if relevant?\n- What should an empty-handed investor do?\n- What should a holder do?\n- What evidence would make the thesis wrong?\n\n## Pairing With Other Skills\n\nWhen the task requires fresh company research, first use the relevant data/research skill and its validation requirements. Then use this skill to rewrite or structure the output as a memo.\n\nFor AI Berkshire work, pair especially with:\n\n- `financial-data` for source hierarchy and cross-source validation.\n- `investment-research` for the Buffett/Munger/Duan/Li Lu framework.\n- `management-deep-dive` when management quality is the core uncertainty.\n- `report_audit.py` before treating a report as publishable.\n\n<!-- File: codex-skills/investment-research/SKILL.md (Tokens: ~9601 | Category: anthropic-skill) -->\n---\nname: investment-research\ndescription: \"AI Berkshire skill: 投资研究：巴菲特-芒格-段永平-李录 四大师综合分析框架. Source: skills/investment-research.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/investment-research.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 投资研究：巴菲特-芒格-段永平-李录 四大师综合分析框架\n\n对 $ARGUMENTS 进行系统化投资研究分析。\n\n## 研究框架\n\n基于巴菲特、芒格、段永平、李录四位投资大师的方法论，按以下七个模块顺序执行研究：\n\n### 前置步骤：AI研究偏见自觉（必须执行）\n\n在开始研究前，先评估该公司的\"AI可研究性\"，识别潜在的数据偏见：\n\n**信息丰富度评级**：\n| 等级 | 特征 | AI研究陷阱 | 应对策略 |\n|------|------|-----------|---------|\n| A级（信息充裕） | 上市多年、券商覆盖多、媒体报道密集 | 共识过强，AI输出趋同于市场定价，alpha有限 | 重点做反面检验：聪明人为什么不买？被忽略的风险是什么？ |\n| B级（信息适中） | 上市1-3年、覆盖有限、部分数据需推算 | AI可能用\"合理推测\"填补空白，看起来完整实则虚假确定性 | 每个推算数据标注置信度，区分\"有据推算\"和\"凭空填充\" |\n| C级（信息稀缺） | 刚上市/冷门股/新兴市场、几乎无覆盖 | AI会因资料不足而过度保守，误判为\"看不清=不好\" | 用第一性原理提问（见下方），从有限信息中提取商业本质 |\n\n**C级公司的第一性原理研究法**：\n当公开资料不足时，不要试图拼凑出\"看起来完整\"的报告，而是聚焦以下底层问题：\n1. 客户是谁？为什么付钱？有没有替代选择？\n2. 复购靠什么驱动？是习惯、锁定、还是持续创造新价值？\n3. 竞争对手拿100亿能复制这门生意吗？\n4. 管理层做过什么关键决策？这些决策反映了什么判断力和价值观？\n\n**偏见自查清单**（研究全程保持警惕）：\n- [ ] 我的\"确定性\"感受是来自生意本质，还是来自资料数量？\n- [ ] 如果把这家公司的资料量减少一半，我的结论会变吗？\n- [ ] AI输出的分析是否与市场共识高度雷同？如果是，我的信息优势在哪？\n- [ ] 是否存在\"公开资料很少但生意本质极好\"的可能性被低估了？\n\n将信息丰富度评级结果写入报告开头，并在最终结论中注明\"AI研究置信度\"与\"实际投资确定性\"的区别。\n\n### 第一步：数据收集\n\n> **数据源规范**：参见 `skills/financial-data.md`。所有财务数据必须来自两个独立来源，误差>1%须标记。\n> - 美股：macrotrends（主）+ stockanalysis（副）\n> - 港股：aastocks（主）+ macrotrends ADR（副）\n> - A股：东方财富（主）+ 巨潮资讯（副）\n\n使用 Task 工具启动后台 Agent，从网络收集以下数据：\n\n1. 收入结构：最近财年及近4季度分部收入、增速、毛利率\n2. 财务指标：近5年收入、净利润、毛利率、经营利润率、自由现金流、现金储备\n3. 竞争格局：市场份额、主要竞争对手对比\n4. 商业模式与护城河：核心竞争优势来源\n5. 技术能力：核心技术栈、研发投入\n6. 管理层：创始人/CEO履历、持股比例、关键决策记录\n7. 行业前景：TAM（总可寻址市场）、增长预测\n8. 风险因素：地缘政治、监管、供应链等\n9. 当前估值：市值、PE、PS、PEG、EV/Revenue\n10. 多空双方核心论点\n\n#### 数据交叉验证（必须执行，使用金融严谨性工具）\n\n数据收集完成后，**必须调用 `tools/financial_rigor.py` 对关键数据进行程序化验证**，杜绝LLM心算误差。\n\n**必须验证的数据点**：\n- 总股本（从交易所、Yahoo Finance、StockAnalysis 等至少2个源确认）\n- 当前股价和市值（**手动计算 股价×总股本 并与报告市值对比，防止单位错误**）\n- 最近财年收入和净利润（从公司年报+至少1个第三方源确认）\n- 现金储备和净现金（现金+短期投资-总债务，注意口径差异）\n- 管理层持股比例（区分经济权益和投票权，注意AB股结构）\n\n**强制验证步骤（使用Bash调用工具）**：\n\nStep 1 — 市值验算（精确十进制，非浮点）：\n```bash\npython3 tools/financial_rigor.py verify-market-cap \\\n  --price {股价} --shares {总股本} --reported {报告市值} --currency {币种}\n```\n\nStep 2 — 关键数据多源交叉验证：\n```bash\npython3 tools/financial_rigor.py cross-validate \\\n  --field {字段名} --values '{\"来源1\": 数值, \"来源2\": 数值}' --unit {单位}\n```\n对收入、净利润、现金储备分别执行。\n\nStep 3 — 估值指标精确验算（PE/PB/ROE/FCF Yield 等）：\n```bash\npython3 tools/financial_rigor.py verify-valuation \\\n  --price {股价} --eps {EPS} --bvps {每股净资产} --fcf-per-share {每股FCF} --dividend {每股股息}\n```\n\n**验证规则**：\n1. 每个关键数据点至少2个独立来源\n2. 发现来源间有差异时，优先采用公司年报/交易所数据，并注明差异原因\n3. **所有涉及计算的数据必须通过工具验算，禁止LLM心算**\n4. 工具输出结果直接嵌入报告附录\"关键数据交叉验证记录\"\n5. 如果工具报告 ❌ 偏差过大，必须排查原因后才能继续分析\n\n**常见错误防范**：\n- 市值单位：港币亿 vs 人民币亿 vs 美元亿，容易漏写/多写一个零\n- FCF口径：不同来源对资本支出的定义可能不同（是否含租赁、收购等）\n- 债务口径：是否包含经营租赁负债\n- 持股比例：AB股公司的经济权益 ≠ 投票权\n\n### 第二步：生意本质分析 — 段永平\"对的生意\"\n\n分析要点：\n- 用一句话定义这门生意的本质\n- 收入结构拆解（图表）\n- 5年盈利能力趋势（图表）\n- 商业模式画布：一次性销售 vs 订阅/复购？硬件 vs 软件 vs 平台？\n- 生态粘性/客户锁定强度\n- 毛利率水平与同行对比，解释为什么高/低\n- 经营杠杆分析\n- **段永平式追问**：这门生意好在哪？如果只能用一句话描述，是什么？\n\n### 第三步：护城河评估 — 巴菲特\"经济护城河\"\n\n逐一验证五类护城河：\n\n| 护城河类型 | 验证方法 |\n|-----------|---------|\n| 品牌/定价权 | 是否能在不损失销量的情况下提价？ |\n| 转换成本 | 客户迁移到竞品的成本有多高？ |\n| 网络效应 | 用户越多产品越好吗？ |\n| 规模效应 | 规模带来的成本优势有多大？ |\n| 技术/专利壁垒 | 技术领先几年？能否被复制？ |\n\n分析护城河趋势：过去5年变宽还是变窄？未来5年预判。\n\n**巴菲特式追问**：10年后这条护城河还在吗？什么能摧毁它？\n\n### 第四步：逆向思考与风险清单 — 芒格\"反过来想\"\n\n- 列出\"这家公司可能失败的所有路径\"（表格：路径/概率/影响程度）\n- 历史类比：找到历史上处于相似位置的公司，结局如何？\n- 跨学科分析：用网络效应理论、技术采纳曲线、竞争博弈等模型交叉验证\n- 偏误自查：叙事偏差、锚定效应、幸存者偏差\n- 收集空方核心论点\n\n**芒格式追问**：我最可能在哪里犯错？聪明人为什么会不买/做空这家公司？\n\n### 第五步：管理层评估 — 段永平\"对的人\" + 巴菲特\"管理层诚信\"\n\n- CEO/创始人关键决策复盘（表格：时间/决策/结果/评分）\n- 资本配置能力：研发回报率、并购成功率、回购时机\n- 股东利益一致性：管理层持股、薪酬结构、减持记录\n- 组织能力：团队稳定性、关键人才风险\n- 企业文化特征\n\n**段永平式追问**：如果CEO退休，这家公司还能保持竞争力吗？\n\n### 第六步：行业与文明趋势 — 李录\"文明演进框架\"\n\n- 判断所在行业是否处于\"文明级范式转移\"\n- 历史技术革命类比（蒸汽机/电力/互联网/AI）\n- TAM增长曲线与天花板分析\n- 公司在产业价值链中的位置\n- 技术路线风险\n- 客户/供应商集中度分析\n\n**李录式追问**：站在20年后回看，这家公司是\"这个时代的标准石油\"还是\"昙花一现的3Com\"？\n\n### 第七步：估值与安全边际 — 巴菲特\"内在价值\" + 段永平\"对的价格\"\n\n- 当前市场定价（关键估值指标表格）—— **必须通过工具验算**\n- 反向DCF：当前股价隐含了什么增长预期？\n- 三情景估值 —— **必须通过工具精确计算，禁止心算**：\n```bash\npython3 tools/financial_rigor.py three-scenario \\\n  --price {股价} --eps {EPS} --shares {总股本亿} \\\n  --growth {乐观增速} {中性增速} {悲观增速} \\\n  --pe {乐观PE} {中性PE} {悲观PE} --years 3 --currency {币种}\n```\n- 与自身历史估值对比\n- 与同行估值对比\n\n#### 长期折现估值（十年尺度，必须执行）\n\n**角色分工（硬约束，禁止混用）：**\n\n| 工具 | 回答的问题 | **不是**什么 |\n|---|---|---|\n| **三年三情景**（`financial_rigor.py three-scenario`） | **\"贵不贵\"**——相对内在价值/历史/同行，当前价有没有安全边际 | 重仓裁决、一票否决 |\n| **十年折现**（`terminal_value.py`） | **仓位压力测试**——在声明的 r 下，十年期望 IRR 能否覆盖资本成本；用于**组合仓位上限/是否值得加大仓位**的压力测试 | **买入/持有/回避的唯一否决票** |\n\n三年三情景回答\"贵不贵\"；十年折现回答\"在声明的折现率下，仓位能不能加到多重\"。**十年基准 IRR 低于 r，只能收紧仓位建议，不得单独把最终决策改成回避/观望。** 最终买/持/回避必须由生意质量、护城河、管理层、风险、文明趋势与估值**六个维度并列**得出，十年模型只是估值维度里的压力测试输入。\n\n> 方法论一致性优先于\"调低 r 去买\"：敏感性和翻转检查是为了暴露\"结论买的是公司还是折现率\"，**禁止**为了迎合 thesis 或主观买入冲动而把 r 调出币种合理区间。\n\n**凡是给出十年期 IRR 或终值倍数的研究，必须走这套流程**，用 `tools/terminal_value.py`。\n\n终值倍数只有一个合法来源——永续增长模型，**不许用同业类比**：\n\n$$PE_{终值} = \\frac{1 - g/ROIC}{r - g}$$\n\n> \"帝亚吉欧 13 倍所以茅台给 16 倍\"是循环论证：用别人今天的价格，证明我假设的价格合理。市场今天整体贵，类比法就把这份贵原封不动搬到十年后。\n\n**Step 1 — 定三个输入，逐个写出理由（这一步全是判断，不是计算，必须在报告里交代）：**\n\n| 输入 | 怎么定 | 常见错误 |\n|---|---|---|\n| **r** 资本成本 | 无风险利率 + β × ERP。**币种必须与现金流一致**：人民币口径 6%–9%（主用 8%），美元/港元口径 9%–11.5%（主用 10%） | 跟着国债利率跑。中国国债 1.70% 折出来的 PE 会到 50 倍以上，那不是估值是放大偏见 |\n| **ROIC** 稳态增量资本回报 | 夹在存量 ROIC（含不上表的无形护城河，偏高）与派息反解的隐含增量 ROIC（假设 capex 回报为零，偏低）之间 | 直接用存量 ROIC。等于假设新投的每块钱都能复制建立微信时的回报 |\n| **g** 永续增速 | **不是未来十年增速**（那已在终值利润里），是终值年之后到永远。硬天花板是长期名义 GDP：人民币口径基准档 ≤2%，美元口径 ≤4% | 用美元的 g 配人民币的 r。3% 名义增长在美国是 0.5% 实际（保守），在中国是 2% 实际（激进） |\n\n**g 不随 r 变**——g 是对终值年之后经济的判断，r 是你要求的回报，两件独立的事。做敏感性时只动 r。\n\n**Step 2 — 三条硬约束准出检查（不通过不许把估值写进报告）：**\n\n```bash\npython3 tools/terminal_value.py audit \\\n  --currency {CNY|USD|HKD} --r {资本成本} --roic {稳态ROIC} \\\n  --g {悲观g},{基准g},{乐观g} --rf {无风险利率} --beta 1.0 \\\n  --discrete-risks \"{风险名}:{情景|尾部档|概率|未建模},...\"\n```\n\n三条检查的内容与打回条件：\n\n| # | 检查 | 打回条件 |\n|---|---|---|\n| **C1** | **r 与 g 必须同币种** | r 落在别的币种区间、或基准档 g 超过本币上限。工具会直接指出\"这是 USD 的量级——r 用了本币而 g 用了外币\" |\n| **C2** | **分母 r−g ≥ 5 个百分点** | 任一档不足 5pct。分母越窄 g 动一点点估值就翻天；分母 ≤0 直接判模型失效。确实要做上行/下行情景时加 `--upside-only` 显式声明，但报告里必须写明\"这是情景不是估值\" |\n| **C3** | **离散风险不得进 r 或 β** | 任一风险归属写成 `折现率`/`r`/`beta` 一律打回。退市、VIE 失效、地缘断供、监管重击必须归 `情景` 或 `尾部档`。β 偏离 1.0 必须给 `--beta-justification` |\n\n**C3 为什么是硬的**：抬 r 三个百分点，对第 10 年现金流的惩罚是第 1 年的 2.6 倍；而退市风险是大致均匀甚至前置的年度危害率。**用折现率处理离散风险，会系统性地把风险的时间分布搞反。** 正确做法是单列一个尾部情景档并给它一个概率。\n\n**C1/C2/C3 的完整论证见** `reports/7公司10年投资价值横评-确定性调整后回报-20260814.md` 第 3.4–3.6 节——三条都是那份报告实际踩过的坑。\n\n**Step 3 — 出数（准出后才能跑）：**\n\n```bash\n# 单点退出 PE，打印完整算式（留存率/分子/分母全部展开，便于报告引用）\npython3 tools/terminal_value.py pe --roic {ROIC} --g {g} --r {r}\n\n# 从零算 IRR\npython3 tools/terminal_value.py irr \\\n  --profit {终值年利润} --mcap {今日市值} --pe {退出PE} \\\n  --years 10 --payout {股息率-稀释率}\n```\n\n多公司横评时把参数写成 JSON 传 `--config`，再用 `table` / `sweep` / `check`。\n\n**Step 4 — 报告里必须写出的五件事：**\n\n1. **r 取值、币种、以及配对的 g 上限**。不写明 r 就报 IRR，报的是自己的偏好。\n2. **r±2pp 敏感性与结论是否翻转（硬约束，写买入/持有/回避之前必须跑）**：\n   ```bash\n   # 内置预设公司（腾讯/阿里巴巴/拼多多/贵州茅台/泡泡玛特/美团/MiniMax）\n   python3 tools/terminal_value.py flip \\\n     --name {预设公司名} --r {基准r} --delta 0.02 \\\n     --currency {CNY|USD|HKD} --g-shift {币种平移} --rf {无风险利率}\n\n   # 新公司：内联参数（字段含义同下方 --config）\n   python3 tools/terminal_value.py flip \\\n     --name {公司名} --roic {稳态ROIC} --g {悲观g},{基准g},{乐观g} \\\n     --p {悲观概率},{基准概率},{乐观概率} --irr10={悲观},{基准},{乐观} --k {股息率-稀释率} \\\n     --r {基准r} --delta 0.02 --currency {CNY|USD|HKD} --g-shift {币种平移} --rf {无风险利率}\n\n   # 新公司：或写成 JSON 传 --config（多家公司可写在同一文件，--name 取其中的键）\n   python3 tools/terminal_value.py flip --config {配置.json} --name {公司名} \\\n     --r {基准r} --delta 0.02 --currency {CNY|USD|HKD} --g-shift {币种平移} --rf {无风险利率}\n   ```\n   `--config` 文件格式（与内置预设字段一致，`k` 可省略，默认 0）：\n   ```json\n   {\n     \"某公司\": {\n       \"roic\": 0.18,\n       \"g\": [0.015, 0.030, 0.040],\n       \"p\": [0.35, 0.50, 0.15],\n       \"irr10\": [-2.0, 8.0, 14.0],\n       \"k\": 0.01\n     }\n   }\n   ```\n   | 字段 | 含义 |\n   |---|---|\n   | `roic` | 2036 稳态增量 ROIC（Step 1 的判断值），小数 |\n   | `g` | 悲观/基准/乐观三档永续增速（平移前的原始口径），小数；币种换算用 `--g-shift` 显式表达 |\n   | `p` | 三档概率，和为 1 |\n   | `irr10` | 在 r=10%、原始 g 下三档的十年 IRR（百分数，如 8.0 表示 8%），是换算其他 r 的锚点；用 Step 3 的 `pe` + `irr` 按 r=10% 逐档算出。内联时用等号写法 `--irr10=-2,8,14`（首项为负时必须） |\n   | `k` | 股息率 − 稀释率，年化小数 |\n\n   - **`--currency` 必填**，与 Step 2 audit 用同一币种。工具按 `CURRENCY_BANDS`（人民币 6%–9%，美元/港元 9%–11.5%，同 audit C1）判定每一档：**区间外的档位标\"区间外，仅供参考\"，不参与翻转判定**；基准 r 本身在区间外直接【打回】。\n   - 必须同时报告 `r−2pp` / `r` / `r+2pp` 三档的期望 IRR，以及每一档相对\"期望 IRR ≥ r\"（覆盖资本成本）是否通过压力测试；区间外档位照抄\"仅供参考\"标注，**不得**用区间外档位的\"通过\"论证买入。\n   - **必须显式写出：结论是否在币种合理区间内随 Δr 翻转。** 若 ±2pp 两侧都落在区间外（工具会提示\"区间内只有基准一档参与判定\"），再用 `--delta 0.01` 在区间内复核一次，两次结果都写进报告。若翻转，报告须标明\"本结论对折现率敏感，仓位建议须降级；不得把单一基准 r 下的未通过当作买入否决\"。\n   - 多公司横评时，另用 `sweep` 检验排序稳定性；绝对数字受 r 支配，排序才是稳健结论。\n3. **每一档的 r−g 分母宽度**，凡低于 5pct 的必须标注\"仅作情景参考\"。\n4. **未建模的离散风险清单**（audit 里标 `未建模` 的），写进\"限制\"章节。\n5. **分歧对账块（Reconciliation，条件强制）**：当十年压力测试结论（期望 IRR 相对 r）与三年三情景的\"贵不贵\"、或与仓库内既有 thesis / 本报告前六步综合倾向**方向不一致**时，报告**必须**单独开一节「估值分歧对账」，写清：\n   - 分歧双方各依据什么（三年安全边际 vs 十年 r 下 IRR）；\n   - 哪一边是**定价判断**、哪一边是**仓位压力测试**；\n   - 最终买/持/回避如何综合六个维度得出，**禁止**用十年未覆盖 r 一票否决其他维度与 thesis 证据；\n   - 若选择维持买入/持有，须说明仓位上限如何被十年压力测试收紧（而非假装十年模型不存在）。\n\n**巴菲特式追问**：这个 r 如果错 2 个百分点，我的结论会翻转吗？如果会，我的结论买的是公司还是折现率？（用 `flip` 的输出直接回答，禁止口头带过。）\n\n**段永平式追问**：如果股市明天关闭5年，你愿意以这个价格持有吗？\n\n### 第八步：综合决策备忘录\n\n汇总表格（**六个维度并列**；估值一格须同时反映三年\"贵不贵\"与十年仓位压力测试，**禁止**只填十年 IRR 相对 r 的通过/未通过）：\n\n| 维度 | 结论 | 信心度 |\n|------|------|--------|\n| 生意质量（段永平） | | |\n| 护城河（巴菲特） | | |\n| 管理层（段永平+巴菲特） | | |\n| 最大风险（芒格） | | |\n| 文明趋势（李录） | | |\n| 估值（巴菲特+段永平） | 三年：… / 十年压力测试：…（附 flip 是否翻转） | |\n\n**估值解除语（硬约束）**：上表估值维度**不是**最终决策的唯一裁决。十年折现未覆盖 r，只能下调仓位建议，不得单独把空仓者/持仓者策略改成\"回避/观望\"。若十年结论与三年/thesis 分歧，必须已完成第七步的「估值分歧对账」块。\n\n最终决策表格：\n\n| 策略 | 建议 |\n|------|------|\n| 空仓者 | |\n| 持仓者 | |\n| 卖出信号 | |\n| 加仓信号 | |\n\n#### 四位大师模拟点评（硬约束：先读原文，禁止发明引语）\n\n写巴菲特 / 芒格 / 段永平 / 李录的模拟点评之前，**必须**对每位大师执行：\n\n1. **Read 原始出处**：优先读本仓库内与该公司相关的一手材料（如 `reports/.../段永平雪球发言-*.md`、大师公开信/演讲摘录、已引用的权威转载）；若仓库无存档，用公开可核验来源（雪球原文、股东信、访谈实录）并在点评下标注 URL 或文件路径。\n2. **引用原话**：每位至少给出 **1 条可核验原话**（短引 + 出处），模拟点评只能是对该原话立场的延伸，不得换成相反立场。\n3. **禁止发明引语**：不得捏造大师未说过的句子，不得用大师名字给与其公开立场相反的结论背书。\n4. **冲突处理**：若模拟点评为迎合本报告\"观望/回避\"而写出的立场，与已 Read 到的原话**相反**，必须二选一——**(a)** 改正点评使其与原话一致，或 **(b)** 在报告中显式标注「与大师公开立场冲突：原话=…；本报告估值压力测试=…」，**禁止**静默歪曲。\n5. **读不到就不代言**：若某位大师对该公司/该议题无足够原文可 Read，写「资料不足，不模拟代言」，不得凭训练语料编一段\"听起来像\"的点评。\n\n## 输出要求\n\n1. 所有分析必须有数据支撑，附数据来源\n2. 使用 Markdown 表格呈现关键数据\n3. 每个模块末尾必须有对应大师的\"追问\"\n4. 最终将完整报告写入 `~/[公司名]投资研究报告.md`\n5. 结论要明确，不回避给出买入/观望/回避的建议\n6. 估值部分必须给出具体的价格区间\n7. **报告开头**必须包含\"信息丰富度评级\"（A/B/C）和\"AI研究局限性声明\"\n8. **报告结尾**必须区分\"AI分析置信度\"与\"投资确定性\"——前者取决于资料量，后者取决于生意本质。明确告知读者：本报告的哪些结论基于充分数据，哪些基于有限信息的推理\n9. 如果公司属于C级（信息稀缺），报告末尾必须列出\"需要一手验证的问题清单\"——建议读者通过田野调查、产品体验、供应链访谈等方式补充AI的盲区\n\n## 数据抽检（准出流程）\n\n报告写入文件后，**必须**执行数据抽检，通过后方可发布：\n\n**Step 1 — 提取抽检清单（15%随机抽样）：**\n```bash\npython3 tools/report_audit.py extract \\\n  --report <报告文件路径>\n```\n输出 JSON 模板，每项含 `fetched_value`（待填）。\n\n**Step 2 — 取数核验：**\n对清单中每个数据点，按 `skills/financial-data.md` 规范从可靠信源取数\n（美股：macrotrends+stockanalysis；港股：aastocks+macrotrends；A股：东方财富+巨潮资讯），\n填入 `fetched_value` / `fetched_source` / `fetched_value2` / `fetched_source2`。\n\n**Step 3 — 输出判决：**\n```bash\npython3 tools/report_audit.py verdict \\\n  --results '<填好的JSON>' \\\n  --report <报告文件名>\n```\n\n- **【准出】**：所有抽检点偏差 ≤ 1% → 报告可发布\n- **【打回】**：任意点偏差 > 1% → 修正对应数据后重新抽检，直到准出\n\n**Step 4 — 估值口径复检（含十年折现估值的报告必须执行）：**\n\n如果报告里出现了十年期 IRR 或终值倍数，把最终定稿用的参数再跑一遍 audit，确认写进报告的数字与准出时的一致：\n\n```bash\npython3 tools/terminal_value.py audit \\\n  --currency {币种} --r {r} --roic {ROIC} --g {三档g} --rf {无风险利率} \\\n  --beta {β} --discrete-risks \"{风险归属清单}\"\n```\n\n- **【准出】**（退出码 0）→ 报告可发布\n- **【打回】**（退出码 1）→ 修正后重跑，直到准出\n\n**这一步不能跳过的原因**：第七步的 audit 是在算数之前做的，而写报告的过程中经常会回头调 g 或 r。**准出前的最后一次 audit 才是对报告负责的那一次。**\n\n<!-- File: codex-skills/investment-team/SKILL.md (Tokens: ~4506 | Category: anthropic-skill) -->\n---\nname: investment-team\ndescription: \"AI Berkshire skill: 投研团队：四角色并行分析框架. Source: skills/investment-team.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/investment-team.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 投研团队：四角色并行分析框架\n\n对 $ARGUMENTS 进行团队化投资研究分析。使用 Team 工具创建真正的多Agent并行研究团队。\n\n## 执行流程\n\n### 第一步：展示团队框架\n\n向用户展示以下团队结构，确认后启动：\n\n| 角色 | 职责 | 分析框架 |\n|------|------|----------|\n| **team-lead**（你自己） | 统筹协调、汇总研判、输出最终报告 | 四大师综合框架 |\n| **business-analyst** | 商业模式 & 护城河分析 | 段永平视角 |\n| **financial-analyst** | 财务报表 & 估值分析 | 巴菲特视角 |\n| **industry-researcher** | 行业格局 & 竞争态势 | 芒格视角 |\n| **risk-assessor** | 风险评估 & 管理层研判 | 李录视角 |\n\n### 第一步半：AI研究偏见评估\n\n在创建团队前，先向用户展示该公司的\"AI可研究性\"评估：\n\n**信息丰富度评级**（决定研究策略）：\n| 等级 | 特征 | 研究策略调整 |\n|------|------|------------|\n| A级（信息充裕） | 上市多年、券商覆盖广 | 团队重点放在**反面检验**和**非共识视角**，避免输出与市场一致的\"正确的废话\" |\n| B级（信息适中） | 上市不久、覆盖有限 | 每个Agent的推算数据必须标注置信度，team-lead汇总时标注\"数据充分度\" |\n| C级（信息稀缺） | 冷门/新上市/新兴市场 | 团队转为\"第一性原理模式\"：不追求报告完整性，聚焦商业本质的几个核心问题 |\n\n**关键提醒**：资料多≠确定性高，资料少≠确定性低。AI能输出的置信度 ≠ 投资的真实确定性。确定性来自商业模式本身，不来自资料数量。\n\n将评级结果告知每个Agent，影响其研究方式。\n\n### 第一步¾：WebSearch 权限预检（关键 · 避免 Agent 静默退化）\n\n在创建团队、启动任何后台 Agent **之前**，必须先确认 WebSearch 权限已放行。\n\n**为什么必须预检**：本 skill 用 `run_in_background: true` 启动 4 个后台子 Agent，而**后台 Agent 无法向用户弹出交互式权限确认**。若 `WebSearch` 未在 `.claude/settings.local.json` 的 `permissions.allow` 白名单中，子 Agent 的联网搜索会被**静默拦截**，导致其退化为仅凭训练知识（有知识截止日期）作答，却仍按框架输出一份\"看起来完整、实则未联网\"的伪研究——这是本 skill 最危险的失败模式（见 issue #58）。\n\n**预检步骤**：\n1. 用 Bash 检查白名单是否含 WebSearch：\n   ```bash\n   grep -l '\"WebSearch\"' .claude/settings.local.json ~/.claude/settings.local.json 2>/dev/null\n   ```\n2. 若两处都未命中（即未放行）→ **停下来，不要启动 Agent**，提示用户：\n   > ⚠️ 检测到 WebSearch 未在权限白名单中。后台研究 Agent 无法联网，会退化成仅凭训练知识作答。请先在 `.claude/settings.local.json` 的 `permissions.allow` 加入 `\"WebSearch\"`（或运行 `/permissions` 勾选），再重跑本命令。\n3. 命中 → 正常继续。\n\n### 第二步：创建团队\n\n使用 TeamCreate 创建团队：\n- team_name: `{公司名}-research`（英文小写，如 `meituan-research`）\n- agent_type: `team-lead`\n\n### 第三步：创建4个任务\n\n使用 TaskCreate 创建以下4个任务（每个都要有 subject、description、activeForm）：\n\n#### 任务1：商业模式分析\n- subject: `分析{公司名}商业模式、护城河与用户价值`\n- description 包含：\n  1. 商业模式本质：核心生意定义、收入结构拆解\n  2. 平台/产品飞轮效应如何运转\n  3. 护城河分析：品牌/转换成本/网络效应/规模效应/技术壁垒，逐一验证\n  4. 用户/客户价值：为各方创造了什么独特价值\n  5. 业务矩阵与协同效应\n  6. 段永平\"好生意\"标准评估：差异化、定价权、可持续竞争优势\n  7. 要求搜索最新财报、行业报告等公开信息\n\n#### 任务2：财务与估值分析\n- subject: `分析{公司名}财务数据、盈利能力与估值`\n- description 包含：\n  1. 近3-5年营收、净利润、经营利润趋势\n  2. 盈利能力指标：ROE、ROA、毛利率、经营利润率\n  3. 现金流分析：经营性现金流、自由现金流、资本开支\n  4. 资产负债表健康度：现金储备、负债率、流动性\n  5. 估值分析：PE/PS/PB/EV等，与历史及同业对比\n  6. 安全边际评估：内在价值 vs 当前股价\n  7. **金融严谨性验证（必须使用Bash调用工具，禁止心算）**：\n     - 市值验算：`python3 tools/financial_rigor.py verify-market-cap --price {价格} --shares {股本} --reported {报告市值} --currency {币种}`\n     - 估值验算：`python3 tools/financial_rigor.py verify-valuation --price {价格} --eps {EPS} --bvps {每股净资产}`\n     - 关键数据交叉验证：`python3 tools/financial_rigor.py cross-validate --field {字段} --values '{JSON}' --unit {单位}`\n     - 三情景估值：`python3 tools/financial_rigor.py three-scenario --price {价格} --eps {EPS} --shares {股本亿} --growth {乐观} {中性} {悲观} --pe {乐观PE} {中性PE} {悲观PE}`\n     - 将工具输出结果直接嵌入报告中作为验证记录\n\n#### 任务3：行业与竞争分析\n- subject: `分析{行业}行业格局与{公司名}竞争态势`\n- description 包含：\n  1. 行业规模与增长：市场规模、增速、渗透率\n  2. 竞争格局：主要对手市场份额、竞争策略对比\n  3. 核心竞争者威胁评估：逐个分析主要竞争对手\n  4. 各细分赛道格局\n  5. 行业趋势：技术变革、政策影响、新进入者\n  6. 产业链分析：上中下游价值分配\n  7. 要求搜索最新行业数据和竞争动态\n\n#### 任务4：风险与管理层评估\n- subject: `评估{公司名}投资风险与管理层质量`\n- description 包含：\n  1. 管理层评估：CEO能力圈、诚信度、战略眼光、资本配置能力、历史决策质量\n  2. 监管风险：当前及潜在监管影响\n  3. 竞争风险：各竞争对手威胁程度评估\n  4. 业务风险：新业务亏损、扩张不确定性\n  5. 宏观风险：经济周期、行业周期影响\n  6. 治理结构：股权结构、关联交易、股东回报政策\n  7. 长期确定性：10年后公司会怎样？什么可能颠覆其商业模式？\n  8. 要求搜索最新监管动态、管理层言论等\n\n### 第四步：启动4个并行Agent\n\n使用 Task 工具同时启动4个Agent（**必须在同一条消息中并行调用**）：\n\n每个Agent的配置：\n- `subagent_type`: `general-purpose`\n- `run_in_background`: `true`\n- `team_name`: 对应团队名\n- `name`: 对应角色名（business-analyst / financial-analyst / industry-researcher / risk-assessor）\n\n每个Agent的prompt模板：\n\n```\n你是{公司名}投研团队中的\"{角色中文名}\"，负责从{大师名}投资视角分析{公司名}。\n\n请完成任务 #{任务编号}：{任务subject}\n\n具体要求：\n{任务description的内容}\n\n**研究方法**：\n- 使用 WebSearch 搜索最新公开信息（财报、行业报告、新闻）\n- **财务数据必须来自两个独立来源**，按 `skills/financial-data.md` 规范执行（美股：macrotrends+stockanalysis；港股：aastocks+macrotrends；A股：东方财富+巨潮资讯；台股：FinMind `tools/twstock_data.py`+Goodinfo），两源误差>1%须标记\n- 确保数据准确，关键数据标注来源\n- 分析要深入，不流于表面\n- **联网失败禁止伪装**：若 WebSearch 被拦截/不可用，禁止用训练知识冒充联网结果。必须在报告顶部醒目标注「⚠️ 本报告未能联网，基于训练知识（截止日期 X），置信度降级」，并如实告知 team-lead，由其决定是否中止研究\n\n**输出要求**：\n- 报告要详尽，使用Markdown表格呈现关键数据\n- 每个分析维度要有明确结论和评分\n- 报告末尾要有该维度的总体结论\n\n**完成后**：\n1. 使用 TaskUpdate 将任务 #{任务编号} 标记为 completed\n2. 通过 SendMessage 把完整分析报告发送给 team-lead（type: \"message\", recipient: \"team-lead\"）\n```\n\n### 第五步：接收报告并跟踪进度\n\n- 向用户实时展示进度表（哪些Agent已完成、哪些仍在研究中）\n- 每收到一份报告，更新进度并展示该报告的核心要点（3-5条）\n- 等待全部4份报告到齐\n\n### 第六步：关闭团队成员\n\n全部报告收到后，向4个Agent发送 shutdown_request（使用 SendMessage，type: \"shutdown_request\"）。\n\n### 第七步：汇总最终报告\n\n综合4份分析报告，输出以下结构的最终报告：\n\n---\n\n#### 1. 一句话结论\n> 用一段话（50-100字）概括是否值得投资及核心逻辑\n\n#### 2. 四维评分总表\n| 维度 | 框架 | 评分(1-5星) | 核心判断 |\n|------|------|------------|----------|\n\n综合评分：X / 5\n\n#### 3. 核心数据速览\n关键财务和经营指标表格（近2年对比）\n\n#### 4. 各维度分析摘要\n每个维度摘取3-5条最重要的发现\n\n#### 5. 投资论点（Bull vs Bear）\n- 🟢 看多逻辑（5-7条）\n- 🔴 看空逻辑（5-7条）\n\n#### 6. 巴菲特买入前Checklist\n| # | 检查项 | 通过? | 说明 |\n10个核心检查项，逐一评估\n\n#### 7. 最终投资建议\n- 定性判断表（生意质量/管理层/估值/时机）\n- 分层操作建议表（激进型/稳健型/保守型 → 建议+价格区间）\n- 关键催化剂（加仓信号/减仓信号各3-5条）\n\n#### 8. 总结段落\n100-200字的最终总结\n\n---\n\n### 第八步：保存报告\n\n将完整最终报告写入 `~/{公司名}投资研究报告_{日期}.md`（日期格式 YYYYMMDD）。\n\n### 第九步：数据抽检（准出流程）\n\n```bash\n# Step 1 — 提取抽检清单（15%随机抽样）\npython3 tools/report_audit.py extract \\\n  --report <报告文件路径>\n\n# Step 2 — 对清单每项从可靠信源取数（参见 skills/financial-data.md）\n\n# Step 3 — 输出准出/打回判决\npython3 tools/report_audit.py verdict \\\n  --results '<填好的JSON>' \\\n  --report <报告文件名>\n```\n\n**【准出】** 全部通过 → 报告可发布；**【打回】** 有不通过 → 修正后重审。\n\n### 第十步：清理团队\n\n使用 TeamDelete 清理团队资源。\n\n## 重要注意事项\n\n1. **4个Agent必须并行启动**——在同一条消息中调用4次Task工具\n2. **Agent通过SendMessage汇报**——不是文件协作，是消息通信\n3. **数据准确性**——要求Agent使用WebSearch搜索最新数据，关键数据交叉验证\n4. **结论要明确**——不回避给出买入/观望/回避建议和具体价格区间\n5. **所有分析必须有数据支撑**——附数据来源\n6. **耐心等待**——4个Agent研究需要几分钟，实时向用户更新进度\n7. **反偏见意识**——team-lead在汇总时必须评估：各Agent的分析是否受限于资料充裕度？是否与市场共识过度趋同？最终报告需包含\"信息丰富度评级\"和\"AI研究局限性声明\"\n8. **信息稀缺时的诚实原则**——宁可在报告中留白标注\"数据不足\"，也不要用推测填满框架伪装确定性\n\n<!-- File: codex-skills/management-deep-dive/SKILL.md (Tokens: ~4413 | Category: anthropic-skill) -->\n---\nname: management-deep-dive\ndescription: \"AI Berkshire skill: 管理层纵深研究：买股票就是买人. Source: skills/management-deep-dive.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/management-deep-dive.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 管理层纵深研究：买股票就是买人\n\n对 $ARGUMENTS 进行管理层深度研究。\n\n**支持输入格式**：`公司名` 或 `人名 公司名`，例如：`美团`、`王兴 美团`、`黄仁勋 英伟达`\n\n> \"买股票就是买人。找到你信任的人，然后长期持有。\" —— 段永平\n>\n> \"评估管理层，要看他们在没人看着的时候做什么。\" —— 巴菲特\n\n## 设计理念\n\n大多数投资分析对管理层的评估停留在表面：履历、持股比例、薪酬。但巴菲特花大量时间**和管理层吃饭聊天**，李录说**他投资的本质是投人**，段永平说**买股票就是买人**。\n\n本Skill是 `/investment-research` 第五步管理层评估的**深化版**。当标准投资研究中管理层评分不确定（★★★或以下）、或管理层是核心投资逻辑时，使用本Skill做纵深研究。\n\nAI无法和管理层吃饭，但可以通过公开信息做到：\n- **追踪管理层的话与做是否一致**（承诺vs兑现）\n- **分析每一笔重大资本配置决策的回报**\n- **从困难时期的决策中推断品格**\n- **通过员工/商家/客户的反馈侧面验证**\n\n## 执行流程\n\n### 第一步：识别关键管理层并启动并行数据收集\n\n使用 WebSearch 确认以下关键人物：\n\n| 角色 | 姓名 | 任期 | 背景 | 持股/期权 |\n|------|------|------|------|----------|\n| CEO/董事长 | | | | |\n| CFO | | | | |\n| 创始人（如不在位） | | | | |\n| 实际控制人（如不同于CEO） | | | | |\n| 其他关键高管 | | | | |\n\n**注意**：区分\"谁在做决策\"和\"谁的名字在头衔上\"。有些公司创始人虽然卸任但仍是灵魂人物（如黄峥之于拼多多）。\n\n确认关键人物后，使用 Task 工具启动多个后台 Agent **并行**收集以下数据：\n1. Agent 1：CEO公开发言与预测记录（股东信、电话会、采访、社交媒体）\n2. Agent 2：资本配置决策记录（并购、回购、分红、新业务投资）\n3. Agent 3：治理结构与薪酬（股权结构、关联交易、高管薪酬）\n4. Agent 4：侧面验证信息（员工评价、客户反馈、行业口碑）\n\n### 第二步：CEO能力圈评估\n\n#### 2.1 战略眼光\n\n搜索CEO过去5年的公开发言（股东信、电话会、采访、社交媒体），提取其对以下问题的判断：\n\n| 时间 | CEO的判断/预测 | 实际结果 | 准确度 |\n|------|--------------|---------|:------:|\n| | \"我们认为X市场会...\" | X市场实际... | ✅/❌ |\n| | \"未来3年我们的重点是...\" | 实际执行... | ✅/❌ |\n\n**关键问题**：\n- CEO有没有做过超前于市场的正确判断？\n- CEO有没有在大家都看好的时候保持冷静？\n- CEO对行业趋势的理解是跟随市场还是独立思考？\n\n#### 2.2 执行能力\n\n| 维度 | 评估 | 证据 |\n|------|------|------|\n| 战略到落地 | 说了的事做到了吗？ | |\n| 组织能力 | 能不能吸引和留住人才？ | |\n| 危机处理 | 遇到困难时怎么应对？ | |\n| 迭代速度 | 犯错后纠正的速度快吗？ | |\n\n### 第三步：诚信度评估（最重要）\n\n**巴菲特**：\"我们寻找三种品质：正直、智慧和精力。如果没有第一种，后两种会害死你。\"\n\n#### 3.1 承诺vs兑现追踪\n\n从过去3年的财报电话会、股东信、公开采访中，提取管理层做过的**具体承诺**：\n\n| # | 时间 | 承诺内容 | 承诺场合 | 兑现情况 | 评价 |\n|---|------|---------|---------|---------|------|\n| 1 | | \"我们将在2025年实现X业务盈利\" | 2024年报电话会 | | ✅/⚠️/❌ |\n| 2 | | \"我们计划回购$X亿\" | 2024年股东信 | | ✅/⚠️/❌ |\n\n**兑现率统计**：\n\n| 承诺兑现率 | 评价 |\n|:---------:|------|\n| >80% | 优秀——说到做到 |\n| 60-80% | 合格——大方向对但执行有偏差 |\n| 40-60% | 令人担忧——承诺过多交付不足 |\n| <40% | 严重问题——不可信赖 |\n\n#### 3.2 困难时期的表现\n\n搜索公司历史上遭遇的重大危机/困难（股价暴跌、业绩miss、监管冲击、竞争加剧），分析管理层的应对：\n\n| 危机事件 | 时间 | 管理层反应 | 事后回看的评价 |\n|---------|------|-----------|-------------|\n\n**关注**：\n- 是主动沟通还是躲避？\n- 是归因内部还是甩锅外部？\n- 是趁机做困难但正确的事，还是选择短期讨好市场？\n\n#### 3.3 对利益相关方的态度\n\n| 利益相关方 | 管理层态度 | 证据 | 评价 |\n|-----------|-----------|------|------|\n| 股东 | 尊重/忽视/利用 | | |\n| 员工 | 善待/压榨/漠视 | | |\n| 客户/用户 | 以客户为中心/短期榨取 | | |\n| 商家/供应商 | 公平合作/极端压价 | | |\n| 监管/社会 | 合规配合/打擦边球 | | |\n\n**李录**：\"对利益相关方的态度决定了企业的长期生命力。短期压榨能提升效率，但长期会损害生态。\"\n\n### 第四步：资本配置能力\n\n这是巴菲特最看重的管理层能力——**每赚一块钱，管理层能把它变成多少钱？**\n\n#### 4.1 资本配置决策记录\n\n搜索公司过去5年的重大资本配置决策，逐笔评估：\n\n**并购记录**：\n\n| 时间 | 收购标的 | 金额 | 战略逻辑 | 事后回报 | 评分(1-5) |\n|------|---------|------|---------|---------|:---------:|\n\n**回购记录**：\n\n使用 `tools/financial_rigor.py verify-valuation` 校验回购时和当前的PE等估值指标。\n\n| 时间 | 回购金额 | 平均回购价 | 当时PE | 事后回看 | 评分(1-5) |\n|------|---------|-----------|:------:|---------|:---------:|\n\n**分红记录**：\n\n| 年份 | 分红金额 | 分红率 | 同期FCF | 是否可持续 |\n|------|---------|:------:|---------|:---------:|\n\n**新业务投资**：\n\n| 时间 | 投资领域 | 累计投入 | 当前状态 | 回报评估 | 评分(1-5) |\n|------|---------|---------|---------|---------|:---------:|\n\n#### 4.2 资本配置评分\n\n| 维度 | 评分(1-5) | 说明 |\n|------|:---------:|------|\n| 并购纪律 | | 是否在合理价格收购？收购后整合如何？ |\n| 回购时机 | | 是否在低估时回购、高估时停止？ |\n| 分红合理性 | | 分红率是否与FCF匹配？ |\n| 新业务投资 | | 成功率如何？止损纪律如何？ |\n| 现金管理 | | 现金储备是否合理？是否囤积过多？ |\n| **综合评分** | | |\n\n**巴菲特标准**：理想的管理层在有好机会时果断投资，没有好机会时积极回购/分红，永远不做高价并购。\n\n### 第五步：治理结构评估\n\n#### 5.1 股权结构\n\n| 项目 | 详情 | 风险评估 |\n|------|------|---------|\n| 是否有AB股/超级投票权？ | | |\n| 创始人/实控人持股比例？ | | |\n| 是否有VIE结构？ | | |\n| 独立董事是否真正独立？ | | |\n| 大股东近期增减持记录？ | | |\n\n#### 5.2 薪酬合理性\n\n| 高管 | 年度总薪酬 | 占公司净利润比 | 与同行对比 | 是否合理 |\n|------|-----------|:------------:|:---------:|:-------:|\n\n**关注**：激励结构是否与长期股东利益一致？还是鼓励短期行为？\n\n#### 5.3 关联交易\n\n| 关联方 | 交易内容 | 金额 | 是否公允 | 风险评估 |\n|--------|---------|------|:-------:|---------|\n\n### 第六步：侧面验证\n\nAI无法和管理层面对面交流，但可以通过公开渠道的侧面信息验证。**注意**：以下信息取决于公开可搜索的内容，可能不完整，标注信息来源和可得性。\n\n#### 6.1 员工视角\n\n搜索 Glassdoor评分摘要、知乎讨论等**可公开搜索**的员工评价（脉脉等需登录的平台标注\"用户可自行补充\"）：\n\n| 维度 | 评分趋势 | 关键反馈 |\n|------|---------|---------|\n| 企业文化 | | |\n| 管理层评价 | | |\n| 工作强度 | | |\n| 薪酬满意度 | | |\n| 发展前景 | | |\n\n#### 6.2 客户/商家视角\n\n搜索App Store评分、消费者投诉、商家论坛：\n\n| 维度 | 评分/趋势 | 关键反馈 |\n|------|----------|---------|\n| 产品满意度 | | |\n| 客户服务 | | |\n| 商家/供应商关系 | | |\n\n#### 6.3 行业口碑\n\n搜索行业论坛、社交媒体，了解同行和业内人士对该管理层的评价。\n\n### 第七步：CEO离开后的情景分析\n\n**巴菲特**：\"好公司应该是傻瓜都能经营的——因为迟早会有傻瓜来经营。\"\n\n| 问题 | 回答 |\n|------|------|\n| 如果CEO明天离开，公司能正常运转吗？ | |\n| 现有管理团队的深度如何？有没有明确的继任者？ | |\n| 公司的竞争优势是依赖CEO个人，还是依赖组织/系统？ | |\n| 历史上的管理层交接是否顺利？ | |\n\n### 第八步：输出管理层评估报告\n\n#### 报告结构\n\n```\n一、关键人物速览（表格）\n二、诚信度评估\n   - 承诺兑现率\n   - 困难时期表现\n   - 对利益相关方态度\n三、能力评估\n   - 战略眼光（预判准确度）\n   - 执行能力\n   - 资本配置记录\n四、治理结构\n   - 股权结构风险\n   - 薪酬合理性\n   - 关联交易\n五、侧面验证\n   - 员工视角\n   - 客户/商家视角\n六、综合评分与结论\n```\n\n#### 综合评分\n\n| 维度 | 权重 | 评分(1-5) | 加权 |\n|------|:----:|:---------:|:----:|\n| 诚信度 | 35% | | |\n| 战略与执行能力 | 25% | | |\n| 资本配置能力 | 25% | | |\n| 治理结构 | 15% | | |\n| **综合评分** | 100% | | |\n\n#### 段永平的\"买人\"标准\n\n> 回答以下三个问题：\n> 1. **这个人是否正直？**（诚实、不占股东便宜）\n> 2. **这个人是否有能力？**（战略眼光+执行力+资本配置）\n> 3. **你愿意把钱交给这个人管10年吗？**\n>\n> 三个都是\"是\" = ★★★★★（5分）\n> 前两个是\"是\" = ★★★★（4分）\n> 只有第一个是\"是\" = ★★★（3分）\n> 第一个不是\"是\" = ★（1分，不投）\n\n### 第九步：保存报告\n\n将报告写入 `reports/{公司名}-management-{YYYYMMDD}.md`，例如 `reports/美团-management-20260409.md`\n\n---\n\n## 关键原则\n\n- **诚信是一票否决项** — 能力不足可以学习，品格有问题无法修复\n- **看行为不看言辞** — 管理层说什么不重要，做了什么才重要\n- **在困难中看真相** — 顺风时谁都是好CEO，逆风时才见真功夫\n- **资本配置是终极考试** — 赚钱容易，把赚到的钱配置好难\n- **不要爱上管理层** — 保持客观，即使是你欣赏的人也可能犯大错\n\n<!-- File: codex-skills/news-pulse/SKILL.md (Tokens: ~4980 | Category: anthropic-skill) -->\n---\nname: news-pulse\ndescription: 公司新闻脉搏：股价异动时快速归因。用 4 个并行 Agent 侦察公司事件/监管政策/行业对手/市场情绪，产出\"事件时间线 + 异动主因判断 + 是否触发论文重审\"。\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/news-pulse.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 公司新闻脉搏：股价异动快速归因团队\n\n对 $ARGUMENTS 进行最近新闻侦察与异动归因。**这不是深度投研，是情报快速响应**——目标是 10 分钟内回答：\"这家公司最近发生了什么？股价异动的真因是什么？要不要重审投资论文？\"\n\n## 适用场景\n\n- 持仓/关注股票股价大涨/大跌（一般触发线：单日 ±5%、一周 ±10%）\n- 财报后股价异动，想快速搞清市场在反应什么\n- 看到新闻标题，但不确定是噪音还是真信号\n- **不适用**：完整投研（用 `/investment-team`）、财报深读（用 `/earnings-review`）、长期论文跟踪（用 `/thesis-tracker`）\n\n## 执行流程\n\n### 第一步：确认参数与场景\n\n向用户澄清以下信息（如未在 $ARGUMENTS 中提供）：\n\n| 参数 | 说明 | 默认 |\n|------|------|------|\n| **公司名** | 中文/英文/股票代码均可 | 必填 |\n| **时间窗口** | 侦察新闻的回溯天数 | 默认 14 天，财报季可缩到 7 天 |\n| **股价异动** | 涨/跌幅度 + 时间，如\"跌 12%/3 天\" | 选填，有则用于聚焦归因 |\n| **关注侧重** | 公司事件 / 监管 / 行业 / 情绪 | 默认四方平均 |\n\n如果用户只说了公司名，先反问：\"最近多少天的新闻？有具体的股价异动要解释吗？\"——**不要默默假设**。\n\n### 第二步：信息可得性分级\n\n参考 `investment-team.md` 的 A/B/C 评级，但维度不同：\n\n| 等级 | 特征 | 侦察策略 |\n|------|------|---------|\n| **A 级（信息充裕）** | 大盘股、媒体覆盖广、财报季 | 重点是**降噪和归因**——信息太多反而难找真因，每个 Agent 要有判断力，过滤掉\"重复转述\"的二手新闻 |\n| **B 级（信息适中）** | 中小盘、覆盖一般 | 标准模式，每条关键事件附 1-2 个独立信源 |\n| **C 级（信息稀缺）** | 港股小票、新上市、冷门 | 转入\"扫盲模式\"——可能找不到任何能解释异动的新闻，**这个结论本身就有价值**（可能是技术性/资金面而非基本面） |\n\n将评级告知每个 Agent，影响其侦察方式。\n\n### 第三步：创建团队\n\n使用 TeamCreate 创建团队：\n- `team_name`: `{公司名}-newspulse`（英文小写，如 `pdd-newspulse`）\n- `agent_type`: `team-lead`\n\n### 第四步：创建 4 个侦察任务\n\n使用 TaskCreate 创建以下 4 个任务：\n\n#### 任务 1：公司事件侦察（company-event-scout）\n\n- **subject**: `侦察 {公司名} 近 {N} 天的公司本体事件`\n- **description**:\n  1. **官方公告**：港交所/SEC/巨潮 等监管披露平台最近披露\n  2. **财报与业绩指引**：最新季报/年报、业绩预告、业绩会要点\n  3. **管理层动作**：高管变动、增减持、回购、分红、股权激励\n  4. **重大业务事件**：新产品发布、并购重组、业务剥离、大客户/大订单\n  5. **资本运作**：再融资、可转债、ADR 转换、回 A/退市动议\n  6. **诉讼与合规**：被起诉、自行披露的合规事件\n  7. 每条事件标注：**日期 / 来源链接 / 一句话摘要 / 与股价异动可能相关性（高/中/低）**\n  8. 输出按时间倒序的时间线表格\n\n#### 任务 2：监管与政策（regulatory-watcher）\n\n- **subject**: `侦察 {行业/公司} 近 {N} 天的监管与政策变化`\n- **description**:\n  1. **行业监管**：所在行业的新规、罚款、整改、牌照变化\n  2. **跨境政策**：中美关系（中概股）、关税、出口管制、数据安全\n  3. **税收政策**：增值税、企业所得税、个税相关变化\n  4. **反垄断与竞争法**：调查、罚款、并购否决\n  5. **特殊行业政策**：医药集采、教育双减、地产三道红线、互联网平台规制等\n  6. **货币与外汇**：影响该公司的汇率/利率/资本管制变化\n  7. 每条政策标注：**日期 / 来源 / 直接影响该公司的程度（直接/间接/无关）**\n  8. 重点判断：是否有\"政策黑天鹅\"刚刚落地\n\n#### 任务 3：行业与竞争对手（industry-peer-analyst）\n\n- **subject**: `侦察 {公司名} 行业格局与对手近 {N} 天的动态`\n- **description**:\n  1. **直接对手**：列出 3-5 个核心竞争对手，逐个查最近事件（财报、产品、价格战、人事）\n  2. **产业链上下游**：上游原材料/供应商、下游客户/渠道，最近的价格、产能、订单变化\n  3. **行业整体**：行业景气度数据、出货量、需求侧信号（消费数据、招标数据等）\n  4. **替代品威胁**：新技术、新业态对该行业的冲击\n  5. **行业指数表现**：同行业股票最近表现，该公司是跑赢/跑输/同步\n  6. 关键判断：**这是公司个体事件，还是整个行业的 beta 波动？**\n  7. 每条事件标注来源和日期\n\n#### 任务 4：市场情绪与卖方/大V（sentiment-tracker）\n\n- **subject**: `侦察 {公司名} 近 {N} 天的市场情绪与机构观点变化`\n- **description**:\n  1. **卖方评级变动**：高盛、摩根、中金等最近的评级/目标价调整\n  2. **机构持仓变化**：13F 披露（美股）、港股通持仓、北上资金流向\n  3. **做空数据**：做空比例、新发布的做空报告（如有）\n  4. **大 V 观点**：可调用 `python3 tools/xueqiu_scraper.py` 抓段永平等大 V 最近相关发言\n     - 段永平 user_id: `1247347556`\n     - 命令示例：`python3 tools/xueqiu_scraper.py --user-id 1247347556 --keywords {公司名},{股票代码} --output /tmp/dyp-{公司名}.md`\n     - 仅在该公司是段永平/李录关注标的时调用，否则跳过节省时间\n  5. **传言与小作文**：媒体未证实的传言、社交媒体讨论热点（雪球/X/Reddit）\n  6. **技术面信号**：是否触及关键支撑/阻力、是否有大宗交易、融资融券异常\n  7. 关键判断：**是基本面驱动还是情绪/资金面驱动？**\n\n### 第五步：并行启动 4 个 Agent\n\n**必须在同一条消息中并行调用 4 次 Task 工具**。每个 Agent 配置：\n- `subagent_type`: `general-purpose`\n- `run_in_background`: `true`\n- `team_name`: `{公司名}-newspulse`\n- `name`: 对应角色名（company-event-scout / regulatory-watcher / industry-peer-analyst / sentiment-tracker）\n\n每个 Agent 的 prompt 模板：\n\n```\n你是 {公司名} 新闻脉搏团队中的\"{角色中文名}\"，负责侦察 {侦察维度} 维度的最近 {N} 天事件。\n\n时间窗口：{起始日期} ~ {今日日期}\n股价异动背景：{用户提供的异动信息，无则写\"无特定异动，常规体检\"}\n信息可得性等级：{A/B/C}\n\n请完成任务 #{任务编号}：{任务subject}\n\n具体侦察要求：\n{任务description的内容}\n\n**侦察方法**：\n- 优先使用 WebSearch 搜索时效性查询（关键词加日期或\"最近\"、\"latest\"、\"2026\"）\n- 关键事件用 WebFetch 精读原始来源（公告原文、财报、监管文件）\n- 对每个事件做\"独立信源验证\"——传言至少要 2 个独立来源\n- **不要被标题党误导**：标题与正文不符的事件要标注\"标题误导\"\n\n**输出格式（重要）**：\n1. **核心发现**：3-5 条最关键的事件，每条 1-2 句话\n2. **完整事件时间线表格**（按日期倒序）：\n   | 日期 | 事件 | 来源 | 与股价异动相关性 | 持续性 |\n3. **本维度归因结论**：基于侦察到的事件，回答\"这个维度能否解释股价异动？置信度多少？\"\n4. **数据缺口声明**：哪些信息没找到、哪些有疑点、哪些需要等更多信息\n5. 严格区分\"事实\"与\"推测\"，遵循 CLAUDE.md 客观性原则\n\n**完成后**：\n1. 使用 TaskUpdate 将任务标记为 completed\n2. 通过 SendMessage 把完整侦察报告发送给 team-lead（type: \"message\", recipient: \"team-lead\"）\n```\n\n### 第六步：实时跟踪进度\n\n- 每收到一份侦察报告，向用户展示该维度的 3 条核心发现\n- 等待全部 4 份到齐\n- 全部到齐后，通过 SendMessage 向 4 个 Agent 发送 shutdown_request\n\n### 第七步：team-lead 综合归因\n\n汇总 4 份侦察报告，输出**异动归因报告**（不是研究报告，重点是\"判断\"）：\n\n---\n\n#### 1. 一句话归因\n> 用一段话（30-60 字）说明：这次股价异动的主因 + 次因 + 性质判断（价值事件/情绪波动/不明）\n\n#### 2. 完整事件时间线（合并 4 个维度）\n\n按日期倒序，合并所有维度的事件：\n\n| 日期 | 维度 | 事件 | 来源 | 异动归因权重 |\n|------|------|------|------|-----------|\n| 2026-04-30 | 公司 | XX | 链接 | 🔴 高 |\n| 2026-04-29 | 行业 | XX | 链接 | 🟡 中 |\n| 2026-04-28 | 情绪 | XX | 链接 | ⚪ 低 |\n\n权重图例：🔴 高（足以单独解释异动）/ 🟡 中（贡献一部分）/ ⚪ 低（背景噪音）\n\n#### 3. 异动归因表\n\n| 候选解释 | 证据 | 反证 | 置信度 | 持续性 |\n|---------|------|------|------|--------|\n| 例：财报 miss | 营收低于预期 5%、毛利率下滑 | 一次性因素管理层有解释 | 高 | 短期 1-2 周 |\n| 例：行业 beta | 同行同期跌 8% | 该股跌幅明显大于行业 | 中 | 与行业同步 |\n\n#### 4. 性质判断（核心结论）\n\n打勾其一：\n\n- [ ] **价值事件**：基本面发生了真实变化（业绩、护城河、管理层、终局），需要重审投资论文\n- [ ] **情绪/技术波动**：基本面无变化，是资金面/情绪/Beta 驱动，可视为机会或噪音\n- [ ] **真因不明**：找不到能匹配股价异动幅度的事件——**这是最危险的结论**，要么是市场提前知道了什么（内幕/抢跑），要么是我们漏掉了信息源\n- [ ] **混合**：部分价值事件 + 部分情绪放大\n\n#### 5. 各维度侦察摘要\n\n每维度 3-5 条最重要发现 + 该维度归因贡献度。\n\n#### 6. 行动建议\n\n| 行动 | 是否建议 | 理由 |\n|------|--------|------|\n| 触发投资论文重审（`/thesis-tracker`） | | |\n| 触发深度财报研读（`/earnings-review`） | | |\n| 触发管理层重审（`/management-deep-dive`） | | |\n| 调仓动作（加仓/减仓/不动） | | 仅做提示，最终决策权在用户 |\n| 仅观察 | | |\n\n#### 7. 接下来 7-30 天的跟踪清单\n\n- [ ] 待披露事件 1（如：5/15 业绩会）\n- [ ] 待跟踪指标 2\n- [ ] 关键观察信号 3\n\n#### 8. 信息缺口声明\n\n诚实列出本次侦察没能解决的疑点、找不到的信息、需要等更多披露的事项。**宁可标\"不确定\"，也不用推测填满**。\n\n---\n\n### 第八步：保存报告\n\n写入 `reports/{公司名}/{公司名}-news-{YYYYMMDD}.md`。如果 `reports/{公司名}/` 目录不存在则创建（说明该公司还没建过任何研究报告）。\n\n### 第九步：清理团队\n\n使用 TeamDelete 清理团队资源。\n\n## 关键原则\n\n1. **快胜过全**——这个 skill 的核心价值是 10-15 分钟内给出归因判断，不要陷入深度分析（那是其他 skill 的职责）\n2. **归因优先于罗列**——发现事件不难，难的是判断\"哪个事件配得上这次股价异动\"。要做减法，不要做加法\n3. **诚实面对\"不明\"**——找不到主因时，明确写\"真因不明\"。这比硬凑因果链更有价值（市场可能在抢跑利空消息）\n4. **不预设立场**——不要因为持仓就倾向于\"这是情绪波动，没事\"。证据指向哪边就写哪边\n5. **区分\"催化剂\"和\"巧合\"**——同一时间发生的事件不一定是异动主因，要看影响量级是否匹配\n6. **尊重信息可得性**——C 级公司可能就是查不到任何新闻，这个结论本身就要写出来\n7. **遵循 `CLAUDE.md` 客观性原则**——所有判断附数据来源，区分事实与观点\n8. **不替用户做决策**——给出归因和行动建议清单，但买卖决策由用户做\n\n<!-- File: codex-skills/portfolio-review/SKILL.md (Tokens: ~3148 | Category: anthropic-skill) -->\n---\nname: portfolio-review\ndescription: \"AI Berkshire skill: 组合管理：从\\\"研究公司\\\"到\\\"管理组合\\\". Source: skills/portfolio-review.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/portfolio-review.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 组合管理：从\"研究公司\"到\"管理组合\"\n\n对 $ARGUMENTS 执行投资组合审视与优化。\n\n**支持输入格式**：\n- 持仓清单，例如：`腾讯30%, 美团20%, 茅台20%, 英伟达15%, 现金15%`\n- 或：`腾讯 500股 @480港元, 美团 1000股 @130港元, ...`\n- 或：`我的持仓`（如果已有保存的组合文件 `reports/portfolio-latest.md`）\n\n> \"分散投资是对无知的保护。如果你知道自己在做什么，分散投资就没有意义。\" —— 巴菲特\n>\n> \"我这辈子见过的真正好的投资机会，十个手指就数得完。\" —— 李录\n\n## 设计理念\n\n研究公司只是投资的一半。另一半是**组合层面的决策**：\n- 买多少？（仓位）\n- 用什么钱买？（资金来源——新钱还是换仓）\n- 和已有持仓是否冲突？（相关性）\n- 最优组合长什么样？（机会成本）\n\n巴菲特从不孤立地看一只股票——他总是在想\"这是不是我能做的最好的事？\"\n\n## 执行流程\n\n### 第一步：解析持仓\n\n从输入中解析出当前持仓，标准化为以下格式：\n\n| 标的 | 代码 | 持仓量 | 成本价 | 现价 | 市值 | 占比 | 盈亏 |\n|------|------|--------|-------|------|------|------|------|\n\n如果输入只有比例没有金额，按比例分析即可。\n\n同时检查是否存在已有的组合文件（`reports/portfolio-latest.md`），如有则读取并更新。\n\n### 第二步：获取最新数据\n\n使用 Task 工具启动后台 Agent，通过 WebSearch 为每个持仓并行获取：\n1. 当前股价和估值指标（PE、PB、股息率）\n2. 最近一个季度的关键财务变化\n3. 近期重大事件\n4. 分析师一致预期（前瞻PE、目标价）\n\n对每个持仓使用 `tools/financial_rigor.py verify-valuation` 校验估值数据。对每只持仓标注信息丰富度（A/B/C级），C级持仓的分析结论标注低置信度。\n\n### 第三步：单仓位体检\n\n对每个持仓进行快速健康检查：\n\n| 标的 | 当前PE | 买入逻辑是否变化 | 论文健康度 | 仓位建议 |\n|------|:------:|:--------------:|:---------:|---------|\n| 腾讯 | 18x | 未变化 | 8/10 | 合理 |\n| 美团 | 25x | 竞争加剧 | 6/10 | 偏高，考虑减仓 |\n\n对每个持仓回答：\n- [ ] **如果今天没有持仓，你还会在当前价格买入吗？**\n- [ ] **如果明天不能交易，持有5年你舒服吗？**\n- [ ] **买入论文还完整吗？**\n\n**段永平**：\"如果你不想持有一只股票10年，那就一天也不要持有。\"\n\n### 第四步：组合层面分析\n\n#### 4.1 集中度分析\n\n| 指标 | 当前值 | 建议范围 | 判断 |\n|------|-------|---------|------|\n| 第一大持仓占比 | | <40% | |\n| 前三大持仓占比 | | 50-80% | |\n| 总持仓数量 | | 5-15只 | |\n| 现金占比 | | 10-30%（视市场环境） | |\n\n**李录的标准**：3-5只核心持仓，前3占80%+。**但这要求每一只都研究透彻。**\n\n**巴菲特的标准**：核心持仓不超过10只，但允许更多卫星仓位。\n\n#### 4.2 相关性检查\n\n识别持仓之间的隐性关联：\n\n| 持仓A | 持仓B | 相关类型 | 风险 |\n|-------|-------|---------|------|\n| 腾讯 | 快手 | 同属中国互联网 | 监管风险共振 |\n| 英伟达 | 台积电 | AI供应链上下游 | AI Capex同向波动 |\n| 美团 | 拼多多 | 同属中国消费 | 宏观消费同向波动 |\n\n**检查清单**：\n- [ ] 是否有超过50%的仓位暴露在同一个主题/行业？\n- [ ] 是否有超过50%的仓位暴露在同一个国家/货币？\n- [ ] 如果中美关系恶化，组合会亏多少？\n- [ ] 如果全球经济衰退，组合会亏多少？\n\n#### 4.3 机会成本分析\n\n这是巴菲特最核心的思维方式——**每一块钱都应该放在回报最高的地方**。\n\n将所有持仓按\"预期年化回报\"排序：\n\n| 排名 | 标的 | 当前占比 | 预期年化回报 | 确定性 | 预期回报×确定性 |\n|:----:|------|:-------:|:----------:|:------:|:--------------:|\n| 1 | | | | | |\n| 2 | | | | | |\n| ... | | | | | |\n\n预期回报估算方法（使用 `tools/financial_rigor.py three-scenario` 计算）：\n- **简化公式**：预期年化 ≈ FCF Yield + 预期增速（主要方法）\n- **价值型验证**：安全边际回归 + 利润增速 + 股息率\n- **成长型验证**：利润增速 × 合理PE的变化\n\n**关键问题**：排名最后的持仓，预期回报是否高于现金（无风险利率~4%）？如果不是，应该卖出换成现金。\n\n#### 4.4 压力测试\n\n| 情景 | 假设 | 组合预计影响 | 最大回撤 |\n|------|------|-----------|---------|\n| 全球衰退 | 企业盈利下降20-30% | | |\n| 中美冲突升级 | 中概股折价50% | | |\n| 利率飙升 | 10年期国债→6% | | |\n| 科技泡沫破裂 | 科技股PE压缩40% | | |\n\n对每个情景做定性+粗估评估（基于各持仓的行业属性和历史估值波动范围）：\n- 哪些持仓受冲击最大？大致影响方向和量级范围\n- 组合整体是否能承受？\n- 是否需要对冲？\n\n### 第五步：优化建议\n\n#### 5.1 调仓建议\n\n基于以上分析，给出具体的调仓建议：\n\n| 动作 | 标的 | 当前占比 | 建议占比 | 理由 |\n|------|------|:-------:|:-------:|------|\n| 加仓 | | | | |\n| 减仓 | | | | |\n| 清仓 | | | | |\n| 新建仓 | | | | |\n| 不动 | | | | |\n\n#### 5.2 寻找替代标的\n\n如果组合中有\"不如现金\"的仓位，或者现金占比过高，建议使用 `/industry-research` 或 `/investment-checklist` 对感兴趣的行业/公司进行系统筛选，而非在本Skill内直接推荐个股。\n\n#### 5.3 现金管理\n\n| 当前现金占比 | 建议现金占比 | 理由 |\n|:----------:|:----------:|------|\n\n**巴菲特**：目前持有$3,820亿现金，占比超过总资产的25%——当找不到好机会时，现金是最好的仓位。\n\n### 第六步：输出组合报告\n\n#### 报告结构\n\n```\n一、组合概览（持仓表格+饼图描述）\n二、单仓位体检（每个持仓的健康状态）\n三、组合分析\n   - 集中度：是否过度分散/集中？\n   - 相关性：隐性关联和风险共振\n   - 机会成本：排名最低的仓位是否值得持有？\n   - 压力测试：极端情景下的回撤预估\n四、调仓建议（具体操作+理由）\n五、下次审视时间和关注重点\n```\n\n#### 结论必须明确回答\n\n1. **组合整体健康度**：优秀 / 良好 / 需要调整 / 问题严重\n2. **最应该做的一件事是什么？**（加仓X / 减仓Y / 不动）\n3. **当前最大风险是什么？**\n\n### 第七步：保存组合文件\n\n将组合信息写入 `reports/portfolio-latest.md`，包含：\n- 最新持仓表\n- 本次审视日期和结论\n- 调仓记录（追加）\n- 下次审视提醒\n\n---\n\n## 关键原则\n\n- **每一块钱都有机会成本** — 持有一只平庸的股票，成本是错过了一只优秀的\n- **集中不是风险，无知才是** — 持有3只你深度理解的股票，比持有30只你一知半解的安全\n- **现金是一种仓位** — 找不到好机会时，持有现金不丢人\n- **组合层面 > 个股层面** — 一只好股票在错误的仓位上也会拖累你\n- **定期审视，但不要过度交易** — 每季度审视一次足够，不要每天盯盘调仓\n\n<!-- File: codex-skills/private-company-research/SKILL.md (Tokens: ~18039 | Category: anthropic-skill) -->\n---\nname: private-company-research\ndescription: \"AI Berkshire skill: 未上市公司研究：多Agent并行深度研究框架. Source: skills/private-company-research.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/private-company-research.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 未上市公司研究：多Agent并行深度研究框架\n\n对 $ARGUMENTS 进行团队化深度研究分析。专为蚂蚁集团、小红书、SpaceX、Stripe 等未上市公司设计。\n\n**最终目标**：在信息天然稀缺的条件下，尽可能还原这家公司的**真实价值**——不是市场给的估值，而是生意本身值多少钱。\n\n## 框架特点\n\n未上市公司 vs 上市公司研究的核心差异：\n- **无标准化财报**：需多源拼凑、交叉验证\n- **估值锚定少**：依赖融资轮次、可比公司法、情景推演\n- **信息不对称大**：需要更多\"拼图式\"研究方法\n- **退出路径不确定**：IPO/并购/二级转让均有可能\n\n## AI研究偏见自觉（本框架的核心前提）\n\n未上市公司是AI研究偏见最严重的领域。必须时刻警惕以下陷阱：\n\n**核心矛盾**：AI擅长结构化已有信息，但未上市公司的信息天然稀缺。这会导致：\n1. **虚假保守**：因为资料少，AI倾向给出保守/模糊的结论，但资料少≠公司不好\n2. **虚假精确**：为了填满报告模板，AI可能用\"合理推测\"伪装成\"有据分析\"\n3. **对标陷阱**：强行与上市公司对标时，会继承上市公司的估值逻辑，忽略未上市公司的独特价值\n4. **幸存者偏差**：网上能搜到的公司信息往往有正面偏向（公司主动传播的多是好消息）\n\n**应对原则**：\n- 宁可留白说\"不知道\"，也不要用推测填满表格伪装确定性\n- 每个数据点必须标注置信度（🟢高/🟡中/🔴低），让读者自己判断\n- 区分\"可验证的事实\"与\"AI的推理\"，用不同格式标注\n- 对于信息极度稀缺的公司，切换为\"第一性原理模式\"——不追求报告完整，只回答几个核心问题：\n  1. 这门生意解决什么真实问题？需求是真需求还是伪需求？\n  2. 为什么是这个团队？他们有什么独特优势？\n  3. 如果成功了，天花板有多高？如果失败了，最可能死在哪里？\n  4. 当前阶段的关键验证节点是什么？\n\n**反向利用信息不对称**：市场对未上市公司信息少→定价效率低→恰恰可能是超额收益的来源。AI研究的目标不是消除信息不对称（做不到），而是在有限信息中提取最关键的判断依据。\n\n---\n\n## 执行流程\n\n### 第一步：展示团队框架\n\n向用户展示以下团队结构，确认后启动：\n\n| 角色 | 职责 | 核心视角 |\n|------|------|----------|\n| **team-lead**（你自己） | 统筹协调、信息拼图、交叉验证、输出最终报告 | 投资决策整合 |\n| **business-decoder** | 商业模式拆解 & 产品用户分析 | \"这门生意的本质是什么\" |\n| **financial-detective** | 财务数据拼凑 & 估值推演 | \"在信息缺失下尽可能还原真实财务面貌\" |\n| **competitive-mapper** | 行业格局 & 竞争态势 & 替代威胁 | \"谁在和它竞争，谁可能颠覆它\" |\n| **risk-governance-analyst** | 风险全景 & 管理层/治理/投资人评估 | \"什么可能出错，谁在掌舵\" |\n| **tech-ip-analyst** | 技术栈/专利/研发能力/技术护城河 | \"技术壁垒是真是假，能撑多久\" |\n| **signal-miner** | 替代数据挖掘：招聘/专利/诉讼/App数据/供应链 | \"常规信息之外，还有什么蛛丝马迹\" |\n\n### 第二步：创建团队\n\n使用 TeamCreate 创建团队：\n- team_name: `{公司名}-private-research`（英文小写，如 `ant-group-private-research`）\n- agent_type: `team-lead`\n\n### 第三步：创建6个任务\n\n使用 TaskCreate 创建以下6个任务（每个都要有 subject、description、activeForm）：\n\n---\n\n#### 任务1：商业模式与产品用户深度分析\n- subject: `拆解{公司名}商业模式、产品矩阵与用户生态`\n- activeForm: `分析{公司名}商业模式与用户生态`\n- description 包含：\n\n```\n## 商业模式深度拆解\n\n### 1. 核心生意定义\n- 用一句话定义这门生意的本质（段永平式定义：用最朴素的语言，把这门生意讲给一个聪明但不懂行的人听）\n- 公司解决什么问题？为谁创造价值？\n- 价值主张与同类产品的差异化\n- 这个问题如果公司不存在，用户会怎么解决？替代方案的代价有多高？\n- 需求的\"刚性\"判断：经济下行时用户会砍掉这个支出吗？\n\n### 2. 收入模式拆解\n- 收入构成：广告/佣金/订阅/交易抽成/金融服务/SaaS/硬件/授权费等\n- 各收入线占比（如有数据）及增长趋势\n- 变现效率指标推算：ARPU、Take Rate、广告加载率、转化率等\n- 收入质量评估：\n  - 经常性收入 vs 一次性收入的占比\n  - 收入集中度：前5大客户/渠道占比\n  - 收入的可预测性（合同型/订阅型 vs 交易型）\n  - 收入确认方式是否合理（有无提前确认收入的迹象）\n- 与同业上市公司变现效率对标\n\n### 3. 单位经济模型（UE）推算\n- CAC（获客成本）推算：\n  - 付费获客 vs 自然增长的占比\n  - 分渠道CAC（如有）\n  - CAC趋势：随规模增长是上升还是下降？\n- LTV（生命周期价值）推算：\n  - ARPU × 预期生命周期\n  - 考虑交叉销售和升级销售\n- LTV/CAC 比值、回本周期\n- 边际成本结构：新增用户/交易的边际成本趋势\n- 规模经济拐点：何时/是否已过盈亏平衡点\n\n### 4. 产品矩阵与飞轮效应\n- 核心产品 + 延伸产品 + 孵化产品\n- 飞轮如何运转：网络效应/数据飞轮/规模效应\n- 产品之间的协同效应与交叉导流\n- 产品生命周期：各产品分别处于哪个阶段\n- 产品迭代速度：App/产品更新频率、近12个月重大功能更新\n\n### 5. 商业模式画布（BMC）\n用以下9要素完整描述商业模式：\n| 要素 | 内容 |\n|------|------|\n| 价值主张 | |\n| 客户细分 | |\n| 渠道通路 | |\n| 客户关系 | |\n| 收入来源 | |\n| 核心资源 | |\n| 关键活动 | |\n| 重要伙伴 | |\n| 成本结构 | |\n\n### 6. 用户深度分析\n- 用户规模：MAU/DAU（从QuestMobile、Sensor Tower、SimilarWeb等推算）\n- 用户增长曲线：处于S曲线哪个阶段（用具体数据论证）\n- 用户粘性指标：\n  - DAU/MAU 比率（日活/月活比）\n  - 平均使用时长、打开频次\n  - 次日/7日/30日留存率（如有）\n  - 用户增长 vs 留存趋势对比（虚假增长识别）\n- 用户画像：年龄/地域/消费力/职业分布\n- 用户口碑：\n  - App Store/Google Play评分趋势（近12个月变化）\n  - 社交媒体舆情分析\n  - 知乎/微博/小红书上的用户真实反馈\n  - 负面评价的主要集中点\n- 用户获取效率：\n  - 付费获客 vs 自然增长 vs 口碑传播比例\n  - 是否依赖单一获客渠道\n\n### 7. 定价权评估\n- 过去3年是否有提价历史？提价后用户流失情况？\n- 与竞品的价格对比：是价格领导者还是跟随者？\n- 用户对价格的敏感度评估\n- 佣金/抽成比例在产业链中的合理性\n\n### 8. 护城河评估\n对以下6个维度逐一验证并打分(★1-5)：\n\n| 护城河类型 | 评分 | 证据 | 趋势 | 持久性评估 |\n|-----------|------|------|------|-----------|\n| 网络效应 | | 用户越多，价值越大？是单边还是双边/多边？ | 加宽/稳定/收窄 | |\n| 转换成本 | | 用户迁移到竞品的代价？数据/关系/习惯迁移成本？ | | |\n| 品牌心智 | | 品类=品牌？NPS推算？ | | |\n| 数据壁垒 | | 数据飞轮是否形成？独有数据资产？数据量级？ | | |\n| 监管牌照 | | 是否有准入门槛？牌照获取难度？ | | |\n| 规模经济 | | 规模带来的成本优势是否显著？ | | |\n\n综合护城河评级：宽/中/窄/无\n\n### 9. 国际化分析（如适用）\n- 海外市场拓展情况\n- 国际化收入占比\n- 本土化策略与挑战\n- 海外竞争格局差异\n```\n\n---\n\n#### 任务2：财务数据拼凑与估值推演\n- subject: `拼凑{公司名}财务数据并进行估值分析`\n- activeForm: `拼凑{公司名}财务数据与估值`\n- description 包含：\n\n```\n## 财务数据拼凑（侦探式研究）\n\n未上市公司没有标准财报，需要多源拼凑、交叉验证。每一个数据都要追溯到具体来源，标明时间和置信度。\n\n### 1. 数据来源矩阵\n**按优先级搜索以下来源**：\n\n| 优先级 | 来源类型 | 具体来源 | 可信度 | 搜索方法 |\n|--------|---------|---------|--------|---------|\n| 1 | 招股书/监管文件 | SEC Filing、港交所、证监会披露的招股书草案 | 🟢高 | 搜索\"公司名 + 招股书/prospectus/IPO filing\" |\n| 2 | 母公司/关联上市公司财报 | 如阿里年报中蚂蚁数据、Google Cloud年报 | 🟢高 | 搜索母公司年报中的关联披露 |\n| 3 | 监管处罚/合规披露 | 央行、证监会、市场监管总局处罚文件 | 🟢高 | 搜索\"公司名 + 处罚/罚款/整改\" |\n| 4 | 债券/ABS发行文件 | 如蚂蚁花呗ABS说明书中的底层数据 | 🟢高 | 搜索\"公司名 + 债券/ABS/信托\" |\n| 5 | 工商登记信息 | 天眼查/企查查的工商年报、实缴资本 | 🟡中高 | |\n| 6 | 融资新闻 | 估值、融资金额、投资方 | 🟡中 | 搜索\"公司名 + 融资/估值/valuation\" |\n| 7 | 第三方研报 | 券商、咨询公司、行业协会研报 | 🟡中 | 搜索\"公司名 + 研报/report\" |\n| 8 | 深度媒体报道 | 晚点LatePost、The Information、36氪、Bloomberg | 🟡中 | 直接搜索这些媒体+公司名 |\n| 9 | 行业数据推算 | 通过行业总量和市场份额反推 | 🔴低-中 | |\n| 10 | 前员工/内部人爆料 | Blind、脉脉、论坛 | 🔴低 | 仅作参考，不作为主要依据 |\n\n### 2. 关键财务指标推算\n尽可能推算以下数据，**每个数据点必须标明**：来源、时间、置信度、推算方法。\n\n**收入端**：\n- 总收入规模与增速（近3年，年度/季度颗粒度）\n- 收入结构拆解（按业务线/产品线）\n- 收入增长驱动因素分解：量（用户/交易量）× 价（ARPU/客单价）\n- 收入的季节性波动模式\n\n**成本端**：\n- 毛利率推算（对标同业上市公司，说明选取逻辑）\n- 研发费用率推算（通过员工数 × 人均薪酬，或研发人员占比推算）\n- 销售费用率推算（通过获客渠道和投放数据推算）\n- 管理费用率推算\n\n**利润端**：\n- 经营利润/EBITDA 推算\n- 净利润/调整后净利润推算\n- 盈利时间线：何时盈利？如果尚未盈利，预计何时？\n\n**现金流端**：\n- 经营现金流判断（正/负，是否自我造血）\n- 资本开支水平和趋势\n- 自由现金流推算\n- 账上现金/烧钱速度（通过融资金额、融资间隔、员工数推算）\n- 现金跑道：按当前烧钱速度还能撑多久？\n\n**效率指标**：\n- 员工数量与人效（人均收入、人均利润）\n- 资本效率：每融1元钱产生多少收入\n- 与同业上市公司效率指标对标\n\n### 3. 财务数据交叉验证\n- 同一指标如果有多个来源，全部列出并说明差异\n- 用不同方法推算同一指标，检查结果是否收敛\n- 标注无法验证的\"孤证\"数据\n\n| 指标 | 来源A（数据/时间） | 来源B（数据/时间） | 差异 | 采信判断 |\n|------|-------------------|-------------------|------|---------|\n\n### 4. 融资历史与估值演变\n整理完整融资时间线：\n\n| 轮次 | 时间 | 金额 | 投前估值 | 投后估值 | 领投方 | 跟投方 | 估值倍数增长 | 备注 |\n|------|------|------|---------|---------|--------|--------|------------|------|\n\n分析：\n- 估值增长曲线是否健康（每轮增长倍数是否合理）\n- 融资间隔是否合理（过于频繁=烧钱快？过于稀疏=融资困难？）\n- 是否出现估值倒挂（Down Round）\n- 老股东是否持续加注（信心信号）\n- 最新一轮的投资条款推测：\n  - 优先清算权（1x/2x/participating）\n  - 反稀释保护（full ratchet/weighted average）\n  - 对赌条款（业绩/上市时间）\n  - 这些条款对普通股价值的影响\n\n### 5. 估值分析（多方法交叉）\n\n**方法1：最近融资估值法**\n- 最近一轮估值及时间\n- 考虑优先清算权等条款后的\"普通股等价估值\"（通常需要打折20-40%）\n- 距今时间差异调整\n- 这一轮投资人的动机分析（财务投资 vs 战略投资，战略投资者可能溢价）\n\n**方法2：可比上市公司法**\n- 选择3-5家上市可比公司，说明选取理由\n- 关键倍数对比：\n\n| 可比公司 | P/S | P/E | EV/EBITDA | EV/Revenue | 增速 | 利润率 |\n|---------|-----|-----|-----------|------------|------|--------|\n\n- 应用的调整：\n  - 流动性折价：20-30%（标注具体取值和理由）\n  - 增速溢价/折价\n  - 规模折价\n  - 监管/政策风险折价\n\n**方法3：DCF 情景分析**\n三种情景，每种都要列出关键假设：\n\n| 假设 | 悲观 | 中性 | 乐观 |\n|------|------|------|------|\n| 未来5年收入CAGR | | | |\n| 终态经营利润率 | | | |\n| 终态增长率 | | | |\n| WACC | | | |\n| 终值倍数(EV/EBITDA) | | | |\n\n每个假设要有论据支撑，不能凭空假设。\n\n**方法4：终局市值倒推法**\n- 假设5年/10年后这门生意在终态时的市场地位\n- 终态收入和利润率假设\n- 终态合理倍数（参考同行业成熟公司）\n- 倒推当前合理估值区间\n- 隐含的年化回报率\n\n**方法5：交易对标法**\n- 同行业近2年的并购/融资交易\n- 交易倍数（P/S、P/E）\n- 交易背景和溢价/折价因素\n\n### 6. 估值综合判断\n\n| 方法 | 估值区间 | 置信度 | 权重 | 加权估值 |\n|------|---------|--------|------|---------|\n\n- 不同方法得出的估值是否收敛？如果差异大，分析原因\n- 最终给出的估值区间要区分\"合理估值\"和\"保守估值\"（安全边际估值）\n```\n\n---\n\n#### 任务3：行业格局与竞争态势分析\n- subject: `分析{公司名}所在行业的竞争格局与替代威胁`\n- activeForm: `分析{公司名}行业格局与竞争态势`\n- description 包含：\n\n```\n## 行业格局与竞争态势\n\n### 1. 行业定位与市场规模\n- 公司所在的核心赛道定义（注意：公司自己定义的赛道可能是美化过的，要独立判断）\n- TAM/SAM/SOM 三层市场规模：\n  - TAM（总可寻址市场）：整个大行业\n  - SAM（可服务市场）：公司技术/模式能覆盖的\n  - SOM（可获得市场）：当前实际能获取的\n- 市场规模数据来源对比（不同研究机构的预测可能差异很大）\n- 市场渗透率：当前 vs 天花板\n- 行业所处阶段：萌芽期/成长期/成熟期/衰退期（附论据）\n- 行业增长驱动因素：哪些力量在推动/阻碍行业增长\n\n### 2. 产业链全景地图\n绘制完整产业链结构（文本图）：\n\n```\n上游供应方（谁？议价能力？）\n    ↓\n公司所处环节（价值链中哪个位置？利润池占比？）\n    ↓\n下游客户/用户（集中度？替代选择？）\n    ↕\n竞争对手 / 替代品 / 潜在进入者\n```\n\n- 利润池分析：产业链各环节的利润分配\n- 公司在产业链中的议价能力（上游/下游）\n- 上下游依赖度分析：是否存在单一供应商/客户依赖\n- 产业链正在发生的结构性变化\n\n### 3. 波特五力分析（量化打分）\n\n| 力量 | 强度(★1-5) | 关键因素 | 对公司影响 |\n|------|-----------|---------|-----------|\n| 行业内竞争 | | 集中度、差异化程度、退出壁垒 | |\n| 新进入者威胁 | | 资本壁垒、技术壁垒、监管壁垒、品牌壁垒 | |\n| 替代品威胁 | | 替代品性价比、转换成本 | |\n| 供应商议价能力 | | 供应商集中度、转换成本 | |\n| 买方议价能力 | | 客户集中度、信息透明度 | |\n\n综合行业吸引力评分：★1-5\n\n### 4. 竞争格局深度扫描\n\n| 竞争对手 | 类型 | 市场份额(推算) | 收入规模 | 融资/市值 | 核心优势 | 主要劣势 | 威胁等级 |\n|---------|------|---------------|---------|----------|---------|---------|---------|\n| 直接竞争者1 | 直接 | | | | | | |\n| 直接竞争者2 | 直接 | | | | | | |\n| 间接竞争者1 | 跨界 | | | | | | |\n| 潜在进入者1 | 巨头 | | | | | | |\n\n重点分析：\n- **直接竞争者**：同赛道直接对手，逐个分析其战略意图和资源投入\n- **间接竞争者**：跨界潜在竞争，特别是大厂的相关业务\n- **替代品威胁**：不同技术路线/模式，特别是AI可能带来的颠覆\n- **潜在进入者**：巨头可能入局的概率和方式（自建/收购/投资）\n\n### 5. 竞争对手深度对比\n选择2-3个最直接的竞争对手（含上市和未上市），进行多维对比：\n\n| 维度 | {公司名} | 竞争者A | 竞争者B | 竞争者C |\n|------|---------|---------|---------|---------|\n| 成立时间 | | | | |\n| 用户规模(MAU) | | | | |\n| 收入规模 | | | | |\n| 收入增速 | | | | |\n| 融资总额/市值 | | | | |\n| 估值/收入倍数 | | | | |\n| 变现效率(ARPU) | | | | |\n| 毛利率 | | | | |\n| 盈利状态 | | | | |\n| 员工数量 | | | | |\n| 技术能力 | | | | |\n| 差异化定位 | | | | |\n| 国际化程度 | | | | |\n\n### 6. 竞争动态与趋势\n- 近12个月的竞争格局关键变化（融资、并购、产品发布、人事变动）\n- 竞争对手的战略方向推断（从招聘、专利、产品更新推断）\n- 行业正在发生的结构性转变\n- 技术变革对竞争格局的影响（特别是AI/大模型）\n- 监管政策对竞争格局的影响\n- 是否存在\"赢家通吃\"的行业特征？还是会形成稳定的多寡头格局？\n\n### 7. 竞争情景推演\n- 情景A：公司胜出——需要什么条件？概率？\n- 情景B：均势共存——各自的生存空间？\n- 情景C：被颠覆——最可能的颠覆者和路径？\n\n### 8. 全球对标分析\n寻找海外/国内的对标公司（已上市），分析：\n\n| 维度 | 对标公司A | 对标公司B | {公司名}对标启示 |\n|------|---------|---------|----------------|\n| 发展路径 | | | |\n| 当前估值水平 | | | |\n| 从类似阶段到上市的时间 | | | |\n| 上市后股价表现 | | | |\n| 成功/失败的关键因素 | | | |\n\n- 对标的局限性说明（中国市场特殊性、监管差异、用户习惯差异）\n```\n\n---\n\n#### 任务4：风险全景与治理评估\n- subject: `评估{公司名}全维度风险与管理层/治理结构`\n- activeForm: `评估{公司名}风险与治理结构`\n- description 包含：\n\n```\n## 风险全景与治理评估\n\n### 1. 创始人/CEO 深度评估\n\n> \"买股票就是买人。\" —— 段永平\n\n- **背景与履历**：教育、职业经历、创业经历\n  - 有无连续创业经历？上一次创业的结果？\n  - 行业相关经验年限\n  - 之前管理的最大团队/业务规模\n- **战略眼光**：搜索CEO过去3年的公开发言（演讲、访谈、内部信、社交媒体）\n  | 时间 | CEO的判断/预测 | 实际结果 | 准确度 |\n  |------|--------------|---------|--------|\n  - 有无做过超前于市场的正确判断？\n  - 有无在大家都看好时保持冷静？\n- **执行力**：关键里程碑是否按时达成\n  | 承诺 | 承诺时间 | 承诺场合 | 兑现情况 | 评价 |\n  |------|---------|---------|---------|------|\n- **格局与价值观**：\n  - 对用户/员工/社会的态度（从具体事件判断，不看口号）\n  - 面对困难时的选择（裁员方式、危机处理、利益冲突时的取舍）\n  - 对短期利润 vs 长期价值的取舍\n- **争议事件**：是否有负面记录（搜索\"CEO名字 + 争议/丑闻/问题\"）\n- **评级**：★1-5（附详细理由）\n\n### 2. 核心团队评估\n- 核心高管团队名单与背景（CTO/CFO/COO/VP等）\n  | 姓名 | 职位 | 背景 | 任期 | 此前经历 |\n  |------|------|------|------|---------|\n- 关键人才流动分析：\n  - 近2年重要高管离职情况（谁走了？去了哪？为什么？）\n  - 近2年重要高管加入情况（从哪挖来的？说明什么？）\n  - 人才净流入还是净流出？\n- 团队互补性：创始团队的能力是否互补？有无明显短板？\n- 团队文化信号：\n  - Glassdoor/脉脉评分与趋势（近12个月变化方向比绝对值重要）\n  - 员工推荐意愿（Would recommend to a friend）\n  - CEO支持率\n  - 加班文化、组织氛围的舆论\n- 关键人物依赖度：如果CEO/CTO离开，公司会怎样？\n\n### 3. 股权结构与治理\n\n**股权架构**：\n| 股东 | 持股比例 | 投票权比例 | 类型 | 备注 |\n|------|---------|-----------|------|------|\n\n- 创始人控制权结构：AB股/一致行动人/VIE架构\n- 创始人持股比例变化趋势（每轮融资稀释情况）\n- 员工持股计划：覆盖面、行权条件、与上市对赌\n\n**治理结构**：\n- 董事会构成（独立董事占比、投资方席位）\n- 重大决策机制\n- 潜在的利益冲突：\n  - 关联交易（创始人其他公司与本公司的交易）\n  - 同业竞争\n  - 大股东利益与小股东利益的冲突点\n\n### 4. 投资人阵容深度分析\n\n| 投资方 | 轮次 | 金额 | 估算持股 | 类型 | 战略价值 | 退出压力 |\n|--------|------|------|---------|------|---------|---------|\n\n分析：\n- 领投机构的品牌背书意义（顶级VC vs 不知名基金）\n- 产业资本的战略协同价值（是否带来资源/渠道）\n- 投资人退出压力评估：\n  - 基金存续期还剩多久？\n  - 是否已在二级市场抛售老股？\n  - 对赌条款是否临近到期？\n- 投资人阵容的红旗信号：\n  - 是否有声誉不佳的投资人？\n  - 早期投资人是否已清仓？\n  - 最近一轮的跟投情况（老股东不跟=不看好？）\n\n### 5. 全维度风险清单\n\n| 风险类型 | 具体风险 | 概率(高/中/低) | 影响(高/中/低) | 严重度 | 是否可对冲 | 监控指标 |\n|---------|---------|---------------|---------------|--------|-----------|---------|\n| 监管风险 | 反垄断、数据安全、行业整顿、牌照风险 | | | | | |\n| 竞争风险 | 巨头入场、新模式颠覆、价格战 | | | | | |\n| 技术风险 | 平台迁移、AI颠覆、技术路线失败 | | | | | |\n| 人才风险 | 创始人/核心团队流失 | | | | | |\n| 融资风险 | 资金链、估值倒挂、融资困难 | | | | | |\n| IPO风险 | 上市窗口、监管审批、市场环境 | | | | | |\n| 地缘风险 | 中美关系、跨境数据、制裁 | | | | | |\n| 商业化风险 | 变现不及预期、用户反弹 | | | | | |\n| 治理风险 | 关联交易、信息不透明、投资人冲突 | | | | | |\n| 合规风险 | 数据隐私(GDPR/个保法)、内容合规 | | | | | |\n| 宏观风险 | 经济周期、利率环境、资本市场冷热 | | | | | |\n| ESG风险 | 环境/社会/治理相关风险 | | | | | |\n\n### 6. 退出路径分析\n\n| 退出方式 | 可能性(★1-5) | 预计时间窗口 | 预期估值区间 | 关键前提 | 主要障碍 |\n|---------|-------------|------------|------------|---------|---------|\n| A股IPO | | | | | |\n| 港股IPO | | | | | |\n| 美股IPO | | | | | |\n| 被并购 | | 潜在买家是谁？ | | | |\n| 二级市场转让 | | 流动性如何？ | | | |\n| SPAC | | | | | |\n| 长期不退出 | | | | | |\n\n- 最可能的退出路径及理由\n- 退出时间线推演\n- 各退出路径下的预期回报分析\n\n### 7. 最坏情景分析（芒格式逆向思考）\n\n> \"反过来想，总是反过来想。\" —— 芒格\n\n- 这家公司最可能怎么**失败**？列出3种具体失败路径\n- 每种失败路径的概率评估和触发条件\n- 最坏情景下，投资人能收回多少？（清算价值分析）\n- 聪明人为什么**不投**这家公司？（至少列出5条理由）\n- 历史上类似定位/阶段的公司，有哪些失败了？为什么？\n- 什么信号出现意味着\"论文已破\"，应该止损？\n```\n\n---\n\n#### 任务5：技术能力与知识产权分析\n- subject: `分析{公司名}技术栈、专利布局与研发能力`\n- activeForm: `分析{公司名}技术能力与知识产权`\n- description 包含：\n\n```\n## 技术能力与知识产权深度分析\n\n> 对科技公司而言，技术壁垒的真假和持久性直接决定估值的合理性。\n\n### 1. 技术栈分析\n- 核心技术架构推断（从招聘信息、技术博客、开源项目、会议演讲推断）\n- 技术栈选择是否合理（是否用了正确的工具解决正确的问题）\n- 技术债务信号：\n  - 招聘岗位中是否大量招\"重构/迁移\"类角色\n  - 是否在做大规模技术栈切换\n  - 用户端是否有频繁的bug/故障投诉\n\n### 2. 专利布局分析\n搜索专利数据库（Google Patents、CNIPA、USPTO）：\n\n| 专利指标 | 数据 | 来源 |\n|---------|------|------|\n| 专利总数（已授权） | | |\n| 专利申请中 | | |\n| 近2年新增专利数 | | |\n| 核心技术领域分布 | | |\n| 关键专利的引用次数 | | |\n| 专利的国际布局 | | |\n\n- 专利质量评估（不只看数量）：\n  - 是否有核心/基础专利？\n  - 专利覆盖的技术领域是否与主营业务一致？\n  - 是否存在专利诉讼（被诉或主动起诉）？\n- 专利趋势：申请速度在加快还是放缓？技术方向有无转移？\n- 与竞争对手的专利对比\n\n### 3. 研发能力评估\n- **研发投入**：\n  - 研发人员数量/占比（从招聘平台、LinkedIn推算）\n  - 研发费用推算（人数 × 平均薪酬 + 基础设施）\n  - 研发费用率（与同业对比）\n  - 研发投入趋势：在加大还是缩减？\n- **研发产出**：\n  - 学术论文发表（搜索Google Scholar、arXiv）\n  - 技术会议演讲（搜索KDD、NeurIPS、SIGIR等顶会）\n  - 开源贡献（搜索GitHub组织账号）\n  - 技术博客/公众号输出\n- **研发效率**：\n  - 从技术研发到产品落地的速度\n  - 技术成果的商业转化率\n\n### 4. 技术人才评估\n- **核心技术领导者**：CTO/VP Eng/首席科学家的背景和能力\n  | 姓名 | 职位 | 学历 | 前公司 | 技术影响力 |\n  |------|------|------|--------|-----------|\n- **技术人才密度**：\n  - 来自哪些公司/实验室？（Google/Meta/MSRA/BAT等顶尖机构占比）\n  - 技术岗位的薪酬竞争力（从招聘信息推算）\n  - 技术团队的流失率信号（LinkedIn上离职动态）\n- **招聘信号**：\n  - 当前在招什么技术岗位？（反映技术战略方向）\n  - 技术岗位的招聘难度和填充速度\n  - 是否在建新的技术团队/实验室？\n\n### 5. 技术护城河评估\n\n| 技术壁垒维度 | 评分(★1-5) | 证据 | 持久性 |\n|-------------|-----------|------|--------|\n| 算法/模型壁垒 | | 是否有独创算法？是否可被复制？ | |\n| 数据壁垒 | | 数据量级、独有数据、数据飞轮速度 | |\n| 工程壁垒 | | 系统复杂度、长时间积累的工程能力 | |\n| 人才壁垒 | | 核心技术人才是否难以替代 | |\n| 生态壁垒 | | 开发者生态、API/SDK覆盖、技术标准 | |\n\n- 综合技术护城河评级：强/中/弱\n- 技术护城河的衰减速度评估（AI时代技术壁垒的半衰期可能很短）\n\n### 6. AI/新技术影响评估\n- 公司的AI能力和布局\n- AI对公司核心业务的影响（增强 vs 威胁 vs 中性）\n- 公司是AI变革的受益者还是被颠覆者？\n- 其他新兴技术（Web3/AR/VR/量子计算等）的影响评估\n\n### 7. 技术风险清单\n| 风险 | 具体描述 | 概率 | 影响 |\n|------|---------|------|------|\n| 技术路线失败 | 押注的技术方向被证伪 | | |\n| 开源替代 | 核心技术被开源方案替代 | | |\n| 平台依赖 | 对特定云/芯片/操作系统的依赖 | | |\n| 安全漏洞 | 数据泄露/系统被攻击 | | |\n| 人才流失 | 核心技术人员出走 | | |\n```\n\n---\n\n#### 任务6：替代数据信号挖掘\n- subject: `挖掘{公司名}的非常规数据信号与隐藏线索`\n- activeForm: `挖掘{公司名}替代数据信号`\n- description 包含：\n\n```\n## 替代数据信号挖掘\n\n> 未上市公司的常规信息有限，替代数据往往能提供比新闻报道更真实的经营信号。\n> 本任务的目标是：在常规信息源之外，挖掘一切可能有用的蛛丝马迹。\n\n### 1. 招聘信号分析\n搜索 LinkedIn、Boss直聘、脉脉、Indeed、Glassdoor 上的招聘信息：\n\n**招聘规模与趋势**：\n- 当前在招岗位总数\n- 近6个月招聘趋势（加速/平稳/缩减）\n- 与竞争对手的招聘规模对比\n\n**招聘结构分析**：\n| 岗位类别 | 数量 | 占比 | 信号解读 |\n|---------|------|------|---------|\n| 研发/工程 | | | 技术方向 |\n| 产品 | | | 产品战略 |\n| 销售/BD | | | 商业化阶段 |\n| 市场/运营 | | | 增长策略 |\n| 数据/AI | | | AI布局 |\n| 国际化 | | | 出海计划 |\n| 合规/法务 | | | 监管应对/IPO准备 |\n| 财务/IR | | | IPO准备信号 |\n\n**关键信号捕捉**：\n- 是否在招IR（投资者关系）= IPO信号\n- 是否在招合规/数据安全 = 监管压力或IPO准备\n- 是否在招海外岗位 = 国际化布局\n- 高级岗位的薪酬范围 = 公司财力和人才竞争力\n- 岗位JD中提到的技术栈/业务方向 = 战略方向\n\n### 2. App/产品数据分析\n搜索 App Store、Google Play、七麦数据、SimilarWeb：\n\n| 指标 | 数据 | 来源 | 趋势 |\n|------|------|------|------|\n| App Store排名 | | | 近6个月趋势 |\n| 用户评分 | | | 变化方向 |\n| 评分数量 | | | 增速 |\n| 下载量估算 | | | |\n| App更新频率 | | | |\n| 最近更新的主要功能 | | | |\n\n- App Store评论中的高频关键词和情感分析\n- 近期差评的主要集中点（bug？收费？体验下降？）\n- Web流量数据（SimilarWeb）：UV、PV、访问时长、跳出率\n\n### 3. 社交媒体与舆情信号\n搜索微博、知乎、小红书、Twitter/X、Reddit：\n\n- 公司官方账号的互动数据（粉丝/转发/评论趋势）\n- 用户自发讨论的热度和情感（正/负/中性）\n- 行业KOL/大V对公司的评价\n- 近3个月的舆情热点事件\n- 负面舆情清单及公司应对方式\n- 是否有内部人（前员工/现员工）的爆料\n\n### 4. 企业工商与法律信号\n搜索天眼查/企查查/启信宝：\n\n**工商信息**：\n- 注册资本及变更历史\n- 实缴资本\n- 股东/股权变更记录\n- 子公司/关联公司清单（新设=新业务？注销=业务收缩？）\n- 经营范围变更（新增范围=新业务方向）\n\n**法律信息**：\n| 类型 | 数量 | 重要案件摘要 |\n|------|------|-------------|\n| 作为原告的诉讼 | | |\n| 作为被告的诉讼 | | |\n| 知识产权纠纷 | | |\n| 劳动仲裁 | | |\n| 行政处罚 | | |\n| 被执行人记录 | | |\n\n- 重大诉讼/仲裁的详情和潜在财务影响\n- 行政处罚记录（环保/税务/劳动/数据安全等）\n\n### 5. 供应链与合作伙伴信号\n- 已知的核心供应商/合作伙伴清单\n- 供应商是否上市？其财报中是否提到与该公司的合作数据？\n- 招标/采购信息（政府采购网、企业招标平台）\n- 合作伙伴的评价和合作深度\n\n### 6. 域名与数字足迹\n搜索 domain/subdomain 信息：\n- 公司注册的域名清单（新注册的域名可能暗示新业务/新产品）\n- 子域名分析（api.xx.com、pay.xx.com等暗示业务架构）\n- SSL证书信息\n- 商标注册情况（新注册商标=新品牌/新产品线）\n\n### 7. 行业会议与曝光信号\n- 公司高管近12个月的会议演讲/参会记录\n- 行业奖项/媒体榜单（是否进入\"独角兽榜\"、\"最具创新力\"等）\n- 政府/行业协会的互动（政策咨询、标准制定参与）\n- 媒体曝光频率和质量的变化趋势\n\n### 8. 二级市场交易信号（如有）\n- 是否存在老股交易市场（SharesPost、EquityZen、微信群等）\n- 老股交易的隐含估值 vs 最近一轮融资估值\n- 买卖双方的供需状况\n- 是否有大量员工在抛售期权/RSU\n\n### 9. 信号综合评分\n\n| 信号类别 | 方向(正/负/中性) | 强度(强/中/弱) | 置信度 | 核心发现 |\n|---------|----------------|---------------|--------|---------|\n| 招聘信号 | | | | |\n| 产品数据 | | | | |\n| 舆情信号 | | | | |\n| 法律信号 | | | | |\n| 供应链信号 | | | | |\n| 数字足迹 | | | | |\n| 行业曝光 | | | | |\n| 二级交易 | | | | |\n\n**信号合力判断**：各信号是否指向同一方向？有无矛盾信号？\n\n### 10. 反常信号清单（最重要）\n列出所有\"不寻常\"的发现——这些往往是最有价值的信息：\n- 与公司对外叙事不一致的信号\n- 与行业常识不符的数据\n- 突然出现的变化（招聘急缩/急扩、高管密集离职等）\n- 无法解释的现象\n```\n\n---\n\n### 第四步：启动6个并行Agent\n\n使用 Agent 工具同时启动6个Agent（**必须在同一条消息中并行调用**）：\n\n每个Agent的配置：\n- `subagent_type`: `general-purpose`\n- `run_in_background`: `true`\n\n每个Agent的prompt模板：\n\n```\n你是{公司名}未上市公司研究团队中的\"{角色中文名}\"。\n\n你正在研究一家**未上市公司**，这意味着：\n- 没有标准化的公开财报，需要从多个来源拼凑信息\n- 数据可能不完整或相互矛盾，需要标注置信度\n- 需要更多的推理和合理推算，但要透明展示推算过程\n- 搜不到信息 ≠ 信息不存在，搜到的信息可能有偏差\n\n请完成以下研究任务：{任务subject}\n\n具体要求：\n{任务description的内容}\n\n**研究方法**：\n1. 使用 WebSearch 搜索最新公开信息，每个维度至少搜索3-5次，用不同关键词组合\n2. 搜索关键词策略：\n   - 中文：公司名+收入/估值/融资/用户数/MAU/IPO/招股书/裁员/整改\n   - 英文：Company Name + revenue/valuation/funding/users/IPO/filing\n   - 具体人名+公司名（搜索管理层相关信息）\n   - 公司名+具体竞争对手名（搜索竞争动态）\n3. 重点信息源：\n   - 高可信度：招股书、监管文件、上市公司年报中的关联披露\n   - 中可信度：晚点LatePost、The Information、36氪、Bloomberg、Reuters、TechCrunch\n   - 辅助验证：知乎、脉脉、Glassdoor、天眼查、企查查\n4. 使用 WebFetch 获取关键文章的全文（不要只看搜索摘要）\n5. 对重要数据，至少用2个不同来源交叉验证\n\n**数据标注规范（严格执行）**：\n- 每个关键数据标注来源（具体到媒体名称和文章标题）\n- 标注数据时间（精确到年月）\n- 标注置信度：🟢高（招股书/官方披露）/ 🟡中（可信媒体/研报）/ 🔴低（推算/传闻）\n- 不同来源数据有冲突时，**全部列出**并说明差异和你的判断\n- 区分\"事实\"和\"推理\"：事实用正常字体，推理/推算用*斜体*并标注推算方法\n- 无法获取的信息明确标注\"数据缺失\"，不要编造\n\n**输出要求**：\n- 报告要详尽，使用Markdown表格呈现关键数据\n- 每个分析维度要有明确结论和评分\n- 推算过程要完全透明（展示计算逻辑和每一步假设）\n- 在报告末尾提供：\n  1. 本维度的总体评分（★1-5）和核心判断\n  2. 本维度信息完整度自评（充分/适中/不足/严重不足）\n  3. 最重要的3个发现\n  4. 最大的信息盲区（什么信息缺失最影响判断）\n```\n\n### 第五步：接收报告并跟踪进度\n\n- 向用户实时展示进度表（哪些Agent已完成、哪些仍在研究中）\n- 每收到一份报告，更新进度并展示该报告的核心要点（3-5条）\n- 等待全部6份报告到齐\n\n### 第六步：交叉验证与信息拼图\n\n**这是增强版框架最关键的新增步骤**。在汇总前，team-lead 需要：\n\n1. **数据冲突仲裁**：\n   - 提取各Agent报告中的关键数据\n   - 识别不同Agent引用的相同数据是否一致\n   - 对冲突数据进行仲裁：列出所有来源，说明采信哪个、为什么\n\n2. **信号一致性检验**：\n   - 业务增长信号（business-decoder）vs 招聘信号（signal-miner）是否一致？\n     （如果说业务快速增长，但招聘在缩减，需要解释）\n   - 技术领先叙事（tech-ip）vs 专利/人才数据（signal-miner）是否支撑？\n   - 估值水平（financial-detective）vs 竞争地位（competitive-mapper）是否匹配？\n   - 管理层公开叙事（risk-governance）vs 实际行动信号（signal-miner）是否一致？\n\n3. **信息拼图还原**：\n   - 将6份报告中的信息碎片拼合，看能否还原出更完整的画面\n   - 标注信息\"白区\"（确认已知）、\"灰区\"（有线索但不确定）、\"黑区\"（完全未知）\n\n4. **反偏见检查**：\n   - 检查报告中是否存在\"正面信息详细、负面信息简略\"的偏差\n   - 确认每个正面判断都有对应的反面检验\n\n### 第七步：汇总最终报告\n\n综合6份分析报告，输出以下结构的最终报告：\n\n---\n\n#### 1. 一句话结论\n> 用一段话（50-100字）概括这家未上市公司的**真实价值判断**：生意值多少钱，为什么。\n\n#### 2. 公司画像速览\n| 项目 | 内容 | 置信度 |\n|------|------|--------|\n| 公司名称 | | |\n| 成立时间 | | |\n| 总部 | | |\n| 创始人/CEO | | |\n| 核心业务 | | |\n| 员工规模 | | |\n| 最新估值 | | |\n| 最新融资轮次 | | |\n| 推算收入规模 | | |\n| 推算利润状态 | | |\n| 推算用户规模 | | |\n| 主要投资方 | | |\n| VIE/红筹架构 | | |\n\n#### 3. 六维评分总表\n| 维度 | 分析师 | 评分(★1-5) | 核心判断 | 置信度 | 信息完整度 |\n|------|--------|-----------|---------|--------|-----------|\n| 商业模式 & 用户 | business-decoder | | | | |\n| 财务 & 估值 | financial-detective | | | | |\n| 行业 & 竞争 | competitive-mapper | | | | |\n| 风险 & 治理 | risk-governance-analyst | | | | |\n| 技术 & 知识产权 | tech-ip-analyst | | | | |\n| 替代数据信号 | signal-miner | | | | |\n\n综合评分：★X / 5\n\n#### 4. 关键数据拼图（交叉验证后）\n整合各分析师拼凑的数据，**仅保留经过交叉验证的数据**：\n\n| 指标 | 数据 | 来源数量 | 来源明细 | 置信度 | 备注 |\n|------|------|---------|---------|--------|------|\n\n#### 5. 信号一致性矩阵\n| 检验项 | 信号A | 信号B | 一致性 | 解读 |\n|--------|-------|-------|--------|------|\n| 增长叙事 vs 招聘趋势 | | | ✅/⚠️/❌ | |\n| 技术领先叙事 vs 专利数据 | | | | |\n| 估值水平 vs 竞争地位 | | | | |\n| 管理层叙事 vs 实际行动 | | | | |\n\n#### 6. 各维度分析摘要\n每个维度摘取3-5条最重要的发现（标注来源和置信度）\n\n#### 7. 真实价值评估\n\n**生意本质判断**：\n- 这是一门什么样的生意？（一句话）\n- 这门生意的\"确定性\"有多高？\n- 段永平式判断：这是不是一门\"对的生意\"？\n\n**护城河评分卡**：\n| 护城河类型 | 评分(★1-5) | 核心证据 | 趋势 | 持久性 |\n|-----------|-----------|---------|------|--------|\n| 网络效应 | | | 加宽/稳定/收窄 | |\n| 转换成本 | | | | |\n| 品牌心智 | | | | |\n| 数据壁垒 | | | | |\n| 监管牌照 | | | | |\n| 规模经济 | | | | |\n| 技术壁垒 | | | | |\n\n**估值判断**：\n| 估值方法 | 估值区间 | 置信度 | 说明 |\n|---------|---------|--------|------|\n| 最近融资估值（调整后） | | | |\n| 可比公司法 | | | |\n| DCF情景分析 | | | |\n| 终局市值倒推 | | | |\n| 交易对标法 | | | |\n\n**综合真实价值区间**：\n- 保守估值（安全边际估值）：$XXB\n- 合理估值（中性假设）：$XXB\n- 乐观估值（最优情景）：$XXB\n- 当前市场估值：$XXB\n- **安全边际**：当前估值 vs 保守估值 = XX%\n\n#### 8. 投资论点（看多 vs 看空）\n- 🟢 看多逻辑（5-7条，每条附证据来源）\n- 🔴 看空逻辑（5-7条，每条附证据来源）\n- ⚖️ 哪一方的论据更有说服力？为什么？\n\n#### 9. 风险矩阵\n| 风险 | 概率 | 影响 | 综合严重度 | 是否可对冲 | 监控指标 |\n|------|------|------|-----------|-----------|---------|\n\nTop 3 核心风险及应对策略\n\n#### 10. 退出路径评估\n最可能的退出方式、时间窗口、预期回报\n\n#### 11. 投资决策表\n\n**一页纸决策表**：\n```\n┌──────────────────────────────────────────────┐\n│  公司：XXX    最新估值：$XXB                  │\n│  阶段：[种子/成长/成熟/Pre-IPO]              │\n│  信息完整度：[充分/适中/不足/严重不足]        │\n├──────────────────────────────────────────────┤\n│  核心投资逻辑（3句话以内）：                  │\n│  1. ________________________________________  │\n│  2. ________________________________________  │\n│  3. ________________________________________  │\n├──────────────────────────────────────────────┤\n│  真实价值判断：                               │\n│  合理估值区间：$XXB - $XXB                    │\n│  当前估值 vs 合理估值：偏贵/合理/偏低         │\n│  安全边际：____%                              │\n├──────────────────────────────────────────────┤\n│  关键假设 & 验证方式：                        │\n│  假设1 → 跟踪指标 → 验证节点 → 验证时间      │\n│  假设2 → 跟踪指标 → 验证节点 → 验证时间      │\n│  假设3 → 跟踪指标 → 验证节点 → 验证时间      │\n├──────────────────────────────────────────────┤\n│  致命风险 & \"论文已破\"信号：                  │\n│  风险1 → 如果X发生，结论翻转 → 止损策略       │\n│  风险2 → 如果Y发生，结论翻转 → 止损策略       │\n├──────────────────────────────────────────────┤\n│  结论：投资 / 观望 / 回避                     │\n│  如果观望：重新评估的触发条件是什么？          │\n│  预期退出：IPO / 并购 / 二级转让              │\n│  预期回报倍数：X - Y 倍                      │\n│  预期时间框架：X - Y 年                      │\n│  年化回报率：X% - Y%                         │\n└──────────────────────────────────────────────┘\n```\n\n**分层建议**：\n| 投资者类型 | 建议 | 理由 |\n|-----------|------|------|\n| PE/VC机构（领投） | | |\n| PE/VC机构（跟投） | | |\n| 二级市场转让 | | |\n| IPO后买入 | | |\n| 不建议参与 | | |\n\n**关键催化剂**：\n| 看多催化剂 | 预计时间 | 看空催化剂 | 预计时间 |\n|-----------|---------|-----------|---------|\n| | | | |\n\n#### 12. 信息盲区地图\n| 维度 | 已知信息 | 缺失信息 | 缺失影响 | 获取建议 |\n|------|---------|---------|---------|---------|\n\n这些信息盲区是否影响核心结论的可靠性？如果影响，明确说明\"在X信息缺失的情况下，以上结论的置信度为Y\"。\n\n#### 13. 持续跟踪清单\n| 跟踪事项 | 频率 | 信息来源 | 关注指标 | 预警阈值 |\n|---------|------|---------|---------|---------|\n\n#### 14. 总结段落\n150-250字的最终总结，包含：\n- 这门生意的本质\n- 真实价值判断\n- 当前估值的合理性\n- 最大的确定性和不确定性\n- 最终建议和核心理由\n\n---\n\n### 第八步：保存报告\n\n将完整最终报告写入 `reports/{公司名}/{公司名}-private-{YYYYMMDD}.md`。\n\n### 第九步：清理团队\n\n使用 TeamDelete 清理团队资源。\n\n---\n\n## 重要注意事项\n\n1. **6个Agent必须并行启动**——在同一条消息中调用6次Agent工具\n2. **数据置信度标注**——未上市公司数据来源参差不齐，每个关键数据必须标注来源和置信度\n3. **推算要透明**——所有推算过程要展示计算逻辑，不能凭空给数字\n4. **交叉验证**——关键数据至少2个来源交叉验证，来源冲突时都列出\n5. **信号一致性检验**——汇总阶段必须做跨维度的信号一致性检查\n6. **结论要明确**——不回避给出投资/观望/回避建议，但同时说明结论的置信度\n7. **耐心等待**——6个Agent研究需要几分钟，实时向用户更新进度\n8. **中英文搜索**——未上市公司信息可能分布在中英文媒体，需要两种语言搜索\n9. **反偏见核心原则**——资料少≠公司不好，AI分析篇幅短≠投资确定性低。对于信息极度稀缺的公司，切换\"第一性原理模式\"聚焦核心问题，不追求报告形式完整\n10. **诚实留白**——报告中明确区分\"有据分析\"和\"推测填充\"，允许出现\"此维度数据不足，无法给出有意义的结论\"\n11. **替代数据不是噪音**——招聘、专利、诉讼、App数据等替代数据可能比新闻报道更接近真实经营状况\n12. **真实价值导向**——最终目标是判断这门生意值多少钱，不是输出一份好看的报告。如果信息不足以做出可靠的估值判断，直接说\"信息不足，无法给出可靠估值\"\n\n<!-- File: codex-skills/quality-screen/SKILL.md (Tokens: ~3166 | Category: anthropic-skill) -->\n---\nname: quality-screen\ndescription: \"AI Berkshire skill: 去劣筛选：7条指标快速排除非一流公司. Source: skills/quality-screen.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/quality-screen.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 去劣筛选：7条指标快速排除非一流公司\n\n对 $ARGUMENTS 执行去劣指标筛选，快速排除不符合一流公司标准的标的。\n\n**支持输入格式**：\n\n| 输入方式 | 示例 | 说明 |\n|---------|------|------|\n| 个股 | `腾讯, 美团, 英伟达` | 逐家筛选 |\n| 行业 | `中国啤酒行业` `全球云计算` `港股运动品牌` | 先搜索该行业主要上市公司（10-20家），再逐家筛选 |\n| 市场/指数 | `恒生指数成分股` `沪深300` `纳斯达克100` | 拉取成分股列表，逐家筛选 |\n| 主题 | `中国高股息50强` `全球AI算力链` | 先搜索主题相关公司，再逐家筛选 |\n\n行业/市场/主题模式下，输出额外包含：通过率统计、行业内排名、板块对比总结。\n\n## 设计原则\n\n- **目标**：不错杀任何一流好公司，但能排除确定的非一流公司\n- **逻辑**：7条硬指标 + 2条豁免规则，宁可漏网不可误杀\n- **适用范围**：所有上市公司（银行/保险不适用第3条利息覆盖倍数）\n\n---\n\n## 7条去劣指标\n\n| # | 指标 | 排除条件 | 衡量的是什么 |\n|---|------|---------|-------------|\n| 1 | 10年平均ROE | < 8% | 资本效率——股东的钱能不能跑赢机会成本 |\n| 2 | 5年累计自由现金流 | 为负 | 真金白银——利润是不是\"纸面富贵\" |\n| 3 | 利息覆盖倍数（EBIT/利息） | < 2倍 | 偿债安全——还利息的能力 |\n| 4 | 长期毛利率 | < 15% | 定价权——产品/服务有没有差异化 |\n| 5 | 经营现金流 / 净利润（5年均值） | < 0.7 | 利润质量——赚到的利润能不能收回现金 |\n| 6 | 长期净利率 | < 5% | 抗风险能力——收入波动时利润是否归零 |\n| 7 | 5年总股本膨胀 | > 20%（非并购原因） | 股东利益——管理层是否在稀释你的权益 |\n\n## 3条豁免规则\n\n### 豁免A：战略投入期豁免（适用于第1条）\n\n如果同时满足以下3个条件，可豁免第1条ROE不达标：\n1. 上市不足10年\n2. 毛利率 > 30%（证明商业模式本身有定价权）\n3. 最近2年经营现金流为正（证明造血能力已具备）\n\n**逻辑**：高毛利率+现金流转正说明商业模式没问题，ROE低只是因为还在投入期。典型案例：美团。\n\n### 豁免B：主动低利润率豁免（适用于第6条）\n\n如果同时满足以下2个条件，可豁免第6条净利率不达标：\n1. 毛利率 > 30%（有能力赚但选择不赚）\n2. 近2年净利率已回升至5%以上，或呈明确上升趋势\n\n**逻辑**：毛利率高说明有定价权，净利率低是战略选择（再投资）而非能力缺失。典型案例：亚马逊。\n\n### 豁免C：高周转薄利模式豁免（适用于第4条和第6条）\n\n如果同时满足以下3个条件，可豁免第4条毛利率和第6条净利率不达标：\n1. ROE > 20%（证明虽然利润率低，但资本回报率极高）\n2. 经营现金流/净利润 > 1.0（利润质量无问题）\n3. 商业模式属于\"会员制/平台佣金/高周转薄利\"类型（利润不体现在商品加价上）\n\n**逻辑**：有些一流公司的利润不藏在毛利率里，而是藏在会员费、周转效率或平台抽成中。它们的毛利率和净利率天然很低，但ROE极高说明资本效率一流。典型案例：Costco（毛利率12%、净利率2.5%，但ROE 25%+、会员续费率90%+）。\n\n---\n\n## 执行流程\n\n### 第一步：解析输入，确定筛选范围\n\n**模式判断**：\n- 如果输入是具体公司名/代码 → **个股模式**，直接进入第二步\n- 如果输入是行业/市场/主题 → **批量模式**，先执行以下操作：\n  1. 用 WebSearch 搜索该行业/市场/主题下的主要上市公司\n  2. 行业模式：覆盖该行业市值前15-20家上市公司\n  3. 指数模式：拉取完整成分股列表\n  4. 主题模式：搜索相关公司，覆盖15-30家\n  5. 列出完整公司清单供确认（如公司数>30，分批并行处理）\n\n对每家公司确定全称、代码、交易所。\n\n### 第二步：并行数据收集\n\n为每家公司启动独立后台Agent，使用 WebSearch 搜索以下数据：\n\n1. **ROE**：近10年（或上市以来）的逐年ROE，计算平均值\n2. **自由现金流**：近5年的经营现金流和资本开支，计算5年累计FCF\n3. **利息覆盖**：最新年度EBIT和利息支出，计算倍数\n4. **毛利率**：近5年毛利率趋势\n5. **经营现金流/净利润**：近5年的比值，计算均值\n6. **净利率**：近10年净利率趋势，计算均值\n7. **总股本变化**：5年前和当前的总股本，计算膨胀比例\n\n数据来源优先级：公司年报 > 券商研报 > 财经数据平台\n\n### 第三步：逐条检验\n\n对每家公司，逐条检验7个指标：\n- ✅ 通过\n- ❌ 未通过\n- ⚠️ 边界（附数值说明）\n\n如果触犯某条，检查是否满足对应豁免条件。\n\n### 第四步：输出结果\n\n#### 输出格式\n\n```markdown\n# 去劣筛选结果\n\n**筛选日期**：{当天日期}\n**公司数量**：{N}家\n\n## 汇总表\n\n| 公司 | ①ROE | ②FCF | ③利息覆盖 | ④毛利率 | ⑤OCF/NI | ⑥净利率 | ⑦稀释 | 结果 |\n|------|------|------|----------|---------|---------|---------|-------|------|\n| xxx | ✅ 24% | ✅ | ✅ | ✅ 56% | ✅ | ✅ 30% | ✅ | **通过** |\n| yyy | ❌ 3% | ❌ | ❌ | ✅ 20% | ✅ | ❌ 2% | ✅ | **排除** |\n| zzz | ⚠️→✅ | ✅ | ✅ | ✅ 35% | ✅ | ⚠️→✅ | ✅ | **豁免通过** |\n\n## 通过的公司（N家）\n[列表]\n\n## 排除的公司（N家）\n| 公司 | 触犯指标 | 具体数据 | 排除理由 |\n|------|---------|---------|---------|\n\n## 豁免通过的公司（N家）\n| 公司 | 豁免条款 | 具体数据 | 豁免理由 |\n|------|---------|---------|---------|\n\n## 边界争议（如有）\n[对处于阈值附近的公司做补充说明]\n\n## 板块总结（行业/市场模式专用）\n\n**通过率**：{通过数}/{总数} = {百分比}\n**行业质量判断**：[根据通过率给出行业整体质量评价]\n\n| 质量分层 | 公司 | 共同特征 |\n|---------|------|---------|\n| 一流（全过+高ROE） | xxx, yyy | ... |\n| 合格（全过但指标平庸） | aaa, bbb | ... |\n| 淘汰 | ccc, ddd | ... |\n\n**行业选股结论**：[一句话总结该行业值不值得深挖，最值得关注的2-3家是谁]\n```\n\n---\n\n## 注意事项\n\n1. **银行/保险**：不适用第3条（利息覆盖），其商业模式本质就是利差经营\n2. **REIT**：ROE可能因物业重估波动大，用\"核心营运利润ROE\"代替\n3. **数据不足**：如果某项数据无法获取，标注为\"数据不足\"而非直接判定通过/不通过\n4. **周期性行业**：用完整周期（至少覆盖一个高点和一个低点）的平均值，不用单一年份\n5. **上市时间短**：不足5年的公司用全部可得数据，但在结果中标注\"数据窗口不足\"\n\n## 局限性声明\n\n这套指标能排除\"确定不好\"的公司，但通过筛选不等于\"确定好\"。通过的公司仍需进一步研究：\n- 商业模式是否可持续\n- 管理层是否值得信赖\n- 当前估值是否合理\n- 竞争格局是否在恶化\n\n去劣是第一步，不是最后一步。\n\n<!-- File: codex-skills/thesis-drift/SKILL.md (Tokens: ~3871 | Category: anthropic-skill) -->\n---\nname: thesis-drift\ndescription: \"AI Berkshire skill: 投资论文漂移检测：分清事实变化与措辞变化. Source: skills/thesis-drift.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/thesis-drift.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 投资论文漂移检测：分清事实变化与措辞变化\n\n对 $ARGUMENTS 执行投资论文漂移检测。\n\n**支持输入格式**：\n- `公司名 旧报告路径 新报告路径` — 指定两份研究报告或论文快照进行对比\n- `公司名 reports/{公司名}-thesis-旧日期.md reports/{公司名}-thesis-新日期.md` — 对比两份带日期的论文快照\n- `公司名` — 自动查找 `reports/{公司名}-thesis.md` 及同目录历史快照；如果没有基线则转入缺失基线处理\n\n> \"当事实改变时，我就改变想法。你呢？\" —— 凯恩斯\n>\n> \"股价波动不是论文漂移，事实变了才是。\" —— AI Berkshire\n\n## 设计理念\n\n长期持仓最难的不是每天读新闻，而是区分三件事：\n- **事实改变**：收入、利润率、竞争格局、管理层行为、资本配置发生可验证变化\n- **价格改变**：市场情绪或估值倍数变化，但生意本身未变\n- **措辞改变**：两份报告表达不同，但底层证据和判断没有变化\n\n投资论文漂移检测的目标是：**只在证据变化时承认论文变化**。不能因为报告换了写法就制造漂移，也不能因为股价涨跌就误判基本面。\n\n本 Skill 依赖 `/thesis-tracker` 输出的结构化维度：核心假设清单、红线清单、估值锚点、追踪记录表。没有这些结构时，先补齐基线，再做漂移检测。\n\n## 执行流程\n\n### 第一步：判断操作模式\n\n解析 `$ARGUMENTS`：\n- 如果提供两份报告路径 → 进入**指定报告对比**模式\n- 如果只提供公司名 → 查找 `reports/{公司名}-thesis.md` 及历史快照，进入**自动快照对比**模式\n- 如果只找到一份报告或没有历史基线 → 进入**缺失基线处理**模式\n- 如果两份报告不是同一家公司 → 停止并要求用户确认，不做跨公司漂移判断\n\n---\n\n## 模式A：指定报告对比\n\n### A1：读取并校验两份报告\n\n读取旧报告和新报告，提取：\n- 报告日期、公司名、股票代码\n- 核心论文（5句话）\n- 核心假设清单\n- 红线清单\n- 估值锚点\n- 追踪记录表\n- 管理层质量判断\n- 竞争护城河判断\n- 当前建议动作（买入 / 持有 / 观察 / 减仓 / 清仓）\n\n如果报告缺少关键结构，先标注\"结构缺失\"，但仍尽量从正文中抽取证据；抽取不到的维度标为\"无法判断\"，不能编造结论。\n\n### A2：证据归一化\n\n把两份报告中的事实证据整理成同一张表：\n\n| 维度 | 旧报告证据 | 新报告证据 | 数据来源 | 是否可验证 |\n|------|-----------|-----------|---------|-----------|\n| 估值锚点 | | | | |\n| 核心假设 | | | | |\n| 红线 | | | | |\n| 管理层质量 | | | | |\n| 竞争护城河 | | | | |\n\n**只比较证据，不比较文风。** 如果新旧报告只是同义改写、排序变化、语气变化，但事实数据和判断阈值没有变化，判定为 Unchanged。\n\n### A3：数值与估值校验\n\n所有数值变化必须使用 `tools/financial_rigor.py` 做精确计算，禁止 LLM 心算：\n\n```bash\npython3 tools/financial_rigor.py verify-valuation \\\n  --price {当前价格} \\\n  --eps {EPS} \\\n  --bvps {每股净资产} \\\n  --fcf-per-share {每股自由现金流}\n```\n\n如需计算市值、百分比变化、目标价差异或情景估值，使用：\n\n```bash\npython3 tools/financial_rigor.py verify-market-cap --price {价格} --shares {股本} --reported {报告市值} --currency {币种}\npython3 tools/financial_rigor.py cross-validate --field {字段} --values '{JSON}' --unit {单位}\npython3 tools/financial_rigor.py three-scenario --price {价格} --eps {EPS} --shares {股本亿} --growth {乐观} {中性} {悲观} --pe {乐观PE} {中性PE} {悲观PE}\npython3 tools/financial_rigor.py calc --expr '{精确算式}'\n```\n\n关键财务数据必须至少两处独立来源交叉验证。来源不足、口径不一致、无法复核的数字必须标注为\"低置信度 / 待核实\"。\n\n### A4：逐维度判定漂移\n\n固定使用以下维度，不要临时增减：\n\n| 维度 | 判定重点 | Improved | Unchanged | Weakened |\n|------|---------|----------|-----------|----------|\n| 估值锚点 | 内在价值、PE/PB/FCF Yield、安全边际、目标价区间 | 安全边际扩大或内在价值上修且经工具验算 | 估值区间和安全边际无实质变化 | 安全边际收窄、内在价值下修或估值假设失效 |\n| 核心假设清单 | 收入增速、利润率、现金流、用户/订单/产能等可验证假设 | 更多假设被新证据强化 | 假设状态与证据基本一致 | 假设边际弱化、受损或破裂 |\n| 红线清单 | 诚信、监管、业务衰退、竞争突破、管理层异常动作 | 原有红线风险解除或显著下降 | 未触发且风险水平不变 | 红线被触发或触发概率上升 |\n| 管理层质量 | 诚信、资本配置、回购分红、执行力、股东友好度 | 新行为提高信任度 | 行为延续旧判断 | 行为损害信任或资本配置变差 |\n| 竞争护城河 | 市占率、定价权、网络效应、成本优势、替代威胁 | 护城河变宽或竞争优势被验证 | 格局无实质变化 | 护城河被削弱或竞对突破 |\n\n每个维度只能给出三类结论：**Improved / Unchanged / Weakened**。\n\n### A5：证据驱动规则\n\n每个非 Unchanged 的结论必须引用导致变化的具体新证据：\n- 财报行项目：例如收入增速、毛利率、经营现金流、回购金额、净现金\n- 监管披露：例如 10-K/20-F、年报、中报、港交所公告、SEC filing\n- 新闻事件：例如管理层变动、监管处罚、重大客户流失、竞品突破\n- 价格与估值：必须说明这是\"估值变化\"还是\"基本面变化\"，不能混淆\n\n如果找不到能解释变化的证据，必须判定为 **Unchanged** 或 **无法判断**，不能用措辞差异推断漂移。\n\n### A6：输出漂移报告\n\n#### 报告结构\n\n```\n一、对比对象与时间跨度\n二、总体结论：论文是否漂移\n三、维度漂移表\n四、证据差异明细\n五、估值与数值验算\n六、建议动作迁移\n七、不确定项与需补充来源\n八、下次跟踪重点\n```\n\n#### 维度漂移表\n\n| 维度 | 旧判断 | 新判断 | 漂移方向 | 触发证据 | 置信度 |\n|------|-------|-------|:--------:|---------|:------:|\n| 估值锚点 | | | Improved / Unchanged / Weakened | | 高/中/低 |\n| 核心假设清单 | | | Improved / Unchanged / Weakened | | 高/中/低 |\n| 红线清单 | | | Improved / Unchanged / Weakened | | 高/中/低 |\n| 管理层质量 | | | Improved / Unchanged / Weakened | | 高/中/低 |\n| 竞争护城河 | | | Improved / Unchanged / Weakened | | 高/中/低 |\n\n**Unchanged 行的触发证据写 `—`，不要为了填表编造证据。**\n\n#### 总体结论必须回答\n\n1. **论文是否漂移？** 未漂移 / 正向漂移 / 负向漂移 / 证据不足无法判断\n2. **漂移来自哪里？** 估值 / 基本面 / 管理层 / 竞争格局 / 红线事件\n3. **是事实变化还是价格变化？** 明确拆开说明\n4. **建议动作如何迁移？** 例如：Watch → Buy、Buy → Hold、Hold → Reduce、Reduce → Exit\n5. **下一步需要什么证据？** 下一份财报 / 监管披露 / 管理层说明 / 竞对数据\n\n---\n\n## 模式B：自动快照对比\n\n### B1：查找快照\n\n在 `reports/` 中查找：\n- `reports/{公司名}-thesis.md`\n- `reports/{公司名}-thesis-*.md`\n- `reports/{公司名}/` 目录下包含 `thesis`、`论文`、`追踪` 的报告\n\n选择时间最早且结构完整的文件作为旧报告，时间最新的文件作为新报告。若用户指定日期，以用户指定为准。\n\n### B2：防止错误配对\n\n对比前必须确认：\n- 公司名或股票代码一致\n- 报告日期不同\n- 两份报告都包含可抽取的论文结构或研究结论\n\n如果无法确认同一公司，停止并要求用户提供明确路径。\n\n### B3：执行模式A\n\n找到两份有效快照后，按模式A完整执行。\n\n---\n\n## 模式C：缺失基线处理\n\n如果只找到一份报告或没有找到旧快照：\n\n1. 明确说明：**缺少可比较的历史基线，不能执行漂移检测**\n2. 不要根据记忆或市场印象补造旧论文\n3. 引导用户先使用 `/thesis-tracker {公司名} 建立论文` 建立结构化基线\n4. 如果当前报告已足够完整，可建议将它保存为 `reports/{公司名}-thesis.md` 作为未来漂移检测基线\n\n输出格式：\n\n```\n无法执行论文漂移检测：缺少历史基线。\n\n已找到：\n- 当前报告：{路径 / 未找到}\n- 历史基线：未找到\n\n建议：\n1. 先运行 /thesis-tracker {公司名} 建立论文\n2. 下次有新财报或重大事件后，再运行 /thesis-drift {公司名} 旧报告 新报告\n```\n\n---\n\n## 关键原则\n\n- **证据优先于措辞** — 同义改写不是漂移，只有事实证据变化才是漂移\n- **基本面优先于股价** — 股价涨跌只影响估值锚点，不自动改变生意质量\n- **数值必须验算** — 所有百分比、估值倍数、目标价差异必须用 `tools/financial_rigor.py`\n- **不确定就标注不确定** — 来源缺失、口径不一致、无法复核时，不要硬判\n- **红线单独处理** — 红线触发优先级高于估值便宜，不能被低 PE 掩盖\n- **输出必须可复盘** — 每个 Improved / Weakened 结论都要能追溯到具体证据\n\n<!-- File: codex-skills/thesis-tracker/SKILL.md (Tokens: ~3453 | Category: anthropic-skill) -->\n---\nname: thesis-tracker\ndescription: \"AI Berkshire skill: 投资论文追踪：买入后的纪律系统. Source: skills/thesis-tracker.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/thesis-tracker.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 投资论文追踪：买入后的纪律系统\n\n对 $ARGUMENTS 执行投资论文追踪检查。\n\n**支持输入格式**：\n- `公司名` — 首次使用时建立投资论文，后续使用时追踪检查\n- `公司名 建立论文` — 强制重新建立投资论文\n- `公司名 季度检查` — 基于最新财报进行论文检查\n\n> \"买入只是开始。真正的工作是持有期间的持续跟踪。\" —— 李录\n>\n> \"当事实改变时，我就改变想法。你呢？\" —— 凯恩斯\n\n## 设计理念\n\n大多数投资者的流程是：研究 → 买入 → 祈祷。缺少买入后的系统化跟踪，导致：\n- 该卖的时候舍不得卖（\"再等等，会涨回来的\"）\n- 不该卖的时候恐慌卖出（\"跌了20%，是不是我错了\"）\n- 忘记了当初为什么买的（\"我买这个是因为什么来着？\"）\n\n巴菲特和李录的做法是：**买入前就写下卖出条件**。然后每个季度检查论文是否完整。\n\n## 执行流程\n\n### 第一步：判断操作模式\n\n检查是否已存在该公司的投资论文文件（`reports/{公司名}-thesis.md`）：\n- 如果不存在 → 进入**建立论文**模式\n- 如果存在 → 进入**追踪检查**模式\n- 如果找不到但用户表示已有 → 询问文件路径\n\n---\n\n## 模式A：建立投资论文\n\n### A0：数据收集\n\n使用 WebSearch 获取当前股价、估值指标（PE/PB/股息率）、最新财报核心数据，用于填写估值锚点。如果已有该公司的 `/investment-research` 或 `/investment-team` 报告，优先从中读取。\n\n使用 `tools/financial_rigor.py verify-valuation` 校验估值数据。\n\n### A1：核心论文（必须用200字以内写清楚）\n\n投资论文必须回答以下5个问题，每个问题一句话：\n\n```\n我以 ___元 买入 ___公司，因为：\n1. 这门生意的本质是___，我理解它的赚钱方式\n2. 它的护城河是___，而且在变宽/稳定\n3. 管理层___，值得信赖的原因是___\n4. 当前价格相当于内在价值的___折，安全边际来自___\n5. 即使我错了，下行风险可控，因为___\n```\n\n**如果5句话写不完整，这个论文本身就有问题——说明买入决策不够清晰。**\n\n### A2：核心假设清单\n\n把投资论文拆解成可验证的具体假设：\n\n| # | 核心假设 | 验证方式 | 验证频率 | 当前状态 |\n|---|---------|---------|---------|---------|\n| 1 | 例：收入增速维持15%+ | 季报收入增速 | 每季度 | 🟢 成立 |\n| 2 | 例：毛利率稳定在60%+ | 季报毛利率 | 每季度 | 🟢 成立 |\n| 3 | 例：管理层持续回购 | 回购公告/现金流表 | 每季度 | 🟢 成立 |\n| 4 | 例：竞争对手未取得突破 | 行业数据/竞对财报 | 每半年 | 🟢 成立 |\n| 5 | ... | ... | ... | ... |\n\n通常3-7个假设。太少说明思考不够深入，太多说明论文不够聚焦。\n\n### A3：红线清单（触发任何一条 = 必须重新评估）\n\n| # | 红线条件 | 严重程度 | 触发后动作 |\n|---|---------|---------|-----------|\n| 1 | 例：管理层诚信出问题（财务造假、关联交易） | 致命 | 立即清仓 |\n| 2 | 例：核心业务连续2季度收入下滑 | 严重 | 减仓50%，重新评估 |\n| 3 | 例：护城河被明确突破（竞对获得同等能力） | 严重 | 启动深度研究，考虑退出 |\n| 4 | 例：监管政策根本性改变商业模式 | 严重 | 重新评估内在价值 |\n| 5 | 例：管理层大规模减持（非计划性） | 警告 | 深入调查原因 |\n\n**段永平**：\"卖出只有三个理由：1.发现买错了；2.公司基本面变了；3.找到了更好的。\"\n\n### A4：估值锚点\n\n| 指标 | 买入时 | 乐观目标 | 中性目标 | 悲观情景 |\n|------|-------|---------|---------|---------|\n| 股价 | | | | |\n| PE | | | | |\n| 市值 | | | | |\n| 内在价值估算 | | | | |\n| 安全边际 | | | | |\n\n### A5：保存论文\n\n将投资论文写入 `reports/{公司名}-thesis.md`，包含：\n- 建立日期\n- 买入价格和仓位\n- 核心论文（5句话）\n- 核心假设清单\n- 红线清单\n- 估值锚点\n- 追踪记录表（初始为空）\n\n---\n\n## 模式B：追踪检查\n\n### B1：读取现有论文\n\n读取 `reports/{公司名}-thesis.md`，加载：\n- 核心论文\n- 核心假设清单\n- 红线清单\n- 上次检查记录\n\n### B2：收集最新数据\n\n使用 WebSearch 收集：\n1. 最新财报数据（如果有新的季报/年报）\n2. 近期重大事件（管理层变动、监管政策、竞争动态）\n3. 当前股价和估值指标\n4. 内部人交易记录（大股东增减持）\n\n### B3：逐条检查核心假设\n\n对每个核心假设，用最新数据验证：\n\n| # | 核心假设 | 上次状态 | 最新证据 | 当前状态 | 变化 |\n|---|---------|---------|---------|---------|------|\n| 1 | 收入增速15%+ | 🟢 成立 | Q4收入增速12% | 🟡 边际弱化 | ⚠️ |\n| 2 | 毛利率60%+ | 🟢 成立 | 毛利率61.2% | 🟢 成立 | — |\n| 3 | ... | ... | ... | ... | ... |\n\n状态定义：\n- 🟢 **成立** — 最新数据支持该假设\n- 🟡 **边际弱化** — 数据仍在可接受范围，但趋势不利\n- 🔴 **受损** — 数据明确不支持该假设\n- ⚫ **破裂** — 假设已被推翻\n\n### B4：红线检查\n\n逐条检查红线清单：\n\n| # | 红线条件 | 是否触发 | 证据 |\n|---|---------|:-------:|------|\n| 1 | 管理层诚信问题 | ❌ 未触发 | — |\n| 2 | 核心业务连续2季下滑 | ❌ 未触发 | — |\n\n**任何一条红线触发 → 在报告中用醒目标注，给出明确的行动建议。**\n\n### B5：估值更新\n\n| 指标 | 买入时 | 上次检查 | 当前 | 变化 |\n|------|-------|---------|------|------|\n| 股价 | | | | |\n| PE(TTM) | | | | |\n| 内在价值估算 | | | | |\n| 安全边际 | | | | |\n\n### B6：输出追踪报告\n\n#### 报告结构\n\n```\n一、论文健康度评分（满分10分）\n二、核心假设检查结果（表格）\n三、红线检查结果（表格）\n四、本期关键变化（不超过500字）\n五、估值更新\n六、结论与行动建议\n七、下次检查需关注的重点\n```\n\n#### 论文健康度评分标准\n\n| 评分 | 含义 | 建议动作 |\n|:----:|------|---------|\n**计算公式**：健康度 = 10 - (⚫破裂假设数×3) - (🔴受损假设数×2) - (🟡弱化假设数×1) - (红线触发数×5)，最低1分最高10分。\n\n| 评分 | 含义 | 建议动作 |\n|:----:|------|---------|\n| 9-10 | 所有假设成立，论文比买入时更强 | 考虑加仓 |\n| 7-8 | 核心假设成立，个别边际弱化 | 继续持有 |\n| 5-6 | 1-2个假设受损，但核心逻辑未变 | 持有但提高警惕 |\n| 3-4 | 多个假设受损，论文基础动摇 | 考虑减仓 |\n| 1-2 | 红线触发或核心假设破裂 | 强烈建议卖出 |\n\n#### 结论必须明确回答\n\n1. **论文还完整吗？** 完整 / 边际弱化 / 受损 / 破裂\n2. **该怎么做？** 加仓 / 持有 / 减仓 / 清仓\n3. **下次检查时间**：下一个季报发布后 / 某个特定事件后\n\n### B7：更新论文文件\n\n将本次检查记录追加到 `reports/{公司名}-thesis.md` 的追踪记录表中：\n\n| 检查日期 | 健康度 | 核心变化 | 动作建议 |\n|---------|:------:|---------|---------|\n| 2026-04-09 | 7/10 | 收入增速放缓至12%，但利润率改善 | 持有 |\n\n---\n\n## 关键原则\n\n- **买入前就写好卖出条件** — 冷静时做的决策比恐慌时做的好\n- **论文要具体到可验证** — \"公司很好\"不是论文，\"ROE>25%且趋势稳定\"才是\n- **红线一旦触发就行动** — 最怕的是\"再等等看\"，这是亏大钱的开始\n- **论文破裂 ≠ 股价下跌** — 股价跌30%不一定要卖，论文破裂才要卖\n- **诚实面对错误** — 论文建错了就承认，不要为了面子硬撑\n\n<!-- File: codex-skills/wechat-article/SKILL.md (Tokens: ~4089 | Category: anthropic-skill) -->\n---\nname: wechat-article\ndescription: \"AI Berkshire skill: 微信公众号文章：作者-编辑-读者三Agent协作. Source: skills/wechat-article.md.\"\n---\n\n## Codex adapter note\n\nThis skill is generated from `skills/wechat-article.md` so Claude Code and Codex users share one canonical workflow.\n\n- Treat `$ARGUMENTS` as the user's request in the current Codex thread.\n- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.\n- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.\n- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for \"latest\" data and state the data cutoff date in the report header. Never assume the current date from training data.\n- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.\n\n# 微信公众号文章：作者-编辑-读者三Agent协作\n\n对 $ARGUMENTS 进行深度研究，产出一篇可直接发布的微信公众号文章。三个Agent各司其职：作者写深度初稿，编辑精修结构和表达，读者从目标受众视角审读。\n\n**支持输入格式**：主题描述，例如：`大模型OPD技术解读`、`Qwen3技术报告解读`、`为什么巴菲特不买科技股`\n\n---\n\n## 设计理念\n\n一篇好的公众号文章需要同时满足三个维度：\n1. **深度**——对得起花时间读完的人（作者负责）\n2. **可读性**——结构清晰、节奏好、不劝退（编辑负责）\n3. **真的能看懂**——目标读者不会在中途放弃（读者负责）\n\n单人写作容易\"自嗨\"——写的人觉得清楚，读的人看不懂。三Agent协作的本质是**强制引入外部视角**。\n\n---\n\n## 阶段一：研究与素材收集\n\n### 第一步：明确文章定位\n\n在开始写作之前，先确认以下信息（如用户未指定则主动询问）：\n\n| 维度 | 需要确认 | 默认值 |\n|------|---------|--------|\n| **目标读者** | 技术背景程度 | 有点技术背景但非该领域专家 |\n| **文章深度** | 科普/中深度/硬核 | 中深度（有公式但要解释清楚） |\n| **文章长度** | 字数范围 | 3000-4000字 |\n| **是否需要下载原始论文/资料** | 需要PDF/配图 | 是 |\n| **写作风格** | 正式/对话式/犀利 | 对话式（像写给聪明的朋友） |\n\n### 第二步：深度研究\n\n使用 Agent 工具**并行**启动2-3个研究Agent，收集足够的素材：\n\n**研究Agent A：核心内容研究**\n- 如果是论文解读：下载论文PDF、提取核心贡献、关键图表、实验结果\n- 如果是技术主题：搜索最新进展、关键论文、技术细节\n- 如果是商业/投资主题：搜索最新数据、行业报告、竞争格局\n\n**研究Agent B：行业背景与应用**\n- 搜索该技术/主题的行业落地情况\n- 哪些公司在用？效果如何？\n- 最新的发展趋势和里程碑事件\n\n**研究Agent C（可选）：竞品/对比研究**\n- 同类方法/产品的对比\n- 历史发展脉络\n- 未来演进方向\n\n### 第三步：整理素材框架\n\n研究Agent全部完成后，整理出：\n1. **核心论点**（一句话概括文章要传达的核心信息）\n2. **关键数据**（3-5个最有冲击力的数据点）\n3. **配图清单**（需要哪些图，来源是什么）\n4. **文章大纲**（6-8个章节的标题和核心内容）\n\n---\n\n## 阶段二：作者Agent写初稿\n\n使用 Agent 工具启动**作者Agent**，给出详细的写作指令。\n\n### 作者Agent的Prompt模板\n\n```\n你是一位深度技术写作者（Author Agent），需要写一篇微信公众号文章。\n\n## 目标读者\n{根据第一步确认的读者画像}\n\n## 写作风格要求\n- 纯中文表达，避免中英文夹杂（技术术语首次出现时给英文，后续用中文）\n- 像写给聪明的朋友看的技术科普，不是学术论文翻译\n- 用类比帮助理解，但类比要贴切、不俗套\n- 关键公式/数据要有，但每个都要用大白话解释\n- 不用emoji\n- 段落不超过4行（公众号阅读环境）\n\n## 核心内容\n{整理好的素材、数据、论点}\n\n## 文章结构要求\n1. **开头（前3段）**：必须有强钩子——用数据冲击力或反直觉的结论开场，不要用温和的类比开场\n2. **背景**：为什么这件事重要？解决什么问题？\n3. **核心内容（2-3节）**：技术深度在这里体现，但每个技术点都要有\"大白话翻译\"\n4. **实证/案例**：用数据和案例说话，不要空谈\n5. **行业影响/展望**：这件事对行业意味着什么\n6. **结尾**：一句有传播力的判断收束，适合被截图转发\n\n## 配图要求\n- 论文解读类文章：必须从论文PDF中提取原图，直接用 `![描述](相对路径)` 插入文章，不要用 [图X：描述] 占位符\n- 提取方法：用 pdftoppm 将PDF页面渲染为高分辨率PNG（至少900 DPI），再用 PIL 裁切目标图表区域\n- 每张图不小于500KB，确保高清\n- 图片统一存放在 `assets/{主题简称}/` 目录下\n- 非论文类文章：如需配图，搜索并下载合适的图片，同样直接插入\n\n## 公式要求\n- 所有数学公式使用 LaTeX 格式：行内用 `$...$`，独立公式用 `$$...$$`\n- 禁止用纯文本写公式（如 `> D_KL(P || Q) = ...`），必须用 LaTeX 渲染格式\n- 每个公式后面仍然要配\"大白话翻译\"\n\n请写出完整的文章初稿，约{目标字数}字。\n```\n\n### 作者Agent完成后\n\n检查初稿文件是否生成，阅读全文确认内容完整性。\n\n---\n\n## 阶段三：编辑Agent + 读者Agent并行审阅\n\n初稿完成后，使用 Agent 工具在**同一条消息**中启动编辑Agent和读者Agent。\n\n### 编辑Agent的Prompt模板\n\n```\n你是一位资深公众号编辑（Editor Agent）。请对以下文章进行精修审阅。\n\n## 审阅标准\n1. **标题**：是否在朋友圈能吸引点击？是否会被截断（超过30字）？\n2. **开头**：前3段能否留住读者？钩子是否足够强？\n3. **结构**：逻辑链是否流畅？有无跳跃或断层？\n4. **深度与可读性平衡**：公式/技术部分是否真的通俗？有无\"假装通俗但没解释清楚\"的地方？\n5. **节奏**：有无太长的段落？每节长度是否合适？\n6. **配图**：图片是否已实际插入（非占位符）？位置是否在读者最需要视觉辅助时出现？\n7. **结尾**：有无传播力？读者看完会想转发吗？\n\n## 文章全文\n{完整初稿}\n\n## 输出格式\n1. 总体评价（3-5句话）\n2. 标题修改建议（给2-3个备选）\n3. 逐节修改建议（给出\"原文→建议修改为\"的具体对照）\n4. 最关键的3个改进点\n```\n\n### 读者Agent的Prompt模板\n\n```\n你是一位{目标读者画像}（Reader Agent）。请从读者视角审读以下文章。\n\n## 你的背景\n{具体描述目标读者的知识水平和阅读习惯}\n\n## 文章全文\n{完整初稿}\n\n## 请回答以下问题\n1. 读完前3段，你会继续读下去吗？为什么？\n2. 哪些地方\"看不懂\"或\"需要重读才能理解\"？具体是哪句话？\n3. 技术/公式部分你看懂了吗？\"大白话翻译\"是否帮到你了？\n4. 文章的核心类比贴切吗？有更好的类比吗？\n5. 太长还是太短？会在哪里失去耐心？\n6. 读完后你能用一句话概括文章核心观点吗？\n7. 你会转发这篇文章吗？转发时你会说什么？\n8. 有没有你想了解但文章没覆盖的问题？\n```\n\n---\n\n## 阶段四：定稿\n\n### 第一步：综合两个Agent的反馈\n\n重点关注以下高频问题：\n\n| 问题类型 | 编辑常见反馈 | 读者常见反馈 | 处理方式 |\n|---------|------------|------------|---------|\n| 开头太弱 | 钩子不够强 | 前3段没动力继续 | 用数据/反直觉结论重写开头 |\n| 技术段劝退 | 公式太密集 | 某段需要重读3遍 | 删公式或图片化，加更直觉的类比 |\n| 节奏拖沓 | 某节太长 | 某处失去耐心 | 合并或删减（尤其是后半段重复的技术解释） |\n| 结尾无力 | 缺传播力 | 不会转发 | 重写为一句可截图传播的判断 |\n| 概念跳跃 | 逻辑有断层 | 某处\"突然看不懂了\" | 补过渡句或背景解释 |\n\n### 第二步：执行修改\n\n根据反馈重写文章。核心修改原则：\n\n1. **编辑和读者都指出的问题，必须改**\n2. **只有编辑指出的问题，大概率要改**（编辑的专业判断通常准确）\n3. **只有读者指出的问题，视情况改**（读者反馈代表真实体验，但不一定每条都需要响应）\n4. **两者矛盾时，偏向读者**（编辑追求完美，但读者体验是最终标准）\n\n### 第三步：提取配图\n\n论文解读类文章必须在定稿前完成配图提取：\n\n1. **渲染**：`pdftoppm -png -r 900 -f {页码} -l {页码} 论文.pdf /tmp/page`（900 DPI起步，如果图片不到500KB则升到1200或1500 DPI）\n2. **定位**：先用150 DPI渲染全页，目视确认各图表的像素坐标\n3. **裁切**：用 PIL 按坐标裁切，`compress_level=1` 保存，确保每张 ≥ 500KB\n4. **存储**：保存到 `assets/{主题简称}/` 目录，命名为 `fig{序号}-{描述}.png`\n5. **插入**：文章中用 `![描述](../../assets/{主题简称}/fig{序号}-{描述}.png)` 引用\n\n### 第四步：产出最终文件\n\n将定稿保存为 md 文件，文件末尾附上论文/资料原文链接：\n\n```markdown\n**论文原文：**\n- arXiv: {链接}\n```\n\n---\n\n## 文件命名与存储\n\n| 类型 | 路径 | 命名格式 |\n|------|------|---------|\n| 技术主题 | `reports/AI产业研究/` | `公众号-{主题关键词}-{YYYYMMDD}.md` |\n| 投资主题 | `reports/{公司名}/` | `{公司名}-公众号-{YYYYMMDD}.md` |\n| 通用主题 | `reports/` | `公众号-{主题关键词}-{YYYYMMDD}.md` |\n\n---\n\n## 写作红线\n\n1. **不虚构数据**。引用的数据必须有来源，搜不到就标注\"估计\"\n2. **不用AI腔调**。禁止\"让我们一起来看看\"、\"值得关注的是\"、\"不得不说\"等套话\n3. **不过度承诺**。技术文章不说\"颠覆性的\"、\"革命性的\"，用数据说话\n4. **公式必须配大白话**。每个公式后面都要有一段\"翻译成人话就是……\"\n5. **公式必须用LaTeX**。`$$...$$` 格式，禁止纯文本公式\n6. **配图必须实际插入**。论文解读类从PDF提取高清原图（≥500KB），禁止用 `[图X]` 占位符\n7. **表格括号注释要精确**。描述概念时用准确的定义，不用模糊的动宾短语（如\"文本来自教师\"而非\"学教师的文本\"）\n8. **类比要一以贯之**。全文用一个主线类比，不要每节换一个新类比\n9. **结尾必须有传播力**。最后一句话要值得被单独截图转发\n\n<!-- File: skills/bottleneck-hunter.md (Tokens: ~300 | Category: anthropic-skill) -->\n# Skills Skill\n\nPath: `skills/bottleneck-hunter.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/bottleneck-hunter.md)\n\n<!-- File: skills/deep-company-series.md (Tokens: ~300 | Category: anthropic-skill) -->\n# Skills Skill\n\nPath: `skills/deep-company-series.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/deep-company-series.md)\n\n<!-- File: skills/dyp-ask.md (Tokens: ~300 | Category: anthropic-skill) -->\n# Skills Skill\n\nPath: `skills/dyp-ask.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/dyp-ask.md)\n\n<!-- File: skills/earnings-review.md (Tokens: ~300 | Category: anthropic-skill) -->\n# Skills Skill\n\nPath: `skills/earnings-review.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/earnings-review.md)\n\n<!-- File: skills/earnings-team.md (Tokens: ~300 | Category: anthropic-skill) -->\n# Skills Skill\n\nPath: `skills/earnings-team.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/earnings-team.md)\n\n<!-- File: skills/financial-data.md (Tokens: ~300 | Category: anthropic-skill) -->\n# Skills Skill\n\nPath: `skills/financial-data.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/financial-data.md)\n\n<!-- File: skills/income-investment.md (Tokens: ~300 | Category: anthropic-skill) -->\n# Skills Skill\n\nPath: `skills/income-investment.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/xbtlin/ai-berkshire/HEAD/skills/income-investment.md)\n\n<!-- ... +14 more modular skills available via /api/skills/xbtlin/ai-berkshire?path={path} -->\n</yakaai_skills>"}