公司深度分析助手

公司深度分析助手（A 股 / 港股）

输入 A 股/港股公司名称或股票代码，默认执行 6 步分析，输出双产物：

• MD 深度分析报告（{公司名}_深度分析报告_{YYYYMMDD}.md）
• HTML 投研简报（{公司名}_投研简报_{YYYYMMDD}.html）

单步模式：用户说"看一下 XX 的财务情况" / "XX 的公司画像" 时，按 执行模式路由 表只跑对应步骤，输出对应单文件（不要双产物）。

适用场景

• 个人投资者做投前初筛（5 分钟看一家公司基本面）
• 卖方/买方研究员做行业研报的子模块
• 投资经理在投委会前快速过一遍潜在标的
• 跨行业比较 5-10 家可比公司的财务与护城河
• 只想看财务 → 单步模式（输出财务分析单文件，不必出简报）
• 只想看公司画像 → 单步模式（输出公司画像单文件）

执行模式路由

路由表

关键词优先级（多关键词冲突时）

最具体的优先：financial > profile > full

例：

• "分析 XX 公司的财务情况" → financial（命中"财务情况"）
• "XX 的公司画像怎么样" → profile（命中"公司画像"）
• "帮我分析一下 XX" → full（默认）
• "XX 的财务和公司画像" → financial（最具体的优先，不双跑）

单步模式必跑的前置

• Step0 数据采集必跑：所有模式的输入都依赖 /tmp/{code}_data.json
• 跳过中间步是安全的：Step2（五力）/ Step3（护城河）/ Step5（估值）的产物不喂给 Step1 / Step4，跳过不影响单文件质量
• 代价：单步模式输出文件没有行业竞争 / 护城河 / 估值章节，质量门只检"该模式的章节"

用户提示模板

路由判断完成后，在对话中展示一行：

🔍 识别到：{公司全称}（{代码}）· {市场} · 即将进入「{模式}」模式（{跑哪几步}），输出 {单/双} 产物：{文件清单}

执行原则

1. 报告行文按 ai-internal-rules.md §3.1-3.4 硬要求（结论先行 + 主谓宾结构）
2. 所有财务数字标注来源，推算指标列出公式
3. 推断内容标注置信度（高/中/低）
4. full 模式：6 步串行执行，StepN 完成后才能启动 StepN+1。单步模式（financial/profile）：按 执行模式路由 表只跑对应步骤
5. 无法获取的信息标注为信息盲区，不编造
6. 产物必须基于模板生成：在 Step6 写任何文件前，必须先 Read 对应模板文件并严格按其结构填充。不得凭记忆自行编写报告结构。详见 §6.0 产物生成的强制执行规则

---

环境准备与降级策略（必读）

本 skill 的运行依赖 2 类外部能力：Python 解释器、scripts/ 目录下的采集脚本（含纯 HTTP 数据模块 westock_data.py，零外部依赖）。不同运行环境（本机 / Codex / ClawHub 沙箱）的可用性差异很大，下面给出统一的探测规则与三级降级策略，确保任何环境都能跑通。

1. Python 命令探测（python3 与 python 均兼容）

不同环境 Python 命令名不同（macOS/Linux 多为 python3，部分环境为 python，Codex 等容器可能两者皆有或仅有其一）。

统一探测规则：执行任何脚本前，先运行以下探测确定命令名，后续统一用变量 $PY 指代：

# 探测：优先 python3，回退 python，都没有则走 L3 降级
if command -v python3 >/dev/null 2>&1; then PY=python3
elif command -v python >/dev/null 2>&1; then PY=python
else echo "⚠ 未找到 Python，走 L3 降级路径"; PY=""
fi
echo "使用 Python 命令: ${PY:-无}"

脚本 shebang 为 #!/usr/bin/env python3，直接用 $PY 显式调用可绕过 shebang 限制（如 python scripts/collect_data.py）。

2. 数据采集依赖说明（零外部 CLI）

本 skill 的数据采集不依赖任何外部 CLI 或第三方 npm 包。所有数据通过公开免费 HTTP 接口直接获取：

执行约定：脚本 scripts/collect_data.py 和 scripts/westock_data.py 已内置上述接口调用逻辑，不需要安装任何额外工具。直接用 $PY scripts/collect_data.py {CODE} 即可运行。

3. 三级降级策略

降级判定口诀：先探 $PY → 有脚本就跑 L1 → 无脚本走 L2 → 无 Python 走 L3。

4. L2/L3 降级采集 schema（写入 /tmp/{code}_data.json）

降级时 LLM 需产出一个 JSON，结构与脚本输出对齐，至少包含以下字段（其余字段可按信息盲区省略）：

{
  "code": "600519",
  "market": "A股",
  "finance": { "主要财务指标": {} },
  "f10": { "公司概况": {}, "股东研究": {}, "股本结构": {}, "行业分析": {}, "财务分析": {} },
  "lrb": {}, "fzb": {}, "llb": {},
  "quote": { "price": 0, "pe_ttm": 0, "pb": 0, "mcap_yi": 0 },
  "em_info": {}, "blocks": [], "reports": [], "ths_forecast": []
}

降级采集的字段允许少于脚本（信息盲区标注即可），但必须保留 code / market / quote 三项，其余缺失标 "N/A"。后续 Step1-5 读取该 JSON 的逻辑不变。

5. 降级时三表数据来源

三表（利润表 / 资产负债表 / 现金流量表）在降级路径（L2/L3 ）中通过以下公开接口直采：

L1 路径中脚本已内置上述接口调用逻辑，无需手动指定。

---

Step0：公司识别与数据采集

0.1 公司识别

前置检查：市场范围

支持 A 股 + 港股，拒绝美股：

• 用户明示美股，或代码为字母美股代码（如阿里 BABA、特斯拉 TSLA）→ 回复"本工具仅支持 A 股 / 港股分析。如需分析美股，请使用对应工具。"
• 明确为未上市公司（如华为、字节跳动）→ 回复"该公司尚未上市，无法进行股票分析。"
• 通过后继续下面流程

识别输入类型 + 市场判定

判断用户输入（顺序敏感，先看代码长度/格式）：

代码规整：所有变体在传给脚本前统一为 hk{5位} / sh{6位} / sz{6位} / bj{6位}，collect_data.py 用 westock_data.market_prefix() 重新识别。

---

情况 A：公司名模式（如"贵州茅台"、"腾讯控股"）

用 WebSearch 搜索 "<公司名> 股票代码"，从搜索结果提取代码。用 $PY /scripts/collect_data.py {CODE} 采集行情验证名称匹配。

• 唯一匹配：在对话中展示"🔍 识别到：{公司全称}（{代码}）· {市场} · {交易所}"，进入 0.2
• 多候选：用 ①②③ 列出"{公司全称}（{代码}）· {市场标识}"，A 股/港股候选全部展示让用户选；美股候选标注"美股，本工具不支持"排除
• 无结果：提示"未找到匹配的 A 股/港股公司，请手动输入代码。"

---

情况 B：股票代码模式（如"600519" / "00700" / "hk00700" / "00700.HK"）

执行 $PY /scripts/collect_data.py {full_code}，从输出中取 quote.name 字段，反查公司全称和市场。

• 找到匹配：在对话中展示 → 直接进入 0.2
• 代码无效：提示"代码 {代码} 未找到，请检查是否正确。"

---

情况 C：公司名+代码模式（如"贵州茅台 600519"、"腾讯 00700"）

执行 $PY /scripts/collect_data.py {full_code}（取 quote.name 字段），验证名称与代码是否匹配。

• 匹配 ✓：直接进入 0.2，不弹确认
• 不匹配 ✗：展示搜索结果和用户输入，让用户选择正确的一方

---

确认信息格式（在对话中展示，不弹窗）：

• 唯一匹配：输出"🔍 识别到：{公司全称}（{6位或5位代码}）· {A股/港股} · {交易所}，即将开始 6 步深度分析。如不对请直接告诉我正确代码。"，然后进入 0.2。
• 多候选：用 ①②③ 列出"{公司全称}（{代码}）· {市场} · {交易所}"，等用户选择后进入 0.2。

0.2 结构化数据采集

执行 scripts/collect_data.py {股票代码}，脚本自动采集 10+1 项数据：

以上 10 项为数据采集项，外加 1 项衍生：

全部写入 /tmp/{股票代码}_data.json，终端只输出采集摘要。

批量模式（不写文件，stdout 输出 JSON，进度走 stderr）：

三表数据源说明：collect_data.py 内部自动处理三表采集（优先内置接口，失败时降级到新浪/东财公开接口）。无需手动指定数据源。

执行方式：

# 先按「环境准备与降级策略」探测 $PY（python3/python 自动适配）
# 获取 skill 目录路径，然后执行脚本
$PY /scripts/collect_data.py {CODE}
# 若 scripts/ 缺失或脚本报错 → 走 L2/L3 降级（LLM 直采写 /tmp/{code}_data.json）

0.3 定性信息补充（合并搜索）

WebSearch "<公司名> 研报 2025 2026 战略"     # 券商研报（战略方向、风险因素）
WebSearch "<公司名> 公告 管理层 重大事项"       # 公司公告（管理层变动、重大事项）

2 次拉取覆盖战略方向、风险因素、管理层变动、商誉减值等定性信息。

0.4 数据质量评级

• A级：10 项数据 + 1 衍生全部成功
• B级：1-3 项失败（记录失败项，用 WebSearch 补充）
• C级：三表 + F10 均失败（仅做定性分析）

报告采集摘要（数据等级 + 获取项 + 缺失项），自动进入Step1。

---

Step1：公司画像

输入：从 /tmp/{股票代码}_data.json 读取 f10.公司概况、f10.股东研究、f10.股本结构、em_info、blocks。

1. 基本信息:公司全称、股票代码、上市交易所、上市日期、注册资本、实际控制人、所属行业(申万)、业务模式标签【互联网/平台/TOC SaaS/TOB SaaS/TOC+TOB 双边/工业品/消费品/金融/医药/地产/强周期/其他】、概念板块(合并到此节最后一行,逗号分隔)
2. 主营业务:主要产品/服务、收入构成、最新业务动态
3. 股权结构:前十大股东(名称/持股比例/性质)、实际控制人持股链路、总股本/流通股本/限售股
4. 用户规模与活跃度(由 §0 业务模式标签决定):
   • 触发条件:见模板 §0.4 表格(基于申万行业 + 主业占比,不用关键词匹配)
   • 触发内容:见模板 §五
     • TOC:MAU/DAU/付费用户/ARPU/留存/LTV/CAC 等核心用户指标
     • TOB:付费客户数/ARR/NDR/续约率/Rule of 40 等 SaaS 指标
     • 两者并存时两节都生成

业务模式标签判定按 templates/company-profile-template.md §0 执行(申万行业 + 主营占比双判定,主业占比 50% 是分水岭),产物作为 Step2 五力框架选择器、Step3 护城河框架选择器、Step4 财务权重调整表的查询键。

输出：使用 templates/company-profile-template.md 生成 {公司名}_公司画像.md。

质量门：

• 公司全称、股票代码、上市交易所已填写
• 业务模式标签已选择（必填）
• 主营业务描述不少于100字
• 前十大股东至少列出5个
• 每个数据项标注来源
• 概念板块已合并到基本信息表,不单独成节
• 触发条件成立时,用户规模章节已生成(否则标注"不适用")

---

Step2：产业链分析

输入：Step1 公司画像中的"业务模式标签" + 从 /tmp/{股票代码}_data.json 读取 f10.行业分析、blocks。

Step2 启动前置检查:Step2 §2.0「行业大盘前置」必须先生成(行业规模/CR3-CR10/生命周期定位),作为五力分析的"行业大盘"基线;若数据等级 C 级,Step2 五力表需标注"行业数据基础薄弱,五力评级置信度降低"。

2.0 行业大盘前置

模板位置:本节产出物写入主报告模板的 §2.1 行业概览(行业定位 + §2.1.1 行业规模 + §2.1.2 市场份额 + §2.1.3 行业生命周期定位)。 数据获取:从 /tmp/{股票代码}_data.json 读取 f10.行业分析 + blocks.行业。用 WebSearch 搜索 "<行业> 市场规模 CR5 集中度 2025" 补充行业数据。

• 行业规模:总规模 + 过去 5 年 CAGR + 未来 5 年 CAGR 预测 + 公司占比
• 市场份额:头部 5-10 名 + CR3/CR5/CR10 集中度
• 行业生命周期定位(导入/成长/成熟/衰退 + 核心驱动 + 政策/技术变革)
• 数据缺失时按模板 §6.4 兜底并降级

2.1.0 五力框架选型

按 ai-internal-rules.md §2.0 选五力框架（业务模式标签 → 框架 A/B/C），加载 porter-five-forces-template.md 对应章节执行。

2.1 经典 Porter 五力(框架 A 模板,其他框架按对应章节)

2.2 搜索合并(共用)

五力搜索合并为 2-3 次(互相独立,可并行执行),命令清单按 porter-five-forces-template.md §3 / §4 各力量「数据来源」字段执行。

每项评级：强/中/弱 + 至少 2 条数据支撑。

质量门：

• 所选框架已明确标注(A/B/C/A+B)
• 五力每项都有评级
• 每项至少 2 条数据支撑
• 产业链上下游各列出至少 2 个具体环节
• (框架 B/C 额外) 核心指标(CAC/LTV/留存/MAU)有数据点

---

Step3：竞争格局与护城河分析

输入：Step2 五力分析 + 从 /tmp/{股票代码}_data.json 读取 reports、quote。

3.1 识别竞争对手

从Step2提取同行 + WebSearch "<行业> 上市公司 同行对标"（拿行业成份股列表）+ WebSearch "<公司名> 竞品分析 券商研报"（券商研报里的竞品分析），筛选 5-8 家主要竞对。

竞对选取方法论：

核心原则：从"业务模式"和"产业链位置"双维度匹配。先找同行业（高可比），再找上下游/相似业务（中可比），最后是行业参考（低可比）。

具体步骤：

1. 业务模式拆分：把目标公司按"营收占比"拆成主业（占比最高）+ 次业（如自研/小业务）。可比公司必须对标主业。
2. 三层选取：
   • 🟢 高可比：业务模式相同 + 主营行业相同
   • 🟡 中可比：主营行业不同但业务模式类似
   • 🔴 低可比：业务模式差距大，仅作行业参考
3. 每家公司必须给"可比性"标注（高/中/低），并说明理由
4. 行业基准对比不能替代可比公司对比——这是常见错误

反例警示（必须避免）：

• ❌ 把行业平均毛利率/PE 当作"可比公司"——这是偷懒
• ❌ 把业务模式差距大的公司（如 FPGA 芯片设计 vs 存储分销）放在同一张估值表里比较 PE/PB

最终报告规则：可比公司在双产物中的差异化处理：

• 深度分析报告（MD）：
  • §2.3 行业与竞争分析、§4.1 估值结论 → 只列高可比 2 家（焦点对标）
  • §3.6 财务分析（可比公司财务对比）→ 列出所有收集到的可比公司（高+中+低），用"可比性"列标注等级
• 投研简报（HTML）：由于是 30s 必读卡片，不展开可比公司（KPI 已涵盖核心数据）
• 中/低可比公司在深度报告 §2.3 / §4.1 节仅在分析时作为参考，不进入最终报告这两节。

产物归属：本步骤识别结果作为模板 §2.3 行业与竞争分析的前置输入，不单独占用模板小节。

3.2 竞对业务对比

竞对主营/营收用 WebSearch "<竞对公司名> 主营业务 营收 2025"（研报/官网覆盖）。竞对 PE/PB/市值用脚本的批量行情入口一次获取：

# $PY 为「环境准备与降级策略」探测到的 Python 命令（python3/python 自动适配）
$PY /scripts/collect_data.py --quotes {目标代码},{竞对代码1},{竞对代码2},...

该命令直接打印各代码的 name/price/pe_ttm/pb/mcap_yi。整理对比表：公司名/主营/营收/市值/PE/PB/市场份额。

若 scripts/ 缺失或 $PY 为空 → 走 L2/L3 降级：用 WebFetch 直连腾讯行情 qt.gtimg.cn/q= 逐家获取 PE/PB/市值，手动汇总。

3.3 护城河分析(行业适配型)

方法论升级说明:Porter 1985 经典六类护城河已扩展为按行业适配的 6 套框架, 并引入 Hamilton Helmer 7 Powers、Ben Thompson Aggregation Theory 等现代权威方法论。 加载 references/moat-analysis-framework.md 后,第一步:用 §0 行业适配选择器选定框架,再按该框架的指标体系执行。

按 ai-internal-rules.md §2.5 选护城河框架（业务模式标签 → 框架 A-F），加载 moat-analysis-framework.md 对应章节执行。

三轮反问机制（可复制性 / 周期韧性 / 隐蔽威胁）：按 references/moat-analysis-framework.md §8 执行。

3.3.1 护城河维度评级(所选框架的专属维度,逐项宽/窄/无)

按所选框架(§0 选择器)的核心维度逐项评级(宽/窄/无)。 数据来源：f10.财务分析 + WebSearch "<公司名> 护城河 竞争优势"（研报/分析文章）。

每轮记录:反问问题 → 分析过程 → 评级是否调整 → 理由。

质量门：

• 至少识别 3 家竞对
• 所选护城河框架已明确标注(A/B/C/D/E/F/经典)
• 护城河反问轮次按数据等级：A 级 ≥ 3 轮，B 级 ≥ 2 轮，C 级 ≥ 2 轮
• 每轮有明确结论

3.4 为什么非它不可（竞争优势综合判断，对应模板 §2.5）

3 问与 §3.3 护城河三轮反问的区分:§3.3 问的是"竞对能不能复制你的护城河"（竞对视角）；§3.4 问的是"客户为什么非选你不可"（客户视角）——两个视角互补，§3.4 必须基于 §3.3 的护城河综合评级输出。

按 §3.3 选定的护城河框架(消费/平台/制造/金融/医药/地产)→ references/moat-analysis-framework.md §11 取对应 Q1/Q2/Q3 指标定义,填到 deep-analysis-report-template.md §2.5 的 3 个 {Q? 指标} 占位符。

• 最终护城河评级有数据支撑
• 护城河类型已明确归类

---

Step4：财务四维 + 穿透分析

输入：从 /tmp/{股票代码}_data.json 读取 lrb(利润表)、fzb(资产负债表)、llb(现金流量表)、finance(主要财务指标)、f10.财务分析。

加载 references/financial-analysis-guide.md,第一步:根据 Step1 的"业务模式标签"选定权重表,再按选定的权重做四维分析。

4.0.0 基准年判定（必做 · 引用 ai-internal-rules.md §0.1）

跑报告第一步：按 references/ai-internal-rules.md §0.1 判定基准年，所有模板列名引用 {基准年} / {基准年-1} 变量，不允许硬编码具体年份。

4.0 行业类型对应权重表(必读)

按 ai-internal-rules.md §3.0 选财务权重（详见 financial-analysis-guide.md §0.1）。报告"摘要"必须说明选用了哪套权重。

4.1 四维分析(按选定的权重)

• 4.1 盈利能力:毛利率、净利率、ROE、ROA
• 4.2 偿债能力:流动比率、速动比率、资产负债率、利息保障倍数
• 4.3 营运能力:存货/应收周转天数、总资产周转率
• 4.4 成长能力:营收/净利润同比增长率、经营现金流增长率

4.5 杜邦三因子分解(所有行业必做,亏损公司用替代公式)

按 ai-internal-rules.md §3.6 执行：ROE = 销售净利率 × 总资产周转率 × 权益乘数。亏损公司不豁免,4 种替代公式任选其一(扣非归母 ROE / ROA / EBIT ROIC / 三年平均)。

输出表(必做):

4.6 综合评分

输出:使用 templates/financial-analysis-template.md 生成 {公司名}_财务分析.md。

质量门:

• 权重调整已说明(报告摘要中列出选用的权重表)
• 四维每项至少 4 个指标
• 所有比率列出公式和计算过程
• 每个数字标注来源
• 趋势分析(至少 4 期对比)
• 有行业对比
• 杜邦三因子分解(必做,所有行业,亏损公司用替代公式)
• 综合评分已计算

---

Step5：相对估值

输入：竞对公司 + 从 /tmp/{股票代码}_data.json 读取 quote、reports、ths_forecast。

加载 references/valuation-methods.md。

5.1 相对估值（四步法）

方法选取：按 ai-internal-rules.md §7.1 选 1-3 种估值方法（PE-TTM / PB-MRQ / EV/EBITDA-TTM / PS-TTM / NAV 等），按 §7.2 写估值结论。

自动判定：scripts/valuation.py 的 _classify_industry(data) 已实现上述判定逻辑，输入申万一级行业自动返回首选方法 + 交叉验证方法。

实操流程：

1. 调估值脚本（scripts/valuation.py）：

   # $PY 为「环境准备与降级策略」探测到的 Python 命令（python3/python 自动适配）
   $PY scripts/valuation.py 600519 peers.json
   # peers.json 示例：{"peer_pe_median": 25.0, "peer_pb_median": 8.0}
   

   脚本输出 JSON：行业分类 / 首选方法 / 合理股价 / 上行空间 / 数据完整度

   若 scripts/ 缺失或 $PY 为空 → 走 L2/L3 降级：valuation.py 的 _classify_industry() 逻辑在 references/valuation-methods.md 中有等价的文本版判定规则，LLM 按该规则手动选方法、算合理股价。

2. 交叉验证（10 个变体中至少 2 个）：

   • 偏差 < 15%：取均值
   • 偏差 15-30%：取均值但标注分歧原因
   • 偏差 > 30%：必须分析分歧（周期性/特殊项目/会计差异），取更保守的估值

3. 数据完整度检查：< 60% 时提示补充行业数据

4. 报告写作：templates/deep-analysis-report-template.md §四估值（只展示数字，公式放 valuation-methods.md）

---

Step6：生成产物与清理

跑完 6 步分析后，输出两份产物（默认行为）：

6.0 产物生成的强制执行规则（⚠️ 必须严格遵守）

这是产物质量的最后一道门。无论走 L1/L2/L3 哪条路径，以下规则不可跳过。

步骤 1：读取模板文件（强制）

在写任何产物之前，必须先使用 Read 工具读取对应模板文件的完整内容：

• 深度分析报告 → Read /templates/deep-analysis-report-template.md
• 投研简报 → Read /templates/briefing-card-template.html
• 单步模式财务分析 → Read /templates/financial-analysis-template.md
• 单步模式公司画像 → Read /templates/company-profile-template.md

不得凭记忆或猜测来编写产物结构——必须以读取到的模板文件为准。

步骤 2：严格按模板结构填充

读取模板后，产物的生成方式为：

1. 保留模板的全部章节标题、表格结构、格式标记不变
2. 将 {占位符} 替换为实际分析数据（如 {公司名} → "中国巨石"，{YYYY-MM-DD} → "2026-07-14"）
3. 将模板中的说明性括号文字替换为具体内容（如"（100-200 字描述...）" → 实际的描述段落）
4. 不删除模板的任何章节，数据缺失时标注 "N/A" 或"信息盲区"
5. 不自行新增模板中不存在的章节（除非单步模式路由表明确要求）

禁止行为：

• ❌ 不读模板直接按自己的理解写报告
• ❌ 改变模板的章节顺序或层级结构
• ❌ 省略模板中存在的任何标准化区块（如"30 秒极简版"、"摘要"列表等）

6.1 清理临时文件

分析完成后清理临时数据：

rm -f /tmp/{股票代码}_data.json