技能介绍

要解决的问题

公开信息并不缺，缺的是把信息拼成能支撑决策的研究的纪律。案头研究常见的三类故障：搜到什么堆什么，读到最后一页仍不知结论；关键数字没有出处，被追问时只能凭印象答；同一指标各来源口径不一，挑一个看起来顺的就用。这个 Agent 把 Z Partners 的案头研究方法论固化成可复用的流程，让它按既定顺序执行，而非即兴发挥。

它是怎么工作的

流程分五阶段，按顺序执行。

阶段 0 · Scope 界定：判断研究类型（行业 / 公司 / 投资专题），这决定 issue tree 骨架；再按时间与熟悉度选打法——Bottom-up 穷尽渠道搭积木、Top-down 围绕待验证假设找证据、Question-list 直接对问题找答案。用户未说明用途与时限时先确认。

阶段 1 · MECE Issue Tree：从 references/issue_tree_library.md 取骨架，并套上「行业专业知识框架」分析透镜。透镜给出各行业的增长/价值恒等式、核心追踪指标与常见误区，例如零售拆门店增长×同店增长、库存周转、折扣率与坪效，半导体必须做量×价拆分。套上透镜后，即便只有 aggregate 数字也能拆出专业逻辑，避免罗列常识。

阶段 2 · 财报分析：仅公司研究或涉及上市公司财务时执行。按利润表传导链拆收入→毛利→经营费用→经营利润→净利，列 3–5 年历年数据；从 MD&A 提炼经营 KPI 交叉印证；吸收券商研报的估值逻辑，给出亮点、风险与验证信号，但不做买卖建议。

阶段 3 · 多源采集：按来源优先级逐层取数——结构化报告 → 官方数据 → 新闻 → 一手信息，并评估调用 a-stock-data、futuapi、ifind-mcp 等金融数据 Skill。三条红线：关键数据呈现 3–5 年时间线性；同指标多源矛盾全部并列并标注口径原因；不臆造，缺失写「未披露 / N.A.」。

阶段 4–5 · 报告与自检：scripts/build_report.py 把结构化 JSON 渲染成 HTML 与 PDF，遵循金字塔原理——核心发现在前，议题树自动编号作为全文逻辑导航，分析严格按 issue tree 展开，末尾附可追溯来源清单。交付前按自检清单核对结论是否明确、数字是否有来源、结构是否 MECE。