非上市公司研究

要解决什么问题

研究未上市公司时，AI 辅助分析会遇到天然的结构性障碍。上市公司有标准化财报、公开披露和市场定价，而蚂蚁集团、小红书、SpaceX、Stripe 这类公司的信息往往碎片化且带有偏差。直接套用上市公司的研究模板，会产出两种典型错误：

• 虚假保守：资料少时 AI 倾向给出模糊结论，但资料少不等于公司不好
• 虚假精确：为填满报告，用"合理推测"伪装成"有据分析"
• 对标陷阱：强行与上市公司对比，继承其估值逻辑，忽略未上市公司的独特性
• 幸存者偏差：网上可搜到的信息往往有正面偏向

这个技能专门针对上述问题，在信息天然稀缺的条件下还原公司真实价值——不是市场给的估值，而是生意本身值多少钱。

核心能力与工作方式

框架采用多 Agent 并行研究模式，围绕以下原则展开：

• 数据交叉验证：无标准化财报时，多源拼凑并交叉核对财务数据
• 精确计算：估值和数学运算使用精确算术工具，而非近似推理
• 置信度标注：每个数据点标记 🟢高 / 🟡中 / 🔴低 置信等级，让读者自行判断
• 事实与推理分离：可验证事实与 AI 推理用不同格式区分，避免混淆
• 第一性原理模式：信息极度稀缺时切换模式，只回答核心问题——需求真伪、团队独特性、天花板与失败路径、关键验证节点

执行前会通过 date 命令确认当前日期作为数据截止基准，并在报告头部标注数据截止时间。研究全程保留不确定性声明和来源缺口说明。

适用边界

这个框架不消除信息不对称——那不可能做到。它的目标是在有限信息中提取最关键的判断依据。对于尚无任何公开信息、无法拼凑出业务模型的公司，框架会主动留白，而非用推测填充表格。

反向利用信息不对称是设计前提：市场定价效率低恰恰可能是超额收益来源。但用户需明确，最终判断仍需结合自身对行业和团队的理解。