产业链投资研究

要解决什么问题

从底层趋势推导出具体投资标的，中间的验证与筛选往往靠人工拼凑，效率低且容易漏掉关键环节。更隐蔽的问题是 AI 数据偏见在行业研究中的放大：成熟行业资料多，分析显得"更确定"；新兴行业资料少，容易被低估；大公司资料丰富，小公司直接被忽略；只扫描上市公司，会遗漏产业链中的关键未上市玩家。

核心能力与关键步骤

这个技能将产业链投资研究拆成一条可复核的流水线，从 $ARGUMENTS 中的行业主题出发执行：

• 投资逻辑链验证：把"底层趋势→受益环节→受益标的"画成因果链路，逐环节提出质疑并寻找证据，优先列出已签约、已落地的真实商业事件而非预测。
• 产业链全景绘制：拆解上游、中游、下游、辅助环节，标注每个环节的生意特征（商业模式、毛利率区间、竞争格局、壁垒类型、周期性），并标记供给最紧张、替代最难、利润率最高的"卡脖子环节"。
• 全球公司扫描：覆盖美股、A股、港股与其他国际市场，按产业链环节分类，再按投资确定性分为 Tier 1 到 Tier 4，同时搜索关键未上市公司并标注未来 IPO 候选。
• 四大师框架分析：对每个环节的 Tier 1/Tier 2 公司，依次完成生意本质（段永平）、护城河五类评分（巴菲特）、风险推演（芒格）、管理层评估与估值快照，用 ★1-5 给出推荐度。
• 组合与准出：输出核心/卫星/期权仓位建议、买卖信号和主题仓位上限，写入 ~/[行业名]产业链投资研究报告.md，并进行数据抽检。

适用边界与注意点

这是研究工具，不是投资建议。质量高度依赖输入主题的精度和检索覆盖；在执行前，先运行 date 命令确认当天日期，作为"最新"数据的时间基准，并在报告头标注数据截止日期，绝不要凭训练数据假设当前日期。

AI 偏见需要主动对冲：对英文资料的处理能力更强，必须同时搜索中英文信息源；信息稀缺的小市值公司不因报告篇幅短就降低推荐度，按生意本质、护城河、管理层而非报告长度评判；每家公司都标注"信息充分度"（A/B/C 级）。估值与算术必须使用精确计算工具交叉核对财务数据。

输出会区分已验证事实与推断，明确标注不确定性和来源缺口；报告中每一环的结论都应能追溯到具体数据和来源。