Agent Skills
返回列表
招股书解码器

招股书解码器

行业专业 更新于 2026.08.30

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @user_d38a8796/prospectus-decoder。

技能介绍

解决什么问题

招股书动辄几百页，正文里充斥着"智能化整体解决方案""行业领先""协同效应"这类表述。读的人很难快速判断：这家公司到底靠什么赚钱？真实行业位置如何？最大的风险是什么？

把全文直接丢给大模型可以回答这些问题，但一本百万 Token 级的招股书意味着高昂的推理成本，而且推理与写作混在一个 Prompt 里，输出质量不稳定。

核心工作方式

三层 Token 流水线：

  • Layer 1（90% Token，低智力）：按章节分块，只做结构化事实抽取，客户名、供应商名、数字原样保留，不总结、不解释
  • Layer 2（5% Token）：合并去重所有章节的 JSON，生成 3000-10000 Token 的 master-fact-sheet.json，压缩比约 50:1 到 100:1
  • Layer 3（10% Token，高智力）：推理模型只读 Fact Sheet，不再碰原文

章节化处理：只处理六大核心章节——风险因素、行业概览、主营业务、财务资料、募集资金运用、未来展望；释义、公司治理、法律意见等直接跳过。

八步推理框架：商业模式分类 → 客户痛点 → 价值创造 → 赚钱逻辑 → 竞争位置 → 风险机会 → 匿名实体识别 → 行业定语剥离。推理输出 JSON，写作阶段再基于结果生成 Markdown 报告，两者严格分离。

内置两张知识表：招股书用语 → 白话翻译（如"轻资产运营"≈ 不自建工厂）；行业排名"定语剥离"指南，识别"细分品类第一"这类限定词包装，还原去掉定语后的真实竞争格局。

报告分 Level 1（约 500 字快读）、Level 2（约 2500 字完整版）、Level 3（约 8000 字研究版）三档。

适用边界与注意点

  • 匿名实体识别依赖模型先验知识加网络交叉验证，存疑时输出 confidence: low，不会强行匹配已知公司
  • 推理观点（如产能上限、毛利率临界线）并非招股书官方陈述，报告会强制标注"基于披露事实的推理判断"
  • 这是一次性流水线：任务结束即清理中间 JSON，不积累记忆，不做知识图谱
  • 输出语言跟随用户输入，招股书原文语言可与输出不同

使用场景

  • 投资分析团队面对刚提交的几百页招股书，需要快速拆解其中「智能化整体解决方案」背后的真实赚钱逻辑与核心风险。
  • 私募研究员在研究标的背景时，招股书中对前五大客户进行了脱敏处理，需要利用网络交叉验证还原这些实体的真实身份以评估集中度风险。
  • 券商研究员撰写行业研报时，需要质疑招股书中「细分品类排名第一」这类带限定词的表述，剥离修饰定语以还原真实的行业竞争格局。
  • 咨询顾问同时分析多份招股书时，借助三层 Token 流水线跳过全文直读，在提取关键财务与业务数据的同时将推理成本控制在合理范围内。

适合人员

  • 二级市场投资人——需要在阅读招股书时快速判断公司商业模式的优劣与盈利真实性，而非被官方话术误导的投资者。
  • VC/PE 分析师——需要在尽职调查阶段从招股书中抽取供应商、客户等事实数据，并对脱敏实体进行交叉验证的投研人员。
  • 投行/咨询顾问——需要批量拆解招股书、撰写行业研究报告，并在报告中剥离定语还原真实竞争格局的专业人员。
  • 财经媒体记者——需要核查拟上市公司宣传的行业地位是否准确，并通俗解读其招股书中核心业务逻辑的采编人员。