技能介绍

问题：投资研究流程的碎片化

投资研究常需融合多个方法论（如巴菲特护城河、芒格风险视角）和数据处理环节（财报验证、估值验算）。传统方式下，研究者需手动协调多个工具或prompt集合，流程衔接依赖经验，难以标准化复现。尤其当分析维度扩展至行业筛选、财报拆解、持仓跟踪时，手动编排易导致步骤遗漏或方法论混杂，最终输出结论的严谨性与可追溯性不足。

核心能力与执行流程

本技能将21个分散的研究skill整合为统一编排层，核心能力包括：

意图识别：通过 scripts/route.py 确定性脚本将自然语言需求归类为12类标准场景（如个股买入决策、行业研究、财报精读），避免人工分类的主观性。
流水线规划：每个场景对应固定的底层skill执行顺序（如个股分析需依次调用quality-screen去劣、investment-research多视角研究、financial-data验证、investment-checklist决断），输出可追溯的JSON计划。
自动编排与数据闭环：按计划加载底层skill，通过 westock-data 获取A/港/美股实时行情与财报数据，调用 ai-berkshire-tools 中的 financial_rigor.py、report_audit.py 进行精确验算，确保数据口径一致。
决策就绪输出：最终结论遵循「买/不买/观望+关键数据+区间纪律+风险信号」结构，明确标注数据来源与日期，列出实际调用的skill路径供追溯。

执行时需严格遵循「先路由再执行」协议：用户输入自然语言后，先运行路由脚本生成计划，再按步骤取数、调用skill、验算，最终综合各环节结论。例如分析“农业银行是否值得买入”时，需先获取股票代码，依次执行去劣筛选、多大师视角研究、财务交叉验证，最后通过买入前清单生成决策。

适用边界与注意事项

依赖前置环境：需本机具备21个底层skill、ai-berkshire-tools脚本库及westock-data数据接口，单独安装本编排层无法运行。
输出的局限性：所有结论基于公开数据与既定方法论的机械推演，存在模型假设偏差、数据滞后等风险，不构成实际投资建议。
信息完整性要求：若用户未提供标的代码、持仓清单等关键信息，技能会先确认再执行，避免编造数据。
方法论约束：分析框架以巴菲特/芒格/段永平方法论为核心，不涵盖高频交易、技术分析等其他投资流派。