投资团队

痛点：非结构化的投研噪音

在投资研究场景中，面对单一标的，工程师或开发者往往需要快速建立认知框架。然而，通用大模型容易陷入“幻觉”或输出同质化的“正确的废话”——尤其是在资料极度充裕或极度稀缺时，模型的置信度与真实投资确定性往往不成正比。如何避免基于训练数据推测的伪确定性，是构建专业投研 Prompt 的核心难点。

机制：多 Agent 并行与严谨性验证

investment-team 通过四角色并行分析框架（team-lead、business-analyst、financial-analyst、industry-researcher、risk-assessor）模拟投研团队的协作流。

• 研究启动前置条件：在执行任何联网检索前，强制运行 date 命令确认当前日期，作为所有“最新数据”的截止基准，杜绝模型依赖训练数据的时间错觉。
• 并行与隔离：利用 Subagents 在同一上下文中并行启动四个分析视角，分别聚焦商业模式（段永平视角）、财务估值（巴菲特视角）、行业竞争（芒格视角）与风险管理层（李录视角）。
• 确定性计算约束：针对估值与市值验算，强制通过 Bash 调用 tools/financial_rigor.py 进行精确算术运算（如 verify-market-cap、three-scenario），禁止 Agent 进行心算，确保数据推导的严谨性。

适用边界与注意事项

• 工具依赖：该技能依赖仓库内的 tools/financial_rigor.py 脚本与 tools/ 目录，必须在正确的仓库根目录下运行。若当前线程位于仓库外，需先定位实际路径。
• 信息丰富度评级：技能内置了 AI 可研究性评估机制（A/B/C 级）。对于冷门或新上市公司，技能会主动降低报告完整度预期，转而聚焦第一性原理问题，避免用推测填充框架。
• 诚实原则：研究过程强调对数据缺口的暴露，允许在报告中标红“数据不足”，而非强行生成看似完整的伪分析。