非上市公司研究

要解决的痛点

对蚂蚁集团、小红书、SpaceX、Stripe 这类未上市公司做研究，最大的麻烦是：没有标准化财报，融资轮次是唯一硬锚点，网上信息还自带幸存者偏差。AI 擅长结构化已有信息，但信息越少，AI 越容易给出虚假保守的结论，或者为了填满报告模板而用"合理推测"伪装成"有据分析"。

框架如何工作

这个技能把研究拆成 6 个并行子任务，由 team-lead 统筹协调：

• business-decoder：拆解商业模式、产品矩阵与用户生态
• financial-detective：拼凑财务数据，用融资估值、可比公司、DCF 情景推演还原真实财务面貌
• competitive-mapper：画出价值链上下游与替代威胁
• risk-governance-analyst：评估管理层、治理结构与全维度风险
• tech-ip-analyst：检验技术壁垒、专利布局、研发护城河
• signal-miner：挖掘招聘、专利、诉讼、App 数据等替代数据

6 个 Agent 并行启动后，team-lead 做交叉验证：数据冲突仲裁、信号一致性检验（比如业务增长叙事是否被招聘趋势佐证）、信息拼图还原，最后输出含六维评分、护城河评分卡、估值区间、风险矩阵和退出路径的完整报告。

适用边界与注意点

这个框架的核心前提是：AI 研究的目标不是消除信息不对称（做不到），而是在有限信息中提取最关键的判断依据。因此：

• 每个数据点必须标注置信度（🟢高/🟡中/🔴低），让读者自己判断
• 严格区分"可验证的事实"与"AI 的推理"，用不同格式标注
• 对于信息极度稀缺的公司，切换为"第一性原理模式"：不追求报告完整，只回答需求真伪、团队优势、天花板、关键验证节点四个核心问题
• 允许诚实留白，直接说"此维度数据不足"，而不是用推测填满表格伪装确定性
• 报告保存为 reports/{公司名}/{公司名}-private-{YYYYMMDD}.md，研究前先跑 date 命令确认数据截止日期