行业报告智能解析器
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_09b191d8/report-insight-parser。
技能介绍
要解决的问题
一个 100 页的券商研报 PDF,问题往往不在"读不完",而在"查不回":某个结论出自第几页、数据和图表依据、机构口径如何推导得出。逐页重读固然可行,但真正的开销在三处:把版式噪声(页眉、页脚、图注)与正文区分开;把零散证据重组为可检索的章节、观点、数字与风险;并把"报告说了什么"和"我们据此该做什么"分开。
工作原理
- 文字层检测:脚本用 PyMuPDF 提取每个文本块的位置、字号与字体,统计文字覆盖率。要做 OCR 的扫描 PDF 会被直接拒绝;若 wheel 未安装,脚本会明确提示您手动安装
requirements.txt,继续流程。 - 结构化标题:多信号候选生成
structure-candidates.json,模型根据书签、目录编号与版式语义确认最终标题树document-structure.json,而不是按固定页数切块。 - 逐章分析:以二级标题为单元分批处理,每章写入
chapter-results/*.json;已有章节可跳过,用于恢复运行。 - 跨章节组卷:
integration-result.json合并重复观点,构建因果关系,并列展示数据冲突而不自行裁决,汇总重要数字、企业、机会与风险。 - 主张与证据审计:核心结论和关键数据必须 100% 有原文支撑。未支撑的结论直接从 HTML 移除,证据不足的降级标注,冲突的数据进入独立的冲突模块。
- 生成:
generate_processing_report.py汇总全部 JSON 状态,生成processing-report.md,记录覆盖率、核验、审计与发布判定结果。
边界
- 仅限原生电子 PDF(可含文字层);无可靠文字层的需先做 OCR。
- 图表仅识别编号、标题和正文解释;不重绘数据点,也不猜测模糊数值。
- 仅对 3-5 个时效性强的事实(公司状态、政策更新)做抓取验证,默认关闭;验证结果不等于报告发布者的观点。
- 每次运行只处理一份 PDF;使用台式扫描 PDF 无法替代人工判断,最终决策仍需结合原文和人类判断。
使用场景
- 分析师拿到一百页券商研报,需要在会前产出核心观点、证据页码与未核验风险清单。
- 咨询顾问收到咨询公司PDF,要按章节抽取依据并生成可回溯原文的跨章对比与行动建议。
- 投资研究员面对英文行业报告,需要把图表趋势和关键数据合并成中文底稿并标注置信度。
- 项目经理评审市场报告,要离线查看结构化HTML、核验状态和披露的已知限制再提交客户。
适合人员
- 每周要从上百页券商研报中提炼核心观点与风险清单的券商或咨询行业研究员
- 需要核验时效性关键事实并形成可回溯决策依据的投资研究员
- 发布前须复核主张—证据审计结果、数据冲突与已知限制的审计或合规岗位
- 需要在会前拿到附原文页码、冲突提示与行动建议的离线结构化摘要的项目经理