| name | industry-research |
| version | 1.0.0 |
| description | 行业深度研究 Skill — 面向 VC 的行业与赛道分析工具。
自主搜集权威信源数据，生成基于事实的行业研究报告。
覆盖：行业概览、产业链、竞争格局、技术趋势、政策环境、未来预测。
零编造，全溯源，数据驱动。
|
| author | DZH123553 |
| tags | ["industry-research","market-analysis","VC","due-diligence","sector-analysis"] |
Industry Research Skill
定位
面向风险投资（VC）从业者的行业与赛道深度研究工具。
核心目标：在有限时间内，通过系统性信息搜集与结构化分析，输出一份有洞察、基于事实、数据丰富、语言严谨的行业研究报告。
研究哲学
"We don't make things up. We find things out."
- 事实优先：所有陈述必须有信息来源支撑。无法找到来源的观点，明确标注为"推测"或省略。
- 数据说话：优先使用可量化的数据。无法量化的，使用结构化对比。
- 溯源到底：每个关键数据点标注来源 URL 和可信度等级（高/中/低）。
- 边界清晰：严格区分"已确认事实"、"行业共识"、"分析师预测"、"作者推断"。
- 承认局限：公开信息天然不完整。在报告中明确说明信息缺口和建议的补充调研方向。
六大研究维度 + VC Insight
| 维度 | 英文 | 核心问题 | 关键数据源 |
|---|
| 行业概览与市场规模 | Overview | 行业是什么？有多大？增长多快？ | 咨询报告、政府统计、上市公司财报 |
| 产业链结构与价值链 | Chain | 上下游是谁？利润怎么分？壁垒在哪？ | 行业白皮书、供应链分析、专家访谈 |
| 主要公司与竞争格局 | Companies | 谁在玩？份额多少？模式差异？ | Crunchbase、PitchBook、IT桔子、财报 |
| 技术发展与演进路径 | Technology | 核心技术是什么？走到哪了？下一步？ | 学术论文、专利数据库、技术博客 |
| 政策环境与监管动态 | Policy | 政府支持还是限制？合规成本高吗？ | 政策法规、监管文件、行业协会 |
| 未来趋势与投资启示 | Trends | 方向去哪？风险在哪？值不值得看？ | 多方观点汇总、情景分析 |
| 头部 VC Insight | VC Thesis | 头部机构怎么看？叙事方向是什么？ | a16z、Sequoia、Bessemer、Accel 等 |
头部 VC Insight 搜集要求
在每一篇报告中，必须包含以下头部投资机构对该赛道的观点（如有公开信息）：
优先覆盖的机构（按优先级排序）：
- a16z (Andreessen Horowitz) — 加密/Web3/AI/消费
- Sequoia Capital — 全赛道，尤其关注中国和美国市场
- Bessemer Venture Partners — SaaS/基础设施/AI
- Accel — 早期科技/欧洲和印度市场
- Index Ventures — 欧洲/ SaaS/AI
- Insight Partners — 成长期 SaaS/基础设施
- Benchmark — 早期消费/基础设施
- Y Combinator — 早期创业公司趋势
- Lightspeed — 消费/企业软件/AI
- ** Coatue / Tiger Global** — 晚期/交叉投资
搜集方式：
- 搜索关键词：
{industry} a16z investment thesis / {industry} sequoia capital insight
- 关注机构的官方博客、播客（a16z Podcast、Sequoia Capital Podcast）
- 关注机构合伙人在 Twitter/X、LinkedIn 上的公开发言
- 关注机构被投公司的官方声明和融资新闻稿
报告呈现要求：
- 列出3-5个核心投资论点（Investment Thesis）
- 列出2-3个关键风险担忧（Key Concerns）
- 标注叙事方向（Narrative Direction）：当前市场讲什么故事？这个故事在强化还是弱化？
- 区分"机构官方观点"和"合伙人个人观点"
使用方式
方式一：Python 脚本（自主调研模式）
python industry_research.py "AI漫剧"
python industry_research.py "AI漫剧" --deep
python industry_research.py "Prediction Market" --output ./reports --deep
方式二：Kimi/Claude 协作模式
在 Kimi Code CLI 中：
# 第一步：让 Skill 驱动自主调研
/industry-research 研究行业：Prediction Market
研究深度：深度
# 第二步：基于搜集到的原始数据，进行深度分析
请基于已搜集的数据，重点分析：
1. 产业链利润分配结构
2. 国内外头部公司的商业模式差异
3. 技术成熟度与核心壁垒
4. 监管风险（尤其关注不同司法管辖区的差异）
5. 头部 VC 的投资论点和叙事方向
6. 早期创业公司（A轮及以前）的融资情况、投资方、团队背景
7. 投资机会判断：哪个环节最值得投？为什么？
方式三：手动数据输入模式
当已有特定数据源时，绕过搜索，直接生成报告：
from src.report_generator import ReportGenerator
research_data = {
"industry": "AI漫剧",
"research_date": "2026-04-27T10:00:00",
"dimensions": { ... },
"extracted_data": { ... },
"sources": [ ... ],
}
gen = ReportGenerator(research_data, output_dir="./output")
gen.save()
数据质量标准
可信度分级
-
🟢 高（High）：
- 权威机构：McKinsey、BCG、Gartner、IDC、艾瑞、易观
- 官方数据：政府统计局、上市公司财报、SEC 文件
- 顶级期刊：Nature、Science、IEEE、ACM
-
🟡 中（Medium）:
- 知名科技媒体：36氪、TechCrunch、The Information
- 行业垂直媒体：专注某一领域的深度报道
- 知名智库：Brookings、CFR、清华北大研究报告
-
🔴 低（Low）:
数据使用规则
- 数字必须带出处："市场规模达 100 亿元" → 必须标注来源链接
- 时间必须明确：不使用"近年""近期"，使用"2025年Q1""截至2026年3月"
- 预测必须标注："预计2030年达到" → 标注这是谁/哪个机构的预测
- 不确定性表达：
- 高置信度："数据显示..."
- 中置信度："行业普遍认为..."
- 低置信度："部分分析师推测...（缺乏独立验证）"
- 无法验证："信息不足，无法判断"
报告结构模板
# [行业名称] 行业深度研究报告
> 报告生成时间 | 数据来源统计 | 数据承诺
## 执行摘要（Executive Summary）
- 核心发现（5-8 条 bullet points）
- 关键数据点（带来源）
- 主要提及公司
- 头部 VC 核心论点速览
## 行业概览与市场规模
- 行业定义与边界
- 历史发展阶段
- TAM/SAM/SOM（如有数据）
- 年复合增长率与驱动因素
- 区域分布特征（中国/美国/欧洲/东南亚等）
## 产业链结构与价值链分析
- 产业链图谱（上中下游）
- 核心环节识别
- 价值分配分析
- 进入壁垒评估
- 关键资源与能力要求
## 主要公司与竞争格局
- 头部企业梳理（含海外公司）
- 市场份额（如有数据）
- 商业模式对比矩阵
- 融资历史与估值水平
- 竞争策略差异
## 技术发展与演进路径
- 核心技术栈
- 技术成熟度评估（TRL）
- 专利布局（如有数据）
- 研发投入趋势
- 技术替代风险
## 政策环境与监管动态
- 国内政策梳理
- 国际政策对比（美国/欧洲/东南亚等）
- 监管框架演变
- 行业标准与合规要求
- 政策对竞争格局的影响
## 头部 VC Insight 与投资叙事
- 头部机构投资论点汇总（a16z / Sequoia / Bessemer 等）
- 核心叙事方向（Narrative Direction）
- 关键风险担忧
- 叙事在强化还是弱化？
## 早期创业公司扫描（A轮及以前）
> 本章节聚焦 A 轮及以前的早期创业公司，包括：
> - 公司名称、成立时间、总部所在地
> - 核心产品/技术、商业模式
> - 融资历史（轮次、金额、投资方）
> - 团队背景（创始人履历、核心技术团队）
> - 与头部公司的差异化定位
> - 潜在风险与亮点
### 公司一：[公司名]
- **成立时间**：YYYY-MM
- **总部**：城市，国家
- **核心产品**：一句话描述
- **融资历史**：
- Seed轮：$X M，投资方：[机构A, 天使B]
- Pre-A轮：$X M，投资方：[机构C]
- **团队背景**：创始人 [姓名]，前 [公司] [职位]，[学历/成就]
- **差异化**：与头部公司相比的独特定位
- **亮点/风险**：
（重复格式覆盖 3-8 家早期公司）
## 未来趋势与投资启示
- 技术演进方向（基于事实推演）
- 市场变化趋势
- 潜在风险因素
- 对投资人的启示
- 信息缺口与建议补充调研方向
## 研究方法说明
- 数据来源列表
- 数据质量分级标准
- 重要声明（非投资建议）
## 附录：完整信息来源索引
- 所有来源按可信度排序
依赖安装
pip install -r requirements.txt
依赖项：
duckduckgo-search>=7.0.0 — 匿名搜索引擎beautifulsoup4>=4.9.0 — HTML 解析requests>=2.25.0 — HTTP 请求python-docx>=0.8.11 — Word 文档生成lxml>=4.6.0 — XML/HTML 解析加速
注意事项
- 网络环境：脚本使用 DuckDuckGo 搜索，部分网络环境可能需要代理。
- 请求频率：默认 1 秒间隔，防止被封。可根据网络情况调整
--delay。
- 信息时效：搜索结果反映的是网络索引状态，可能存在数天至数周的滞后。
- 中文搜索：对于中文行业术语，建议使用中文搜索词以获得更精准结果。
- 深度模式：
--deep 会抓取页面完整内容，耗时增加 3-5 倍，但信息更丰富。
扩展建议
- 接入付费数据库：将
research_engine.py 中的搜索模块替换为 Wind、Bloomberg、Crunchbase API，可大幅提升数据质量。
- 多语言支持：当前支持中英混合搜索，可扩展日文、韩文等多语言信源。
- LLM 增强分析：在数据搜集完成后，接入 LLM 进行深度洞察提取（需注意防止幻觉，要求 LLM 仅基于提供的数据做分析）。
- 可视化增强：增加产业链图谱、竞争格局矩阵、技术成熟度曲线的自动绘图功能。
License
MIT — 自由使用、修改和分发。
免责声明：本 Skill 生成的报告仅供研究参考，不构成任何投资建议。使用者应自行核实关键数据并承担决策责任。
