write-report

name	write-report
description	按照国泰君安五步法（信息差->逻辑差->预期差->催化剂->结论+风险闭环）撰写深度分析研报。Agent 自主规划、迭代搜索、分析输出。
keywords	研报, 分析报告, 五步法, 深度分析, 投资建议, 基本面, 研究报告, 撰写, 写报告, 个股深度, 季报速评, 行业比较, 事件驱动

write-report 技能指南

核心理念

研报撰写由 Agent 自主驱动，而非简单调用脚本。Agent 负责:

1. 规划分析框架和信息需求
2. 通过多轮迭代搜索收集素材（web-search 为主，本地 RAG 为辅）
3. 按五步法框架组织分析
4. 直接在对话中输出 Markdown 格式研报

国泰君安"五步法"框架

步骤	名称	核心问题	信息来源
Step 1	信息差	市场还不知道/忽视了什么关键数据？	web-search + 本地RAG(如有)
Step 2	逻辑差	市场看到数据但推理错在哪里？	Agent 自主分析推理
Step 3	预期差	一致预期 vs 实际偏离多大？可持续吗？	web-search(券商预期) + 财务指标
Step 4	催化剂	什么事件/时间节点会触发价值重估？	web-search(news/policy)
Step 5	结论+风险闭环	投资建议 + 哪个假设失效会导致结论崩塌？	Agent 综合判断

五种研报场景

场景1: 个股深度报告

• 触发词: "深度分析/深度研报/五步法分析 + 某公司"
• 推荐搜索序列:
  1. "{公司名}最新业绩 营收利润" (type=stock)
  2. "{行业}市场格局 竞争分析" (type=general)
  3. "{公司名}竞品对比 市场份额" (type=stock)
  4. "{公司名}分析师评级 目标价" (type=stock)
  5. "{公司名}近期重大事件 催化剂" (type=news)
• 辅助: 本地RAG(如有该股票数据) + ratio_analysis.py

场景2: 季报速评

• 触发词: "季报/刚发了财报/业绩点评"
• 推荐搜索序列:
  1. "{公司名}最新季报业绩" (type=stock)
  2. "{公司名}业绩 市场预期 一致预期" (type=stock)
  3. "{公司名}管理层指引 展望" (type=stock)
• 辅助: 本地RAG优先(如有最新季报PDF) + cross_period.py(跨期对比)

场景3: 行业比较

• 触发词: "对比/比较/谁更好/哪个值得买"
• 推荐搜索序列:
  1. 各公司最新业绩 (type=stock, 多轮)
  2. "{行业}估值对比 PE PB" (type=general)
  3. "{行业}发展趋势 增长前景" (type=general)
• 辅助: peer_compare.py(横向对比财务指标)

场景4: 事件驱动

• 触发词: "政策/新闻/突发事件/听说..."
• 推荐搜索序列:
  1. 事件本身的详细内容 (type=policy/news)
  2. 受益/受损公司筛选 (type=stock)
  3. 类似历史事件的市场反应 (type=general)
• 特点: web-search 为绝对主力

场景5: 财务异常挖掘

• 触发词: "异常/风险/扫描/现金流有问题"
• 推荐搜索序列:
  1. "{公司名}财务风险 异常" (type=stock)
  2. "{公司名}审计意见 关注事项" (type=stock)
• 辅助: ratio_analysis.py(定量检测) + 本地RAG(附注深挖)

可用脚本（辅助工具）

脚本	功能	使用场景
scripts/report_generator.py	将分析内容格式化并保存为 Markdown 文件	用户要求保存研报文件时使用
scripts/five_step_analysis.py	调用LLM做五步法分析（备用）	仅在 Agent 无法自主完成分析时作为备选
scripts/prompts.py	Prompt 模板模块（不直接执行）	-

report_generator.py 使用方式

当用户明确要求保存研报到文件时:

python skills/write-report/scripts/report_generator.py --analysis_file output/分析结果.json --output_dir output/reports/

工作流程

标准流程（Agent 自主驱动）:

1. 规划: 识别分析对象和场景类型，列出五步法每一步的信息需求
2. 搜索: 通过 web-search 多轮迭代搜索，每轮搜索后分析结果并决定是否追加搜索
3. 补充: 按需使用本地 RAG / 财务指标 / 行情数据补充
4. 分析: 按五步法框架组织分析，直接在对话中输出 Markdown 研报
5. 保存（可选）: 如用户要求，使用 report_generator.py 保存文件

关键原则:

• 搜索发现新线索时，主动追加搜索（迭代式研究的核心）
• 每个五步法步骤都要有具体数据支撑，不能空泛
• 结论必须包含风险闭环: "如果XX假设失效，结论将被推翻"

示例对话

示例1: 个股深度分析

用户: "帮我写一份宁德时代的深度分析研报"

Agent 执行过程:

1. 识别场景: 个股深度报告
2. 第一轮搜索: "宁德时代2025年业绩 营收利润" -> 发现: 储能业务增长超预期，动力电池市占率变化
3. 第二轮搜索: "宁德时代储能业务 海外订单 中东" -> 发现: 中东/澳洲大单，储能毛利率高于动力电池
4. 第三轮搜索: "宁德时代 分析师一致预期 目标价" -> 量化预期差
5. 第四轮搜索: "宁德时代 固态电池 技术路线 催化剂" -> 梳理催化剂时间轴
6. 直接在对话中输出完整五步法研报（Markdown 格式）

示例2: 事件驱动分析

用户: "最近半导体大基金三期消息，有什么投资机会？"

Agent 执行过程:

1. 识别场景: 事件驱动
2. 搜索事件: "半导体大基金三期 最新进展" (type=policy)
3. 搜索受益标的: "大基金三期 投资方向 受益公司" (type=stock)
4. 追加搜索: 具体受益公司的业绩和估值
5. 输出: 事件解读 + 受益标的排序 + 催化剂时间轴

示例3: 季报速评

用户: "中芯国际刚发了一季报，帮我点评一下"

Agent 执行过程:

1. 识别场景: 季报速评
2. 先查本地RAG（data/vector_store/ 有中芯国际数据）获取精确财务数据
3. 搜索市场预期: "中芯国际一季报 市场预期" (type=stock)
4. 跨期对比: cross_period.py 看环比/同比变化
5. 输出: 聚焦预期差的快速点评