investment-team

name	investment-team
description	AI Berkshire skill: 投研团队：四角色并行分析框架. Source: skills/investment-team.md.

Codex adapter note

This skill is generated from skills/investment-team.md so Claude Code and Codex users share one canonical workflow.

• Treat $ARGUMENTS as the user's request in the current Codex thread.
• When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.
• Use shared project tools from tools/ in this repository. Prefer running commands from the repository root with paths like python3 tools/financial_rigor.py ...; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.
• Before starting research, run the date command to confirm today's date; treat it as the baseline for "latest" data and state the data cutoff date in the report header. Never assume the current date from training data.
• Preserve the research quality rules from AGENTS.md: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.

投研团队：四角色并行分析框架

对 $ARGUMENTS 进行团队化投资研究分析。使用 Team 工具创建真正的多Agent并行研究团队。

执行流程

第一步：展示团队框架

向用户展示以下团队结构，确认后启动：

角色	职责	分析框架
team-lead（你自己）	统筹协调、汇总研判、输出最终报告	四大师综合框架
business-analyst	商业模式 & 护城河分析	段永平视角
financial-analyst	财务报表 & 估值分析	巴菲特视角
industry-researcher	行业格局 & 竞争态势	芒格视角
risk-assessor	风险评估 & 管理层研判	李录视角

第一步半：AI研究偏见评估

在创建团队前，先向用户展示该公司的"AI可研究性"评估：

信息丰富度评级（决定研究策略）：

等级	特征	研究策略调整
A级（信息充裕）	上市多年、券商覆盖广	团队重点放在反面检验和非共识视角，避免输出与市场一致的"正确的废话"
B级（信息适中）	上市不久、覆盖有限	每个Agent的推算数据必须标注置信度，team-lead汇总时标注"数据充分度"
C级（信息稀缺）	冷门/新上市/新兴市场	团队转为"第一性原理模式"：不追求报告完整性，聚焦商业本质的几个核心问题

关键提醒：资料多≠确定性高，资料少≠确定性低。AI能输出的置信度 ≠ 投资的真实确定性。确定性来自商业模式本身，不来自资料数量。

将评级结果告知每个Agent，影响其研究方式。

第二步：创建团队

使用 TeamCreate 创建团队：

• team_name: {公司名}-research（英文小写，如 meituan-research）
• agent_type: team-lead

第三步：创建4个任务

使用 TaskCreate 创建以下4个任务（每个都要有 subject、description、activeForm）：

任务1：商业模式分析

• subject: 分析{公司名}商业模式、护城河与用户价值
• description 包含：
  1. 商业模式本质：核心生意定义、收入结构拆解
  2. 平台/产品飞轮效应如何运转
  3. 护城河分析：品牌/转换成本/网络效应/规模效应/技术壁垒，逐一验证
  4. 用户/客户价值：为各方创造了什么独特价值
  5. 业务矩阵与协同效应
  6. 段永平"好生意"标准评估：差异化、定价权、可持续竞争优势
  7. 要求搜索最新财报、行业报告等公开信息

任务2：财务与估值分析

• subject: 分析{公司名}财务数据、盈利能力与估值
• description 包含：
  1. 近3-5年营收、净利润、经营利润趋势
  2. 盈利能力指标：ROE、ROA、毛利率、经营利润率
  3. 现金流分析：经营性现金流、自由现金流、资本开支
  4. 资产负债表健康度：现金储备、负债率、流动性
  5. 估值分析：PE/PS/PB/EV等，与历史及同业对比
  6. 安全边际评估：内在价值 vs 当前股价
  7. 金融严谨性验证（必须使用Bash调用工具，禁止心算）：
     • 市值验算：python3 tools/financial_rigor.py verify-market-cap --price {价格} --shares {股本} --reported {报告市值} --currency {币种}
     • 估值验算：python3 tools/financial_rigor.py verify-valuation --price {价格} --eps {EPS} --bvps {每股净资产}
     • 关键数据交叉验证：python3 tools/financial_rigor.py cross-validate --field {字段} --values '{JSON}' --unit {单位}
     • 三情景估值：python3 tools/financial_rigor.py three-scenario --price {价格} --eps {EPS} --shares {股本亿} --growth {乐观} {中性} {悲观} --pe {乐观PE} {中性PE} {悲观PE}
     • 将工具输出结果直接嵌入报告中作为验证记录

任务3：行业与竞争分析

• subject: 分析{行业}行业格局与{公司名}竞争态势
• description 包含：
  1. 行业规模与增长：市场规模、增速、渗透率
  2. 竞争格局：主要对手市场份额、竞争策略对比
  3. 核心竞争者威胁评估：逐个分析主要竞争对手
  4. 各细分赛道格局
  5. 行业趋势：技术变革、政策影响、新进入者
  6. 产业链分析：上中下游价值分配
  7. 要求搜索最新行业数据和竞争动态

任务4：风险与管理层评估

• subject: 评估{公司名}投资风险与管理层质量
• description 包含：
  1. 管理层评估：CEO能力圈、诚信度、战略眼光、资本配置能力、历史决策质量
  2. 监管风险：当前及潜在监管影响
  3. 竞争风险：各竞争对手威胁程度评估
  4. 业务风险：新业务亏损、扩张不确定性
  5. 宏观风险：经济周期、行业周期影响
  6. 治理结构：股权结构、关联交易、股东回报政策
  7. 长期确定性：10年后公司会怎样？什么可能颠覆其商业模式？
  8. 要求搜索最新监管动态、管理层言论等

第四步：启动4个并行Agent

使用 Task 工具同时启动4个Agent（必须在同一条消息中并行调用）：

每个Agent的配置：

• subagent_type: general-purpose
• run_in_background: true
• team_name: 对应团队名
• name: 对应角色名（business-analyst / financial-analyst / industry-researcher / risk-assessor）

每个Agent的prompt模板：

你是{公司名}投研团队中的"{角色中文名}"，负责从{大师名}投资视角分析{公司名}。

请完成任务 #{任务编号}：{任务subject}

具体要求：
{任务description的内容}

**研究方法**：
- 使用 WebSearch 搜索最新公开信息（财报、行业报告、新闻）
- **财务数据必须来自两个独立来源**，按 `skills/financial-data.md` 规范执行（美股：macrotrends+stockanalysis；港股：aastocks+macrotrends；A股：东方财富+巨潮资讯），两源误差>1%须标记
- 确保数据准确，关键数据标注来源
- 分析要深入，不流于表面

**输出要求**：
- 报告要详尽，使用Markdown表格呈现关键数据
- 每个分析维度要有明确结论和评分
- 报告末尾要有该维度的总体结论

**完成后**：
1. 使用 TaskUpdate 将任务 #{任务编号} 标记为 completed
2. 通过 SendMessage 把完整分析报告发送给 team-lead（type: "message", recipient: "team-lead"）

第五步：接收报告并跟踪进度

• 向用户实时展示进度表（哪些Agent已完成、哪些仍在研究中）
• 每收到一份报告，更新进度并展示该报告的核心要点（3-5条）
• 等待全部4份报告到齐

第六步：关闭团队成员

全部报告收到后，向4个Agent发送 shutdown_request（使用 SendMessage，type: "shutdown_request"）。

第七步：汇总最终报告

综合4份分析报告，输出以下结构的最终报告：

---

1. 一句话结论

用一段话（50-100字）概括是否值得投资及核心逻辑

2. 四维评分总表

维度	框架	评分(1-5星)	核心判断

综合评分：X / 5

3. 核心数据速览

关键财务和经营指标表格（近2年对比）

4. 各维度分析摘要

每个维度摘取3-5条最重要的发现

5. 投资论点（Bull vs Bear）

• 🟢 看多逻辑（5-7条）
• 🔴 看空逻辑（5-7条）

6. 巴菲特买入前Checklist

| # | 检查项 | 通过? | 说明 | 10个核心检查项，逐一评估

7. 最终投资建议

• 定性判断表（生意质量/管理层/估值/时机）
• 分层操作建议表（激进型/稳健型/保守型 → 建议+价格区间）
• 关键催化剂（加仓信号/减仓信号各3-5条）

8. 总结段落

100-200字的最终总结

---

第八步：保存报告

将完整最终报告写入 ~/{公司名}投资研究报告_{日期}.md（日期格式 YYYYMMDD）。

第九步：数据抽检（准出流程）

# Step 1 — 提取抽检清单（15%随机抽样）
python3 tools/report_audit.py extract \
  --report <报告文件路径>

# Step 2 — 对清单每项从可靠信源取数（参见 skills/financial-data.md）

# Step 3 — 输出准出/打回判决
python3 tools/report_audit.py verdict \
  --results '<填好的JSON>' \
  --report <报告文件名>

【准出】 全部通过 → 报告可发布；【打回】 有不通过 → 修正后重审。

第十步：清理团队

使用 TeamDelete 清理团队资源。

重要注意事项

1. 4个Agent必须并行启动——在同一条消息中调用4次Task工具
2. Agent通过SendMessage汇报——不是文件协作，是消息通信
3. 数据准确性——要求Agent使用WebSearch搜索最新数据，关键数据交叉验证
4. 结论要明确——不回避给出买入/观望/回避建议和具体价格区间
5. 所有分析必须有数据支撑——附数据来源
6. 耐心等待——4个Agent研究需要几分钟，实时向用户更新进度
7. 反偏见意识——team-lead在汇总时必须评估：各Agent的分析是否受限于资料充裕度？是否与市场共识过度趋同？最终报告需包含"信息丰富度评级"和"AI研究局限性声明"
8. 信息稀缺时的诚实原则——宁可在报告中留白标注"数据不足"，也不要用推测填满框架伪装确定性