Menu
AI Berkshire skill: 深度公司系列：8 篇长文拆一家公司. Source: skills/deep-company-series.md.
Instalar com Codex ou Claude Copie este prompt, cole no Codex, Claude ou outro assistente e deixe que ele revise a página da skill e instale para você.
Baseado na classificação ocupacional SOC
| name | deep-company-series |
| description | AI Berkshire skill: 深度公司系列：8 篇长文拆一家公司. Source: skills/deep-company-series.md. |
This skill is generated from skills/deep-company-series.md so Claude Code and Codex users share one canonical workflow.
$ARGUMENTS as the user's request in the current Codex thread.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.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.AGENTS.md: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.为 $ARGUMENTS 撰写一个 8 篇深度长文系列，发布在公众号/视频号等公开渠道。核心 IP 不是"会写"，而是"会改"——99% 的财经文章在违反本 skill 的事实核查标准。
参考样本：reports/腾讯/《看懂腾讯》/
用户希望为一家公司做"教科书级别"的深度研究，并以系列长文形式公开发布。区别于一篇研报：
不适合用本 skill 的场景：单篇研报、季报点评、行业研究——那些用 /investment-research、/earnings-review、/industry-research。
| # | 篇名模板 | 核心问题 | 字数 |
|---|---|---|---|
| 01 | 你以为你看懂了 X，其实没有 | 认知重置：破 3 个常见错觉 | 4,000-5,000 |
| 02 | X 的护城河——<生意本质一句话> | 护城河深不深、未来 5/10 年还在不在 | 6,000-8,000 |
| 03 | X 的最大利润引擎——<最赚钱业务> | 主业是什么、为什么能持续 | 6,000-8,000 |
| 04 | X 藏在账上的另一家公司——<隐藏资产> | 投资组合 / 子公司 / 隐藏价值 | 8,000-10,000 |
| 05 | AI（或当下叙事）时代，X 是赢家还是输家 | 时代变量：分业务拆 AI 影响 | 8,000-10,000 |
| 06 | 用巴菲特方式拆 X 的财报 | 财务深度：毛利率/FCF/ROE/SBC | 8,000-10,000 |
| 07 | <管理层金句>——X 的管理层值不值得托付 | 资本配置纪律 + 诚信检验 + 接班人 | 8,000-10,000 |
| 08 | 多少钱值得买，什么信号必须卖（系列终章） | DCF 三情景 + 红线清单 + 仓位框架 | 10,000-12,000 |
加一篇 00-系列说明.md 作为目录索引，不发表。
| 禁用 | 原因 | 替代 |
|---|---|---|
| 显然 / 必然 / 一定 | 主观绝对化 | 数据显示 / 证据表明 |
| 我认为 / 我觉得 | 主观腔调 | 删除或改为"按本框架" |
| 教科书级别 / 神来之笔 | 流量党褒奖 | 描述具体事实 |
| 严重不匹配 / 严重低估 | 强主观词 | 给具体折让百分比 |
| 完美 / 无可挑剔 | 单边判断 | 加上反方观察 |
<本质判断>"）30% × A + 50% × B + 20% × C = 期望 +X% 这种计算几乎全是垃圾——概率分配是纯主观，给读者错误精确感。只列情景 + 触发条件 + 方向，不算加权期望。2025 年 +33% × 5 年复合 → 2030 年 X 是金融文盲式预测。情景假设 + 高/低区间 + 不是承诺。□ 1. 跨篇数字一致性：总市值、Non-IFRS 净利润、关键持股 % 全系列对齐
□ 2. 口径标注：Non-IFRS / GAAP / Non-IFRS-SBC / FCF 各用哪个，全文清楚
□ 3. 重复加计扫描：已并表子公司不在"投资组合"里、SOTP 不双算
□ 4. 横向比较公平性：不能"主业 PE（剔除现金+组合）" vs "对手 PE（不剔）"
□ 5. 概率加权全删：见上一条
□ 6. 绝对化表述全弱化：grep "显然|必然|严重|教科书|完美"
□ 7. 第三方数据来源标注：每条非财报数据后跟"（来源：X）"
写之前先列出已知硬错误风险：
/investment-team 或 /investment-research 先生成内部研究底稿reports/{公司名}/《看懂{公司名}》/0X-XX.md派 Explore agent 并行扫描 8 篇做以下检查：
# 推送前必须本地 grep 一次（按 ai-berkshire 隐私规则）
grep -r "<本机用户名>\|/Users/\|<个人身份信息>" reports/ | head
确认无误后才 git pull --rebase && git commit && git push。
用户给修订意见时，按以下顺序处理：
如果用户说"X 数据不对"，先用 Bash/Read 找原始数据交叉验证：
| 级别 | 类型 | 处理 |
|---|---|---|
| 🔥 硬错误 | 数字错、归因错、口径错 | 必改，不需犹豫 |
| ⚠️ 主观化 | 强主观词、绝对化、流量党比喻 | 弱化或删除 |
| 🔬 颗粒度 | 来源标注、口径细化 | 优先级低，按可读性平衡 |
| ❓ 不可靠 | 第三方测算差异大 | 删比改更稳（用户明确指示） |
修一处先想"哪些地方还会引用这个数字/概念"。例：
推送成功（commit hash）。
[N] 处修订总结 [带表]：
- 改了什么
- 联动改了什么
- 还有什么没改
下一步等指示。
/Users/ / 真实姓名 等隐私字段写《看懂 X 系列》的核心能力 ≠ 写得好，而是改得严—— 89% 的财经长文死于伪精确数字、主观加权期望值、绝对化表述。本 skill 的存在就是为了把这些坑全部标记出来，写之前避开，写之后扫干净。
AI Berkshire skill: 财务数据获取与交叉验证规范. Source: skills/financial-data.md.
AI Berkshire skill: 投资论文漂移检测：分清事实变化与措辞变化. Source: skills/thesis-drift.md.
AI Berkshire skill: 供应链瓶颈猎手：AI驱动的全球产业链瓶颈套利. Source: skills/bottleneck-hunter.md.
AI Berkshire skill: 段永平问答：以他的方式思考. Source: skills/dyp-ask.md.
AI Berkshire skill: 财报精读：一手资料深度解读. Source: skills/earnings-review.md.
AI Berkshire skill: 财报精读团队：四大师并行解读 + 公众号发布. Source: skills/earnings-team.md.