industry-research

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."

1. 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。
2. 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。
3. 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）。
4. 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"。
5. 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）：

1. a16z (Andreessen Horowitz) — 加密/Web3/AI/消费
2. Sequoia Capital — 全赛道，尤其关注中国和美国市场
3. Bessemer Venture Partners — SaaS/基础设施/AI
4. Accel — 早期科技/欧洲和印度市场
5. Index Ventures — 欧洲/ SaaS/AI
6. Insight Partners — 成长期 SaaS/基础设施
7. Benchmark — 早期消费/基础设施
8. Y Combinator — 早期创业公司趋势
9. Lightspeed — 消费/企业软件/AI
10. ** 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）

# 基础模式 — 快速扫描
python industry_research.py "AI漫剧"

# 深度模式 — 抓取完整页面内容
python industry_research.py "AI漫剧" --deep

# 自定义输出目录
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": { ... },  # 手动填充的结构化数据
    "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）:

  • 自媒体、未经验证的博客
  • 匿名论坛帖子
  • 营销软文

数据使用规则

1. 数字必须带出处："市场规模达 100 亿元" → 必须标注来源链接
2. 时间必须明确：不使用"近年""近期"，使用"2025年Q1""截至2026年3月"
3. 预测必须标注："预计2030年达到" → 标注这是谁/哪个机构的预测
4. 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

1. 网络环境：脚本使用 DuckDuckGo 搜索，部分网络环境可能需要代理。
2. 请求频率：默认 1 秒间隔，防止被封。可根据网络情况调整 --delay。
3. 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。
4. 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。
5. 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

1. 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。
2. 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。
3. 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）。
4. 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。