xbtlin
xbtlin/ai-berkshire
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/xbtlin/ai-berkshire --skill industry-research命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
AI Berkshire skill: 时代α捕手：高增长核心资产的识别-验证-持有框架. Source: skills/era-alpha.md.
AI Berkshire skill: 投资研究：巴菲特-芒格-段永平-李录 四大师综合分析框架. Source: skills/investment-research.md.
AI Berkshire skill: 看懂XX公司（深度公司系列）：3-8 篇长文拆一家公司. Source: skills/deep-company-series.md.
基于 SOC 职业分类
正在显示 SKILL.md
| name | industry-research |
| description | AI Berkshire skill: 行业投资研究：产业链全景扫描 + 四大师个股分析框架. Source: skills/industry-research.md. |
This skill is generated from skills/industry-research.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.对 $ARGUMENTS 行业进行系统化产业链投资研究。
从一个投资主题/逻辑链出发，完成：
用箭头链路表达从"底层趋势"到"受益标的"的因果关系，例如：
底层趋势 A
→ 导致需求 B
→ 创造瓶颈/刚需 C
→ 受益产业链 D
对逻辑链的每个箭头提出质疑并寻找证据：
| 环节 | 核心假设 | 验证方式 | 数据来源 |
|---|---|---|---|
| A→B | 搜索行业数据/预测 | ||
| B→C | 搜索供需分析 | ||
| C→D | 搜索实际案例/签约 |
列出支撑该逻辑链的已签约/已落地的真实商业事件（而非预测），例如大公司的采购协议、政策文件、行业报告等。
将行业拆解为上游→中游→下游→辅助环节，例如：
上游：原材料/资源开采 → 材料加工/提纯
中游：核心设备制造 → 系统集成/工程建设 → 新技术研发
下游：运营/服务 → 终端客户
辅助：检测/认证 → 维护服务 → 金融工具（ETF/信托）
对每个环节标注：
| 环节 | 商业模式 | 毛利率区间 | 竞争格局 | 壁垒类型 | 周期性 |
|---|---|---|---|---|---|
| 卖资源/卖设备/卖服务/收租 | 垄断/寡头/充分竞争 | 资源/牌照/技术/规模 | 强/中/弱 |
识别产业链中供给最紧张、替代最难、利润率最高的环节——这些往往是最佳投资标的所在。
行业研究中，AI数据偏见会以独特方式放大：
行业级偏见：
| 偏见类型 | 表现 | 应对 |
|---|---|---|
| 成熟行业偏好 | 传统行业（银行/能源/消费）资料极多，AI分析看起来"更确定" | 确定性来自商业模式，不来自研报数量 |
| 新兴行业低估 | 新行业（AI应用/合成生物等）资料少，AI分析偏保守 | 用"终局思维"而非"当前数据"判断行业价值 |
| 龙头偏好 | 大公司资料远多于小公司，AI天然倾向推荐龙头 | 小公司可能有更好的风险回报比，不要因为AI分析篇幅短就忽略 |
| 上市偏好 | 只扫描上市公司会遗漏产业链中的关键未上市玩家 | 必须搜索未上市公司，标注"未来IPO候选" |
| 英文偏好 | AI对英文资料的处理能力更强，可能低估中国/亚洲市场玩家 | 必须同时搜索中英文信息源 |
产业链扫描中的反偏见措施：
使用 Task 工具启动后台 Agent，全面搜索该行业所有上市公司。
按产业链环节分类，每个环节一张表，包含所有扫描到的公司。 再按投资确定性分层：
对每个产业链环节的Tier 1和Tier 2公司，执行以下分析（Tier 3/4公司简要点评即可）：
用五类护城河评分（★1-5）：
| 护城河 | 强度 | 证据 |
|---|---|---|
| 品牌/定价权 | ||
| 转换成本 | ||
| 网络效应 | ||
| 规模效应 | ||
| 技术/牌照壁垒 |
追问：10年后护城河还在吗？
用★1-5标注：
| 风险 | 概率 | 影响 | 应对策略 |
|---|---|---|---|
| 投资逻辑链的某个环节被证伪 | |||
| 替代技术出现 | |||
| 政策/监管黑天鹅 | |||
| 需求周期性回调 | |||
| 估值泡沫破裂 |
找到历史上类似的产业链投资主题，分析其最终结局：
按以下结构输出：
| 层级 | 仓位占比 | 标的 | 所属环节 | 核心逻辑 |
|---|---|---|---|---|
| 核心仓位 | 占主题仓位50-60% | 最确定、护城河最宽 | ||
| 卫星仓位 | 占主题仓位25-35% | 弹性较大、确定性稍低 | ||
| 期权仓位 | 占主题仓位5-15% | 高风险高回报，可以归零 | ||
| ETF替代 | 可替代以上全部 | 不想选股的"懒人方案" |
| 信号类型 | 具体条件 |
|---|---|
| 加仓信号 | |
| 减仓信号 | |
| 清仓信号 |
根据投资逻辑链的确定性和风险程度，建议该主题占总仓位的上限百分比。
| 维度 | 结论 | 信心度 |
|---|---|---|
| 投资逻辑链（验证程度） | ||
| 最佳环节（段永平"对的生意"） | ||
| 最宽护城河（巴菲特） | ||
| 最大风险（芒格） | ||
| 文明趋势定位（李录） | ||
| 整体估值水平 |
用引用格式，模拟四位大师对该行业投资机会的点评。
~/[行业名]产业链投资研究报告.md报告写入后，执行数据抽检，通过方可发布：
# 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。