公司深度分析助手（A 股 / 港股）

输入 A 股/港股公司名称或股票代码，默认执行全流程分析，输出双产物：

• MD 深度分析报告（{公司名}_深度分析报告_{YYYYMMDD}.md）
• HTML 投研简报（{公司名}_投研简报_{YYYYMMDD}.html）

单步模式：用户说"看一下 XX 的财务" / "XX 的公司画像" → 只跑对应步骤，输出单文件。

执行模式路由

关键词优先级：financial > profile > full。

路由判定后在对话中展示：

🔍 识别到：{公司全称}（{代码}）· {市场} · 即将进入「{模式}」模式，输出：{文件清单}

Step0：环境准备与数据采集

全部 AI 内部规则（基准年判定、框架选择、权重表、写作硬要求、降级策略）见 references/ai-internal-rules.md，跑报告前必须先读。

0.0 安装依赖

pip install -r <skill_dir>/requirements.txt

核心依赖：akshare（A股/港股三表主力）、requests、pandas、lxml、html5lib；可选：yfinance（港股容错）、matplotlib（图表渲染）。

0.1 公司识别

市场范围：仅 A 股 + 港股。美股 / 未上市公司 → 直接拒绝。

代码识别：

代码规整：所有变体统一为 hk{5位} / sh{6位} / sz{6位} / bj{6位}。

• 公司名模式：WebSearch "<公司名> 股票代码"，然后 $PY scripts/collect_data.py {CODE} 验证。多候选列出 ①②③ 让用户选。
• 代码模式：$PY scripts/collect_data.py {CODE} 反查全称。无效则提示检查。
• 公司名+代码模式：同代码模式验证匹配性，匹配直接进入，不弹确认。

0.2 数据采集

$PY <skill_dir>/scripts/collect_data.py {CODE}

写入 /tmp/{CODE}_data.json。

降级策略（collect_data.py 内置，每数据项独立降级，详见 ai-internal-rules.md）：

• A股：AKShare → 新浪/东财/腾讯 HTTP → WebSearch 兜底
• 港股：AKShare → yfinance(容错) → 东财 emweb HTTP → WebSearch 兜底

衍生项 ebitda（估值用，港股跳过）。每项自动在 _数据源 字段标注实际来源。

批量模式：

$PY <skill_dir>/scripts/collect_data.py --quotes {CODE},{竞对1},{竞对2}      # 批量行情
$PY <skill_dir>/scripts/collect_data.py --finances {CODE},{竞对1},{竞对2}    # 批量财务比率

0.3 定性补充

WebSearch "<公司名> 研报 战略"
WebSearch "<公司名> 公告 管理层 重大事项"

0.4 数据质量评级

• A级：AKShare 全部命中 / B级：1-3 项降级 / C级：多项 WebSearch 兜底，仅定性分析

Step1：公司画像

输入：/tmp/{CODE}_data.json 的 f10、em_info、blocks。

1. 基本信息 + 业务模式标签（按 ai-internal-rules.md §1.0）
2. 主营业务与收入构成
3. 股权结构（前十大股东）
4. 用户规模（条件性触发，规则见 ai-internal-rules.md §1.1）

输出：按 templates/company-profile-template.md 生成 {公司名}_公司画像.md。

Step2：产业链分析

输入：Step1 业务模式标签 + data.json 的 f10.行业分析。

1. 行业大盘：规模 / CAGR / CR5 集中度 / 生命周期
2. 五力分析：按 ai-internal-rules.md §2.0 选框架（A/B/C），加载 references/porter-five-forces-template.md 对应章节执行

每项评级：强/中/弱 + 至少 2 条数据支撑。

Step3：竞争与护城河

输入：data.json 的 reports、quote。

3.1 识别竞对（3-8 家）

核心原则：从"业务模式"和"产业链位置"双维度匹配。先找同行业（高可比），再找上下游/相似业务（中可比），最后是行业参考（低可比）。

步骤：

1. 按营收占比拆目标公司主业（占比最高），可比公司必须对标主业
2. 三层选取：
   • 🟢 高可比：业务模式相同 + 主营行业相同
   • 🟡 中可比：主营行业不同但业务模式类似
   • 🔴 低可比：业务模式差距大，仅作行业参考
3. 每家公司必须给可比性标注 + 理由
4. 行业基准对比不能替代可比公司对比

反例警示：

• ❌ 把行业平均毛利率/PE 当作"可比公司"
• ❌ 把业务模式差距大的公司（如 FPGA 芯片设计 vs 存储分销）放在同一张估值表比较

报告呈现：深度报告 §2.3/§4.1 只列高可比 2 家；§3.6 财务对比列全部可比公司。投研简报不展开可比公司。

3.2 护城河分析

按 ai-internal-rules.md §2.5 选框架（A-F），加载 references/moat-analysis-framework.md 执行。三轮反问机制按数据等级执行（A 级 ≥ 3 轮，B/C 级 ≥ 2 轮）。

3.3 竞争优势综合判断（客户视角 3 问）

Step4：财务四维

输入：data.json 的 lrb / fzb / llb / finance。

1. 按 ai-internal-rules.md §0.1 判定基准年
2. 按 ai-internal-rules.md §3.0 选财务权重
3. 盈利能力 / 偿债能力 / 营运能力 / 成长能力 四维分析
4. 杜邦分解（必做，亏损公司用替代公式）
5. 综合评分

输出：按 templates/financial-analysis-template.md 生成 {公司名}_财务分析.md。

Step5：相对估值

按 ai-internal-rules.md §7.1 选 1-3 种方法。

$PY <skill_dir>/scripts/valuation.py {CODE} peers.json

交叉验证（至少 2 个变体）：偏差 < 15% 取均值，15-30% 标注分歧，> 30% 取更保守估值。

Step6：生成产物

6.0 模板硬约束（最高优先级，生成前必读）

模板中每一个表格、每一个小节都是必填项。 详见 references/ai-internal-rules.md §8.3。 例外：标注「（条件性触发）」的小节（如 §1.4）不适用时完全跳过；模板末尾的「输出前自检清单」是内部工具，禁止输出到报告中。详见 ai-internal-rules.md §8.3.1 和 §8.3.2。

核心规则：

• 模板中的所有表格必须保留。数据不足时单元格填 N/A 或标注 口径差异大，不采纳，禁止把表格变成文字、禁止删除表格行列
• 模板中的小节标题不可删除，无数据时保留标题 + 暂无数据
• 表格列数、列名、行标签与模板完全一致

⚠️ 生成报告后，必须使用模板末尾的「输出前自检清单」逐条内部勾选，未通过则报告不合格。自检清单本身不输出到报告中。

产物映射

写任何文件前，必须先用 Read 读取对应模板完整内容。

清理

rm -f /tmp/{CODE}_data.json