Skill16.1k repo starsupdated 3d ago
deep-company-series
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.
Install in Claude Code
Copygit clone --depth 1 https://github.com/xbtlin/ai-berkshire /tmp/deep-company-series && cp -r /tmp/deep-company-series/codex-skills/deep-company-series ~/.claude/skills/deep-company-seriesThen start a new Claude Code session; the skill loads automatically.
Definition
SKILL.md
## Codex adapter note This skill is generated from `skills/deep-company-series.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. # 看懂XX公司(深度公司系列):3-8 篇长文拆一家公司 为 $ARGUMENTS 撰写一个《看懂XX》深度长文系列(3-8 篇,按公司复杂度定,见"篇数适配"),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》/` --- ## 一、触发场景 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: - 3-8 篇(复杂公司 8 篇约 12 万字,简单公司 3 篇约 3 万字),从认知重置到决策框架完整闭环 - 每篇独立成文(适合单篇分享),但贯穿一套估值/管理层/价格判断 - 写给"愿意花 90 分钟读懂一家公司"的读者,不是写给券商客户 **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`。 --- ## 二、系列篇目模板 ### 篇数适配公司复杂度(先定篇数,再定篇目) **篇数不固定为 8。** 8 篇是腾讯这种"多业务 + 万亿投资组合 + 20 年管理层故事"的公司才撑得起的容量。写之前先问:这家公司有几个能用"一个尖锐问题"独立成文的主轴?有几个写几篇。 | 复杂度 | 特征 | 篇数 | 例子 | |--------|------|------|------| | 高 | 多条业务线各自成生意 + 隐藏资产/投资组合 + 管理层史料丰富 | 7-8 篇 | 腾讯 | | 中 | 2-3 条业务线 + 一个重大时代变量 | 4-6 篇 | — | | 低 | 主业清晰、核心问题少而集中 | **3 篇** | 快手 | **3 篇的标准合并方式**(下面 8 主轴仍是检查清单,全部要覆盖,只是折进 3 篇): | # | 篇名方向 | 折入的主轴 | |---|---------|-----------| | 01 | 你以为你看懂了 X(开篇 + 生意与护城河) | 认知重置 + 护城河 + 利润引擎概览 | | 02 | X 的最大变量(当下叙事/隐藏资产) | 隐藏资产 + AI/时代变量 | | 03 | 多少钱值得买,什么信号必须卖(财务 + 决策终章) | 财务深度 + 管理层要点 + 估值决策 | 判断信号:如果某篇写到一半发现在"凑内容"(同一事实换说法重复出现),说明篇数定多了——合并。反之,某篇超过 12,000 字还塞不下,拆开。 ### 8 主轴全模板(复杂公司用;简单公司当检查清单折叠) | # | 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。 **篇目必须适配公司**:模板是腾讯长出来的,不是套子。某篇没有独立内容(如没有投资组合的公司写不了 04),就替换成该公司特有的主轴(如快手的可灵 AI、电商),或按上面的合并方式折进更少的篇数。判断标准:这一篇能否用"一个尖锐问题"独立成文。 --- ## 二·五、篇内结构模板(从《看懂腾讯》8 篇正文提炼) 每篇不是自由发挥,有固定骨架。共性结构: - **头部引用块**:`> 《看懂X》系列 · 第 0N 篇 · <主轴>`,开篇加阅读时间 - **第一节永远是钩子**:一组反常识数字 / 一条反常曲线 / 一个让市场担心的数字,不写背景铺垫 - **每篇末尾**:`## 本篇要点回顾`(5-8 条,数字与正文严格一致)+ `## 下期预告`(用尖锐问题预告,不剧透结论) - **结尾两行斜体**:`*本文是《看懂X》系列第 0N 篇...*` + `*本系列基于公开信息和价值投资框架研究,不构成任何投资建议。*` 各篇专属骨架: | 篇 | 骨架 | |---|------| | 01 开篇 | 股价被市场反复"重新定性"的历史曲线 → 三个常见错觉(每个用财报数据破)→ "需要同时戴几副眼镜"阅读地图表(链接到 02-08)→ 估值钩子数字表(只留悬念不给结论) | | 02 护城河 | 挑战者失败名单(有名有姓有年份)→ 迁移成本的本质(用户迁不走什么)→ 生态飞轮 → 5 年/10 年后护城河还在吗 → 一个反向思维实验("如果我有 1000 亿能不能复制它") | | 03 利润引擎 | 反常识数字开场 → 核心产品为何长青(拆到定价权层面)→ 增长空间量化(份额路径 + 反面论据:故事不工作的可能)→ 组织能力(为什么能持续出产品)→ 市场为什么低估 → AI/时代变量对本业务的影响 → 5 年后图景 | | 04 隐藏资产 | TOP 持仓表(**只统计未并表部分**,并表的单独说明防双算)→ 会计处理差异(哪些进利润表哪些不进)→ "不会卖 vs 可能减持"分类 → 市场为何打折价(逐条)→ 几个意外发现 → 估算折扣的简单方法 | | 05 AI/时代变量 | 让市场担心的数字 → 分业务拆赢家/输家(严重分化,不给整体结论)→ 关键反问("X 输了单点之争,还能赢吗")→ 5-10 年被绕过的场景推演(逐条反驳或承认)→ 5 个情景 → 未来一年监控信号清单 | | 06 财务 | 一条反常曲线开场 → 利润表(毛利率变化归因)→ 口径选择(Non-IFRS vs GAAP,为什么)→ EPS 与回购 → 资产负债表(净现金)→ 现金流与 FCF Yield → 股东回报按"1 美元测试"→ ROE 变化是好是坏 → 估值横向+历史比较 → 价值投资 10 项 Checklist 逐条过 → 把财报压缩成三句话 | | 07 管理层 | 核心团队表 → 关键人物的长期贡献(用具体决策,不用形容词)→ 利益对齐(持股/薪酬占利润比)→ **诚信检验:挑一次真实危机看应对** → 5 年承诺兑现率(逐条核对当年原话)→ 资本配置纪律 → 接班人隐忧(不回避)→ "买人三问"(诚实/能干/热爱)→ 综合评分 | | 08 决策 | SOTP 分部估值(说清"你买的到底是什么")→ 历史估值分位 + **必须警告"后视镜不是导航仪"** → 未来利润三情景表(乐观/中性/保守 + 隐含增速,标明"是预测不是事实")→ 红线清单(触发≠必卖,但必须重审)→ 赔率思维收尾 | --- ## 三、写作风格规范 ### 语气 - **直接、犀利、不说废话**——第一句就给数字或反常识结论 - **价值投资框架**——巴菲特/芒格/段永平/李录视角穿插(但不堆砌名言) - **不预设立场**——先摆数据、再推逻辑、最后得结论 - **呈现正反两面**——每个核心判断都附"但另一方面..."的反方 - **公众号体感**——前 18-20 字必须能独立站住(手机预览) ### 禁用词 | 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 | ### 标题风格 - 用**反差数字**或**反共识结论**做钩子("15 年 7 次挑战全失败"、"年薪 4292 万仅占利润的万分之 1.65") - 副标题中性、概括内容("——`<本质判断>`") - **避免流量党比喻**:"小巴菲特"、"中国版 X"、"YYDS" 一律避开 - 用专业读者熟悉的术语("伯克希尔"而不是"巴菲特",公司名优于人名) --- ## 四、严苛事实核查 Checklist(核心 IP) ### 写之前就要警惕的"伪精确"陷阱 1. **概率加权期望值**:`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**。 2. **第三方测算 MAU/份额**:QuestMobile/七麦/CBNData 等口径差异巨大(同一时点能差 2-3 倍)。**只用最可信的两个对比作 anchor,其他做定性描述**。 3. **历史增速线性外推**:`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**。 4. **未公开的持股比例**:字节、Halti 类未上市公司持股**从未公开披露**。**给区间,标"不可知"**。 5. **强归因**:竞争对手失败 = 因为 X。多重原因都列出来,**本文不做单一归因**。 ### 修订时必跑的 7 项检查 ``` □ 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)" ``` ### 模型偏好 写之前**先列出已知硬错误风险**: - 历史回报倍数:必须用累计投入口径(如 Riot 33 倍 不是 58 倍) - 持股比例:必须看最新富途/财报口径(如腾讯持有美团 1.5% 不是 6.4%) - "派息分派"会计处理:视同处置收益按 IFRIC 17 在宣派日确认(如京东在 2021,美团在 2022 但金额小) - 总股本会反弹:SBC
More from this repository
bottleneck-hunterSkill
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.
dyp-askSkill
AI Berkshire skill: 段永平问答:以他的方式思考. Source: skills/dyp-ask.md.
earnings-reviewSkill
AI Berkshire skill: 财报精读:一手资料深度解读. Source: skills/earnings-review.md.
earnings-teamSkill
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.
era-alphaSkill
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.
financial-dataSkill
AI Berkshire skill: 财务数据获取与交叉验证规范. Source: skills/financial-data.md.
income-investmentSkill
AI Berkshire skill: Income Investment: Durable and Opportunistic Distribution Analysis. Source: skills/income-investment.md.
industry-funnelSkill
AI Berkshire skill: 行业漏斗筛选:从全市场到 3 家的价值投资精选流程. Source: skills/industry-funnel.md.