private-company-research

## Codex adapter note

This skill is generated from `skills/private-company-research.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.

# 未上市公司研究：多Agent并行深度研究框架

对 $ARGUMENTS 进行团队化深度研究分析。专为蚂蚁集团、小红书、SpaceX、Stripe 等未上市公司设计。

**最终目标**：在信息天然稀缺的条件下，尽可能还原这家公司的**真实价值**——不是市场给的估值，而是生意本身值多少钱。

## 框架特点

未上市公司 vs 上市公司研究的核心差异：
- **无标准化财报**：需多源拼凑、交叉验证
- **估值锚定少**：依赖融资轮次、可比公司法、情景推演
- **信息不对称大**：需要更多"拼图式"研究方法
- **退出路径不确定**：IPO/并购/二级转让均有可能

## AI研究偏见自觉（本框架的核心前提）

未上市公司是AI研究偏见最严重的领域。必须时刻警惕以下陷阱：

**核心矛盾**：AI擅长结构化已有信息，但未上市公司的信息天然稀缺。这会导致：
1. **虚假保守**：因为资料少，AI倾向给出保守/模糊的结论，但资料少≠公司不好
2. **虚假精确**：为了填满报告模板，AI可能用"合理推测"伪装成"有据分析"
3. **对标陷阱**：强行与上市公司对标时，会继承上市公司的估值逻辑，忽略未上市公司的独特价值
4. **幸存者偏差**：网上能搜到的公司信息往往有正面偏向（公司主动传播的多是好消息）

**应对原则**：
- 宁可留白说"不知道"，也不要用推测填满表格伪装确定性
- 每个数据点必须标注置信度（🟢高/🟡中/🔴低），让读者自己判断
- 区分"可验证的事实"与"AI的推理"，用不同格式标注
- 对于信息极度稀缺的公司，切换为"第一性原理模式"——不追求报告完整，只回答几个核心问题：
  1. 这门生意解决什么真实问题？需求是真需求还是伪需求？
  2. 为什么是这个团队？他们有什么独特优势？
  3. 如果成功了，天花板有多高？如果失败了，最可能死在哪里？
  4. 当前阶段的关键验证节点是什么？

**反向利用信息不对称**：市场对未上市公司信息少→定价效率低→恰恰可能是超额收益的来源。AI研究的目标不是消除信息不对称（做不到），而是在有限信息中提取最关键的判断依据。

---

## 执行流程

### 第一步：展示团队框架

向用户展示以下团队结构，确认后启动：

| 角色 | 职责 | 核心视角 |
|------|------|----------|
| **team-lead**（你自己） | 统筹协调、信息拼图、交叉验证、输出最终报告 | 投资决策整合 |
| **business-decoder** | 商业模式拆解 & 产品用户分析 | "这门生意的本质是什么" |
| **financial-detective** | 财务数据拼凑 & 估值推演 | "在信息缺失下尽可能还原真实财务面貌" |
| **competitive-mapper** | 行业格局 & 竞争态势 & 替代威胁 | "谁在和它竞争，谁可能颠覆它" |
| **risk-governance-analyst** | 风险全景 & 管理层/治理/投资人评估 | "什么可能出错，谁在掌舵" |
| **tech-ip-analyst** | 技术栈/专利/研发能力/技术护城河 | "技术壁垒是真是假，能撑多久" |
| **signal-miner** | 替代数据挖掘：招聘/专利/诉讼/App数据/供应链 | "常规信息之外，还有什么蛛丝马迹" |

### 第二步：创建团队

使用 TeamCreate 创建团队：
- team_name: `{公司名}-private-research`（英文小写，如 `ant-group-private-research`）
- agent_type: `team-lead`

### 第三步：创建6个任务

使用 TaskCreate 创建以下6个任务（每个都要有 subject、description、activeForm）：

---

#### 任务1：商业模式与产品用户深度分析
- subject: `拆解{公司名}商业模式、产品矩阵与用户生态`
- activeForm: `分析{公司名}商业模式与用户生态`
- description 包含：

```
## 商业模式深度拆解

### 1. 核心生意定义
- 用一句话定义这门生意的本质（段永平式定义：用最朴素的语言，把这门生意讲给一个聪明但不懂行的人听）
- 公司解决什么问题？为谁创造价值？
- 价值主张与同类产品的差异化
- 这个问题如果公司不存在，用户会怎么解决？替代方案的代价有多高？
- 需求的"刚性"判断：经济下行时用户会砍掉这个支出吗？

### 2. 收入模式拆解
- 收入构成：广告/佣金/订阅/交易抽成/金融服务/SaaS/硬件/授权费等
- 各收入线占比（如有数据）及增长趋势
- 变现效率指标推算：ARPU、Take Rate、广告加载率、转化率等
- 收入质量评估：
  - 经常性收入 vs 一次性收入的占比
  - 收入集中度：前5大客户/渠道占比
  - 收入的可预测性（合同型/订阅型 vs 交易型）
  - 收入确认方式是否合理（有无提前确认收入的迹象）
- 与同业上市公司变现效率对标

### 3. 单位经济模型（UE）推算
- CAC（获客成本）推算：
  - 付费获客 vs 自然增长的占比
  - 分渠道CAC（如有）
  - CAC趋势：随规模增长是上升还是下降？
- LTV（生命周期价值）推算：
  - ARPU × 预期生命周期
  - 考虑交叉销售和升级销售
- LTV/CAC 比值、回本周期
- 边际成本结构：新增用户/交易的边际成本趋势
- 规模经济拐点：何时/是否已过盈亏平衡点

### 4. 产品矩阵与飞轮效应
- 核心产品 + 延伸产品 + 孵化产品
- 飞轮如何运转：网络效应/数据飞轮/规模效应
- 产品之间的协同效应与交叉导流
- 产品生命周期：各产品分别处于哪个阶段
- 产品迭代速度：App/产品更新频率、近12个月重大功能更新

### 5. 商业模式画布（BMC）
用以下9要素完整描述商业模式：
| 要素 | 内容 |
|------|------|
| 价值主张 | |
| 客户细分 | |
| 渠道通路 | |
| 客户关系 | |
| 收入来源 | |
| 核心资源 | |
| 关键活动 | |
| 重要伙伴 | |
| 成本结构 | |

### 6. 用户深度分析
- 用户规模：MAU/DAU（从QuestMobile、Sensor Tower、SimilarWeb等推算）
- 用户增长曲线：处于S曲线哪个阶段（用具体数据论证）
- 用户粘性指标：
  - DAU/MAU 比率（日活/月活比）
  - 平均使用时长、打开频次
  - 次日/7日/30日留存率（如有）
  - 用户增长 vs 留存趋势对比（虚假增长识别）
- 用户画像：年龄/地域/消费力/职业分布
- 用户口碑：
  - App Store/Google Play评分趋势（近12个月变化）
  - 社交媒体舆情分析
  - 知乎/微博/小红书上的用户真实反馈
  - 负面评价的主要集中点
- 用户获取效率：
  - 付费获客 vs 自然增长 vs 口碑传播比例
  - 是否依赖单一获客渠道

### 7. 定价权评估
- 过去3年是否有提价历史？提价后用户流失情况？
- 与竞品的价格对比：是价格领导者还是跟随者？
- 用户对价格的敏感度评估
- 佣金/抽成比例在产业链中的合理性

### 8. 护城河评估
对以下6个维度逐一验证并打分(★1-5)：

| 护城河类型 | 评分 | 证据 | 趋势 | 持久性评估 |
|-----------|------|------|------|-----------|
| 网络效应 | | 用户越多，价值越大？是单边还是双边/多边？ | 加宽/稳定/收窄 | |
| 转换成本 | | 用户迁移到竞品的代价？数据/关系/习惯迁移成本？ | | |
| 品牌心智 | | 品类=品牌？NPS推算？ | | |
| 数据壁垒 | | 数据飞轮是否形成？独有数据资产？数据量级？ | | |
| 监管牌照 | | 是否有准入门槛？牌照获取难度？ | | |
| 规模经济 | | 规模带来的成本优势是否显著？ | | |

综合护城河评级：宽/中/窄/无

### 9. 国际化分析（如适用）
- 海外市场拓展情况
- 国际化收入占比
- 本土化策略与挑战
- 海外竞争格局差异
```

---

#### 任务2：财务数据拼凑与估值推演
- subject: `拼凑{公司名}财务数据并进行估值分析`
- activeForm: `拼凑{公司名}财务数据与估值`
- description 包含：

```
## 财务数据拼凑（侦探式研究）

未上市公司没有标准财报，需要多源拼凑、交叉验证。每一个数据都要追溯到具体来源，标明时间和置信度。

### 1. 数据来源矩阵
**按优先级搜索以下来源**：

| 优先级 | 来源类型 | 具体来源 | 可信度 | 搜索方法 |
|--------|---------|---------|--------|---------|
| 1 | 招股书/监管文件 | SEC Filing、港交所、证监会披露的招股书草案 | 🟢高 | 搜索"公司名 + 招股书/prospectus/IPO filing" |
| 2 | 母公司/关联上市公司财报 | 如阿里年报中蚂蚁数据、Google Cloud年报 | 🟢高 | 搜索母公司年报中的关联披露 |
| 3 | 监管处罚/合规披露 | 央行、证监会、市场监管总局处罚文件 | 🟢高 | 搜索"公司名 + 处罚/罚款/整改" |
| 4 | 债券/ABS发行文件 | 如蚂蚁花呗ABS说明书中的底层数据 | 🟢高 | 搜索"公司名 + 债券/ABS/信托" |
| 5 | 工商登记信息 | 天眼查/企查查的工商年报、实缴资本 | 🟡中高 | |
| 6 | 融资新闻 | 估值、融资金额、投资方 | 🟡中 | 搜索"公司名 + 融资/估值/valuation" |
| 7 | 第三方研报 | 券商、咨询公司、行业协会研报 | 🟡中 | 搜索"公司名 + 研报/report" |
| 8 | 深度媒体报道 | 晚点LatePost、The Information、36氪、Bloomberg | 🟡中 | 直接搜索这些媒体+公司名 |
| 9 | 行业数据推算 | 通过行业总量和市场份额反推 | 🔴低-中 | |
| 10 | 前员工/内部人爆料 | Blind、脉脉、论坛 | 🔴低 | 仅作参考，不作为主要依据 |

### 2. 关键财务指标推算
尽可能推算以下数据，**每个数据点必须标明**：来源、时间、置信度、推算方法。

**收入端**：
- 总收入规模与增速（近3年，年度/季度颗粒度）
- 收入结构拆解（按业务线/产品线）
- 收入增长驱动因素分解：量（用户/交易量）× 价（ARPU/客单价）
- 收入的季节性波动模式

**成本端**：
- 毛利率推算（对标同业上市公司，说明选取逻辑）
- 研发费用率推算（通过员工数 × 人均薪酬，或研发人员占比推算）
- 销售费用率推算（通过获客渠道和投放数据推算）
- 管理