Codex adapter note

This skill is generated from skills/industry-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.

行业投资研究：产业链全景扫描 + 四大师个股分析框架

对 $ARGUMENTS 行业进行系统化产业链投资研究。

研究目标

从一个投资主题/逻辑链出发，完成：

1. 验证投资逻辑链的每一个环节
2. 绘制完整产业链全景图
3. 扫描全球所有上市公司（A股/港股/美股/国际）
4. 对每个细分环节的头部公司执行四大师框架分析
5. 输出行业级投资组合配置建议

第一步：投资逻辑链构建与验证

1.1 画出逻辑链

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

1.2 逐环节验证

对逻辑链的每个箭头提出质疑并寻找证据：

1.3 寻找"已发生的验证事件"

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。

第二步：产业链全景图绘制

2.1 绘制产业链结构

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）

2.2 识别每个环节的"生意特征"

对每个环节标注：

2.3 标记"卡脖子环节"

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。

AI研究偏见自觉：行业研究的特殊陷阱

行业研究中，AI数据偏见会以独特方式放大：

行业级偏见：

产业链扫描中的反偏见措施：

1. 对每个环节，不仅列出"AI容易找到的公司"，还要主动搜索"冷门但可能优质的标的"
2. 对信息稀缺的小市值公司，不因分析篇幅短就降低推荐度——用核心问题（生意本质、护城河、管理层）而非报告长度来评判
3. 在最终报告中标注每家公司的"信息充分度"（A/B/C级），让读者知道AI分析的可靠程度

第三步：全球上市公司扫描

使用 Task 工具启动后台 Agent，全面搜索该行业所有上市公司。

搜索清单

• 美股（NYSE/NASDAQ/NYSE American）相关公司
• A股（上海/深圳）相关公司
• 港股相关公司
• 其他国际市场（日本/韩国/欧洲/澳大利亚等）
• 行业ETF
• 关键未上市公司（可能未来IPO）

对每家公司收集

• 公司名称（中英文）
• 股票代码和交易所
• 市值（近似）
• 一句话描述（在产业链中的位置和作用）
• 是否纯正标的（纯核电 vs 多元化中有核电业务）
• 产业链所属环节

输出格式

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：

• Tier 1：大市值、纯正标的、行业龙头
• Tier 2：中市值、纯正或高占比、细分龙头
• Tier 3：小市值、开发阶段、高风险高弹性
• Tier 4：多元化公司中有相关业务的大型企业

第四步：各环节头部公司四大师分析

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）：

4.1 生意本质（段永平）

• 一句话定义这家公司在产业链中做什么
• 收入结构与增速
• 毛利率/净利率水平及趋势
• 现金流特征
• 追问：这是一门好生意吗？为什么？

4.2 护城河（巴菲特）

用五类护城河评分（★1-5）：

追问：10年后护城河还在吗？

4.3 风险（芒格）

• 这家公司最可能怎么失败？
• 最坏情景下值多少钱？
• 聪明人为什么不买？

4.4 管理层（段永平+巴菲特）

• CEO/创始人是谁？关键决策记录
• 持股比例与利益对齐
• 简评（A/B/C级）

4.5 估值快照

• 当前PE/PS/EV/EBITDA
• 与同环节竞争对手对比
• 简评：贵了/合理/便宜

4.6 推荐度

用★1-5标注：

• ★★★★★ = 核心仓位候选
• ★★★★☆ = 卫星仓位候选
• ★★★☆☆ = 观察名单
• ★★☆☆☆ = 高风险期权
• ★☆☆☆☆ = 不推荐

第五步：行业级风险评估（芒格"检查清单"）

5.1 系统性风险清单

5.2 历史类比

找到历史上类似的产业链投资主题，分析其最终结局：

• 类比行业是什么？
• 最终赢家是谁？（上游/中游/下游？）
• 多数投资者赚钱了还是亏钱了？
• 对当前行业的启示是什么？

5.3 偏误自查

• 叙事偏差：故事是否太完美？
• 锚定效应：是否被近期涨幅锚定？
• 从众效应：是否因为"所有人都在买"？

第六步：文明趋势判断（李录框架）

• 这个行业所依托的底层趋势，是"文明级范式转移"还是"阶段性热潮"？
• 历史上最接近的技术革命类比是什么？
• 10-20年后，这个行业的终局是什么？
• 产业链中，哪个环节最可能出现"赢家通吃"？
• 哪个环节最可能被颠覆？

第七步：投资组合配置建议

7.1 推荐组合

按以下结构输出：

7.2 买入/卖出信号

7.3 主题仓位上限建议

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。

第八步：综合决策备忘录

行业总评表

四位大师模拟点评

用引用格式，模拟四位大师对该行业投资机会的点评。

输出要求

1. 所有分析必须有数据支撑，附数据来源
2. 使用 Markdown 表格呈现关键数据
3. 产业链全景图用代码块的文本图表示
4. 每个环节至少分析2-3家头部公司
5. 全球公司扫描要尽可能完整（A股/港股/美股/国际）
6. 最终将完整报告写入 ~/[行业名]产业链投资研究报告.md
7. 结论要明确，给出具体的标的、仓位和价格区间建议
8. 每个分析模块末尾有对应大师的"追问"

数据抽检（准出流程）

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。