Skipping this step produces a report with mechanical rule-engine output instead of genuine investment analysis. The whole point of this plugin is agent-driven judgment. </HARD-GATE>

核心是：

1. 读 .cache/{ticker}/panel.json 中 65 人的骨架分
2. Spawn 4 个并行 sub-agent 分组 role-play 投资者——让他们真正"扮演"巴菲特/赵老哥思考
3. 用 agent 的判断覆盖 panel.json 中的 headline/reasoning/score
4. 写 agent_analysis.json 到 .cache/{ticker}/ — 这是闭环的关键！

agent_analysis.json 必填字段（缺字段 stage2 会 schema warning/error）：

agent_analysis.json 格式

{
  "agent_reviewed": true,
  "dim_commentary": {
    "0_basic": "建筑央企，主营市政/房建。市值偏小，营收稳但利润率极薄（1.2%），典型低毛利基建股。",
    "1_financials": "ROE 不到 8%，连续 3 年下滑。现金流波动大，应收账款占营收比偏高，回款风险明显。",
    "2_kline": "均线空头排列，MACD 死叉，量能萎缩。典型下跌趋势，不满足 Stage 2 条件。"
  },
  "panel_insights": "65 评委中，价值派集体看空（ROE 太低+无护城河），游资中性（有地方城投概念但板块热度不够），只有少数逆向投资者给出中性偏多。整体共识 32%，偏弱。",
  "great_divide_override": {
    "punchline": "DCF 说高估 23%，但城投重组预期让 LBO 视角的 IRR 仍有 18% — 这个冲突值得关注。",
    "bull_say_rounds": [
      "宁波城投整合预期 + 地方债化解受益，估值有弹性",
      "PB 仅 0.9x，历史底部区间，安全边际够",
      "综合看 62 分，城投故事讲通了就是翻倍"
    ],
    "bear_say_rounds": [
      "ROE 连降 3 年，基建毛利率 8% 是天花板",
      "应收账款 / 营收 > 60%，回款是生死线",
      "综合看 35 分，低质量资产不值得冒险"
    ]
  },
  "narrative_override": {
    "core_conclusion": "宁波建工 · 48 分 · 谨慎。典型地方基建股，ROE 不到 8%、毛利率 8%，靠城投整合讲故事。65 位大佬 12 人看多，29 人看空。DCF 高估 23%，但 LBO 压力测试 IRR 18% — 博弈价值存在但风险更大。",
    "risks": [
      "ROE 持续下滑，连续 3 年低于 8%",
      "应收账款占比过高，回款周期拉长",
      "地方财政压力传导至工程款支付",
      "行业竞争加剧，中标价格战",
      "房建业务受地产下行拖累"
    ],
    "buy_zones": {
      "value": {"price": 3.85, "rationale": "PB 0.8x · 历史底部 + 净资产折价"},
      "growth": {"price": 4.10, "rationale": "城投整合落地前的博弈价"},
      "technical": {"price": 4.25, "rationale": "MA120 支撑位 · 需放量确认"},
      "youzi": {"price": 4.50, "rationale": "城投板块联动时的短线切入点"}
    }
  }
}

stage2() 会自动读取 agent_analysis.json，合并到 synthesis 中。 Agent 写入的字段优先级高于脚本生成的 stub。

Stage 2 · 生成报告

python -c "from run_real_test import stage2; stage2('<ticker>')"

Stage 2 读取你更新后的 panel.json + agent_analysis.json，合并生成 HTML 报告。 如果没有 agent_analysis.json，退化为纯脚本模式（会打印警告）。

快速模式（跳过 agent 介入）

如果用户说"快速分析"或时间紧：

cd <repo_root>
python run.py <股票> --no-browser

这会 stage1 + stage2 一把跑完，不做 agent 分析。速度快但评委判断全是规则引擎的机械输出。

🚀 详细流程（run.py 跑完后的人工审查）

第 0 步 · 识别股票

• run.py 已经自动识别了 ticker 并跑完所有 Task
• 读 .cache/{ticker}/raw_data.json 确认数据
• 向用户汇报："{name} ({ticker}) 分析完成，正在审查数据质量..."

Task 1-3 · 已由 run.py 自动完成

run.py 内部执行了：

这个脚本会：

1. Wave 1 快速 fetcher（basic/kline/financials/valuation）
2. Wave 2 慢速 fetcher（research/events/macro/industry/materials/policy/sentiment/trap）
3. Wave 3 特殊维度（fund_managers, similar_stocks）
4. Task 1.5 自动跑：compute_dim_20/21/22 (DCF/Comps/LBO/3-Stmt/IC Memo/Porter/…)
5. 数据完整性校验（lib/data_integrity.py）
6. 65 评委量化引擎自动执行

脚本跑完后你读 .cache/{ticker}/raw_data.json，向用户汇报：

• 数据快照时间 + 市场状态
• 完整性报告（_integrity 字段）
• 有多少个 fallback 维度
• Task 1.5 的核心输出预览

🧠 逐维数据质量审查（每一步都必须 agent 介入）

脚本只是第一道粗搜。DuckDuckGo 中文搜索经常返回无关结果（搜"宁波建工"返回"宁波旅游攻略"）。你必须逐维审查 + 修复：

审查清单（每条都要过）

审查流程

for each dimension in raw_data.dimensions:
    1. 读数据 → 肉眼扫一遍文字内容
    2. if 内容与公司主营无关 or 明显是垃圾:
        → web search 重新搜（用公司名 + 行业关键词）
        → 用搜索结果替换 raw_data 中的内容
    3. if 数据完全缺失:
        → web search 补充
        → 如果搜不到 → 在报告中标注"数据缺失"而非留空
    4. if 数据看起来合理:
        → 通过，下一个维度

重搜模板

当你发现某个维度数据有问题时，用 web search 重搜：

事件驱动（最容易出垃圾）：

搜索 "{公司全称} {股票代码} 最新公告 合同中标 研发进展 2026"
不要搜 "{城市名}"——只搜公司名和代码

宏观环境（脚本经常搜不到）：

搜索 "中国 {行业} 宏观环境 利率政策 景气度 2026"

护城河（容易搜到字典页）：

搜索 "{公司名} 核心竞争力 技术壁垒 市场份额 护城河"

舆情（短名容易误匹配）：

搜索 "site:xueqiu.com {股票代码}" 或 "site:guba.eastmoney.com {股票代码}"

数据缺失时的升级策略

脚本拿不到数据时，不要留空，按优先级升级：

1. Web search（最快）— 用 WebSearch tool 直接搜
2. 浏览器搜索（更准）— 用 Chrome/browser tool 打开东方财富/雪球，手动查数据
3. 计算推导（兜底）— 从已有数据推算（如 从营收和净利算净利率）
4. 标注缺失（最后手段）— 在报告中明确写"该维度数据暂缺"，不要假装有数据

每个维度都要有内容。如果 22 个维度里有超过 3 个是空的或垃圾，你的报告就是不合格的。

原则：脚本是你的数据采集助手，但你是质量把关人。垃圾数据进报告 = 你的失职。

🧠 你的判断环节（Task 1.5 假设审查）

脚本跑 DCF / LBO / 3-Stmt 用的是默认假设（见 references/task1.5-institutional-modeling.md）：

• Stage 1 growth 10% · Stage 2 growth 5% · terminal g 2.5%
• Beta 1.0 · target debt ratio 30% · tax 25%

你必须审视这些默认值对这只股是否合理：

• 如果是光学/半导体 → beta 应该 1.3+，stage1_growth 可能 15-20%
• 如果是消费白马 → terminal g 可以给到 3%，beta 可以 0.8
• 如果是 ST / 周期低谷 → stage1_growth 负值，别用 10%

如果默认假设明显不对，你应该：

1. 在 Task 4 的叙事里明说: "默认 DCF 用 stage1 10% 偏低，行业实际 18%"
2. 或重跑一次：

from lib.fin_models import compute_dcf
adjusted = compute_dcf(features, assumptions={"stage1_growth": 0.18, "beta": 1.3})

将调整后的数字写入 synthesis.json 的 adjusted_dcf 字段供报告引用。

Task 2 · 22 维打分 + Agent 定性判断 (🤖 脚本 + 🧠 你)

脚本部分：score_dimensions(raw) 给每个维度一个 1-10 打分 + weight。

🧠 你的判断环节（最重要 — 不能跳过）

脚本的打分是"看数字给分"，但很多维度需要你真正理解背后的故事。

推荐做法：对关键维度（财报 / 估值 / 护城河 / 行业），spawn 一个 sub-agent 去做 web search，搜索这家公司的最新深度分析文章：

Agent prompt:
搜索 "{company_name}" 的最新深度分析，重点关注：
1. 最近一个季度的业绩亮点和隐忧
2. 行业竞争格局变化
3. 管理层最近的公开表态
4. 券商研报的核心观点分歧
来源：雪球 / 东方财富 / 券商研报 / 财经媒体

用搜索结果来写每个维度的定性评语——这样你的评语是基于真实信息的判断，不是对着数字编故事。

每个维度你都要写一条 1-2 句话的定性评语，回答 5 个问题：

1. 数据可信吗？ (数据源 / 时效 / fallback 比例)
2. 数字背后的故事是什么？ (光看 ROE 11.8% 不够 — 为什么从 18% 掉到 11.8%？)
3. 与同行比怎么样？ (peer comparison 里它排第几)
4. 有哪些结构性问题？ (一次性损益 / 关联交易 / 存货堆积)
5. 对论点影响大吗？ (这维度该加权还是降权)

把你的评语写到 synthesis.json 的 dim_commentary 字段，格式：

"dim_commentary": {
  "1_financials": "ROE 从 2021 年的 18% 掉到 2024 年的 11.8%，主因是…（你的解读）",
  "2_kline": "Stage 2 但距 60 日高点仅 -5%，动量接近顶部…",
  ...
}

没有评语的维度会被标红显示 ⚠️ 未分析，所以别跳过。

Task 3 · 65 评委审判 (🧠 Agent 主导 · 规则引擎仅为参考)

核心原则：每个投资者的判断不是"跑公式"，而是 Claude 真正站在这个人的角度思考。规则引擎给出量化参考分，最终判断由你做。

详细架构见 references/task3-agent-evaluation.md

Step 3.1 · 跑规则引擎获取骨架分

run_real_test.py 已经自动完成了三层评估（investor_knowledge.py 现实检验 → investor_criteria.py 规则打分 → 合成）。读 .cache/{ticker}/panel.json 拿到结果。

Step 3.2 · Spawn 并行 Sub-Agent（核心步骤）

你必须 spawn 4 个并行 sub-agent（用 Agent tool），每个负责一组投资者。不是让他们跑脚本，而是让他们 role-play 这些投资者做判断：

Agent 1 · 价值 + 成长派（巴菲特/格雷厄姆/费雪/芒格/邓普顿/卡拉曼/林奇/欧奈尔/蒂尔/木头姐 · 10 人）

你要扮演 10 位投资大佬，逐一对 {stock_name} ({ticker}) 给出判断。

公司数据摘要：
{raw_data 的关键数据：价格/PE/ROE/行业/护城河/FCF/增速/估值分位...}

规则引擎参考分（仅供参考，你可以覆盖）：
{每人的 rule_score + pass_rules + fail_rules}

真实世界信息：
{investor_knowledge 里的持仓/行业亲和度}

要求：
1. 对每个人，先想"如果我是他，看到这些数据，我会怎么想？"
2. 巴菲特看苹果 → 他实际持有，这比任何规则都重要
3. 格雷厄姆看科技股 → PE > 15 他就不买，但要解释 WHY，不是只说数字
4. 木头姐看量子 → 她会兴奋，看传统制造 → 她会说"不在我们平台里"
5. 每人输出: {investor_id, signal, score, headline(引用数字), reasoning(2-3句)}

Agent 2 · 宏观 + 技术派（索罗斯/达里奥/马克斯/德鲁肯米勒/罗伯逊 + 利弗莫尔/米内尔维尼/达瓦斯/江恩 · 9 人）

宏观派关心：利率周期/汇率/地缘/大宗商品 对这只票的影响
技术派关心：Stage/均线排列/MACD/成交量/距高点距离

数据：{macro_dim + kline_dim 摘要}

Agent 3 · 中国价投 + 量化（段永平/张坤/朱少醒/谢治宇/冯柳/邓晓峰 + 西蒙斯/索普/肖 · 9 人）

中国价投关心：好生意+好价格+好管理，长期持有
量化关心：因子暴露（动量/价值/质量/波动率）

数据：{financials + valuation + moat 摘要}
真实持仓：{段永平持有苹果/茅台/腾讯，张坤重仓白酒...}

Agent 4 · 游资组（23 人 — 只有 A 股才需要 spawn）

如果这只票不是 A 股 → 直接输出 23 人全部 "skip: 不看{market}市场"

如果是 A 股：
- 市值是否在各人射程内？（赵老哥 > 20 亿、章盟主 > 200 亿...）
- 龙虎榜数据：{lhb_dim}
- 最近涨停板：{kline 最近连板情况}
- 板块热度：{sentiment}
- 每人风格不同：赵老哥打板/章盟主趋势/炒股养家情绪/佛山无影脚快进快出

Step 3.3 · 合并 Sub-Agent 结果

4 个 agent 返回后，你逐一把他们的 {signal, score, headline, reasoning} 覆盖到 panel.json 对应的投资者上。

如果 sub-agent 给的分和规则引擎差 > 30 分，在 panel_insights 里标记为"分歧点"——这本身是有价值的信息（说明量化指标和主观判断不一致）。

Step 3.4 · 整体审查

合并后检查：

1. Great Divide 选角：最高分的 bull 和最低分的 bear 各是谁？他们的 headline 有没有说服力？
2. 派系一致性：价值派全看空但技术派全看多 → 这是结构性分歧，写进 synthesis
3. 异常值：有没有谁的分数明显不合理？（比如巴菲特给苹果 0 分 — 这在新架构下不应该发生了）
4. Skip 统计：多少人 skip 了？如果分析美股，23 个游资全 skip 是正常的

将观察写进 synthesis.json 的 panel_insights。

Task 4 · 综合研判 + 叙事合成 (🧠 你主导)

这是整个流程里最依赖你判断的 Task。脚本只给你原材料，最终叙事必须你写。

🧠 你必须完成的 5 件事

4.1 构建 Great Divide（多空大分歧）

找出最有说服力的多方和最有说服力的空方：

• 从 panel 里选 bull 得分最高 + bear 得分最低的两人
• 读他们的 pass_rules 和 fail_rules
• 让他们"辩论" 3 轮（每轮 2 句话），引用具体数字

4.2 写 3 条核心结论

用 "但是" 结构，不要和稀泥：

• ✅ "ROE 连续 6 年盈利但从未破 15%，典型的长期平庸。" — 有定论
• ❌ "ROE 有起伏，需要观察。" — 废话

4.3 估值三角验证

• DCF 说什么？（dim 20）
• Comps 说什么？
• LBO 说什么？
• 三者冲突时，写出冲突并给出你的解读

4.4 催化剂 + 风险排序

• 从 dim 21 catalyst_calendar 取未来 60 天高影响事件
• 按概率 × 影响度排序 Top 3 催化剂
• 再挑 Top 3 风险（来自 dim 22 IC Memo 的 risks_mitigants）

4.5 四派系买入区间

给出 4 个有说服力的价位：

• 价值派：DCF 内在价 × 0.85 （要 15% 安全边际）
• 成长派：3 年 EPS × 中位数 PE
• 技术派：60 日均线附近 或 Stage 2 起涨点
• 游资派：龙虎榜集中区间

每个价位必须附一句解释。

写入（v2.2 闭环机制）

以上 5 件事全部写入 .cache/{ticker}/agent_analysis.json（不是直接写 synthesis.json！）。

stage2() 的 generate_synthesis() 会自动读取 agent_analysis.json 并合并：

• dim_commentary → 替换脚本占位符
• panel_insights → 写入 synthesis
• great_divide_override → 替换脚本生成的辩论轮次和金句
• narrative_override.core_conclusion → 替换脚本结论
• narrative_override.risks → 替换脚本风险
• narrative_override.buy_zones → 替换脚本买入区间
• agent_reviewed: true → 标记为 agent 已审查

如果你直接写 synthesis.json，stage2() 会覆盖它。 必须写 agent_analysis.json，stage2 会合并。

Task 5 · 报告组装 (🤖 脚本 + 🧠 你的金句)

脚本部分：

python scripts/assemble_report.py {ticker}
python scripts/inline_assets.py {ticker}      # 生成自包含 HTML
python scripts/render_share_card.py {ticker}  # 朋友圈 PNG
python scripts/render_war_report.py {ticker}  # 战报 PNG

🧠 你的金句审查

在调 assemble_report 之前，检查一遍 synthesis.json 中这 5 个字段：

任何一个字段没达标，直接重写后再调脚本。

完成验证

生成的 HTML 报告打开必须满足：

• 无 console error
• 22 维深度卡全部出现（包含新增的 dim 20/21/22）
• 65 评委聊天室 + 审判席都渲染
• Great Divide punchline 不为空
• 杀猪盘等级显示
• 文件大小 > 400 KB（低于说明有大段缺失）

🖥️ Codex / 远程环境适配

如果你在 Codex / Docker / SSH 等无 GUI 环境中运行，使用 run.py 根入口：

# 在仓库根目录
python run.py <股票代码>                   # 自动检测环境，无浏览器时给路径
python run.py <股票代码> --remote          # 完成后启动 Cloudflare Tunnel，生成公网链接
python run.py <股票代码> --no-browser      # 强制不打开浏览器

--remote 模式的工作流：

1. 正常跑完 6 个 Task，生成 HTML 报告
2. 自动启动本地 HTTP 服务器（端口 8976）
3. 调用 cloudflared tunnel 映射到 https://xxx.trycloudflare.com
4. 输出公网链接 — 用户手机扫码 / 发微信就能看报告
5. Ctrl+C 停止服务

Task 0 可选步骤：询问用户环境

在开始分析之前，你可以先问用户：

"你现在在电脑前吗？如果不在，我可以生成一个公网链接方便手机查看。"

如果用户说不在电脑前 → 加 --remote 参数。

Codex / 国产模型 自适配（v2.6 论坛 bug 修复）

非 Claude 平台跑 UZI-Skill 时常见问题已被代码层修复，但 agent 也要主动适配：

Codex 启动时检测：

echo "${CODEX:-${OPENAI_API_KEY:+codex_via_openai}}"

Codex 推荐设置：

• MX_APIKEY=... 必设（push2 在境外更不稳）
• --remote 默认开（生成公网链接，无需 GUI）
• --no-resume 别加（断网了能续）

🎛️ 模式选择

📁 数据契约 & 文件路径

⚠️ agent_analysis.json 是 v2.2 新增的闭环文件。 stage2() 会自动读取并合并到 synthesis 中。如果你不写这个文件，stage2 退化为纯脚本模式（会打印警告）。

详细 schema 见 assets/data-contracts.md。

🔧 工具箱速查

估值建模

• lib.fin_models.compute_dcf(features, assumptions) — DCF + WACC + 5×5 敏感性
• lib.fin_models.build_comps_table(target, peers) — 同行对标
• lib.fin_models.project_three_stmt(features, assumptions) — 5 年 IS/BS/CF
• lib.fin_models.quick_lbo(features, ...) — PE 买方视角 IRR 测试
• lib.fin_models.accretion_dilution(acquirer, target, ...) — 并购增厚/摊薄

研究工作流

• lib.research_workflow.build_initiating_coverage(...) — 机构首次覆盖
• lib.research_workflow.build_earnings_analysis(...) — beat/miss 解读
• lib.research_workflow.build_catalyst_calendar(...) — 催化剂日历
• lib.research_workflow.build_thesis_tracker(...) — 投资逻辑追踪
• lib.research_workflow.build_morning_note(...) — 晨报
• lib.research_workflow.run_idea_screen(features, style) — 5 套量化筛选 (value/growth/quality/gulp/short)
• lib.research_workflow.build_sector_overview(...) — 行业综述

深度决策

• lib.deep_analysis_methods.build_ic_memo(...) — 投委会备忘录 8 章
• lib.deep_analysis_methods.build_unit_economics(...) — LTV/CAC 或毛利拆解
• lib.deep_analysis_methods.build_value_creation_plan(...) — EBITDA 桥
• lib.deep_analysis_methods.build_dd_checklist(...) — 5 工作流 21 项 DD
• lib.deep_analysis_methods.build_competitive_analysis(...) — Porter 5 Forces + BCG
• lib.deep_analysis_methods.build_portfolio_rebalance(...) — 组合再平衡

量化评委 / 规则引擎

• lib.stock_features.extract_features(raw, dims) — 108 标准化特征
• lib.investor_criteria.INVESTOR_RULES — 65 人 236 条规则
• lib.investor_evaluator.evaluate(investor_id, features) — 单人裁决
• lib.investor_evaluator.evaluate_all(features) — 65 人批量
• lib.investor_evaluator.panel_summary(results) — panel 汇总

数据质量

• lib.data_integrity.validate(raw) — 100% 覆盖度校验器

📚 详细参考文档

• references/task1-data-collection.md — 22 维 fetcher 清单 + 并行策略
• references/task1.5-institutional-modeling.md — DCF/Comps/LBO 默认参数与 A 股适配（重要！）
• references/task2-dimension-scoring.md — 打分规则
• references/task3-investor-panel.md — 65 评委规则
• references/task4-synthesis.md — 叙事合成规范
• references/task5-report-assembly.md — 报告组装
• references/fin-methods/README.md — 17 种机构方法论索引
• assets/data-contracts.md — 所有 JSON schema
• assets/quality-checklist.md — 完成前的 checklist

✅ 完成定义

• 6 个 JSON 产物全部落地（raw_data + dimensions + panel + agent_analysis + synthesis + report）
• raw_data.json 完整性覆盖 ≥ 90%
• agent_analysis.json 必须存在且 agent_reviewed: true
• dim_commentary 至少覆盖 15/22 维度（在 agent_analysis.json 中）
• synthesis.json 中 punchline / core_conclusion / debate.rounds / buy_zones / risks 都来自 agent 覆盖（通过 agent_analysis.json 合并）
• HTML 报告打开无 console error
• 金句里包含具体数字
• 杀猪盘等级始终显示

现在开始：从第 0 步识别股票开始。记住 — 你是分析师，不是脚本运行器。