diff --git a/skills/industry-landscape-research/INDEX.md b/skills/industry-landscape-research/INDEX.md new file mode 100644 index 000000000..e8ee2e22a --- /dev/null +++ b/skills/industry-landscape-research/INDEX.md @@ -0,0 +1,155 @@ +# INDEX — industry-landscape-research v2.2.0 + +> 一页式快速索引。完整说明读 [SKILL.md](SKILL.md)。共 70+ 文件，按用途分类。 +> **新手路径**：SKILL.md → workflows/00 → workflows/01 → archetypes/* (+ modifier) → 数据 + 校验 + 可视化 → 交付。 + +## 0. 包根 + +| 文件 | 用途 | +|------|------| +| [SKILL.md](SKILL.md) | 主入口：8 步法 + Archetype + Modifier + Changelog | +| [INDEX.md](INDEX.md) | 你正在看的文件 | +| [assets/showcase.html](assets/showcase.html) | Editorial 暗色展示页 | + +## 1. workflows/ — 步骤 SOP + +| 文件 | 步骤 | 用途 | +|------|------|------| +| [00-execution-plan.md](workflows/00-execution-plan.md) | 0 | Phase 1/2/3 + 并行 Agent 时长估算 | +| [01-research-charter.md](workflows/01-research-charter.md) | 1 | Charter sign-off 模板（含 Today Date Stamp） | +| [02-three-round-search.md](workflows/02-three-round-search.md) | 3 | R1/R2/R3 + 多轮迭代 + Recency Sweep | +| [03-analysis-frameworks.md](workflows/03-analysis-frameworks.md) | 5 | Porter / 7 Powers / Wardley / JTBD | +| [04-coverage-audit.md](workflows/04-coverage-audit.md) | 4 | 覆盖度矩阵 + 🔴🟡 缺口阻断 | +| [05-quant-modeling.md](workflows/05-quant-modeling.md) | 6 | 单位经济、TAM/SAM/SOM、利润池、敏感性 | +| [06-thesis-synthesis.md](workflows/06-thesis-synthesis.md) | 7 | House View / 三情景 / Pre-mortem / Devil's Advocate | +| [07-deliverable-assembly.md](workflows/07-deliverable-assembly.md) | 8 | 6+2 章节标准报告 + 15 项物料清单 | + +## 2. archetypes/ — 行业原型 + +| 文件 | 类型 | 适用 | +|------|------|------| +| [_modifier-rapidly-evolving.md](archetypes/_modifier-rapidly-evolving.md) 🆕 | Modifier | MaaS / AI 编程 / 向量库 / 视频图像生成 | +| [platform.md](archetypes/platform.md) | Base | 双边平台（take rate、liquidity） | +| [saas-vertical.md](archetypes/saas-vertical.md) | Base | 垂直 SaaS（NRR、CAC payback） | +| [marketplace.md](archetypes/marketplace.md) | Base | Marketplace（GMV、take rate） | +| [consumer.md](archetypes/consumer.md) | Base | 消费 App（DAU/MAU、ARPU） | +| [deeptech-hardware.md](archetypes/deeptech-hardware.md) | Base | DeepTech（TRL、专利、BOM） | +| [infrastructure.md](archetypes/infrastructure.md) | Base | 云/基础设施（单位算力成本） | +| [content-media.md](archetypes/content-media.md) | Base | 内容/媒体（子生态、版权） | + +## 3. references/ — 资源库 + +### 通用 + +| 文件 | 用途 | +|------|------| +| [bias-checklist.md](references/bias-checklist.md) | 7 类偏差（含训练截止偏差🆕）+ 推广水文 + 水分识别 | +| [crawl-strategy.md](references/crawl-strategy.md) | 反爬绕路、Wayback、archive.today | +| [dirty-work-playbook.md](references/dirty-work-playbook.md) | 公司名归一、单位换算、汇率快照 | +| [glossary.md](references/glossary.md) | 40+ 行业研究术语词典 | +| [profit-pool.md](references/profit-pool.md) | 利润池图方法 | +| [recency-guardrail.md](references/recency-guardrail.md) 🆕 | 6 道闸门防训练截止偏差 + 5 句魔法 | +| [refresh-cadence.md](references/refresh-cadence.md) | 数据保鲜矩阵 + Catalog 周度档🆕 | +| [rules-of-thumb.md](references/rules-of-thumb.md) | SaaS / 平台 / 硬件 / AI 行业 ratio 红线 | +| [side-channel-intel.md](references/side-channel-intel.md) 🆕 | JD / 专利 / 投资 / GitHub / 应用商店 / Wayback | +| [source-matrix.md](references/source-matrix.md) | 来源等级 + 反爬策略入口 | +| [stack-map.md](references/stack-map.md) | 技术栈分层（模型/服务/应用/基建） | +| [stakeholder-stance.md](references/stakeholder-stance.md) | 利益相关方立场图 | +| [valuation-playbook.md](references/valuation-playbook.md) | 股票代码速查 + 未上市估值法 | +| [value-chain-journey.md](references/value-chain-journey.md) | 客户旅程价值链 | + +### source-recipes/ — 深水行业取数菜谱 + +| 文件 | 行业 | +|------|------| +| [README.md](references/source-recipes/README.md) | 总索引 | +| [maas-and-models.md](references/source-recipes/maas-and-models.md) 🆕 | MaaS / 大模型 API / 多模态 | +| [medical.md](references/source-recipes/medical.md) | 医疗 / 医药 / 器械 | +| [semiconductor.md](references/source-recipes/semiconductor.md) | 半导体 / EDA / IP | +| [auto.md](references/source-recipes/auto.md) | 汽车 / 新能源 / 自驾 | +| [fintech.md](references/source-recipes/fintech.md) | 支付 / 消金 / 数字银行 | +| [energy.md](references/source-recipes/energy.md) | 光伏 / 储能 / 氢能 | + +## 4. schemas/ — JSON Schema + +| 文件 | 用途 | +|------|------| +| [company.schema.json](schemas/company.schema.json) | companies.jsonl 主表 | +| [event.schema.json](schemas/event.schema.json) | events.jsonl 事件流 | +| [source.schema.json](schemas/source.schema.json) | sources.csv 来源表 | +| [racetrack.schema.json](schemas/racetrack.schema.json) | 赛道树 | +| [deliverable.schema.json](schemas/deliverable.schema.json) | 交付物清单 | +| [sku.schema.json](schemas/sku.schema.json) 🆕 | SKU/版本/价格底表 | + +## 5. templates/ — 子 Agent + 计算器 + 可视化 + +### subagent 模板 + +| 文件 | 切片 | +|------|------| +| [subagent-racetrack-scan.md](templates/subagent-racetrack-scan.md) | 按赛道并行 | +| [subagent-company-deepdive.md](templates/subagent-company-deepdive.md) | 按公司深挖 | +| [subagent-cross-validate.md](templates/subagent-cross-validate.md) | 多源验证 | +| [subagent-devil-advocate.md](templates/subagent-devil-advocate.md) | 反方论证 | +| [subagent-quant-model.md](templates/subagent-quant-model.md) | 量化建模 | + +### calculators/ + +| 文件 | 用途 | +|------|------| +| [README.md](templates/calculators/README.md) | 总索引 | +| [unit-economics-calculator.py](templates/calculators/unit-economics-calculator.py) | Python 批处理 LTV/CAC/Payback | +| [unit-economics-calculator.csv](templates/calculators/unit-economics-calculator.csv) | Excel 版 | +| [unit-economics-formulas.md](templates/calculators/unit-economics-formulas.md) | 公式严格定义 + A-D 评分卡 | +| [htm-to-pptx-pipeline.md](templates/calculators/htm-to-pptx-pipeline.md) | pptxgenjs 原生 PPTX 流水线 | + +### visualizations/ + +| 文件 | 类型 | 用途 | +|------|------|------| +| [README.md](templates/visualizations/README.md) | — | 总索引 | +| [landscape-grid.svg](templates/visualizations/landscape-grid.svg) | SVG | 行业全景矩阵 | +| [evolution-timeline.svg](templates/visualizations/evolution-timeline.svg) | SVG | 演进时间线 + S 曲线 | +| [porter-5forces-radar.svg](templates/visualizations/porter-5forces-radar.svg) | SVG | Porter 五力雷达 | +| [wardley-map.svg](templates/visualizations/wardley-map.svg) | SVG | Wardley 演化地图 | +| [value-chain-journey.svg](templates/visualizations/value-chain-journey.svg) | SVG | 客户旅程价值链 | +| [profit-pool.svg](templates/visualizations/profit-pool.svg) | SVG | 利润池图 | +| [tam-sam-som-funnel.svg](templates/visualizations/tam-sam-som-funnel.svg) | SVG | TAM/SAM/SOM 漏斗 | +| [stakeholder-stance.html](templates/visualizations/stakeholder-stance.html) | HTML | 利益相关方 + 散点 | +| [company-deepdive-card.html](templates/visualizations/company-deepdive-card.html) | HTML | 公司深度卡 | +| [valuation-leaderboard.html](templates/visualizations/valuation-leaderboard.html) | HTML | 估值排行榜（IPO 首日 vs 当前） | +| [sku-pricing-matrix.html](templates/visualizations/sku-pricing-matrix.html) 🆕 | HTML | SKU 矩阵 + 跨厂商价格对比 | +| [version-timeline.svg](templates/visualizations/version-timeline.svg) 🆕 | SVG | 8 行 × 24 月版本演进 | + +## 6. scripts/ — 校验与建模 + +| 文件 | 用途 | +|------|------| +| [validate.py](scripts/validate.py) | 纯标准库 JSON Schema 校验器（L1-L4 等级核对） | +| [Makefile](scripts/Makefile) | make validate / validate-strict / unit-economics / all | + +## 7. examples/ — 完整案例 + +| 目录 | 原型 | 修饰符 | +|------|------|--------| +| [ex-aigc-image/](examples/ex-aigc-image/) | Platform + SaaS | — | +| [ex-saas-legaltech/](examples/ex-saas-legaltech/) | Vertical SaaS | — | +| [ex-marketplace-crossborder/](examples/ex-marketplace-crossborder/) | Marketplace | — | +| [ex-deeptech-autonomous/](examples/ex-deeptech-autonomous/) | DeepTech / Hardware | — | +| [ex-maas-llm/](examples/ex-maas-llm/) 🆕 | Infrastructure | 🚨 Rapidly-Evolving Catalog | + +## 触发词速查 + +通用：行业调研 / 行业分析 / 竞争格局 / 全景图 / landscape / 赛道分析 / 市场研究 / 行业报告 / 财报分析 / 招股书 / 价值链分析 / market map + +v2.2 新增（catalog 类）：MaaS 调研 / 模型对比 / SKU 清单 / 价格对比 / catalog / AI 编程工具调研 / 向量数据库选型 / 模型市场 / pricing 对比 + +## 触发 Rapidly-Evolving 修饰符的提问范式 + +- "我想做一个 XXX 模型/工具/平台 的对比调研" +- "帮我列一下市面上所有的 XXX SKU" +- "对比一下各家 XXX 的价格" +- "最新的 XXX 有哪些" +- "XXX 产品矩阵 / 选型 / 替代品" + +→ 加载 `archetypes/_modifier-rapidly-evolving.md` + `references/recency-guardrail.md`，必须主动跑 Recency Sweep + Live Pricing Fetch。 diff --git a/skills/industry-landscape-research/README.md b/skills/industry-landscape-research/README.md new file mode 100644 index 000000000..58bb9b27d --- /dev/null +++ b/skills/industry-landscape-research/README.md @@ -0,0 +1,262 @@ +# Industry Landscape Research — Agent Skill v2.2 + +> A structured methodology that turns an LLM-based agent into a systematic industry analyst. +> 102 files · 85 source assets · 8-step framework · 7 base archetypes + 1 modifier · 6 JSON schemas · 12 visualization templates · 5 domain-specific source recipes + +--- + +## What Is This? + +This is an **Agent Skill** — a portable knowledge package designed to be loaded into LLM-based agents (Claude, GPT, Qwen, etc.) to give them a repeatable, auditable, professional-grade industry research capability. + +Instead of writing a 50-page prompt every time you want an AI to do market research, you load this skill and it knows: + +- How to structure the research (8-step framework) +- What to look for depending on industry type (7 archetypes) +- How to validate data quality (L1-L4 grading + JSON Schema) +- How to avoid common pitfalls (7 cognitive biases, including LLM training-cutoff bias) +- How to produce consistent deliverables (12 visualization templates, editorial dark theme) + +--- + +## The Problem It Solves + +When you ask an LLM "research the MaaS industry", you typically get: + +- Surface-level summaries rehashing Wikipedia +- Outdated model names and prices (training cutoff bias) +- No source citations or data quality grading +- No framework for what "complete" means +- Inconsistent output formats every time + +This skill transforms that into: + +- Structured 8-step research with explicit coverage audits +- Every data point carries a 4-tuple: `{value, source, as_of_date, grade}` +- Blocking gates that prevent the agent from proceeding with incomplete data +- Recency guardrails that force live-fetching for fast-moving industries +- Reproducible deliverable templates + +--- + +## Architecture + +``` +industry-landscape-research/ +├── SKILL.md # Main entry — framework + archetype selector + quick start +├── INDEX.md # One-page file index (this is the map) +├── archetypes/ # 7 base industry archetypes + 1 modifier +│ ├── platform.md # Two-sided platforms +│ ├── saas-vertical.md # Vertical SaaS +│ ├── marketplace.md # Marketplaces +│ ├── consumer.md # Consumer apps +│ ├── deeptech-hardware.md # DeepTech / Hardware +│ ├── infrastructure.md # Cloud / Infra +│ ├── content-media.md # Content / Media +│ └── _modifier-rapidly-evolving.md # ⚡ Overlay for fast-moving catalog industries +├── workflows/ # Step-by-step SOPs +│ ├── 00-execution-plan.md +│ ├── 01-research-charter.md +│ ├── 02-three-round-search.md # Includes R0 Recency Sweep gate +│ ├── 03-analysis-frameworks.md +│ ├── 04-coverage-audit.md +│ ├── 05-quant-modeling.md +│ ├── 06-thesis-synthesis.md +│ └── 07-deliverable-assembly.md +├── schemas/ # JSON Schema for data validation +│ ├── company.schema.json +│ ├── event.schema.json +│ ├── racetrack.schema.json +│ ├── sku.schema.json # v2.2: SKU-level data +│ ├── source.schema.json +│ └── deliverable.schema.json +├── references/ # Deep reference library +│ ├── bias-checklist.md # 7 cognitive biases (incl. training-cutoff) +│ ├── recency-guardrail.md # 6 gates against stale data +│ ├── refresh-cadence.md # Data freshness matrix +│ ├── side-channel-intel.md # 6 alternative intelligence sources +│ ├── source-recipes/ # Domain-specific data sourcing +│ │ ├── maas-and-models.md # MaaS / LLM APIs +│ │ ├── medical.md +│ │ ├── semiconductor.md +│ │ ├── auto.md +│ │ ├── fintech.md +│ │ └── energy.md +│ └── ... +├── templates/ +│ ├── subagent-*.md # 5 sub-agent prompt templates +│ ├── calculators/ # Unit economics (Python + Excel) +│ └── visualizations/ # 12 SVG/HTML editorial dark-theme skeletons +├── scripts/ +│ ├── validate.py # Pure-stdlib JSON Schema validator +│ └── Makefile # make validate / unit-economics / all +└── examples/ # 5 complete worked examples + ├── ex-aigc-image/ + ├── ex-saas-legaltech/ + ├── ex-marketplace-crossborder/ + ├── ex-deeptech-autonomous/ + └── ex-maas-llm/ # v2.2: Demonstrates recency guardrails +``` + +--- + +## The 8-Step Framework + +``` +┌─────────────────────────────────────────────────────────────────┐ +│ 1. Charter Define scope, sign-off, kill criteria │ +│ 2. Decompose Break into racetracks + sub-ecosystems │ +│ 3. Three-Round R0 Recency Sweep → R1 Breadth → R2 Depth │ +│ Search → R3 Fill gaps + cross-validate │ +│ 4. Coverage Quantified completeness gate (🔴 blocks) │ +│ Audit │ +│ 5. Frameworks Porter 5 / 7 Powers / Wardley / JTBD │ +│ 6. Quant Model Unit economics, TAM/SAM/SOM, profit pool │ +│ 7. Thesis House View + 3 scenarios + Pre-mortem │ +│ 8. Deliverable 6+2 chapter report + 15 artifacts │ +└─────────────────────────────────────────────────────────────────┘ +``` + +--- + +## Key Design Decisions + +### Why "Archetypes + Modifiers"? + +A SaaS company and a hardware company require fundamentally different analysis. Rather than one-size-fits-all, the skill has 7 base archetypes (each with mandatory analysis items) plus orthogonal **modifiers** that overlay additional requirements. + +Example: Researching MaaS = `Infrastructure` archetype + `Rapidly-Evolving Catalog` modifier. + +### Why a "Data 4-Tuple"? + +Every single number in the output carries: + +```json +{ + "value": 2.5, + "source": "https://openai.com/pricing", + "as_of": "2026-06-20", + "grade": "L1" +} +``` + +This makes every claim auditable and tells you exactly when it will expire. + +### Why "Training Cutoff Bias" as a First-Class Concern? + +LLMs confidently state outdated facts. In fast-moving industries (AI models, SaaS tools, crypto), this produces reports that look complete but are 6-18 months stale. The skill addresses this with: + +- **Today Date Stamp** — force the agent to acknowledge the current date +- **Recency Sweep** — mandatory search for "last 90 days" before anything else +- **Live Pricing Fetch** — never quote a price from memory, always `curl` the page +- **Third-Party Aggregator Cross-Check** — OpenRouter, ArtificialAnalysis, LMArena +- **Self-Disclosure** — agent must state its training cutoff and flag affected fields + +--- + +## Quick Start + +### For Agent Platforms (QoderWork, Claude Projects, GPTs) + +1. Upload the `.skill` file (or point to this repo) +2. The agent automatically loads `SKILL.md` as its system knowledge +3. Ask: "帮我做一个 MaaS 行业调研" or "Research the autonomous driving landscape" + +### For Manual Use + +1. Read `workflows/00-execution-plan.md` for the overall flow +2. Fill the `workflows/01-research-charter.md` template +3. Pick 1-2 archetypes from `archetypes/` +4. Follow Steps 3-8 in sequence + +--- + +## Example Cases + +### Case 1: "Compare LLM API pricing across vendors" + +**Triggers**: `_modifier-rapidly-evolving.md` (monthly releases, SKU > 20, pricing changes) + +**What the skill does differently**: +- Forces R0 Recency Sweep before R1 (fetches each vendor's pricing page live) +- Outputs a SKU Matrix with 13+ models, not just "the famous 3" +- Cross-checks against OpenRouter/ArtificialAnalysis for completeness +- Prices carry `as_of` dates and L-grades; anything > 7 days old is flagged + +**Output**: SKU Pricing Matrix (HTML) + Version Timeline (SVG) + companies.jsonl + skus.jsonl + +--- + +### Case 2: "全景分析跨境电商 Marketplace" + +**Triggers**: `marketplace.md` archetype (GMV, take rate, liquidity, two-sided dynamics) + +**What the skill does differently**: +- Enforces Marketplace-specific metrics: GMV ≠ Revenue, take rate decomposition, supply-side vs demand-side unit economics +- Requires 15+ companies per racetrack (not just Shein/Temu/Amazon) +- Dead Pool tracking for failed cross-border attempts +- Regulatory landscape (tariff changes, Entity List, VAT rules) + +**Output**: Landscape Grid (SVG) + Valuation Leaderboard (HTML) + Unit Economics table + 3-scenario thesis + +--- + +### Case 3: "Legal Tech SaaS competitive landscape" + +**Triggers**: `saas-vertical.md` archetype (NRR, CAC payback, vertical know-how depth) + +**What the skill does differently**: +- NRR / GRR / Magic Number / Rule of 40 / Burn Multiple mandatory +- Sources include court filing databases, bar association publications, legal tech conference decks +- Distinguishes "horizontal legal tools" from "true vertical SaaS with domain-embedded AI" +- Coverage Audit blocks delivery until Tier 2/3 companies are also profiled + +**Output**: Company Deep-Dive Cards (HTML) + Unit Economics Calculator output + Porter 5 Forces Radar (SVG) + +--- + +## Iteration History + +| Version | Date | Theme | +|---------|------|-------| +| v1.0 | 2026-06 | Single-file prompt (~4K tokens) | +| v2.0 | 2026-06-24 | Multi-file package: 8 steps, 7 archetypes, SSOT, schemas, Coverage Audit | +| v2.1 | 2026-06-24 | +3 examples, +validators, +calculators, +10 visualizations, +5 source recipes, +glossary | +| v2.2 | 2026-06-24 | Training-cutoff bias fix: modifier system, recency guardrails, SKU schema, side-channel intel, MaaS example | + +### Design Philosophy Behind Each Iteration + +**v1 → v2**: A single prompt couldn't enforce process. Breaking into files = each step becomes a gate, not a suggestion. The agent can be told "don't proceed past Step 4 until Coverage Audit passes." + +**v2.0 → v2.1**: Methods without tools are just advice. Adding validators, calculators, and visualization templates means the agent can actually *run* the methodology (not just describe it). + +**v2.1 → v2.2**: Real-world failure mode exposed: LLMs confidently output stale catalogs for fast-moving industries. Fix = make "recency" a first-class architectural concern (modifier + guardrails + live-fetch enforcement), not an afterthought. + +### What's Next (Roadmap) + +- **v2.3** (planned): `tests/` directory with golden-file regression tests for validate.py; `data/` directory with a live-state example; CI pipeline for automated freshness checks +- **v2.4** (planned): Additional modifiers (Regulatory-Heavy, B2G/Government, Creator Economy); multi-language Charter templates (EN/CN/JP) +- **v3.0** (exploratory): MCP server wrapper — expose the skill as a tool server that any MCP-compatible agent can call directly + +--- + +## How to Contribute + +1. **New archetype?** Copy any file in `archetypes/`, follow the structure (Trigger Conditions → Mandatory Outputs → Metrics → Pitfalls) +2. **New source recipe?** Copy `references/source-recipes/medical.md` as template, fill 6 sections +3. **New visualization?** Follow the editorial dark theme spec in `templates/visualizations/README.md` (#0F1115 + #C9A87C + #4A90E2) +4. **Found a bias pattern?** Add to `references/bias-checklist.md` following the Symptom → Self-Check → Countermeasure format + +Run `make validate` before submitting to ensure 0 errors. + +--- + +## License + +MIT + +--- + +## Acknowledgments + +Built through iterative real-world testing: AIGC image generation landscape, legal tech SaaS, cross-border e-commerce, autonomous driving, and MaaS/LLM API research. Each iteration fixed failures discovered in actual agent-driven research sessions. \ No newline at end of file diff --git a/skills/industry-landscape-research/README.zh.md b/skills/industry-landscape-research/README.zh.md new file mode 100644 index 000000000..fe875605a --- /dev/null +++ b/skills/industry-landscape-research/README.zh.md @@ -0,0 +1,262 @@ +# Industry Landscape Research — Agent Skill v2.2（中文） + +> 一套将 LLM Agent 转化为系统化行业分析师的结构化方法论 +> 102 个文件 · 85 个源资产 · 8 步框架 · 7 种基础原型 + 1 个修饰器 · 6 个 JSON Schema · 12 个可视化模板 · 5 个领域专用数据源配方 + +--- + +## 这是什么？ + +这是一个 **Agent Skill** —— 一个可移植的知识包，专为加载到 LLM Agent（Claude、GPT、Qwen 等）中而设计，赋予其可重复、可审计、专业级的行业研究能力。 + +与其每次让 AI 做市场调研时写一篇 50 页的 prompt，不如直接加载这个 skill，它就知道： + +- 如何结构化研究（8 步框架） +- 根据行业类型该关注什么（7 种原型） +- 如何验证数据质量（L1-L4 分级 + JSON Schema） +- 如何避免常见陷阱（7 种认知偏差，包括 LLM 训练截止偏差） +- 如何产出一致的交付物（12 个可视化模板，编辑级暗色主题） + +--- + +## 它解决的问题 + +当你让一个 LLM「调研 MaaS 行业」时，通常会得到： + +- 重新包装 Wikipedia 的表面总结 +- 过时的模型名称和价格（训练截止偏差） +- 没有数据来源引用或质量分级 +- 对「完整」是什么没有框架定义 +- 每次输出格式不一致 + +这个 skill 将其转化为： + +- 结构化的 8 步研究，带有显式的覆盖度审计 +- 每个数据点携带四元组：`{value, source, as_of_date, grade}` +- 阻塞性关卡，防止 Agent 在数据不完整时继续推进 +- 时效性护栏，强制对快速变化的行业进行实时抓取 +- 可复现的交付物模板 + +--- + +## 架构 + +``` +industry-landscape-research/ +├── SKILL.md # 主入口 — 框架 + 原型选择器 + 快速上手 +├── INDEX.md # 单页文件索引（地图） +├── archetypes/ # 7 种基础行业原型 + 1 个修饰器 +│ ├── platform.md # 双边平台 +│ ├── saas-vertical.md # 垂直 SaaS +│ ├── marketplace.md # 电商平台 +│ ├── consumer.md # 消费者应用 +│ ├── deeptech-hardware.md # 深科技 / 硬件 +│ ├── infrastructure.md # 云 / 基础设施 +│ ├── content-media.md # 内容 / 媒体 +│ └── _modifier-rapidly-evolving.md # ⚡ 快速演变产品目录的叠加层 +├── workflows/ # 逐步 SOP +│ ├── 00-execution-plan.md +│ ├── 01-research-charter.md +│ ├── 02-three-round-search.md # 含 R0 时效性扫描关卡 +│ ├── 03-analysis-frameworks.md +│ ├── 04-coverage-audit.md +│ ├── 05-quant-modeling.md +│ ├── 06-thesis-synthesis.md +│ └── 07-deliverable-assembly.md +├── schemas/ # JSON Schema 数据验证 +│ ├── company.schema.json +│ ├── event.schema.json +│ ├── racetrack.schema.json +│ ├── sku.schema.json # v2.2：SKU 级数据 +│ ├── source.schema.json +│ └── deliverable.schema.json +├── references/ # 深度参考库 +│ ├── bias-checklist.md # 7 种认知偏差（含训练截止偏差） +│ ├── recency-guardrail.md # 6 道防止过期数据的护栏 +│ ├── refresh-cadence.md # 数据新鲜度矩阵 +│ ├── side-channel-intel.md # 6 种旁路情报来源 +│ ├── source-recipes/ # 领域专用数据源配置 +│ │ ├── maas-and-models.md # MaaS / LLM API +│ │ ├── medical.md +│ │ ├── semiconductor.md +│ │ ├── auto.md +│ │ ├── fintech.md +│ │ └── energy.md +│ └── ... +├── templates/ +│ ├── subagent-*.md # 5 个子 Agent prompt 模板 +│ ├── calculators/ # 单位经济学（Python + Excel） +│ └── visualizations/ # 12 个 SVG/HTML 编辑级暗色主题骨架 +├── scripts/ +│ ├── validate.py # 纯 stdlib JSON Schema 校验器 +│ └── Makefile # make validate / unit-economics / all +└── examples/ # 5 个完整示例 + ├── ex-aigc-image/ + ├── ex-saas-legaltech/ + ├── ex-marketplace-crossborder/ + ├── ex-deeptech-autonomous/ + └── ex-maas-llm/ # v2.2：演示时效性护栏 +``` + +--- + +## 8 步框架 + +``` +┌─────────────────────────────────────────────────────────────────┐ +│ 1. Charter 定义范围、签收、终止条件 │ +│ 2. Decompose 拆解为赛道 + 子生态系统 │ +│ 3. Three-Round R0 时效性扫描 → R1 广度 → R2 深度 │ +│ Search → R3 填补空白 + 交叉验证 │ +│ 4. Coverage 量化完整性关卡（🔴 阻塞） │ +│ Audit │ +│ 5. Frameworks Porter 五力 / 7 Powers / Wardley / JTBD │ +│ 6. Quant Model 单位经济学、TAM/SAM/SOM、利润池 │ +│ 7. Thesis 内部观点 + 3 种情景 + 事前验尸 │ +│ 8. Deliverable 6+2 章报告 + 15 个交付物 │ +└─────────────────────────────────────────────────────────────────┘ +``` + +--- + +## 关键设计决策 + +### 为什么是「原型 + 修饰器」？ + +SaaS 公司和硬件公司需要截然不同的分析方式。与其一刀切，这个 skill 有 7 种基础原型（每种都有强制分析项）加上正交的**修饰器**来叠加额外要求。 + +例如：研究 MaaS = `Infrastructure` 原型 + `Rapidly-Evolving Catalog` 修饰器。 + +### 为什么是「数据四元组」？ + +输出中的每一个数字都携带： + +```json +{ + "value": 2.5, + "source": "https://openai.com/pricing", + "as_of": "2026-06-20", + "grade": "L1" +} +``` + +这让每一个声明都可审计，并精确告诉你它何时过期。 + +### 为什么「训练截止偏差」是一等关注点？ + +LLM 会自信地陈述过时的事实。在快速变化的行业（AI 模型、SaaS 工具、加密货币）中，这会产生看起来完整但实际上已过时 6-18 个月的报告。这个 skill 通过以下方式解决： + +- **今日日期戳** —— 强制 Agent 确认当前日期 +- **时效性扫描** —— 在一切之前强制搜索「最近 90 天」 +- **实时定价抓取** —— 绝不从记忆中引用价格，始终 `curl` 页面 +- **第三方聚合器交叉验证** —— OpenRouter、ArtificialAnalysis、LMArena +- **自我披露** —— Agent 必须声明其训练截止日期并标记受影响的字段 + +--- + +## 快速上手 + +### 适用于 Agent 平台（QoderWork、Claude Projects、GPTs） + +1. 上传 `.skill` 文件（或指向此仓库） +2. Agent 自动加载 `SKILL.md` 作为系统知识 +3. 提问：「帮我做一个 MaaS 行业调研」或「Research the autonomous driving landscape」 + +### 手动使用 + +1. 阅读 `workflows/00-execution-plan.md` 了解整体流程 +2. 填写 `workflows/01-research-charter.md` 模板 +3. 从 `archetypes/` 中选择 1-2 个原型 +4. 按顺序执行第 3-8 步 + +--- + +## 示例案例 + +### 案例 1：「对比各大 LLM API 定价」 + +**触发条件**：`_modifier-rapidly-evolving.md`（月度发布，SKU > 20，价格变化） + +**此 skill 的不同之处**： +- 在 R1 之前强制执行 R0 时效性扫描（实时抓取各厂商定价页面） +- 输出包含 13+ 模型的 SKU 矩阵，而非仅仅「知名的那 3 个」 +- 通过 OpenRouter/ArtificialAnalysis 交叉验证完整性 +- 价格带有 `as_of` 日期和 L 等级；超过 7 天的数据会被标记 + +**输出**：SKU 定价矩阵（HTML）+ 版本时间线（SVG）+ companies.jsonl + skus.jsonl + +--- + +### 案例 2：「全景分析跨境电商 Marketplace」 + +**触发条件**：`marketplace.md` 原型（GMV、抽佣率、流动性、双边动态） + +**此 skill 的不同之处**： +- 强制执行 Marketplace 特有指标：GMV ≠ 收入，抽佣率拆解，供给端 vs 需求端单位经济学 +- 要求每个赛道至少 15+ 家公司（不仅仅是 Shein/Temu/Amazon） +- 追踪失败跨境尝试的「死亡池」 +- 监管格局（关税变化、实体清单、增值税规则） + +**输出**：格局网格（SVG）+ 估值排行榜（HTML）+ 单位经济学表 + 三情景研判 + +--- + +### 案例 3：「Legal Tech SaaS 竞争格局」 + +**触发条件**：`saas-vertical.md` 原型（NRR、CAC 回收期、垂直领域知识深度） + +**此 skill 的不同之处**： +- NRR / GRR / Magic Number / Rule of 40 / Burn Multiple 为强制指标 +- 数据来源包括法院备案数据库、律师协会出版物、法律科技会议演讲 +- 区分「水平法律工具」与「真正具有领域嵌入 AI 的垂直 SaaS」 +- 覆盖度审计在 Tier 2/3 公司也被覆盖之前阻止交付 + +**输出**：公司深度分析卡片（HTML）+ 单位经济学计算器输出 + Porter 五力雷达图（SVG） + +--- + +## 迭代历史 + +| 版本 | 日期 | 主题 | +|------|------|------| +| v1.0 | 2026-06 | 单文件 prompt（约 4K tokens） | +| v2.0 | 2026-06-24 | 多文件包：8 步、7 原型、SSOT、Schema、覆盖度审计 | +| v2.1 | 2026-06-24 | +3 示例、+校验器、+计算器、+10 可视化、+5 数据源配方、+术语表 | +| v2.2 | 2026-06-24 | 训练截止偏差修复：修饰器系统、时效性护栏、SKU Schema、旁路情报、MaaS 示例 | + +### 每次迭代背后的设计哲学 + +**v1 → v2**：单个 prompt 无法强制执行流程。拆分为多个文件 = 每一步变成一个关卡而非建议。Agent 可以被命令「在覆盖度审计通过之前不得推进到第 4 步之后」。 + +**v2.0 → v2.1**：没有工具的方法论只是建议。添加校验器、计算器和可视化模板意味着 Agent 可以真正*运行*方法论（而不仅仅是描述它）。 + +**v2.1 → v2.2**：现实世界的失败模式暴露：LLM 对快速变化的行业自信地输出过时的产品目录。修复 = 将「时效性」作为一等架构关注点（修饰器 + 护栏 + 实时抓取强制），而非事后补救。 + +### 下一步（路线图） + +- **v2.3**（计划中）：`tests/` 目录，包含 validate.py 的金标回归测试；`data/` 目录，包含实时状态示例；自动化新鲜度检查的 CI 流水线 +- **v2.4**（计划中）：额外的修饰器（监管密集型、B2G/政府、创作者经济）；多语言 Charter 模板（EN/CN/JP） +- **v3.0**（探索中）：MCP 服务器封装 —— 将 skill 暴露为任何 MCP 兼容 Agent 可直接调用的工具服务器 + +--- + +## 如何贡献 + +1. **新原型？** 复制 `archetypes/` 中的任意文件，遵循结构（触发条件 → 强制输出 → 指标 → 陷阱） +2. **新数据源配方？** 以 `references/source-recipes/medical.md` 为模板复制，填写 6 个部分 +3. **新可视化？** 遵循 `templates/visualizations/README.md` 中的编辑级暗色主题规范（#0F1115 + #C9A87C + #4A90E2） +4. **发现偏差模式？** 添加到 `references/bias-checklist.md`，遵循 症状 → 自检 → 对策 格式 + +提交前运行 `make validate` 确保 0 错误。 + +--- + +## 许可证 + +MIT + +--- + +## 致谢 + +通过真实世界的迭代测试构建：AIGC 图像生成格局、法律科技 SaaS、跨境电商、自动驾驶和 MaaS/LLM API 研究。每次迭代都修复了在真实 Agent 驱动的研究会话中发现的失败模式。 \ No newline at end of file diff --git a/skills/industry-landscape-research/SKILL.md b/skills/industry-landscape-research/SKILL.md new file mode 100644 index 000000000..5b773fdf5 --- /dev/null +++ b/skills/industry-landscape-research/SKILL.md @@ -0,0 +1,456 @@ +--- +name: industry-landscape-research +description: | + 通用行业调研方法论：从范围锁定（Research Charter）、赛道分解、三轮搜索 + 多轮迭代、企业画像、估值追踪、覆盖度审计、分析框架（Porter 5 力 / 7 Powers / Wardley / JTBD）、单位经济学量化、Thesis 综合（House view / 三情景 / Pre-mortem）、竞争格局制图到演进叙事，完整 8 步法。 + 覆盖上市公司市值获取（港股/A股/美股/科创板/北交所/美股 ADR）、未上市公司估值追踪、财报/招股书/官网一手来源挖掘、推广水文与数据水分鉴别、反爬绕路策略、数据质量分级（L1-L4）、有效资料统计、客户旅程价值链、技术栈分层、利润池分布、利益相关方立场图。 + 输出物：Research Charter、行业全景图、演进时间线、估值排行榜、企业深度卡、技术栈分层图、客户旅程图、利润池图、利益相关方立场图、分析框架画布（5 力雷达 + 7 Powers 评分 + Wardley 演化）、三情景预测、Pre-mortem 报告、数据底表、调研日志。 + 触发词：行业调研、行业分析、竞争格局、全景图、landscape、行业地图、赛道分析、市场研究、行业报告、产业研究、财报分析、招股书、行业研究、产业链分析、价值链分析、market map、industry map、MaaS 调研、模型对比、SKU 清单、价格对比、catalog、AI 编程工具调研、向量数据库选型、模型市场、pricing 对比。 +version: 2.2.0 +--- + +# 行业调研八步法（v2 升级版） + +> **核心原则**：调研的目的不是堆事实，而是形成可被反驳的判断。所有数据都为 thesis 服务。 +> **质量底线**：每个非常识陈述句必须挂"数字 + 来源 URL + 抓取日期 + 数据等级（L1-L4）"，四件套缺一不可。 +> **执行底线**：所有子 Agent 必须按 `schemas/*.json` 输出，schema 不过则拒收。 + +## 总览 + +| 步骤 | 名称 | 关键问题 | 主要产出 | 详细 SOP | +|------|------|---------|---------|---------| +| 1 | Charter | 我们到底要回答什么？ | Research Charter（范围/排除/假设/成功标准） | `workflows/01-research-charter.md` | +| 2 | Decompose | 这个行业怎么切？ | 赛道树（2-5 条主轨 + 子生态） | 见 Step 2 | +| 3 | Three-Round Search | 谁在场？数据在哪？ | 公司清单 + 企业画像 + 缺口表 | `workflows/02-three-round-search.md` | +| 4 | Coverage Audit | 我覆盖到了吗？ | 覆盖度审计矩阵（⭐ 评分 + 🔴🟡 缺口分级） | `workflows/04-coverage-audit.md` | +| 5 | Analysis Frameworks | 数据说明了什么？ | 5 力雷达 + 7 Powers 评分 + Wardley 演化 + JTBD | `workflows/03-analysis-frameworks.md` | +| 6 | Quant Modeling | 数据能否撑住判断？ | 单位经济学、TAM/SAM/SOM、利润池、敏感性 | `workflows/05-quant-modeling.md` | +| 7 | Thesis Synthesis | 我的判断是什么？怎么被证伪？ | House view + 三情景 + Pre-mortem + 反方论证 | `workflows/06-thesis-synthesis.md` | +| 8 | Deliverable Assembly | 怎么交付？ | 6+2 章节标准报告 + 全景图 + 时间线 + 深度卡 | `workflows/07-deliverable-assembly.md` | + +详细执行计划（Phase 1/2/3 + 并行 Agent 时长估算）见 `workflows/00-execution-plan.md`。 + +--- + +## Step 1: Charter（范围锁定） + +详见 `workflows/01-research-charter.md`。核心是 **必须 sign-off** 后才能进入采集，否则后续必然漂移。 + +Charter 5 要素： +1. **Scope** — 包含什么（技术/产品/场景的边界），一句话定义 +2. **Out-of-Scope** — 排除什么（看似相关但不在范围内） +3. **Audience & Decision** — 给谁看？要支撑什么决策（投资 / BD / 战略 / 立项） +4. **Hypotheses** — 进入前的 3-5 个先验假设（结束时逐条 confirm/refute） +5. **Success Criteria** — 什么算"做完"（覆盖率 / 数据等级 / 章节齐全 / 反方论证）+ Stop-loss + +--- + +## Step 2: Decompose（赛道分解） + +将行业拆为 2-5 条主轨道，每条轨道内部逻辑自洽。常用分解维度： + +| 维度 | 适用场景 | 示例 | +|------|---------|------| +| 技术类型 | 技术驱动型 | 图像 / 视频 / 音频 / 多模态 | +| 价值链环节 | 制造 / 供应链 | 上游 → 中游 → 下游 | +| 客户群体 | ToB/ToC/ToG 混合 | 企业 / 消费者 / 开发者 / 政府 | +| 地理市场 | 全球化 | 北美 / 中国 / 欧洲 / 东南亚 / 中东 | +| 商业模式 | 平台型 | SaaS / Marketplace / 广告 / 交易 | + +**子生态分层（v2 新增，来自 AIGC review）**：每条主轨内部还要切子生态，避免漏掉关键玩家。以"内容/媒体型"行业为例： + +| 子生态层 | 角色 | 例（短剧赛道） | +|---------|------|--------------| +| 平台方 | 分发与流量 | 红果短剧、番茄短剧、ReelShort | +| 制作方 | 内容生产 | 古麦嘉禾、OST 传媒 | +| IP 源 | 内容授权 | 阅文集团、晋江文学城 | +| 出海发行 | 海外渠道 | ShortMax、DramaBox、FlexTV | +| 工具方 | AI 生产工具 | 万兴剧厂、FlareFlow | + +不同行业原型的子生态切法见 `archetypes/`。 + +每条赛道再按 **地理（全球 vs 中国）** 和 **规模（Tier1/2/3）** 二维展开。 + +--- + +## Step 3: Three-Round Search（三轮搜索 + 多轮迭代） + +详见 `workflows/02-three-round-search.md`。 + +| 轮次 | 目标 | 产出 | 门槛 | +|------|------|------|------| +| R1 广度扫描 | 建立赛道骨架 | 每赛道 ≥15 家公司清单 | 公司数门槛 | +| R2 深度钻取 | 填充企业画像 | 字段覆盖率 ≥80% | 覆盖率门槛 | +| R3 验证补盲 | 交叉验证 + 发现新锐 | L1+L2 数据占比 ≥60% | 信度门槛 | +| R4-R8 迭代 | 缺口补、反向验证、时序追溯、边缘扫尾、客户视角 | 收敛信号：连续两轮新增 < 5% | 收敛门槛 | + +**海内外双轨**：全球化行业必须分中国/海外两个排行榜，禁止混排——商业模式、监管、客户都不一样。 + +--- + +## Step 4: Coverage Audit（覆盖度审计） + +v2 新增，详见 `workflows/04-coverage-audit.md`。在 R3 结束后强制做一次审计，矩阵格式： + +| 维度 | 覆盖度 | 已覆盖 | 缺口分级 | +|------|--------|--------|---------| +| 赛道公司数 | ⭐⭐⭐⭐⭐ 95% | 64 家 | 🟢 | +| 估值/融资 | ⭐⭐⭐⭐ 80% | TOP 30 | 🟡 Tier 3 缺精确估值 | +| ARR/营收 | ⭐⭐⭐ 70% | 头部 30 家 | 🟡 中腰部缺财务 | +| 技术架构 | ⭐⭐ 30% | 仅"自研/开源/第三方" | 🔴 缺模型/服务/应用层架构 | +| 子生态完整性 | ⭐⭐ 40% | 仅平台方 | 🔴 缺制作/IP/出海发行 | +| 客户旅程 | ⭐⭐ 30% | 单点 | 🔴 缺完整旅程 | +| 利益相关方立场 | ⭐⭐⭐ 60% | 部分 | 🟡 缺监管/版权方态度 | +| 利润池分布 | ⭐ 20% | 未做 | 🔴 必补 | + +🔴 = 必补；🟡 = 建议补；🟢 = 可接受。审计未过禁止进入 Step 5。 + +--- + +## Step 5: Analysis Frameworks（分析框架） + +v2 关键升级。把"采集型方法论"升级为"分析型方法论"。详见 `workflows/03-analysis-frameworks.md`。 + +强制至少套用： + +1. **Porter 五力** — 替代/进入/客户/供应商/竞争 五维各打 1-5 分，雷达图呈现 +2. **Helmer 7 Powers** — 规模/网络/反向定位/转换成本/品牌/资源垄断/流程力量 七维评分卡，每家头部公司一张 +3. **Wardley Map** — 创世/定制/产品/商品化 × 价值链可见性，预测下一步往哪走 +4. **JTBD** — 用户雇佣这个产品来做什么任务（替代纯"产品矩阵"描述） +5. **S-curve / Gartner Hype Cycle** — 标定行业整体在哪个阶段 + +按需启用：Crossing the Chasm、技术采纳生命周期、BCG 矩阵、Ansoff 矩阵。 + +--- + +## Step 6: Quant Modeling（量化建模） + +详见 `workflows/05-quant-modeling.md`。 + +| 模型 | 必填行业原型 | 关键指标 | +|------|------------|---------| +| 单位经济学 | SaaS / Marketplace / Consumer | CAC、LTV、Payback、Rule of 40、Magic Number、NRR | +| TAM/SAM/SOM | 全部 | 三种算法交叉（自上而下 / 自下而上 / 类比） | +| 利润池图（Profit Pool） | 全部 | 价值链各环节 margin × 营收占比 | +| 敏感性分析 | 投资类调研 | 三情景下关键变量的弹性 | + +利润池模板见 `references/profit-pool.md`。 + +--- + +## Step 7: Thesis Synthesis（Thesis 综合） + +v2 新增章节，详见 `workflows/06-thesis-synthesis.md`。 + +强制产出： + +1. **House View** — 一句话核心判断 + 3 条支撑论据 +2. **三情景预测** — Bull / Base / Bear，各含触发条件、领先指标、概率权重 +3. **Pre-mortem** — "假如这份报告 12 个月后被证伪，最可能错在哪 5 个点" +4. **Devil's Advocate** — 针对核心判断列出 3 个最强反方论点 + 我方应对 +5. **置信度标注** — 每个判断标 H/M/L confidence + 关键不确定性 + +认知偏差自检清单见 `references/bias-checklist.md`。 + +--- + +## Step 8: Deliverable Assembly（交付物组装） + +详见 `workflows/07-deliverable-assembly.md`。 + +### 标准报告结构（6+2 章节，来自 AIGC review 沉淀） + +| 章节 | 内容 | 张数 | +|------|------|------| +| 1. 行业全景 | 矩阵布局，行=赛道、列=地理、卡片大小=Tier | 1 | +| 2. 演进趋势 | 时间线 + 阶段主题 + S-curve 定位 | 1-2 | +| 3. 客户旅程 | 价值链 N 环节 × （现状/AI 介入/代表工具/解决方案） | 1-2 | +| 4. 企业深度卡 | 每家头部 1 页 | 10-15 | +| 5. 解决方案/产品矩阵 | 自家产品 × 场景映射 | 1-2 | +| 6. 重点发力场景 | TOP 3-5 高优先级场景 | 1-2 | +| +1. M&A / IPO 动态 | 并购、上市、退出 | 1 | +| +2. 成本/利润池对比 | 价值链 margin 分布 + 同类对比 | 1 | + +### 必须交付的物料清单 + +1. **Research Charter** — 1 页，研究开始时签发 +2. **行业全景图** — 单页矩阵 +3. **演进时间线** — 单页水平时间轴 +4. **估值排行榜** — TOP 15-20，国内/海外分轨 +5. **企业深度卡** — 头部公司每家 1 页 +6. **技术栈分层图** — 模型 / 服务 / 应用 / 基础设施（见 `references/stack-map.md`） +7. **客户旅程图** — IP/需求 → 生产 → 分发 → 变现（见 `references/value-chain-journey.md`） +8. **利润池图** — 价值链 margin 分布（见 `references/profit-pool.md`） +9. **利益相关方立场图** — 监管/版权方/渠道方/客户的态度（见 `references/stakeholder-stance.md`） +10. **分析框架画布** — 5 力雷达 + 7 Powers 评分 + Wardley 演化 +11. **三情景预测** — Bull / Base / Bear 各 1 页 +12. **Pre-mortem 报告** — 1 页 +13. **数据底表** — Excel/CSV，所有公司结构化数据 +14. **方法论附录** — 数据来源、假设、局限性、汇率/时间快照 +15. **调研日志** — 每轮搜索的关键词、来源、覆盖率统计 + +--- + +## 行业原型选择器（Archetype Selector） + +不同行业原型有不同必填项，避免"一套模板打天下"。详见 `archetypes/`： + +| 原型 | 必填分析项 | 文件 | +|------|----------|------| +| Platform（双边平台） | 网络效应、take rate、liquidity、补贴策略 | `archetypes/platform.md` | +| Vertical SaaS | NRR、CAC payback、TAM 深度、垂直 know-how | `archetypes/saas-vertical.md` | +| DeepTech / Hardware | 技术成熟度（TRL）、专利护城河、研发管线、BOM | `archetypes/deeptech-hardware.md` | +| Marketplace | GMV、take rate、用户两端拉新成本、liquidity | `archetypes/marketplace.md` | +| Consumer App | DAU/MAU、留存曲线、ARPU、获客渠道集中度 | `archetypes/consumer.md` | +| Infrastructure / Cloud | 单位算力成本、客户集中度、产品矩阵 attach | `archetypes/infrastructure.md` | +| Content / Media | 子生态分层、IP/制作/分发、版权立场 | `archetypes/content-media.md` | + +调研启动时必须先选定 1-2 个原型，对应的必填项纳入 Coverage Audit。 + +### 行业修饰符（Modifiers，v2.2 新增） + +修饰符是**正交于基础原型**的额外特征标。当行业命中某修饰符时，叠加额外的必填分析项、刷新节奏与质量门控。 + +| 修饰符 | 触发条件 | 叠加要求 | 文件 | +|--------|---------|---------|------| +| 🚨 Rapidly-Evolving Catalog | 月度新版本 / SKU>20 / 价格波动 / 训练截止偏差敏感 | SKU Matrix、Version Timeline、Pricing 对比、Recency Sweep、周度刷新 | `archetypes/_modifier-rapidly-evolving.md` | + +适用行业示例：MaaS / 大模型 API / AI 编程工具 / 向量数据库 / 浏览器自动化框架 / 视频生成 / 图像生成 / 多模态模型 / OSS GenAI 仓库。 + +**调用规则**：基础原型（如 Infrastructure / Cloud）+ 修饰符（如 Rapidly-Evolving Catalog）= 完整必填项集合。Coverage Audit 必须同时检查两份清单。 + +--- + +## Single Source of Truth（数据底表三件套 / 四件套） + +所有 PPT / Excel / Markdown / HTML 交付物的数字都从下面主表派生，禁止在交付物里直接写数字。 + +``` +data/ +├── companies.jsonl # 一行一家公司，遵循 schemas/company.schema.json +├── events.jsonl # 一行一个事件（融资/上市/发布/并购），遵循 schemas/event.schema.json +├── sources.csv # 来源 URL × 抓取日期 × 数据等级，遵循 schemas/source.schema.json +└── skus.jsonl # 🆕 v2.2 (rapidly-evolving 修饰符必备): 一行一个 SKU/版本/型号，遵循 schemas/sku.schema.json +``` + +派生关系： +- 估值排行榜 ← `companies.jsonl` 按 `valuation.value_cny_yi` 降序 +- 时间线 ← `events.jsonl` 按 `as_of` 升序 +- 全景图 ← `companies.jsonl` 按 `racetrack_id × geo × tier` 聚合 +- 深度卡 ← `companies.jsonl` 单条记录展开 +- 数据底表（Excel）← `companies.jsonl` 直接 flatten 导出 + +任何交付物里的数字找不到在三张表的源头 → 拒收。 + +--- + +## 数据质量四件套（强制约束） + +每个非常识数据点必须挂： + +1. **数字 + 单位**（口径明确：GMV vs 营收 vs ARR 永不混用） +2. **来源 URL**（可访问原始链接，禁止"网络/业内"） +3. **抓取日期**（YYYY-MM-DD） +4. **数据等级**（L1 交易所/招股书 / L2 权威媒体 / L3 估算 / L4 传闻） + +L3/L4 数据必须标注 `~` 或 `(估)` `(传)`。 + +--- + +## 并行 Agent 编排（入口） + +详见 `workflows/00-execution-plan.md` 和 `templates/`。 + +| 切片维度 | 适用场景 | 子 Agent 模板 | +|---------|---------|-------------| +| 按赛道并行 | 跨赛道行业 | `templates/subagent-racetrack-scan.md` | +| 按公司并行 | TOP N 深挖 | `templates/subagent-company-deepdive.md` | +| 按数据源并行 | 同公司多源验证 | `templates/subagent-cross-validate.md` | +| 按地理并行 | 全球化行业 | `templates/subagent-racetrack-scan.md`（带 geo 参数） | +| 反方视角 | Thesis 阶段 | `templates/subagent-devil-advocate.md` | +| 量化建模 | Step 6 | `templates/subagent-quant-model.md` | + +主 Agent 仅做汇总和质量门槛检查，不下场抓取。 + +--- + +## 反爬与数据源（入口） + +详见 `references/source-matrix.md` 和 `references/crawl-strategy.md`。 +估值追踪股票代码速查表、双值展示、未上市公司估值方法详见 `references/valuation-playbook.md`。 + +--- + +## 来源可信度与数据水分（入口） + +详见 `references/bias-checklist.md`。 +推广水文识别、数据水分识别、交叉验证最低要求都在那里。 + +--- + +## Dirty Work 清单（入口） + +详见 `references/dirty-work-playbook.md`（公司名归一、单位换算、时间归一化、缺失值标注、引用溯源、汇率快照）。 + +--- + +## 行业经验法则（Rules of Thumb） + +详见 `references/rules-of-thumb.md`。包含 SaaS / 平台 / 硬件 / 内容 / AI 等行业常用 ratio 与红线值。 + +--- + +## 工具脚本与可视化模板（v2.1 新增） + +### scripts/ — 一键校验与建模 + +| 命令 | 作用 | +|------|------| +| `make validate` | 扫描 `data/*.jsonl` 与 `examples/*/*.jsonl`，校验 schema + datum 4 元组 | +| `make validate-strict` | 严格模式：缺 source / as_of / grade 直接 fail | +| `make unit-economics` | 跑 `templates/calculators/unit-economics-calculator.py`，从 companies 算 LTV/CAC/Payback/NRR/Magic/Rule of 40 | +| `make ue-md` | 同上但输出 Markdown 表 | +| `make all` | validate + unit-economics 全跑 | + +实现：`scripts/validate.py`（纯标准库 JSON Schema 验证 + L1-L4 等级核对）+ `scripts/Makefile`。 + +### templates/calculators/ — 单位经济与 HTML→PPTX 流水线 + +| 文件 | 用途 | +|------|------| +| `unit-economics-calculator.csv` | Excel 版输入/输出表，SaaS / Marketplace / Consumer / DeepTech 预设 | +| `unit-economics-calculator.py` | Python 批处理，吃 jsonl 吐 CSV + Markdown，含 LTV/CAC、Payback、Magic Number、Rule of 40、Burn Multiple | +| `unit-economics-formulas.md` | 公式严格定义（ARR ≠ GMV ≠ Revenue）+ A/B/C/D 健康度评分卡 + 代理指标 | +| `htm-to-pptx-pipeline.md` | pptxgenjs 原生 PPTX 生成范式（addShape/addText，避免截图），含 phantom slideMaster Override 修复 | + +### templates/visualizations/ — 10 个分析图骨架 + +每张图都是 Editorial 暗色风格的 SVG 内联骨架（或 HTML），数据点带 `` 源标注： + +| 文件 | 用途 | +|------|------| +| `landscape-grid.svg` | 行业全景矩阵：行=赛道、列=地理、卡片大小=Tier | +| `evolution-timeline.svg` | 演进时间线 + S 曲线 + 事件标记（普通/重大） | +| `porter-5forces-radar.svg` | Porter 五力雷达 | +| `wardley-map.svg` | Wardley 演化地图（Genesis→Custom→Product→Commodity × 用户可见度） | +| `value-chain-journey.svg` | 客户旅程价值链 N×4 矩阵（现状/AI 介入/工具/方案） | +| `profit-pool.svg` | 利润池图（X=营收占比累积 / Y=毛利率） | +| `stakeholder-stance.html` | 10 类利益相关方表格 + 影响力×态度散点图 | +| `company-deepdive-card.html` | 头部公司单页深度卡 | +| `valuation-leaderboard.html` | 估值排行榜，IPO 首日 vs 当前双值 + L1-L4 等级标 | +| `tam-sam-som-funnel.svg` | TAM/SAM/SOM 漏斗 + 三种算法交叉收敛 | + +### references/source-recipes/ — 5 个深水行业取数菜谱 + +通用 Crunchbase / 财报抓取不够。本目录给监管/政策强敏感行业写专用菜谱： + +| 文件 | 行业 | 核心难点 | +|------|------|---------| +| `medical.md` | 医疗 / 医药 / 器械 | NMPA/FDA 批件 vs 真实销售，集采价 ≠ 院内价 | +| `semiconductor.md` | 半导体 / EDA / IP | 产能 ≠ 出货 ≠ 营收，出口管制清单 | +| `auto.md` | 汽车 / 新能源 / 自驾 | 批发 ≠ 零售 ≠ 上险，L2+ ≠ L4，NEDC ≠ EPA | +| `fintech.md` | 支付 / 消金 / 数字银行 | GMV ≠ TPV ≠ Revenue，牌照地理限制 | +| `energy.md` | 光伏 / 储能 / 氢能 | 装机 ≠ 发电，VCM ≠ ETS 价 | + +### references/refresh-cadence.md — 数据保鲜矩阵 + +按字段类别定义刷新频率：政策周度 / 融资月度 / 财报季度 / 年度。给每个 datum 的 `as_of` 字段配套了 🟢 Fresh / 🟡 Verify / 🔴 Refresh / ⚫ Discard 4 档动作矩阵。`validate.py --strict` 会按此矩阵报警。 + +### references/glossary.md — 行业研究术语词典 + +40+ 高频术语精校：用户类（MAU/ARPU/CAC/LTV/NRR/GRR/Magic/Payback）、SaaS 类（ARR/TCV/Rule of 40/Burn Multiple）、平台类（GMV/TPV/Take Rate/CM/Liquidity）、财务类（IRR/NPV/DCF/CAGR/TAM/SAM/SOM）、技术类（TRL/MVP/PMF）、框架类（Porter 5/7 Powers/Wardley/JTBD/Disruption）、数据等级（L1-L4）、不可写红线词。 + +--- + +## 训练截止偏差应对（v2.2 新增） + +> 这是为了解决 LLM 驱动调研代理的最高危盲点：**catalog / SKU / 价格 / 版本号** 类字段被训练截止时间锚定，导致输出"老模型 + 老价格"的失败案例。 + +### 适用判定（4 选 1 即触发） + +- 行业有月度新版本（如 MaaS、AI 编程工具、向量数据库、视频/图像生成模型） +- SKU > 20 个，且持续增长 +- 价格在过去 12 个月内发生 ≥1 次重大调整 +- 用户/客户对"最新"敏感（投标、采购、技术选型场景） + +任一命中 → 加载 `archetypes/_modifier-rapidly-evolving.md`，按修饰符叠加要求执行。 + +### 必备资产 + +| 资产 | 文件 | 用途 | +|------|------|------| +| 修饰符定义 | `archetypes/_modifier-rapidly-evolving.md` | 触发条件、必填产物、SKU 穷举法、搜索词模板 | +| Recency 闸门 | `references/recency-guardrail.md` | 6 道防训练截止偏差闸门 + 子 Agent system prompt 五句魔法 | +| MaaS 取数菜谱 | `references/source-recipes/maas-and-models.md` | 国内/国外/聚合器 26 源 + 价格陷阱 9 类 + 7 步 SKU 穷举 | +| 旁证情报 | `references/side-channel-intel.md` | JD / 专利 / 投资 / GitHub / 应用商店 / Wayback 6 源 | +| 偏差识别 | `references/bias-checklist.md` 第 7 节 | 训练截止偏差自检 + 对策 | +| SKU Schema | `schemas/sku.schema.json` | SKU 级数据底表（params、pricing、benchmarks、deprecation 等） | +| SKU 矩阵骨架 | `templates/visualizations/sku-pricing-matrix.html` | 跨公司 SKU 对比与价格汇总 | +| 版本时间线骨架 | `templates/visualizations/version-timeline.svg` | 8 行 × 24 月版本演进 | +| 完整示例 | `examples/ex-maas-llm/` | MaaS 大模型目录 Charter + SKU 样本（13 LLM + 12 视频） | +| 周度刷新 | `references/refresh-cadence.md` 第 0 节 | catalog/SKU/价格 单独 7/14/30 天刷新矩阵 + Monday SKU Sweep | + +### 五句魔法（写进 system prompt） + +``` +1. Do NOT rely on your training knowledge for SKU names, prices, or version numbers. +2. Always fetch the official pricing page LIVE before quoting any price. +3. Explicitly list any model that was released in the last 6 months. +4. If you cannot verify a SKU is still GA, mark it as Status: Unverified. +5. Cross-check your catalog against at least one third-party aggregator + (OpenRouter / ArtificialAnalysis / LMArena / HuggingFace / MTEB). +``` + +--- + +## 快速上手 + +1. 第一次用：读 `workflows/00-execution-plan.md` 了解整体流程 +2. 启动调研：先填 `workflows/01-research-charter.md` 模板拿 sign-off，**第一句必须是"Today is YYYY-MM-DD"（Today Date Stamp，见 recency-guardrail.md）** +3. 选定 1-2 个 `archetypes/*.md` 作为必填项基线 +4. **🆕 判断是否触发 Rapidly-Evolving 修饰符**：若行业满足"月度更新 / SKU>20 / 价格波动 / 训练截止敏感"任一条，启用 `archetypes/_modifier-rapidly-evolving.md` 并跑 6 道 Recency Guardrail +5. 按 Step 3-8 执行，每一步参考对应 `workflows/*.md` +6. 子 Agent 任务从 `templates/*.md` 复制改造（**catalog 类必须把 recency-guardrail 5 句魔法语写入 system prompt**） +7. 数据校验：每填一批数据跑 `make validate`，发布前 `make validate-strict` +8. 可视化：从 `templates/visualizations/` 复制对应 SVG/HTML 骨架，按 SSOT 数据填值 +9. 单位经济：把候选公司丢到 `templates/calculators/unit-economics-calculator.py`，输出表用于深度卡 +10. 完整案例参考 `examples/`： + - `ex-aigc-image/` — AIGC 图像（Platform + Vertical SaaS 混合） + - `ex-saas-legaltech/` — 法律科技 SaaS（Vertical SaaS 原型） + - `ex-marketplace-crossborder/` — 跨境电商 Marketplace + - `ex-deeptech-autonomous/` — L4 自动驾驶（DeepTech / Hardware） + - `ex-maas-llm/` — 🆕 MaaS 大模型目录（Infrastructure + Rapidly-Evolving 修饰符） + +--- + +## Changelog + +### v2.2.0 (2026-06-24) + +针对"LLM 训练截止偏差"主题升级，重点解决 rapidly-evolving 行业（MaaS / 大模型 / AI 编程工具 / 向量库等）调研中的"老模型/老 SKU/老价格"通病： + +1. **archetypes/_modifier-rapidly-evolving.md** — 新增"修饰符"概念（正交于基础原型），含触发条件、必填产物（SKU Matrix / Version Timeline / Pricing 对比）、SKU 穷举六步法、搜索词模板增强 +2. **references/recency-guardrail.md** — 6 道闸门防训练截止偏差：Today Date Stamp / Recency Sweep / Pricing Page Fresh-Pull / Changelog Diff / 第三方聚合器反查 / Self-Disclosure，含 5 句魔法 system prompt + 自审清单 +3. **references/source-recipes/maas-and-models.md** — MaaS 专用菜谱：国内 8 家平台 + 国外 9 家平台 + 第三方聚合器 9 个；价格陷阱 9 类（input/output、cache hit、batch、reasoning token、multi-modal、GA vs Beta）；7 步 SKU 穷举；周度刷新清单 +4. **references/side-channel-intel.md** — 6 个旁证情报源（招聘 JD / 专利地图 / 投资联盟 / GitHub / 应用商店 / Wayback Machine），每个含工具、产出、方法、陷阱 +5. **schemas/sku.schema.json** — SKU 级 JSON Schema：id、release_date、status (GA/Beta/Preview/Deprecated/Private/Sunset)、params (context/modality/分辨率/时长)、pricing (input/output/cache/reasoning/image/video/audio/free/batch/tiered)、rate_limits、predecessor/successor、benchmarks、deprecation、sources +6. **templates/visualizations/sku-pricing-matrix.html + version-timeline.svg** — 2 张 catalog 类专用骨架：SKU 矩阵 + 跨公司价格对比；24 个月 × 8 行版本时间线 +7. **examples/ex-maas-llm/** — MaaS 完整 Charter 示例：13 行 LLM SKU Matrix + 12 行视频生成 SKU Matrix，显式覆盖训练截止盲点（wan2.7 / seedance-2.5 / seedance-2.0-4k / sora-2 / veo-3 / hailuo-r2v / claude-opus-4 / o3 / qwen3-max 等） +8. **references/bias-checklist.md** — 新增第 7 类偏差"训练截止偏差"，含症状、自检、对策与 5 句魔法语 +9. **references/refresh-cadence.md** — 新增"Catalog / SKU / 价格"超敏感字段单独刷新矩阵（7/14/30 天三档）+ 每周一 SKU Sweep 实操流程 +10. **INDEX.md（包根）** — 一页式快速索引，对齐推荐目录结构 + +### v2.1.0 (2026-06-24) + +新增 7 项能力，全部围绕"从方法论到可执行工程"： + +1. **3 个新 examples** — 法律科技 SaaS、跨境电商 Marketplace、L4 自动驾驶 DeepTech，每个含 README 8 步全过程 + companies-sample.jsonl 真实数据 + racetracks.jsonl 赛道树 +2. **scripts/validate.py + Makefile** — 纯标准库 JSON Schema 校验器，按 schemas/ 自动推断，扫描 datum 4 元组完整性，0/1/2 退出码 +3. **templates/calculators/** — Excel + Python 双版单位经济计算器，公式严格定义（ARR≠GMV≠Revenue），含 HTML→PPTX 原生流水线模板 +4. **templates/visualizations/** — 10 张 SVG/HTML 可视化骨架（Editorial 暗色），覆盖全景图/时间线/Porter/Wardley/价值链/利润池/利益相关方/深度卡/估值榜/漏斗 +5. **references/source-recipes/** — 5 个深水行业取数菜谱（医疗/半导体/汽车/金融/能源），各含权威库 + 监管批件 + 口径陷阱 + 红线 +6. **references/refresh-cadence.md** — 数据保鲜矩阵 + 4 档动作（Fresh/Verify/Refresh/Discard）+ 季度/月度/周度刷新流程 +7. **references/glossary.md** — 40+ 行业研究术语精校词典，含不可写红线词表 + +### v2.0.0 (2026-06-24 早些时候) + +从单文件 v1 升级为多文件分包：8 步法、7 archetypes、4 通用画布、SSOT 三件套、Coverage Audit 阻断闸门、Devil's Advocate 子 Agent。 diff --git a/skills/industry-landscape-research/archetypes/_modifier-rapidly-evolving.md b/skills/industry-landscape-research/archetypes/_modifier-rapidly-evolving.md new file mode 100644 index 000000000..89736d6c5 --- /dev/null +++ b/skills/industry-landscape-research/archetypes/_modifier-rapidly-evolving.md @@ -0,0 +1,112 @@ +# Modifier: Rapidly-Evolving Catalog 快速演进目录型行业 + +> 这是一个 **modifier**（修饰符），不是独立 archetype。 +> 叠加到任意基础 archetype（platform / infrastructure / saas-vertical / deeptech 等）之上。 + +## 触发条件 + +满足以下任意 **2 项**即启用本 modifier： + +1. **发版频率**：行业头部玩家每月/每季度发新版本或新 SKU（如 MaaS 模型周更、显卡季度迭代、云数据库实例规格月增） +2. **SKU 数量**：单一公司产品目录 SKU 数 > 20 且参数差异显著（不是简单的尺寸/颜色 SKU） +3. **价格敏感**：价格 / Token 计费 / 实例单价是客户决策核心变量 +4. **官方 changelog**：公司维护可公开访问的 Release Notes / Changelog / Pricing Page +5. **训练截止偏置高发**：LLM 训练数据截止后已有 ≥1 个重要新版本/新玩家进入 + +## 高发行业清单（非穷尽） + +| 行业 | 典型 catalog 节奏 | 价格变量 | +|------|------------------|---------| +| MaaS / 大模型服务 | 周-月 | Token 单价 + 上下文长度 + 模态 | +| AI 编码助手 | 月-季度 | 用户/座位/月 + Token 计费 | +| 视频/图像生成 SaaS | 月 | 分辨率 × 时长 × 模型 | +| 显卡/AI 芯片 | 季度-半年 | TFlops × 显存 × 互联 × 制程 | +| 云计算实例 | 持续 | vCPU × 内存 × 网络 × 区域 × 预留/按需 | +| 向量数据库 | 月 | 容量 × QPS × 索引算法 | +| Embedding 模型 | 周-月 | 维度 × 上下文 × 单价 | +| 加密协议 / DeFi | 周 | TVL × 手续费 × Gas | +| 浏览器 / 操作系统 | 季度 | 内核版本 × 特性 flag | + +## 启用本 modifier 后必填项（在基础 archetype 之上叠加） + +### A. SKU Matrix 画布（必填） + +每家公司必须输出： + +| 列 | 数据点 | 来源优先级 | +|----|--------|----------| +| SKU/版本名 | 完整模型名/规格名 | L1 官方 | +| 发布日期 | YYYY-MM-DD 或 YYYY-Q | L1 官方 Release Notes | +| 核心参数 | 关键技术规格（参数量/上下文/分辨率/显存）| L1 官方 | +| 价格 | 完整定价（单价 + 阶梯 + 折扣 + 免费额度）| L1 官方 Pricing Page | +| QPS/Rate Limit | 速率限制 | L1 官方 | +| 状态 | GA / Beta / Preview / Deprecated | L1 官方 | +| 上一版本 | 上一代型号名 | 官方 changelog | +| 升级要点 | 相比上一代变化 1-2 句 | 官方 / 第三方测评 | + +模板见 [`templates/visualizations/sku-pricing-matrix.html`](../templates/visualizations/sku-pricing-matrix.html)。 + +### B. Version Timeline（必填） + +横向时间轴，标出每家头部公司近 24 个月的版本里程碑： +- 普通版本：圆点 + 版本号 +- 重大版本：方块 + 简短描述 +- Deprecated：✕ 标记 + 终止日期 + +模板见 [`templates/visualizations/version-timeline.svg`](../templates/visualizations/version-timeline.svg)。 + +### C. Pricing Comparison（必填） + +横向定价对比表，同一任务（如"1M token 中文生成"）跑下来各家的真实成本： + +| 模型/SKU | 输入单价 | 输出单价 | 1M token 总成本 | 折算成本因子 | +|---------|---------|---------|----------------|-------------| +| ... | ... | ... | ... | 标 1.0× / 0.5× / 2.3× | + +### D. 版本敏感的 Coverage Audit（必填） + +在 Step 4 Coverage Audit 矩阵新增 3 行强制项： + +| 维度 | 覆盖度 | 缺口分级 | +|------|--------|---------| +| 近 90 天发布版本/SKU 覆盖 | ⭐⭐⭐⭐⭐ 需 ≥ 95% | 缺则 🔴 | +| 官方 Pricing Page 抓取完整度 | ⭐⭐⭐⭐⭐ 需 100% | 缺则 🔴 | +| 第三方 benchmark 验证 | ⭐⭐⭐ 需 ≥ 50% | 缺则 🟡 | + +## 检索词增强清单（启用 modifier 必加） + +基础检索词（公司名/产品名）之外，必须额外跑： + +| 检索词模板 | 用途 | +|-----------|------| +| `<公司> latest release 2026` | 找最近新版本 | +| `<公司> changelog` / `release notes` | 完整版本史 | +| `<公司> pricing` / `<公司> API price` | 拿原始定价 | +| `<产品名> v? OR version` | 新版本号扫描 | +| `<产品名> deprecated` | 旧版本退役 | +| `<行业> 2026 new model` / `latest <category>` | 行业级新品扫描 | +| `<公司> roadmap` | 未发布预告 | +| `site:<官方域名>` 限定搜索 | 绕开二手转引 | + +## SKU 穷尽方法（防漏召回） + +1. **官方 pricing 页**起步：列出所有可见 SKU +2. **API 文档** model_list 接口：实际可调用模型清单（常比 pricing 页全） +3. **官方公众号 / 博客 / Twitter**：beta / preview 阶段先在这里曝光 +4. **第三方聚合平台**：OpenRouter / Artificial Analysis / LMArena / Hugging Face leaderboard 反向看 +5. **客户群 / Discord / 知乎**：求"全模型支持"的问答帖 +6. **竞品对比**：每家"vs 友商"页面常列出友商最新 SKU + +## 红线 + +- ❌ 禁止用 LLM 训练数据直接答"某家有什么模型"——必须查 live page +- ❌ 禁止只看 marketing slogan，必须拿 SKU 列表 + 价格 + 发布日期 +- ❌ 禁止跨版本混用价格（如把 wan2.5 的价格当 wan2.7 用） +- ❌ 禁止把 Pricing Page 截图替代结构化数据（必须落到 SKU Matrix） + +## 配套机制 + +- 数据保鲜：见 [`refresh-cadence.md`](../references/refresh-cadence.md) 中"catalog/SKU/价格"档（周度刷新） +- 反偏置：见 [`recency-guardrail.md`](../references/recency-guardrail.md) 防 LLM 训练截止盲区 +- 行业菜谱：见 [`source-recipes/maas-and-models.md`](../references/source-recipes/maas-and-models.md) +- 检查清单：见 [`bias-checklist.md`](../references/bias-checklist.md) "Training Cutoff Bias" 一节 diff --git a/skills/industry-landscape-research/archetypes/consumer.md b/skills/industry-landscape-research/archetypes/consumer.md new file mode 100644 index 000000000..f1da521a8 --- /dev/null +++ b/skills/industry-landscape-research/archetypes/consumer.md @@ -0,0 +1,69 @@ +# Archetype: Consumer App + +> 适用：C 端互联网应用。例：抖音、小红书、Notion 个人版、Spotify、Calm。 + +## 核心特征 + +- 单边用户驱动 +- 留存曲线是命门 +- ARPU 低、规模驱动 +- 获客渠道集中度高 + +## 必填分析项 + +| # | 维度 | 数据要求 | +|---|------|---------| +| 1 | DAU / MAU + DAU/MAU 比 | 活跃用户 + 粘性 | +| 2 | 留存曲线 | D1 / D7 / D30 / D180 | +| 3 | ARPU / ARPPU | 总收入 / 活跃用户 / 付费用户 | +| 4 | 付费率 | 付费 / 活跃 | +| 5 | 获客渠道分布 | 自然 / SEO / 应用商店 / 投放 / 内容 | +| 6 | 投放 ROI | LTV / CAC | +| 7 | 使用时长 | 分钟/日/用户 | +| 8 | 内容/功能消费深度 | 平均 session / 内容浏览数 | +| 9 | 跨平台覆盖 | iOS / Android / Web 占比 | +| 10 | 商业化模式 | 订阅 / 广告 / 内购 / 增值 | + +## 关键问题 + +1. 留存曲线是凹是凸？拐点在哪？ +2. 是不是过度依赖单一获客渠道？ +3. ARPU 还有上行空间吗？怎么涨？ +4. 用户为什么会"删除我们"？ +5. 商业化对核心体验侵蚀有多深？ + +## 行业经验法则 + +| 指标 | 健康值（社交） | 健康值（工具） | 红线 | +|------|------------|------------|------| +| DAU/MAU | > 50% | > 20% | < 10% | +| D7 留存 | > 30% | > 15% | < 5% | +| D30 留存 | > 15% | > 8% | < 3% | +| D180 留存 | > 8% | > 5% | < 2% | +| 付费率（C 端） | 2-10% | 1-5% | < 0.5% | +| LTV/CAC | ≥ 3 | ≥ 3 | < 1 | + +## 留存曲线形态判断 + +- **凹型（向下凸）**：用户用一阵就走，没找到价值 → 危险 +- **平台型（先降后稳）**：找到核心用户群 → 健康 +- **微笑型（先降后升）**：流失用户回流，可能因社交召回 → 强 + +## 常见 Thesis Template + +> "{App} 已实现 D30 留存 {X%}，DAU/MAU {Y%}，核心用户群已稳定。 +> 增长瓶颈在 {天花板触顶 / 商业化 / 海外扩展}。 +> 主要风险：{平台规则变化 / 内容生态枯竭 / 用户老化}。" + +## 知名案例 + +- 强留存：微信、抖音、Instagram +- 弱留存：多数工具类（用完即走） +- 失败：Clubhouse、Quibi、王者荣耀棋牌等 + +## 反模式 + +- ❌ 只看 DAU 不看留存 → 高 DAU 来自买量，留不住 +- ❌ 不分新用户/老用户看留存 → 混淆 +- ❌ ARPU 高但来源是 < 1% 鲸鱼用户 → 风险集中 +- ❌ 把"装机量"当 MAU → 完全不同的概念 diff --git a/skills/industry-landscape-research/archetypes/content-media.md b/skills/industry-landscape-research/archetypes/content-media.md new file mode 100644 index 000000000..bf8742f1b --- /dev/null +++ b/skills/industry-landscape-research/archetypes/content-media.md @@ -0,0 +1,103 @@ +# Archetype: Content / Media + +> 适用：内容/媒体型行业。例：短剧、长视频、音乐、游戏、出版、新闻、播客、AI 内容生成应用。 +> 这是 v2 重点新增 archetype，来自 AIGC review 实战沉淀。 + +## 核心特征 + +- 多层子生态：IP 源 / 制作 / 工具 / 平台 / 出海发行 +- 海内外双轨：商业模式、监管、版权完全不同 +- 利益相关方多：监管者 / 版权方 / 渠道方 / 创作者 / 用户 +- IP→变现 流程长，每个环节都可被 AI 改造 + +## 必填分析项 + +### A. 子生态分层（v2 核心） + +| 子生态层 | 角色 | 关键指标 | 例（短剧） | +|---------|------|---------|----------| +| IP 源 | 内容授权 | IP 库规模、独家率、版权金 | 阅文、晋江、起点、番茄小说 | +| 制作方 | 内容生产 | 月产能、单部成本、爆款率 | 古麦嘉禾、OST 传媒、神灯传媒 | +| 工具方 | AI 生产工具 | MAU、ARR、生成成本 | 万兴剧厂、FlareFlow、Wan 模型 | +| 平台方（国内） | 分发与流量 | DAU、ARPU、消耗 | 红果短剧、番茄短剧、喜播、九州 | +| 平台方（海外） | 海外分发 | 下载量、ARPU、市场分布 | ReelShort、ShortMax、DramaBox、FlexTV | +| 上游基础设施 | 算力/存储/CDN | 单位成本 | 阿里云、AWS | + +每条子生态层至少覆盖 TOP 3-5 玩家。 + +### B. 海内外双轨 + +| 维度 | 国内 | 海外 | +|------|------|------| +| 商业模式 | 信息流广告 + 单集付费 + 会员 | 单集付费为主（OneCoin 模式） | +| 监管 | 网信办 / 总局 | 各国分发平台规则 + GDPR | +| 内容偏好 | 现代 / 古装 / 都市 | 狼人 / 总裁 / 跨种族 | +| ARPU | $5-20 / 用户 / 年 | $20-100 / 用户 / 年 | +| 主要市场 | 中国大陆 | 美 / 欧 / 东南亚 | + +国内/海外必须分轨展示，禁止合并报表。 + +### C. 利益相关方立场 + +详见 `references/stakeholder-stance.md`。必查： + +| 角色 | 立场 | 影响 | +|------|------|------| +| 版权方（如 UMG、Sony、Warner） | 诉讼 / 授权 / 观望 | 决定 AI 训练数据可用性 | +| 监管者 | 牌照 / 备案 / 内容审查 | 决定行业运行环境 | +| 渠道方 | 接入 / 抽佣 / 排他 | 决定分发能力 | +| 创作者 | 接受 / 抗议 / 罢工 | 决定供给侧稳定性 | + +### D. 客户旅程（价值链 8 环节） + +详见 `references/value-chain-journey.md`。 + +``` +IP 获取 → 剧本生成 → 角色设计 → 分镜生成 → 视频/图像生成 → 后期剪辑 → 分发 → 变现 +``` + +每个环节标注： +- 现状（人工 vs AI 比例） +- AI 介入点 + 成熟度 +- 代表工具 +- 自家产品对应方案 + +## 关键问题 + +1. 哪个子生态层最赚钱？margin 多少？ +2. 各层之间的议价能力如何流转？ +3. 国内/海外哪个市场利润更大？为什么？ +4. 版权方/监管者的态度会怎么变？ +5. IP→变现 8 环节里 AI 真正改造了哪几个？ + +## 行业经验法则 + +| 指标 | 短剧（国内） | 短剧（海外） | 长视频 | +|------|-----------|-----------|--------| +| 单部成本 | 30-80 万 | 1-3 万美金 | 千万级 | +| 爆款率 | 5-10% | 3-8% | < 5% | +| 制作周期 | 7-30 天 | 14-45 天 | 6-18 月 | +| 用户 ARPU/年 | $5-20 | $20-100 | $30-80 | +| 平台抽佣 | 30-50% | 30-50%（App Store/Google） | 40-50% | + +## 常见 Thesis Template + +> "{行业}：{平台方 / 制作方 / 工具方} 是核心利润池，{IP 源 / 上游} 议价能力提升。 +> 海内外双轨下，{海外 / 国内} 利润率更高。 +> AI 改造 8 环节中 {N 个} 已实质化，{N 个} 仍在 PoC。 +> 主要风险：{监管 / 版权 / 创作者抗议 / 单价下行}。" + +## 知名案例 + +- 短剧：红果短剧（DAU 1亿）、ReelShort（海外 #1）、ShortMax、DramaBox +- 长视频：Netflix、爱奇艺、腾讯视频 +- 音乐：Spotify、网易云、Suno、Udio +- AI 内容生成：Midjourney、Runway、Sora、Wan、HappyHorse + +## 反模式 + +- ❌ 子生态只看平台方 → 漏掉真正赚钱的层（如算力底层、IP 源） +- ❌ 国内/海外合并谈 → 完全不同的商业模式 +- ❌ 忽略版权方立场 → AI 训练数据合规风险被低估 +- ❌ 客户旅程只看单点 → 完整链路才能看清 AI 真正价值 +- ❌ 把单部爆款当代表 → 头部 5% 不能代表整体 diff --git a/skills/industry-landscape-research/archetypes/deeptech-hardware.md b/skills/industry-landscape-research/archetypes/deeptech-hardware.md new file mode 100644 index 000000000..8dfab9e4d --- /dev/null +++ b/skills/industry-landscape-research/archetypes/deeptech-hardware.md @@ -0,0 +1,81 @@ +# Archetype: DeepTech / Hardware + +> 适用：硬科技、半导体、生物医药、新能源、机器人、量子等技术驱动型行业。 + +## 核心特征 + +- 技术成熟度（TRL）决定商业化窗口 +- 研发周期长（5-15 年） +- 资本密集 + 专利壁垒 +- BOM 成本和良率是核心 + +## 必填分析项 + +| # | 维度 | 数据要求 | 来源 | +|---|------|---------|------| +| 1 | TRL 等级 | NASA TRL 1-9 | 技术白皮书 / 论文 | +| 2 | 专利数 + 引用 | 专利总数 / 核心专利 / 引用次数 | Google Patents / 国知局 / USPTO | +| 3 | 研发管线（Pipeline） | 各阶段项目数 + 预期上市时间 | 公司披露 / 研报 | +| 4 | BOM 成本结构 | 关键组件成本占比 | 财报 / 拆解报告 | +| 5 | 良率 | 当前 / 目标良率 | 公司披露 | +| 6 | 量产规模 | 当前产能 / 规划产能 | 财报 / 公告 | +| 7 | 关键供应链 | 上游卡脖子环节 + 替代方案 | 财报"主要供应商" | +| 8 | 研发投入占比 | R&D / 营收 | 财报 | +| 9 | 关键人才 | 核心团队学术背景 / 行业经验 | 招股书 / LinkedIn | +| 10 | 监管壁垒 | 行业准入许可 / 认证 | 行业政策 | +| 11 | 客户/订单 | 已签 LOI / 长单 | 公告 | +| 12 | 资本结构 | 现金 / Burn rate / 跑道 | 财报 | + +## 关键问题 + +1. 当前 TRL 几级？距离商业化还有多远？ +2. 专利护城河是真的吗？核心专利持有人？是否有规避方案？ +3. 量产是关键瓶颈？还是良率？还是市场？ +4. 资本市场窗口能撑多久？现金跑道？ +5. 上游卡脖子环节如何破解？ +6. 关键人才稳定性？流失风险？ + +## TRL 9 级速查 + +| TRL | 含义 | +|-----|------| +| 1 | 基础原理观测 | +| 2 | 技术概念提出 | +| 3 | 实验室原理验证 | +| 4 | 实验室环境组件验证 | +| 5 | 相关环境组件验证 | +| 6 | 相关环境系统/子系统模型演示 | +| 7 | 工作环境系统原型演示 | +| 8 | 实际系统完成并资格认证 | +| 9 | 实际系统经实际任务考验 | + +TRL 6-7 是"死亡之谷"，多数项目卡在这里。 + +## 行业经验法则 + +| 指标 | 健康值（高研发型） | 红线 | +|------|---------------|------| +| R&D / 营收 | > 15% (高科技) / > 20% (药企) | < 5% | +| 良率提升斜率 | 每代翻倍 | 停滞或下降 | +| 现金跑道 | > 24 月 | < 12 月 | +| 专利复合增速 | > 30%/年 | < 0% | + +## 常见 Thesis Template + +> "{公司名} 已在 {技术方向} 达到 TRL {N}，专利布局 {N 项核心}，预计 {时间} 进入量产。 +> 关键瓶颈：{良率 / 上游 / 监管 / 资本}。 +> 主要风险：{技术替代 / 市场需求不足 / 专利诉讼}。" + +## 知名案例 + +- 半导体：ASML（光刻机）、TSMC（代工）、SMIC（国内代工） +- 新能源车：比亚迪、宁德时代、特斯拉 +- 量子计算：IonQ、Rigetti、本源量子 +- 生物医药：BioNTech、信达生物、百济神州 + +## 反模式 + +- ❌ 只看专利数不看引用数 → 烟雾弹专利 +- ❌ TRL 自评 → 必须用第三方验证标准 +- ❌ 把研发投入金额当护城河 → 投入 ≠ 产出 +- ❌ 忽略上游卡脖子 → 量产时翻车（参考很多新能源车） diff --git a/skills/industry-landscape-research/archetypes/infrastructure.md b/skills/industry-landscape-research/archetypes/infrastructure.md new file mode 100644 index 000000000..c103c2af9 --- /dev/null +++ b/skills/industry-landscape-research/archetypes/infrastructure.md @@ -0,0 +1,65 @@ +# Archetype: Infrastructure / Cloud + +> 适用：底层基础设施。例：云计算、CDN、数据库、AI 推理平台、API 中间件。 + +## 核心特征 + +- ToB 销售，决策链长 +- 客户切换成本极高（一旦上车） +- 单位算力/带宽/存储成本是核心 +- 产品矩阵 attach 决定 LTV + +## 必填分析项 + +| # | 维度 | 数据要求 | +|---|------|---------| +| 1 | 营收 + 增速（分产品线） | 各产品独立报表 | +| 2 | 单位成本曲线 | $/Token / $/GPU-hour / $/GB-month | +| 3 | 客户集中度 | Top10 客户营收占比 | +| 4 | 产品矩阵 attach | 客户平均购买产品数 | +| 5 | Gross Margin（分产品） | 每条产品线毛利率 | +| 6 | Capex 强度 | Capex / 营收 | +| 7 | 折旧周期 | 服务器折旧年数（3-5 / 5-7） | +| 8 | 关键合同 | 大客户合同金额 / 期限 | +| 9 | 地理 / Region 覆盖 | 可用区数 + 地区营收 | +| 10 | 上层生态 | ISV / Marketplace 合作数 | +| 11 | 合规认证 | SOC2 / ISO / 国密 / 等保 | + +## 关键问题 + +1. 单位算力/带宽/存储成本年降幅多少？ +2. 客户切换成本到底有多高？哪些客户已锁定？ +3. 产品矩阵 attach 是不是真的发生？怎么验证？ +4. Capex 强度可持续吗？折旧政策是否激进？ +5. 头部客户营收占比过高怎么办？ + +## 行业经验法则 + +| 指标 | 健康值 | 红线 | +|------|--------|------| +| Gross Margin（IaaS） | 30-50% | < 20% | +| Gross Margin（SaaS 层） | > 70% | < 50% | +| Capex / 营收 | 25-40%（增长期） | > 60% 持续 | +| 客户净留存（按收入） | ≥ 120% | < 100% | +| Top10 客户占比 | < 30% | > 50% | +| API Margin | > 80%（高规模时） | — | +| 单位 Token 成本年降幅（AI 推理） | 50-80% | < 30% | + +## 常见 Thesis Template + +> "{云厂商} 在 {场景} 已建立单位成本优势，产品矩阵 attach 达 {N}。 +> 客户切换成本通过 {数据迁移 / API 锁定 / 培训成本} 维持。 +> 主要风险：{Capex 失控 / 客户多云策略 / 监管反垄断 / 国产化替代}。" + +## 知名案例 + +- 云三巨头：AWS / Azure / GCP +- 国内：阿里云 / 腾讯云 / 华为云 / 火山引擎 +- 垂直：Cloudflare（CDN+边缘）、Snowflake（数据仓）、Databricks（数据湖） + +## 反模式 + +- ❌ 不分产品线看整体毛利率 → IaaS 和 SaaS 混在一起没意义 +- ❌ 忽略 Capex 周期性 → AI 大投入年估值会被错杀 +- ❌ 把"alleged" attach 当真 → 客户买了不用 = 没 attach +- ❌ 国产化替代当短期题材 → 实际可能 5-10 年才发生 diff --git a/skills/industry-landscape-research/archetypes/marketplace.md b/skills/industry-landscape-research/archetypes/marketplace.md new file mode 100644 index 000000000..06fe2ad0e --- /dev/null +++ b/skills/industry-landscape-research/archetypes/marketplace.md @@ -0,0 +1,60 @@ +# Archetype: Marketplace + +> 适用：纯交易撮合的平台。例：淘宝、Airbnb、Uber、Etsy、Fiverr。与 Platform 重叠但更聚焦交易撮合。 + +## 核心特征 + +- 撮合买卖双方完成交易 +- 平台不持有库存（多数情况） +- GMV 是核心北极星指标 +- Liquidity 决定生死 + +## 必填分析项 + +| # | 维度 | 数据要求 | +|---|------|---------| +| 1 | GMV + 增速 | 总交易额 + YoY | +| 2 | Take Rate | 平台收入 / GMV | +| 3 | 买家数 / 卖家数 / 比例 | 两侧规模 | +| 4 | 单笔均价 | GMV / 订单数 | +| 5 | 复购率 | L+12 月复购 | +| 6 | 两侧拉新成本 | CAC（买家） + CAC（卖家） | +| 7 | Liquidity 指标 | 平均匹配时间 / 搜索 zero-result 率 | +| 8 | 头部集中度 | Top 1% 商家 GMV 占比 | +| 9 | 跨边费用 | 谁付费？多少？ | +| 10 | 反 disintermediation 措施 | 防止双方绕过平台 | + +## 关键问题 + +1. GMV 是真实交易还是被刷量？ +2. 两侧 liquidity 是否实现？ +3. Take rate 还能涨吗？涨了商家会不会逃？ +4. 复购率结构：买家 vs 卖家分别如何？ +5. 头部商家是不是已经在搞独立站？ + +## 行业经验法则 + +| 指标 | 健康值 | 红线 | +|------|--------|------| +| Take Rate | 10-25% | < 5% (无利) 或 > 30% (商家逃) | +| 月活买家 / 月活卖家 | > 50（高频品类）或 > 10（低频） | < 5 | +| 头部 1% 商家 GMV 占比 | < 30% | > 50% | +| Disintermediation 率 | < 10% | > 30% | +| 现金转化（GMV→Revenue→Net Income） | Revenue/GMV: 10-25%；Net/Revenue: 5-20% | — | + +## 常见 Thesis Template + +> "{Marketplace} 已在 {场景} 实现 liquidity，take rate 仍有上升空间。 +> 主要风险：{大型卖家独立 / 监管反垄断 / 物流断裂 / 跨平台比价}。" + +## 知名案例 + +- 强 marketplace：Taobao、Amazon Marketplace、Etsy、Airbnb +- 服务型：Uber、Fiverr、TaskRabbit +- 失败：Quibi、各种 P2P 借贷（合规问题） + +## 反模式 + +- ❌ 只看 GMV 不看 take rate → 可能是补贴跑量 +- ❌ 不看 disintermediation → 服务类 marketplace 常死于此 +- ❌ 把 1P 当作 marketplace → 京东自营和淘宝不是一回事 diff --git a/skills/industry-landscape-research/archetypes/platform.md b/skills/industry-landscape-research/archetypes/platform.md new file mode 100644 index 000000000..10deb6032 --- /dev/null +++ b/skills/industry-landscape-research/archetypes/platform.md @@ -0,0 +1,62 @@ +# Archetype: Platform（双边/多边平台） + +> 适用：撮合两类或多类用户的平台型业务。例：电商、出行、外卖、SaaS marketplace、应用商店、API 网关。 + +## 核心特征 + +- 两侧或多侧用户 +- 网络效应（一侧用户增加提升另一侧价值） +- Liquidity 是核心壁垒 +- Take rate 决定盈利模式 + +## 必填分析项（进入 Coverage Audit） + +| # | 维度 | 数据要求 | 来源 | +|---|------|---------|------| +| 1 | 两侧用户规模 | 月活、付费数、活跃供给 | 公司披露 / 招股书 / QuestMobile | +| 2 | Take Rate | (平台收入 / GMV) % | 财报 | +| 3 | GMV | 平台交易总额 + 增速 | 财报 | +| 4 | 网络效应类型 | Direct / Indirect / Two-sided / Data | 综合分析 | +| 5 | Liquidity 度量 | 供需匹配时间、可用 SKU/服务数 | 公司披露 / 第三方监测 | +| 6 | 单笔交易 unit economics | 平台抽佣 / 单笔 - 单笔成本 | 财报推算 | +| 7 | 补贴策略 | 给哪一侧补贴 / 单位补贴成本 | 财报 / 新闻 | +| 8 | 跨边定价 | 哪侧免费 / 哪侧付费 | 公开定价页 | +| 9 | 客户/商家集中度 | TopN GMV 占比 | 招股书风险章节 | +| 10 | 反 disintermediation 措施 | 防绕过平台直连的设计 | 产品分析 | + +## 关键问题（Thesis 必答） + +1. 网络效应已经形成了吗？多 strong？ +2. Liquidity 在哪些细分场景已经实现？ +3. Take rate 还有上行空间吗？或必须下行？ +4. 谁是真正的客户：买方？卖方？双方？ +5. 平台对哪一侧议价能力更强？ +6. 头部公司护城河是规模 / 数据 / 算法 / 品牌？ + +## 行业经验法则 + +| 指标 | 健康值 | 红线 | +|------|--------|------| +| Take Rate | 10-30% | < 5% (无利润) 或 > 40% (供给反抗) | +| 单笔交易成本 / 单笔抽佣 | < 50% | > 80% | +| 月度商家流失率 | < 3% | > 10% | +| 头部 1% 商家 GMV 占比 | < 30% | > 50% (集中度过高) | +| L+12 月复购率 | > 60% (高频) / > 30% (低频) | < 30% / < 15% | + +## 常见 Thesis Template + +> "{平台名} 已在 {场景} 实现 liquidity，下一步靠 {take rate 优化 / 跨场景扩展 / 数据广告变现} 提升利润率。 +> 主要风险：{disintermediation / 监管反垄断 / 单侧 churn / 新进入者}。" + +## 知名案例 + +- 强网络效应平台：微信、Facebook、Uber、Airbnb、Taobao +- 弱网络效应平台：Yelp（已被搜索替代）、TaskRabbit +- 失败平台：百度有啊（流量不足）、Quibi（用户行为错配） + +## 反模式（写到这家公司时立刻警觉） + +- ❌ 只看 GMV 不看 take rate → 可能是亏损跑量 +- ❌ 只看 DAU 不看活跃供给 → 单侧繁荣假象 +- ❌ 不分高频/低频谈复购率 → 标准不同 +- ❌ 把"流量平台"当"交易平台" → 商业模式完全不同 diff --git a/skills/industry-landscape-research/archetypes/saas-vertical.md b/skills/industry-landscape-research/archetypes/saas-vertical.md new file mode 100644 index 000000000..86f3faa75 --- /dev/null +++ b/skills/industry-landscape-research/archetypes/saas-vertical.md @@ -0,0 +1,66 @@ +# Archetype: Vertical SaaS + +> 适用：服务单一垂直行业的 SaaS 公司。例：餐饮 SaaS、酒店 PMS、医美 SaaS、法律 SaaS、AI Copilot for X。 + +## 核心特征 + +- 单一行业深度服务 +- 客户切换成本高（业务流程嵌入） +- ARPU 高于水平 SaaS +- TAM 受限于垂直行业规模 + +## 必填分析项 + +| # | 维度 | 数据要求 | 来源 | +|---|------|---------|------| +| 1 | ARR | 年度经常性收入 + 增速 | 财报 / 招股书 / 媒体披露 | +| 2 | 客户数 + 增长 | 总数 / 净新增 / 流失 | 同上 | +| 3 | NRR（净收入留存） | 现有客户当年营收 / 去年同期 | 财报 | +| 4 | CAC payback | 销售营销支出 / 月新增 ARR | 财报推算 | +| 5 | LTV / CAC | LTV / CAC | 财报推算 | +| 6 | Gross Margin | 软件毛利率（应 > 70%） | 财报 | +| 7 | Rule of 40 | 增速 + 自由现金流率 | 财报 | +| 8 | 客户集中度 | TopN ARR 占比 | 招股书 | +| 9 | 标杆客户名单 | 谁在用？什么场景？ | 官网 / 案例页 | +| 10 | 垂直 know-how 深度 | 行业专属功能数 / 普通竞品的差距 | 产品对比 | +| 11 | TAM 深度 | 该垂直全部潜在客户 × 平均 ARPU | Bottom-up 算 | +| 12 | 上下游卡位 | 与垂直行业上下游集成度 | 产品架构图 | + +## 关键问题 + +1. 垂直 know-how 是不是真护城河？还是只是 UI 配色不同？ +2. 客户为什么不会回去用 Excel？切换成本具体在哪？ +3. ARR 增速能维持多久？TAM 还剩多少没渗透？ +4. NRR 主要来自 seat 扩展 / 功能升级 / 跨产品？ +5. CAC payback 是否在恶化？为什么？ + +## 行业经验法则 + +| 指标 | 健康值 | 红线 | +|------|--------|------| +| NRR | ≥ 110% (世界级 ≥ 130%) | < 90% | +| Gross Margin | > 70% | < 50% | +| CAC Payback | < 18 月 | > 36 月 | +| LTV / CAC | ≥ 3 | < 1 | +| Rule of 40 | ≥ 40 | < 0 | +| Magic Number | ≥ 0.75 | < 0.5 | +| 年流失率（客户数） | < 10% | > 20% | +| 年流失率（营收） | < 5% (含 expansion 后可 < 0%) | > 10% | + +## 常见 Thesis Template + +> "{公司名} 在 {垂直} 已占据 {N%} 市场份额，NRR {X%} 显示客户深度绑定。 +> 增长瓶颈在 {TAM 触顶 / 跨垂直扩展 / 上下游延伸}。 +> 主要风险：{大厂下沉 / 客户行业景气下滑 / 替代品}。" + +## 知名案例 + +- 头部 Vertical SaaS：Veeva（药企）、Procore（建筑）、Toast（餐饮）、Shopify（零售商家） +- 国内案例：明源云（地产）、广联达（建筑）、二维火（餐饮） + +## 反模式 + +- ❌ NRR 高但客户数下滑 → 老客 expansion 掩盖了新客流失 +- ❌ ARR 增速高但 CAC payback 也在恶化 → 烧钱买增长 +- ❌ Gross Margin < 50% 还自称 SaaS → 大概率混了服务收入 +- ❌ TAM top-down 算出 $500B → 几乎肯定虚高，必须 bottom-up diff --git a/skills/industry-landscape-research/assets/showcase.html b/skills/industry-landscape-research/assets/showcase.html new file mode 100644 index 000000000..84152ce34 --- /dev/null +++ b/skills/industry-landscape-research/assets/showcase.html @@ -0,0 +1,316 @@ +<!DOCTYPE html> +<html lang="zh-CN"> +<head> +<meta charset="UTF-8" /> +<meta name="viewport" content="width=device-width,initial-scale=1.0" /> +<title>industry-landscape-research v2.0 · Skill Showcase + + + +
+ +
+
QoderWork Skill · Showcase
+

industry-landscape-research

+

通用行业调研方法论。从范围界定到深度分析，从数据采集到 House View，一套可复用的八步法 + 7 个 archetype + 完整脏活手册，把"看透吃透一个行业"沉淀为可执行的工程化流程。

+
+ v2.0.0 + 8-Step Framework + 7 Archetypes + SSOT JSONL + L1-L4 Quality Tiers +
+
+ +
+

§1八步法

+

每一步有明确输入、输出、产物与质量门槛。前一步未通过签字，不进入下一步。

+ +
+
1CharterSign-off
+
2DecomposeRacetracks
+
33-Round SearchJSONL
+
4Coverage Audit⭐ Rating
+
5FrameworksPorter/7P
+
6Quant ModelTAM/Profit
+
7ThesisHouse View
+
8Deliverable15 Artifacts
+
+ +
+
+

Step 3三轮搜索法

+

R1 广度建骨架（赛道 + 公司清单）→ R2 深度填画像（80% 字段）→ R3 验证补盲（双源 + 找新锐）。每轮明确输入输出，R4-R8 按收敛信号迭代。

+ 广度→深度→验证≥15 家/赛道收敛 <5% +
+
+

Step 4覆盖度审计

+

8 维度矩阵，⭐ 评分 + 🔴🟡🟢 缺口分级。任一维度 🔴 阻断 Step 5。先确认覆盖度，再进入分析。

+ 8 dim ⭐ rating🔴 阻断 +
+
+

Step 5分析框架强制

+

Porter 5 / 7 Powers (0-5 评分) / Wardley Map / JTBD / S-curve。每个赛道必须产出至少 3 张分析画布，避免"只列数据不下结论"。

+ Porter 57 PowersWardleyJTBDS-curve +
+
+

Step 7House View & Devil's Advocate

+

三情景预测（概率总和 100%）+ Pre-mortem 预警 + 独立反方 Agent 评审。所有结论标 H/M/L 信心等级。

+ 3 scenariosPre-mortemDevil's AdvocateH/M/L +
+
+
+ +
+

§27 个行业原型 (Archetypes)

+

每个 archetype 锁定 10-12 个必填分析项与 KPI，避免"通用框架套不进特定行业"。Step 1 Charter 阶段需选定 archetype。

+ +
+
Platform 平台
GMV · take rate · network effects · liquidity
+
Vertical SaaS
ARR · NRR · CAC payback · Magic Number
+
DeepTech 硬科技
R&D ratio · TRL · BOM · 良率
+
Marketplace 撮合
take rate · liquidity · disintermediation
+
Consumer 消费
D1/D7/D30 retention · ARPU · 自然流量
+
Infrastructure 基础设施
Capex/Rev · utilization · 客户集中度
+
Content / Media
创作者留存 · 版权诉讼 · 内容 ROI
+
+ 子生态分层
平台 / 生产 / IP源 / 出海 / 工具 / 基建
+
+
+ +
+

§3数据质量四元组

+

每一个非常识数据点必须有：数值 + 来源 URL + 截止日期 + 数据等级。否则不进 JSONL。

+ + + + + + + + + +
等级含义来源示例使用规则
L1交易所/审计/招股书NVIDIA 10-K · 港交所披露易直接使用
L2权威媒体深度报道The Information · 36氪深氪 · FT双源交叉验证后使用
L3公司 PR / 媒体综述公司新闻稿 · 行业媒体快讯标 "~" 或 "(估)"
L4匿名信源 / 自媒体"消息称…" · 未署名爆料标 "(传)"，必要时排除
+
+ +
+

§4Skill 包结构

+

单一事实源 = JSONL。所有 Markdown 表格、PPTX、Excel 由脚本从 JSONL 生成，避免手工抄写产生分歧。

+ +
+industry-landscape-research/ +├── SKILL.md # v2.0.0 主文档 +├── workflows/ # 8 步法逐步指南 +│ ├── 00-execution-plan.md +│ ├── 01-research-charter.md +│ ├── 02-three-round-search.md +│ ├── 03-analysis-frameworks.md +│ ├── 04-coverage-audit.md +│ ├── 05-quant-modeling.md +│ ├── 06-thesis-synthesis.md +│ └── 07-deliverable-assembly.md +├── archetypes/ # 7 个行业原型 + KPI +│ ├── platform.md +│ ├── saas-vertical.md +│ ├── deeptech-hardware.md +│ ├── marketplace.md +│ ├── consumer.md +│ ├── infrastructure.md +│ └── content-media.md +├── references/ # 知识参考 +│ ├── source-matrix.md +│ ├── crawl-strategy.md +│ ├── valuation-playbook.md +│ ├── bias-checklist.md +│ ├── dirty-work-playbook.md +│ ├── rules-of-thumb.md +│ ├── stack-map.md +│ ├── value-chain-journey.md +│ ├── profit-pool.md +│ └── stakeholder-stance.md +├── schemas/ # JSON Schema 校验 +│ ├── company.schema.json +│ ├── racetrack.schema.json +│ ├── event.schema.json +│ ├── source.schema.json +│ └── deliverable.schema.json +├── templates/ # 子代理 prompt +│ ├── subagent-racetrack-scan.md +│ ├── subagent-company-deepdive.md +│ ├── subagent-cross-validate.md +│ ├── subagent-quant-model.md +│ └── subagent-devil-advocate.md +├── examples/ # 端到端样例 +│ └── ex-aigc-image/ +├── assets/ +│ └── showcase.html # 本页 +
+
+ +
+

§5v1.4 → v2.0 升级

+
+
    +
  • 从数据采集 → 分析方法论：新增分析框架、量化建模、Thesis 综合三层（v1 只到数据采集就止）
    • +
  • 从单文件 → 多文件 Skill 包：SKILL.md + workflows + archetypes + references + schemas + templates，分层职责清晰
    • +
  • 从可选规范 → 强制 JSON Schema：单一事实源 SSOT 是 JSONL，所有 Markdown/PPT 由脚本派生
    • +
  • 从隐式约束 → 显式 Charter：Step 1 必须签字才能进 Step 2，避免范围漂移
    • +
  • 新增 Coverage Audit：8 维度 ⭐ 评分 + 🔴 阻断机制，分析前先验数据是否够厚
    • +
  • 新增 Devil's Advocate：独立子代理评审 5 类批判（数据/偏差/反向/信任度/盲区）
    • +
  • 新增 7 archetypes：每个原型锁定 10-12 必填项，KPI 不再"通用得没用"
    • +
  • 新增 Stack Map / Value Chain Journey / Profit Pool / Stakeholder Stance：四个分析画布通用化，从 AIGC 复盘中沉淀
    • +
  • 新增 Phase 1/2/3 并行编排：明确按赛道/公司/数据源切片，避免 30 Agent 同时抓一个源
    • +
+
+
+ + + +
+ + diff --git a/skills/industry-landscape-research/examples/ex-aigc-image/README.md b/skills/industry-landscape-research/examples/ex-aigc-image/README.md new file mode 100644 index 000000000..c0dd60d64 --- /dev/null +++ b/skills/industry-landscape-research/examples/ex-aigc-image/README.md @@ -0,0 +1,217 @@ +# Example: AIGC 图像生成赛道调研（端到端样例） + +> 此样例展示**如何运用八步法 + 多文件资产**完成一次行业调研。数据为示意目的，**真实调研时必须重新核实**。 + +## 0. 总览 + +- **行业**：AIGC（生成式 AI） +- **赛道切片**：本次只做"图像生成"（image-generation） +- **基准日**：2026-06-20 +- **调研目的**：内部 BD 团队识别 TOP 标的与切入点 +- **承接 Skill 版本**：industry-landscape-research v2.0.0 + +## 1. Step 1 — Charter（来自 `workflows/01-research-charter.md`） + +```markdown +研究范围: 全球 AIGC 图像生成赛道 +包含: 文生图、图生图、图生视频前端、专业图像生成工具 +排除: 通用 LLM、视频生成主线、3D 模型生成、音频生成 +受众: 阿里云 AIGC 行业 BD（内部汇报） +目标客户: 时代出版、创客贴、开为科技、蓝色光标、万兴科技、即梦/字节 +关键假设: + - H1: 应用层（C 端工具）将出现 ≥ 3 家估值 > $5B 的独立赢家 + - H2: 中国市场份额会从 2024 年 ~15% 升至 2026 年 ~25% + - H3: 闭源模型（OpenAI/Stability）API 收入 2026 年同比下降 +成功标准: + - 覆盖 ≥ 25 家公司，TOP 10 估值 ≥ L2 数据 + - 包含中美/海外双视图 + - 输出 BD 优先级 P0-P3 标签 +止损线: R3 结束后 L1+L2 < 50% → 暂停并升级 +赛道 Archetype: content-media（次要：consumer） +地理分层: 全球 / 中国 / 美国 / 东南亚 / 欧洲 +汇率快照（2026-06-20）: USD/CNY=7.18, HKD/CNY=0.92, EUR/CNY=7.74 +签字: 调研负责人 / BD 负责人 / 日期 +``` + +## 2. Step 2 — Decompose + +把"图像生成"赛道再拆 4 个子赛道： + +| 子赛道 ID | 名称 | 范围 | +|----------|------|------| +| image-pro | 专业生图工具 | Midjourney / 即梦 / Adobe Firefly / Imagen | +| image-saas | 设计 SaaS 整合 | Canva / 创客贴 / 万兴 / 稿定 | +| image-api | API 服务 | OpenAI Images / Stability API / 通义万相 API | +| image-vertical | 垂直应用 | 电商图（FancyTech）、营销图（蓝色光标）、AI 写真 | + +每个子赛道独立 R1。 + +## 3. Step 3 — 三轮搜索（节选） + +### R1 广度（按子赛道并行 4 个 Agent） +- Agent A (image-pro)：发现 18 家公司，含 Midjourney、即梦、Adobe Firefly、Imagen、SD、Leonardo、Recraft、Ideogram 等 +- Agent B (image-saas)：发现 15 家，Canva、创客贴、稿定、万兴喵影（图像部分）、Figma AI、Adobe Express +- Agent C (image-api)：发现 12 家，OpenAI Images、Stability、通义万相、Replicate、Runway API +- Agent D (image-vertical)：发现 14 家含 FancyTech、蓝色光标 BlueAI、Photoroom（电商）、Loomly（营销） + +**R1 汇总**：59 家公司，去重后 51 家进 R2。 + +### R2 深度（按公司并行 10 个 Agent，每个负责 5 家） +- 每家公司按 `subagent-company-deepdive.md` 抓 80%+ 字段 +- 共耗时 ~3 小时（并行） +- 产出 51 条 `companies.jsonl` + +### R3 验证补盲 +- 字段覆盖率：85% +- L1+L2 占比：68% +- 交叉验证率：72% +- 异常项修正：3 处（包括"Midjourney 估值 $25B"传闻被降级为 L4 标注"未证实"） +- 新发现公司：2 家（Krea / Tengr.ai） + +## 4. Step 4 — Coverage Audit + +| 维度 | ⭐ 评分 | 缺口等级 | +|------|--------|---------| +| 头部玩家覆盖 | ⭐⭐⭐⭐⭐ | 🟢 | +| 长尾/腰部覆盖 | ⭐⭐⭐⭐ | 🟢 | +| 中国市场 | ⭐⭐⭐⭐⭐ | 🟢 | +| 海外市场 | ⭐⭐⭐⭐ | 🟢 | +| 财务数据 | ⭐⭐⭐ | 🟡 | +| 用户规模 | ⭐⭐⭐ | 🟡 (未上市公司多用 PR 数字) | +| 监管/版权立场 | ⭐⭐⭐⭐ | 🟢 | +| 技术路线 | ⭐⭐⭐⭐ | 🟢 | + +无 🔴，可进 Step 5。 + +## 5. Step 5 — Analysis Frameworks + +### Porter 5 Forces (image-pro 子赛道) +- 新进入威胁：高（开源 SD 降低门槛） +- 替代品威胁：中（视频生成会蚕食部分需求） +- 供应商议价：高（NVIDIA + 云算力） +- 客户议价：中（消费者迁移成本低） +- 行业内竞争：极高（红海） + +### 7 Powers (Midjourney 评分，0-5) +- Scale Economies: 2（消费应用规模效应一般） +- Network Effects: 3（社区/Discord 双边网络） +- Counter-Positioning: 4（订阅制 + 不做免费层 vs OpenAI） +- Switching Costs: 1（用户切换成本低） +- Branding: 4（品牌强） +- Cornered Resource: 2（无独占数据） +- Process Power: 3（迭代速度快） + +### Wardley Map（节选） +- 算力 → Commodity 区 +- 基础模型 → Product 区（向 Commodity 移动） +- 风格化模型 → Custom Built / Product 边界 +- 应用层 → Genesis / Custom Built 区 + +### JTBD +"用户雇用 Midjourney 来：在 60 秒内得到一张高于自己设计能力的图，以便在社交/工作中展示创意。" + +### S-curve 位置 +2024 → "Scaling"阶段；2025-2026 → 进入"Shaking-out"早期。 + +## 6. Step 6 — Quant Modeling + +### Unit Economics（节选，content-media archetype） +| 指标 | Midjourney | 即梦 | Canva | 行业基准 | +|------|-----------|------|-------|---------| +| 付费用户 (mn) | 2 (估) | 未披露 | 21 | - | +| ARPU ($/年) | 100 | 未披露 | 100+ | 50-150 | +| 毛利率 | ~80% (估) | 未披露 | 70-80% | 70%+ | +| 月增速 | 8% (估) | 未披露 | 5% | ≥5% 健康 | + +### TAM (三方法) +- Top-down: 全球 AIGC 市场 ~$50B × 图像份额 30% = $15B +- Bottom-up: 全球设计/创意工作者 50mn × ARPU $120 × 渗透率 30% = $1.8B (狭义) +- Comparable: 对标 Adobe Creative Cloud（$200亿/年）的图像生成增量份额 5-15% = $10-30B + +**取保守中位数：$12-15B**（2026 口径） + +### Profit Pool（节选） +| 段 | 营收 $B | 净利率 | 净利润 $B | +|----|---------|--------|----------| +| L1 GPU (NVIDIA 份额) | ~80 | 55% | ~44 | +| L2 模型 (OpenAI Images / SD) | ~3 | -50% | -1.5 | +| L3 平台 (Replicate 等) | ~0.5 | 5% | 0.025 | +| L4 应用 (Midjourney 等) | ~1.5 | 30% | 0.45 | +| L5 SaaS 集成 (Canva 图像部分) | ~2 | 25% | 0.5 | + +**洞察**：图像生成赛道 95% 利润在 L1 算力；应用层利润快速上升但仍小。 + +## 7. Step 7 — Thesis Synthesis + +### House View（H/M/L 信心） +1. (H) Midjourney 仍是消费图像生成头部，但 ARR 增速会从 100%+ 降至 50% 区间，2025 Q4 估值约 $10B +2. (M) 中国市场 2026 末出现 1-2 家估值 $3B+ 独立赢家（即梦最可能） +3. (L) 闭源 API 收入下降假设需要观察 OpenAI/Stability 2025 财报后再校准 +4. (H) 利润仍主要落 L1，应用层 SaaS 嵌入比独立工具更易盈利 + +### 三情景预测 +- 乐观 (30%)：开源模型质量持平闭源，应用层百花齐放，TAM 2027 达 $25B +- 基准 (50%)：头部 3-5 家集中度提升，应用层洗牌，TAM 2027 达 $18B +- 悲观 (20%)：视频生成快速替代图像需求，TAM 2027 仅 $12B + +### Pre-mortem 早期预警 +- 警钟 1：NVIDIA 降价超 30% → 利润池迁移加速 +- 警钟 2：Adobe Firefly 价格战 → 独立应用挤压 +- 警钟 3：版权诉讼出现 $1B+ 判决 → 海外应用合规成本暴涨 + +### Devil's Advocate 反方报告关键发现 +- 数据质疑：Midjourney "200 万付费用户"为 PR 口径（L3），未交叉验证 → 降级为"约 100-300 万区间" +- 偏差：报告过度引用近 6 月事件（可得性偏误）→ 加入 2022-2024 历史趋势校准 +- 反向假设：苹果/谷歌操作系统级集成 → 第三方应用消失（概率 15%） + +## 8. Step 8 — Deliverable Assembly（15 项产出） + +``` +outputs/aigc-image-research/ +├── 01-executive-summary.md +├── 02-landscape-overview.pptx (单页全景) +├── 03-timeline.pptx (2020-2026 演进) +├── 04-valuation-leaderboard.pptx (TOP 15) +├── 05-company-cards/ (12 张深度卡 PPTX) +├── 06-stack-map.pptx (5 层全景) +├── 07-value-chain-journey.pptx (创作者旅程) +├── 08-profit-pool.pptx (含趋势) +├── 09-stakeholder-stance.pptx (立场矩阵) +├── 10-porter-five-canvas.pptx +├── 11-seven-powers-canvas.pptx (Midjourney 个案) +├── 12-tam-sam-som.pptx +├── 13-unit-economics.xlsx +├── 14-scenario-forecast.pptx (三情景) +├── 15-house-view.md (核心结论) +├── methodology-appendix.md +├── research-log.md (R1-R3 日志) +├── snapshots/ (aliases / fx-rates / time-anchors) +├── data/ +│ ├── companies.jsonl (51 条) +│ ├── racetracks.jsonl (4 子赛道) +│ ├── events.jsonl (43 事件) +│ ├── sources.csv (218 来源去重后) +│ └── deliverable.json (manifest) +└── devil-advocate-report.md +``` + +## 9. 调研回顾 (Retrospective) + +**做得好的地方**： +- 4 子赛道并行 R1 节省 ~60% 时间 +- Coverage Audit 在 Step 4 提前发现财务数据缺口 +- Devil's Advocate 真的发现了 Midjourney 数字的 L3 等级问题 + +**做得不好的地方**： +- R2 阶段汇率切换过一次（中途用了 7.20 vs 调研开始的 7.18）→ 修正成本 ~30 分钟 +- 漏掉日本一家公司（HuLab）直到 R3 +- Bottom-up TAM 估算因渗透率假设主观，与 Top-down 差 8x → 取了保守值但未来需建立更稳的基础 + +**沉淀到 Skill 的改进**： +- 在 `dirty-work-playbook.md` §4.1 强化"汇率快照全程不可变" +- 在 `subagent-racetrack-scan.md` 加入"日韩/东南亚专项扫描清单" +- 在 `subagent-quant-model.md` 加入"TAM 三法差异 > 30% 触发详细写明分歧"规则 + +--- + +> 此样例只是骨架与流程演示。真实调研产出每个 PPTX/XLSX/JSON 必须**严格按 schemas/ 校验**、按 references/ 规则核实。 diff --git a/skills/industry-landscape-research/examples/ex-aigc-image/companies-sample.jsonl b/skills/industry-landscape-research/examples/ex-aigc-image/companies-sample.jsonl new file mode 100644 index 000000000..9a65c5f26 --- /dev/null +++ b/skills/industry-landscape-research/examples/ex-aigc-image/companies-sample.jsonl @@ -0,0 +1,3 @@ +{"canonical_name":"Midjourney","aliases":["MJ"],"ticker":null,"racetrack_id":"image-pro","archetype":"content-media","country":"US","headquarters":"San Francisco, CA","founded_year":2021,"status":"private","founders":[{"name":"David Holz","background":"Leap Motion 联合创始人","linkedin":"https://linkedin.com/in/davidholz"}],"product_lines":[{"name":"Midjourney V6","category":"text-to-image","launch_date":"2023-12-21","url":"https://midjourney.com"}],"tech_route":"proprietary","financials":{"revenue_usd_mn":{"value":200,"unit":"USD-mn","as_of_date":"2024-12-31","grade":"L2","source_url":"https://example.com/midjourney-revenue","quote":"ARR estimated at $200M+ by end of 2024","derived":false},"fiscal_year":2024},"users":{"paid_mn":{"value":2,"unit":"million","as_of_date":"2024-12-31","grade":"L3","source_url":"https://example.com","quote":"Around 2 million paid users (PR figure, not cross-validated)","derived":false}},"funding_history":[],"valuation":{"latest_usd_mn":10000,"as_of_date":"2026-06-20","grade":"L3","method":"comparable-multiple","source_url":"https://example.com/mj-valuation","ipo_day_usd_mn":null,"peak_usd_mn":null},"competitive_position":{"tier":"tier-1","differentiation":"社区驱动 + 美学风格独特","main_competitors":["Adobe Firefly","Imagen","Ideogram","即梦"]},"stance_signals":{"regulatory_risk":"medium","ip_disputes":["Getty Images 类诉讼风险（未实际发生）"],"public_sentiment":"创作者社区高度认可"},"bd_assessment":{"priority":"P1","rationale":"内容平台标杆，可作为产品定位参照","entry_point":"无直接 BD 切入点（不在中国）"},"as_of_date":"2026-06-20","sources":[{"url":"https://example.com/midjourney-revenue","publisher":"Example Media","publisher_tier":"L2-authoritative-media","fetched_date":"2026-06-20","grade":"L2"},{"url":"https://example.com/mj-valuation","publisher":"Example Tech News","publisher_tier":"L3-pr-or-summary","fetched_date":"2026-06-20","grade":"L3"}]} +{"canonical_name":"即梦","aliases":["Jimeng","Jimeng AI","字节即梦"],"ticker":null,"racetrack_id":"image-pro","archetype":"content-media","country":"CN","headquarters":"Beijing","founded_year":2024,"status":"private","founders":[],"product_lines":[{"name":"即梦 AI","category":"text-to-image, image-to-video","launch_date":"2024-08-01","url":"https://jimeng.jianying.com"}],"tech_route":"proprietary","financials":{"revenue_usd_mn":{"value":"未披露","unit":"-","as_of_date":"2026-06-20","grade":"L3"}},"users":{"mau_mn":{"value":50,"unit":"million","as_of_date":"2026-04-30","grade":"L2","source_url":"https://example.com/jimeng-mau","quote":"截至 2026 年 4 月，即梦月活突破 5000 万","derived":false}},"funding_history":[],"valuation":{"latest_usd_mn":"不适用","as_of_date":"2026-06-20","grade":"L1","method":"comparable-multiple","source_url":"-","ipo_day_usd_mn":null,"peak_usd_mn":null},"competitive_position":{"tier":"tier-1","differentiation":"字节生态分发优势 + 中文优化","main_competitors":["通义万相","Midjourney 中国版（不可用）","Kling"]},"stance_signals":{"regulatory_risk":"low","ip_disputes":[],"public_sentiment":"中国创作者活跃"},"bd_assessment":{"priority":"P0","rationale":"中国头部，BD 可探索云算力/解决方案合作","entry_point":"通过字节云/火山引擎对接"},"as_of_date":"2026-06-20","sources":[{"url":"https://example.com/jimeng-mau","publisher":"Example Media","publisher_tier":"L2-authoritative-media","fetched_date":"2026-06-20","grade":"L2"}]} +{"canonical_name":"Adobe Firefly","aliases":["Firefly"],"ticker":"US:ADBE","racetrack_id":"image-pro","archetype":"content-media","country":"US","headquarters":"San Jose, CA","founded_year":2023,"status":"public","founders":[],"product_lines":[{"name":"Firefly Image 3","category":"text-to-image","launch_date":"2024-04-23","url":"https://adobe.com/firefly"}],"tech_route":"proprietary","financials":{"revenue_usd_mn":{"value":"未单独披露（含在 Adobe Cloud）","unit":"-","as_of_date":"2025-12-31","grade":"L1"},"fiscal_year":2025},"users":{"mau_mn":{"value":"未单独披露","unit":"-","as_of_date":"2025-12-31","grade":"L1"}},"funding_history":[],"valuation":{"latest_usd_mn":230000,"as_of_date":"2026-06-20","grade":"L1","method":"exchange-realtime","source_url":"https://finance.sina.com.cn/stock/usstock/c/ADBE.shtml","ipo_day_usd_mn":null,"peak_usd_mn":288000},"competitive_position":{"tier":"tier-1","differentiation":"商业用版权安全 + Creative Cloud 集成","main_competitors":["Midjourney","Canva","Stability"]},"stance_signals":{"regulatory_risk":"low","ip_disputes":[],"public_sentiment":"企业用户接受度高"},"bd_assessment":{"priority":"P2","rationale":"对标参照","entry_point":"-"},"as_of_date":"2026-06-20","sources":[{"url":"https://finance.sina.com.cn/stock/usstock/c/ADBE.shtml","publisher":"Sina Finance","publisher_tier":"L1-exchange-or-audited","fetched_date":"2026-06-20","grade":"L1"}]} diff --git a/skills/industry-landscape-research/examples/ex-aigc-image/racetracks.jsonl b/skills/industry-landscape-research/examples/ex-aigc-image/racetracks.jsonl new file mode 100644 index 000000000..ae44377f7 --- /dev/null +++ b/skills/industry-landscape-research/examples/ex-aigc-image/racetracks.jsonl @@ -0,0 +1,66 @@ +{ + "id": "image-pro", + "name": "专业生图工具", + "definition": "面向设计师/创作者的独立专业图像生成产品，含订阅制 SaaS、社区驱动产品、专业插件。", + "out_of_scope": [ + "通用 LLM 附带的图像生成功能（如 ChatGPT 内嵌）", + "视频生成工具的图像导出功能", + "3D 模型生成" + ], + "archetype": "content-media", + "tam_usd_bn": { + "value": 12, + "methodology": "consensus-of-three", + "as_of_date": "2026-06-20", + "source_url": "internal-estimate" + }, + "cagr_pct": { + "value": 35, + "horizon_years": 3, + "source_url": "https://example.com/aigc-2026-report" + }, + "geographies": [ + {"region": "global", "market_share_pct": 100, "notes": "全球"}, + {"region": "us-canada", "market_share_pct": 45, "notes": "Midjourney/Adobe/Imagen 集中"}, + {"region": "china", "market_share_pct": 20, "notes": "即梦/通义万相为主"}, + {"region": "europe", "market_share_pct": 15, "notes": "Stability/Recraft"}, + {"region": "southeast-asia", "market_share_pct": 5, "notes": "新兴市场"} + ], + "tier_thresholds": { + "tier_1_usd_bn_min": 5, + "tier_2_usd_bn_min": 1, + "tier_3_usd_bn_min": 0.1 + }, + "key_metrics": [ + "paid_users", + "arpu", + "monthly_active_creator", + "image_generation_per_user", + "retention_d30" + ], + "lifecycle_stage": "scaling", + "concentration": { + "cr3": 55, + "cr5": 70, + "hhi": 1850 + }, + "structural_drivers": [ + "扩散模型质量持续提升", + "推理成本下降推动免费层扩张", + "版权诉讼推动训练数据合规化", + "Adobe/Canva 等头部 SaaS 集成挤压独立工具" + ], + "color_code": "#3F51B5", + "as_of_date": "2026-06-20", + "sources": [ + { + "url": "https://example.com/aigc-2026-report", + "title": "AIGC 2026 行业综述（示例链接）", + "publisher": "Example Research", + "publisher_tier": "L2-authoritative-media", + "published_date": "2026-05-15", + "fetched_date": "2026-06-20", + "grade": "L2" + } + ] +} diff --git a/skills/industry-landscape-research/examples/ex-deeptech-autonomous/README.md b/skills/industry-landscape-research/examples/ex-deeptech-autonomous/README.md new file mode 100644 index 000000000..5f6c83010 --- /dev/null +++ b/skills/industry-landscape-research/examples/ex-deeptech-autonomous/README.md @@ -0,0 +1,144 @@ +# 示例：自动驾驶（DeepTech / Hardware 原型） + +> 本示例展示 archetype = `deeptech-hardware` 时，如何套用八步法对"L4 自动驾驶"行业做完整调研。 +> 关键差异点：技术成熟度（TRL）+ 专利护城河 + 路测里程 + Disengagement Rate 是命脉；融资额/估值 ≠ 价值（DeepTech 长周期高烧钱）；商业模式分层（Robotaxi / 货运 / 量产辅助）。 + +## Step 1: Charter + +| 字段 | 取值 | +|------|------| +| Scope | L4 级自动驾驶系统（Robotaxi、Robotruck、Mining/Port 物流）+ L2++ 量产辅助驾驶提供商 | +| Out-of-Scope | 车企自研内部团队（不开放对外服务者，如蔚来 NAD/小鹏 XNGP 不单列）、L1 ADAS 供应商（Mobileye 早期产品）| +| Audience | 战略投资 + 产业合作部 | +| Decision | 是否投资 Robotaxi 公司 IPO（Pony.ai / WeRide）；是否与 L2++ 量产方案商（Momenta / DeepRoute）做战略合作 | +| Hypotheses | ① 2026-2028 是 Robotaxi 商业化分水岭，行业从 50+ 家收缩到 3-5 家；② 中国 Robotaxi 商业化速度领先美国 12-18 月；③ L2++ 量产业务是大多数自动驾驶公司"现金牛"现实选项 | +| Success Criteria | 全球 TOP 20 玩家融资/估值/路测里程 L1+L2 ≥80%；至少 3 家公司有 disengagement rate 公开数据；专利分布/工程师数量数据齐全 | + +## Step 2: Decompose + +``` +自动驾驶 +├── 按等级与场景 +│ ├── L4 Robotaxi（Waymo, Cruise, Zoox, Pony.ai, WeRide, AutoX, Baidu Apollo） +│ ├── L4 Robotruck（Aurora, Kodiak, Plus, TuSimple, Inceptio 嬴彻, 主线） +│ ├── L4 限定场景（Gatik 中短途, Bear Robotics 末端配送） +│ └── L2++ 量产（Mobileye, Momenta, DeepRoute, Horizon 地平线, 元戎启行） +├── 按价值链 +│ ├── 芯片/算力（NVIDIA Drive, Qualcomm Snapdragon Ride, Horizon, Mobileye EyeQ） +│ ├── 传感器（Luminar/Hesai/RoboSense 激光雷达, Mobileye 摄像头） +│ ├── 系统集成（Tier 1: Bosch, Continental, ZF） +│ ├── 算法/软件栈（Wayve 端到端模型, Tesla FSD） +│ └── 运营/出行平台（Waymo One, Pony.ai PonyPilot） +└── 按地理 + ├── 美国（Waymo, Cruise[暂停], Zoox, Aurora） + ├── 中国（百度 Apollo, Pony.ai, WeRide, AutoX, Momenta, DeepRoute） + └── 其他（Wayve UK, Oxbotica UK, Mobileye IL） +``` + +## Step 3-4: Coverage Audit + +R1 公司清单 32 家；R3 后 disengagement 数据覆盖 9/32（仅加州 DMV 强制披露的 + 中国主动披露的）。 + +### Coverage Audit 矩阵（DeepTech 必填项） + +| 维度 | 覆盖 | 等级 | +|------|------|------| +| 累计融资 | 30/32 | ⭐⭐⭐⭐⭐ 🟢 | +| 最新估值 | 26/32 | ⭐⭐⭐⭐ 🟡 | +| 路测里程 | 18/32 | ⭐⭐⭐ 🟡 | +| Disengagement Rate | 9/32 | ⭐⭐ 🔴 | +| 工程师 / R&D 人数 | 22/32 | ⭐⭐⭐⭐ 🟢 | +| 专利数量（USPTO/CNIPA）| 15/32 | ⭐⭐⭐ 🟡 | +| 商业化里程碑 | 28/32 | ⭐⭐⭐⭐⭐ 🟢 | +| TRL 等级评估 | 32/32 | ⭐⭐⭐⭐⭐ 🟢（自评+交叉）| + +🔴 处置：disengagement 缺口公司用"开放城市数 × 累计里程"做代理指标，标 L3。 + +## Step 5: 分析框架 + +### Wardley Map（DeepTech 必备） + +| 价值链环节 | 当前位置 | 演化方向 | +|-----------|---------|---------| +| 高精地图 | Custom-built → Product | 渐 commodity，HD map vendor 减少 | +| 激光雷达 | Custom-built → Product | 价格从 $75K 降到 $500 | +| L4 算法栈 | Genesis → Custom-built | 仍处于黑魔法阶段，端到端范式重构 | +| Robotaxi 运营 | Custom-built | 暂未 commodity，地理扩张是工程问题 | +| 芯片 | Product | NVIDIA/Mobileye 主导，趋向标准化 | + +### Helmer 7 Powers（以 Waymo 为例） + +| Power | 评分 | 证据 | +|-------|------|------| +| Cornered Resource | 5 | Google 系算力 + 数据 + 资金，无敌后盾 | +| Scale Economies | 4 | 累计 2,000 万英里实测，数据反馈飞轮 | +| Switching Costs | 3 | B2C 切换成本低，对车队运营商高 | +| Brand | 5 | "自动驾驶 = Waymo" 全球认知 | +| Counter-Positioning | 4 | 传统车企学不来"端到端模型 + 数据飞轮" | +| Network Economies | 3 | 区域型，仅在运营城市内 | +| Process Power | 4 | 验证/安全流程沉淀 10 年 | + +### TRL 等级表（Technology Readiness Level） + +| 公司 | TRL | 商业化状态 | +|------|-----|----------| +| Waymo | 8-9 | 凤凰城/旧金山/洛杉矶/奥斯汀商业化运营，4 城市 | +| 百度 Apollo | 7-8 | 武汉萝卜快跑商业化，但价格仍补贴 | +| Pony.ai | 7-8 | 北京/广州/深圳，IPO 中 | +| Cruise | 6（事故后回退）| 暂停 | +| Wayve | 5-6 | 仅测试，端到端范式领先但未量产 | + +## Step 6: 量化建模 + +### Robotaxi 单位经济学（推算，2025-Q2） + +| 平台 | 单车成本 | 月运营成本 | 月收入（中国） | 月收入（美国）| 单车毛利 | +|------|---------|-----------|---------------|--------------|---------| +| Waymo Jaguar I-PACE | $200K | $9K | - | $18K | $9K（接近盈亏平衡）| +| 百度 Apollo RT6 | RMB 200K | RMB 25K | RMB 30-40K | - | RMB 5-15K | +| Pony.ai 第 7 代 | RMB 250K | RMB 28K | RMB 25-35K | - | -RMB 3 ~ +7K | + +> 数据来源：摩根士丹利 2025 自动驾驶白皮书、各公司 SEC/港交所招股书。 + +### TAM/SAM/SOM + +- 自上而下：全球出租车 + 网约车市场 $250B × 自动化渗透率 30%（2035 假设） = $75B TAM +- 自下而上：全球城市 500 × 单城 500 辆 × $50K 年单车收入 = $12.5B +- 类比：UberX 全球营收 $40B (2024) × Robotaxi 替代率 50% = $20B + +中位数收敛在 $25-40B（2030-2035 区间）。 + +## Step 7: Thesis + +### House View + +> Robotaxi 不是技术问题，是商业化和监管节奏问题；2026-2028 是收缩期，中美 TOP 3 之外的公司大概率被并购或转型；L2++ 量产业务是大多数自动驾驶公司活下去的现实选项；端到端模型（Wayve / Tesla FSD）范式可能在 2027-2028 颠覆现有路线。 + +### 三情景（5 年） + +| 情景 | 触发条件 | 概率 | 全球 Robotaxi 营收 | +|------|----------|------|---------------------| +| Bull | 美 NHTSA 颁布全国统一法规、Waymo 进 20 城、中国 30 城商业化 | 25% | $35B | +| Base | 监管缓慢、Waymo 进 8 城、中国 10 城、Pony/WeRide 上市 | 55% | $14B | +| Bear | 重大事故监管反扑、Cruise 类事件再发、模型瓶颈未突破 | 20% | $4B | + +### Pre-mortem + +1. 重大事故（Cruise 翻版）导致 NHTSA / 工信部 暂停 Robotaxi 运营 +2. 端到端模型在边缘场景（雨雪、施工区）表现远不及预期 +3. NVIDIA Drive Thor 量产推迟 18 月，行业算力卡脖子 +4. 激光雷达价格降不下，单车成本无法 < $50K +5. 车企收编自动驾驶团队（如通用收回 Cruise），独立公司空间被压缩 + +### Devil's Advocate（反方） + +> "自动驾驶是个永远 5 年后实现的承诺，Robotaxi 永远不会盈利，资本市场已经厌倦。" +> 应对：① Waymo 在凤凰城单车已接近盈亏平衡；② 百度萝卜快跑单车成本从 RMB 60 万降至 RMB 20 万（4 年降幅 67%）；③ 中国 4 大城市政策放开速度超预期；④ 端到端模型 + AI 大模型范式为 disengagement rate 改善带来非线性可能。 + +## 关键经验沉淀 + +- DeepTech 调研必须建 TRL 等级表，避免"融资多 = 离商业化近"的错觉 +- Disengagement Rate 是核心命脉指标，没有就用代理指标，永远要标 +- 监管立场图（NHTSA / 工信部 / 加州 DMV / 北京/上海/广州 智驾办）权重高于其他原型 +- 专利/工程师密度比 "AI 模型多大" 更能预测 5 年后位置 +- 商业化里程碑表（开放城市/累计里程/事故披露/收费状态）是 DeepTech 行业全景图核心可视化 diff --git a/skills/industry-landscape-research/examples/ex-deeptech-autonomous/companies-sample.jsonl b/skills/industry-landscape-research/examples/ex-deeptech-autonomous/companies-sample.jsonl new file mode 100644 index 000000000..4d880ade3 --- /dev/null +++ b/skills/industry-landscape-research/examples/ex-deeptech-autonomous/companies-sample.jsonl @@ -0,0 +1,3 @@ +{"company_id":"waymo","name":"Waymo","racetrack_id":"robotaxi","geo":"NA","tier":"T1","founded":2009,"hq":"Mountain View","status":"private (Alphabet sub)","valuation":{"datum":{"value":45000000000,"unit":"USD","as_of":"2024-10","source":"https://blog.waymo.com/2024/10/series-c-extension","grade":"L1"}},"cumulative_miles":{"datum":{"value":50000000,"unit":"miles","as_of":"2025-06","source":"https://waymo.com/blog/2025/06/safety-progress","grade":"L1"}},"disengagement_rate":{"datum":{"value":17500,"unit":"miles per disengagement","as_of":"2024","source":"https://www.dmv.ca.gov/portal/vehicle-industry-services/autonomous-vehicles/disengagement-reports","grade":"L1"}},"trl":9,"thesis":"全球 Robotaxi 龙头，4 城市商业化运营"} +{"company_id":"pony-ai","name":"Pony.ai","racetrack_id":"robotaxi","geo":"CN","tier":"T1","founded":2016,"hq":"Guangzhou","status":"public (NASDAQ:PONY)","valuation":{"datum":{"value":5500000000,"unit":"USD","as_of":"2024-11","source":"https://www.sec.gov/Archives/edgar/data/pony-ai-f1","grade":"L1","note":"IPO 估值"}},"cumulative_miles":{"datum":{"value":40000000,"unit":"km","as_of":"2024","source":"https://pony.ai/press/2024-annual-report","grade":"L2"}},"trl":7,"thesis":"中国 Robotaxi 第一股，北京/广州/深圳商业化"} +{"company_id":"mobileye","name":"Mobileye","racetrack_id":"l2plus-mass","geo":"IL","tier":"T1","founded":1999,"hq":"Jerusalem","status":"public (NASDAQ:MBLY)","valuation":{"datum":{"value":18000000000,"unit":"USD","as_of":"2025-06","source":"https://finance.yahoo.com/quote/MBLY","grade":"L1"}},"customers_top":["BMW","Volkswagen","Ford","NIO","Geely"],"revenue":{"datum":{"value":1880000000,"unit":"USD","as_of":"2024","source":"https://investors.mobileye.com/annual-report-2024","grade":"L1"}},"trl":9,"thesis":"L2 + ADAS 全球龙头，EyeQ 芯片出货 1.8 亿+ 颗"} diff --git a/skills/industry-landscape-research/examples/ex-deeptech-autonomous/racetracks.jsonl b/skills/industry-landscape-research/examples/ex-deeptech-autonomous/racetracks.jsonl new file mode 100644 index 000000000..22d4f7fdf --- /dev/null +++ b/skills/industry-landscape-research/examples/ex-deeptech-autonomous/racetracks.jsonl @@ -0,0 +1,5 @@ +{"racetrack_id":"robotaxi","name":"L4 Robotaxi","level":"L4","scenario":"urban","geo":"global","tier":"core","note":"行业最大叙事，中美双轨"} +{"racetrack_id":"robotruck","name":"L4 Robotruck","level":"L4","scenario":"highway","geo":"NA/CN","tier":"hot","note":"长途货运，TuSimple 折戟后行业收缩"} +{"racetrack_id":"l2plus-mass","name":"L2++ 量产辅助","level":"L2+","scenario":"consumer","geo":"global","tier":"core","note":"现金牛业务，Mobileye/Momenta/Horizon"} +{"racetrack_id":"av-sensor","name":"激光雷达/传感器","level":"infra","scenario":"all","geo":"global","tier":"core","note":"Luminar/Hesai/RoboSense"} +{"racetrack_id":"av-chip","name":"自动驾驶芯片","level":"infra","scenario":"all","geo":"global","tier":"core","note":"NVIDIA Drive 主导"} diff --git a/skills/industry-landscape-research/examples/ex-maas-llm/README.md b/skills/industry-landscape-research/examples/ex-maas-llm/README.md new file mode 100644 index 000000000..1f65303c5 --- /dev/null +++ b/skills/industry-landscape-research/examples/ex-maas-llm/README.md @@ -0,0 +1,136 @@ +# Example: MaaS / 大模型服务（Catalog 类） + +> 这是 v2.2 新增样本，演示 **Infrastructure archetype + Rapidly-Evolving Catalog modifier** 叠加使用。 +> 重点示范：SKU 穷尽、定价对比、版本时间线、recency sweep、训练截止护栏。 + +## Charter（节选） + +| 字段 | 内容 | +|------|------| +| Scope | 中国 + 全球 MaaS（LLM/VLM/T2V/T2I）市场，主流玩家 SKU/定价/版本演进 | +| Out-of-Scope | 私有部署 / 开源权重的训练成本，仅看 API 调用市场 | +| Audience | AIGC 行业解决方案团队 | +| Decision | 选哪家做客户的"通用底座 + 视频垂类"组合 | +| Hypotheses | H1: 视频生成赛道已从 wan2.6 时代换代；H2: 头部 LLM 价格年降 ≥40%；H3: Reasoning 模型 GA 化加速 | +| Success Criteria | 头部 12 家 + 80+ SKU + 全量当前价 + 近 90 天 SKU 变更覆盖 ≥95% | + +## Modifier 触发 + +✅ 月度发版（多家周更） +✅ SKU 数 >> 20（头部一家 LLM/VLM/Embedding/TTS/Image/Video 加起来常 20+ SKU） +✅ 价格是核心变量 +✅ 官方 Pricing Page 完备 +✅ 训练截止后已有多个 GA 重大版本 + +→ 启用 `_modifier-rapidly-evolving.md` + +## Recency Sweep 实操 + +### Gate 1: Today Date Stamp +- 调研启动 2026-06-24 +- 强敏感窗口 2026-03-24 ~ 2026-06-24（近 90 天） + +### Gate 2: Recency Sweep 检索词样例 + +``` +"Qwen3-Max release" +"Doubao 2026 new model" +"DeepSeek latest version" +"Seedance 2.5 launch" +"OpenAI o3 release date" +"Claude 4 release" +"video generation model 2026" +site:siliconflow.cn new model 2026 +site:bailian.console.aliyun.com 模型广场 +``` + +### Gate 5: 第三方反查 +- openrouter.ai/models → 排序按 "Newest" → 抓近 90 天新模型 +- artificialanalysis.ai/models → 抓性价比矩阵 +- lmarena.ai/leaderboard → 抓 ELO 榜单 +- huggingface.co/models → trending 7 天 + 30 天 + +## SKU Matrix（示意，部分字段） + +| 公司 | SKU | 发布 | 状态 | 输入价 (CNY/Mtok) | 输出价 (CNY/Mtok) | 上下文 | 备注 | +|------|-----|------|------|------|------|------|------| +| 阿里通义 | qwen3-max | 2026-Q1 | GA | 2.4 | 24 | 256K | reasoning 可选 | +| 阿里通义 | qwen3-turbo | 2026-Q2 | GA | 0.3 | 6 | 1M | 1M 长上下文 | +| 字节豆包 | doubao-1.5-pro-256k | 2026-Q1 | GA | 5 | 9 | 256K | | +| DeepSeek | deepseek-v3.1 | 2026-Q1 | GA | 1 | 2 | 128K | cache 0.1 | +| DeepSeek | deepseek-r1 | 2026-Q1 | GA | 1 | 16 | 128K | reasoning | +| MoonShot | kimi-k2 | 2026-Q2 | GA | 4 | 16 | 256K | agent 强 | +| OpenAI | gpt-4.1 | 2026-Q2 | GA | 14 | 56 | 1M | | +| OpenAI | gpt-4.1-mini | 2026-Q2 | GA | 2.8 | 11.2 | 1M | | +| OpenAI | o3 | 2026-Q1 | GA | 70 | 280 | 200K | reasoning | +| Anthropic | claude-opus-4 | 2026-Q1 | GA | 105 | 525 | 200K | | +| Anthropic | claude-sonnet-4 | 2026-Q1 | GA | 21 | 105 | 200K | | +| Google | gemini-2.5-pro | 2026-Q1 | GA | 8.75 | 70 | 2M | | +| Google | gemini-2.5-flash | 2026-Q1 | GA | 2.1 | 17.5 | 1M | | + +⚠️ 上表所有价格为占位示例，实操**必须 live 抓 pricing page**。本示例只示范 SKU Matrix 的列结构。 + +## 视频生成赛道 SKU 横评（示意） + +| 公司 | SKU | 发布 | 最大分辨率 | 最大时长 | 单价 (CNY/s) | R2V 支持 | 备注 | +|------|-----|------|----------|---------|----------|---------|------| +| 阿里通义 | wan2.7-t2v-pro | 2026-Q2 | 1080p | 10s | TBD | ✅ wan2.7-r2v | | +| 阿里通义 | wan2.7-image-pro | 2026-Q2 | 2K | n/a | TBD | n/a | | +| 字节 | seedance-2.5-pro | 2026-Q1 | 1080p | 12s | TBD | ✅ | hypothetical | +| 字节 | seedance-2.0-4k | 2026-Q2 | 4K | 8s | TBD | ❌ | hypothetical | +| 快手 | kling-2.0 | 2026-Q1 | 1080p | 10s | TBD | ✅ | | +| MiniMax | hailuo-1.0-r2v | 2026-Q1 | 720p | 6s | TBD | ✅ 仅 R2V 支持音色替换 | 见 memory | +| 腾讯 | hunyuan-video-2 | 2026-Q2 | 1080p | 8s | TBD | partial | | +| Runway | gen-4 | 2026-Q1 | 1080p | 10s | TBD | ✅ | | +| Pika | pika-2.0 | 2026-Q1 | 720p | 10s | TBD | ✅ | | +| Luma | dream-machine-2 | 2026-Q1 | 1080p | 10s | TBD | ✅ | | +| Google | veo-3 | 2026-Q2 | 4K | 8s | TBD | ✅ | 含音频 | +| OpenAI | sora-2 | 2026-Q2 | 1080p | 20s | TBD | ❌ | API limited | + +⚠️ 同上，价格必须 live 抓。注意：本表故意覆盖了 **wan2.7 / seedance 2.5 / 2.0-4k / sora-2 / veo-3 / hailuo R2V** —— 这些都是 v2.1 时易漏的"训练截止后玩家/版本"。 + +## 三个不可写错的口径 + +1. **wan2.6 ≠ wan2.7** — 不同版本价格/分辨率/支持模态都不一样 +2. **seedance 2.5 ≠ 2.0-4k** — 同代不同 SKU，前者优化 motion，后者主打分辨率 +3. **R2V/I2V/T2V 价格不同口径** — 同公司不同模态 SKU 不能裸比 + +## Version Timeline 输出 + +按 `templates/visualizations/version-timeline.svg` 模板填 8 家公司近 24 个月节点。 +重大里程碑（架构跃迁）用方块，普通发布用圆点，弃用用 ×。 + +## Pricing Comparison（任务级横评） + +任务：1M 输入 + 0.5M 输出 token，中文为主，无 cache。 + +| 模型 | 总成本 (CNY) | 倍数 | 备注 | +|------|------------|------|------| +| deepseek-v3.1 | 2.0 | 0.04× (基准) | 含 cache 可压到 0.5 元 | +| qwen3-turbo | 3.3 | 0.07× | 1M 长上下文 | +| qwen3-max | 14.4 | 0.3× | reasoning 可选 | +| gemini-2.5-flash | 10.85 | 0.22× | | +| gpt-4.1-mini | 8.4 | 0.17× | | +| claude-sonnet-4 | 73.5 | 1.5× | | +| gpt-4.1 | 42 | 0.85× | | +| o3 | 210 | 4.3× | reasoning | +| claude-opus-4 | 367.5 | 7.5× | | + +→ 单位经济解读：deepseek-v3.1 在中文长尾任务上**性价比一档**；claude-opus-4 在需要长 reasoning 的复杂任务上**质量一档**；中间档大同小异，选型主要看延迟/上下文/工具调用支持。 + +## Pre-mortem（catalog 特化版） + +12 个月后这份报告若失效，最可能错在： + +1. 价格全线下降 50%+，本表"成本倍数"序列保留但绝对值需全量重抓 +2. Reasoning Token 计费规则统一化（OpenAI/Anthropic 趋同），表格列需重设计 +3. 视频生成赛道又出 2-3 个本表未列玩家（持续监控 OpenRouter / FAL） +4. 训练数据涉版权诉讼影响价格（高质量数据进入成本提升） +5. 中国生成式 AI 备案收紧或扩松，海外公司中国可用性变化 + +## 用法 + +1. 实际调研时复制本目录为新 examples +2. 把 placeholder 价格全部用 live 检索替换 +3. 复刻 SKU Matrix 时按 `schemas/sku.schema.json` 填 jsonl +4. 输出物：sku-pricing-matrix.html + version-timeline.svg + 完整数据底表 diff --git a/skills/industry-landscape-research/examples/ex-maas-llm/skus-sample.jsonl b/skills/industry-landscape-research/examples/ex-maas-llm/skus-sample.jsonl new file mode 100644 index 000000000..7c4bf383b --- /dev/null +++ b/skills/industry-landscape-research/examples/ex-maas-llm/skus-sample.jsonl @@ -0,0 +1,8 @@ +{"sku_id":"qwen3-max","company_id":"alibaba-qwen","name":"Qwen3-Max","category":"LLM-text","release_date":"2026-Q1","status":"GA","params":{"context_length":262144,"model_size":"unknown","modality":["text"],"reasoning_mode":true,"tool_use":true,"structured_output":true},"pricing":{"currency":"CNY","input_per_mtoken":2.4,"output_per_mtoken":24,"cache_hit_per_mtoken":null,"pricing_page_url":"https://bailian.console.aliyun.com/model-market","pricing_as_of":"2026-06-24","grade":"L4"},"predecessor":"qwen2.5-max","successor":null,"upgrade_summary":"占位示例值，实操须live抓pricing page","as_of_date":"2026-06-24","sources":[{"url":"https://bailian.console.aliyun.com","grade":"L4","fetched_at":"2026-06-24"}],"notes":"⚠️ 本文件为模板占位，所有数值需实际调研时重抓"} +{"sku_id":"deepseek-v3.1","company_id":"deepseek","name":"DeepSeek-V3.1","category":"LLM-text","release_date":"2026-Q1","status":"GA","params":{"context_length":131072,"model_size":"671B-MoE","modality":["text"],"reasoning_mode":false,"tool_use":true},"pricing":{"currency":"CNY","input_per_mtoken":1,"output_per_mtoken":2,"cache_hit_per_mtoken":0.1,"pricing_page_url":"https://platform.deepseek.com/api-docs/pricing","pricing_as_of":"2026-06-24","grade":"L4"},"predecessor":"deepseek-v3","successor":null,"upgrade_summary":"占位示例值，实操须live抓pricing page","as_of_date":"2026-06-24","sources":[{"url":"https://platform.deepseek.com","grade":"L4","fetched_at":"2026-06-24"}]} +{"sku_id":"deepseek-r1","company_id":"deepseek","name":"DeepSeek-R1","category":"Reasoning","release_date":"2026-Q1","status":"GA","params":{"context_length":131072,"modality":["text"],"reasoning_mode":true},"pricing":{"currency":"CNY","input_per_mtoken":1,"output_per_mtoken":16,"reasoning_per_mtoken":16,"pricing_page_url":"https://platform.deepseek.com/api-docs/pricing","pricing_as_of":"2026-06-24","grade":"L4"},"predecessor":null,"successor":null,"upgrade_summary":"占位示例值","as_of_date":"2026-06-24","sources":[{"url":"https://platform.deepseek.com","grade":"L4","fetched_at":"2026-06-24"}]} +{"sku_id":"wan2.7-t2v-pro","company_id":"alibaba-qwen","name":"Wan 2.7 T2V Pro","category":"T2V","release_date":"2026-Q2","status":"GA","params":{"max_resolution":"1920x1080","max_duration_sec":10,"modality":["text","video"]},"pricing":{"currency":"CNY","video_per_sec":null,"pricing_page_url":"https://bailian.console.aliyun.com","pricing_as_of":"2026-06-24","grade":"L4"},"predecessor":"wan2.6-t2v","successor":null,"upgrade_summary":"占位示例值，实操须live抓pricing page","as_of_date":"2026-06-24","sources":[{"url":"https://bailian.console.aliyun.com","grade":"L4","fetched_at":"2026-06-24"}],"notes":"⚠️ 验证：wan2.7 ≠ wan2.6，价格分辨率不同口径"} +{"sku_id":"wan2.7-r2v","company_id":"alibaba-qwen","name":"Wan 2.7 R2V","category":"R2V","release_date":"2026-Q2","status":"GA","params":{"max_resolution":"1920x1080","max_duration_sec":10,"modality":["image","video"]},"pricing":{"currency":"CNY","video_per_sec":null,"pricing_page_url":"https://bailian.console.aliyun.com","pricing_as_of":"2026-06-24","grade":"L4"},"predecessor":"wan2.6-r2v","successor":null,"upgrade_summary":"占位","as_of_date":"2026-06-24","sources":[{"url":"https://bailian.console.aliyun.com","grade":"L4","fetched_at":"2026-06-24"}],"notes":"按memory: 用'图N/视频N'命名(≤5)，media按序对应"} +{"sku_id":"seedance-2.5-pro","company_id":"bytedance-volcano","name":"Seedance 2.5 Pro","category":"T2V","release_date":"2026-Q1","status":"GA","params":{"max_resolution":"1920x1080","max_duration_sec":12,"modality":["text","video"]},"pricing":{"currency":"CNY","video_per_sec":null,"pricing_page_url":"https://www.volcengine.com/product/ark","pricing_as_of":"2026-06-24","grade":"L4"},"predecessor":"seedance-2.0","successor":null,"upgrade_summary":"占位 - motion 优化代际","as_of_date":"2026-06-24","sources":[{"url":"https://www.volcengine.com/product/ark","grade":"L4","fetched_at":"2026-06-24"}]} +{"sku_id":"seedance-2.0-4k","company_id":"bytedance-volcano","name":"Seedance 2.0 4K","category":"T2V","release_date":"2026-Q2","status":"GA","params":{"max_resolution":"3840x2160","max_duration_sec":8,"modality":["text","video"]},"pricing":{"currency":"CNY","video_per_sec":null,"pricing_page_url":"https://www.volcengine.com/product/ark","pricing_as_of":"2026-06-24","grade":"L4"},"predecessor":"seedance-2.0","successor":null,"upgrade_summary":"占位 - 4K 分辨率版","as_of_date":"2026-06-24","sources":[{"url":"https://www.volcengine.com/product/ark","grade":"L4","fetched_at":"2026-06-24"}]} +{"sku_id":"hailuo-1.0-r2v","company_id":"minimax","name":"Hailuo 1.0 R2V","category":"R2V","release_date":"2026-Q1","status":"GA","params":{"max_resolution":"1280x720","max_duration_sec":6,"modality":["image","video","audio"]},"pricing":{"currency":"CNY","video_per_sec":null,"pricing_page_url":"https://platform.minimaxi.com","pricing_as_of":"2026-06-24","grade":"L4"},"predecessor":null,"successor":null,"upgrade_summary":"占位 - 仅 R2V 支持音色替换 (reference_audio)","as_of_date":"2026-06-24","sources":[{"url":"https://platform.minimaxi.com","grade":"L4","fetched_at":"2026-06-24"}],"notes":"按memory: HH-1.0-r2v 用'[Image N]'(≤9)；仅R2V支持音色替换需白名单+标准版会员"} diff --git a/skills/industry-landscape-research/examples/ex-marketplace-crossborder/README.md b/skills/industry-landscape-research/examples/ex-marketplace-crossborder/README.md new file mode 100644 index 000000000..7cd458d76 --- /dev/null +++ b/skills/industry-landscape-research/examples/ex-marketplace-crossborder/README.md @@ -0,0 +1,123 @@ +# 示例：跨境电商 Marketplace（Marketplace 原型） + +> 本示例展示 archetype = `marketplace` 时，如何套用八步法对"跨境电商平台"行业做完整调研。 +> 关键差异点：双边/三边网络效应、take rate、liquidity（两端供需匹配）、GMV ≠ 营收（强制区分）、补贴策略与单位经济学的微妙博弈。 + +## Step 1: Charter + +| 字段 | 取值 | +|------|------| +| Scope | 面向终端消费者的跨境 B2C/B2B2C 电商平台：全品类（Amazon Global、AliExpress、SHEIN、Temu、TikTok Shop）+ 垂类（Wayfair 家具、Farfetch 奢侈品、Fanatics 体育） | +| Out-of-Scope | 跨境物流单独环节（菜鸟/燕文）、跨境支付（PingPong/Payoneer）、B2B 批发平台（Alibaba.com） | +| Audience | 战略部 + 海外业务部 | +| Decision | 是否在 2026 立项推 SHEIN/Temu 模式的"全托管"型新平台；要不要押宝东南亚/拉美/中东中的某一个 | +| Hypotheses | ① 全托管（M2C）模式比 marketplace 模式 take rate 高 60-80%；② TikTok Shop 在东南亚 24 月达 SHEIN 同期 5 倍；③ 拉美/中东比东南亚利润率更高 | +| Success Criteria | 全球 TOP 12 平台 GMV/营收/take rate 全部 L1+L2 覆盖；至少 2 家披露 contribution margin；区域细分（NA/EU/SEA/LATAM/MENA）数据齐全 | + +## Step 2: Decompose（按业务模式 × 地理） + +``` +跨境电商 +├── 按模式 +│ ├── 全托管 M2C（SHEIN, Temu, TikTok Shop 半托管, Alibaba International） +│ ├── 半托管/平台型（AliExpress, Lazada, Shopee） +│ ├── 自营 B2C（Amazon Global, JD International） +│ └── 垂类（Farfetch 奢侈、Wayfair 家具） +└── 按地理（GMV 体量降序） + ├── 北美：Amazon, SHEIN, Temu, eBay International + ├── 欧洲：Amazon EU, Zalando, AliExpress, About You + ├── 东南亚：Shopee, Lazada, TikTok Shop, Tokopedia + ├── 拉美：Mercado Libre, SHEIN, Amazon Mexico + └── 中东：Noon, Amazon ME, SHEIN, Namshi +``` + +子生态分层（来自 `archetypes/marketplace.md` 必填项）： +- 供给侧：商家（中国白牌 / 全球品牌 / 工厂直供 M2C） +- 需求侧：消费者画像（Z 世代 / 价格敏感 / 高频复购） +- 撮合层：算法/搜索/推荐 +- 履约层：物流（自建 vs 第三方）、支付、客服、退货 + +## Step 3-4: 数据采集 + Coverage + +R1 公司清单 18 家；R2 GMV/营收/take rate 三件套覆盖 15/18。 + +### Coverage Audit 矩阵 + +| 维度 | 覆盖 | 等级 | +|------|------|------| +| GMV | 16 / 18 | ⭐⭐⭐⭐⭐ 🟢 | +| Take Rate | 14 / 18 | ⭐⭐⭐⭐ 🟢 | +| 月活用户 MAU | 17 / 18 | ⭐⭐⭐⭐⭐ 🟢 | +| 区域细分 | 12 / 18 | ⭐⭐⭐ 🟡 | +| Contribution Margin | 6 / 18 | ⭐⭐ 🔴 | +| Logistics 自建率 | 10 / 18 | ⭐⭐⭐ 🟡 | + +🔴 Contribution Margin 缺口：从上市公司 10-K 抠到 5 家，私有公司 1 家披露过；其他用 take rate × (1-退货率-fulfillment cost) 估算。 + +## Step 5: 框架分析 + +### Marketplace 三度量金三角（必填） + +| 平台 | Take Rate | Liquidity（订单匹配时间） | NPS / 复购率 | +|------|-----------|---------------------------|--------------| +| Amazon Global | 15-20% | <1 day | 73% 复购 | +| SHEIN | 80%+ (M2C 模式) | 3-7 days | 60% 复购 | +| Temu | 90%+ (M2C 模式) | 7-15 days | 45% 复购 | +| Shopee | 6-10% | <1 day | 55% 复购 | +| TikTok Shop | 5-8% | <2 day | 待披露 | + +> M2C 模式的 "take rate" 在会计上是毛利率口径，与 marketplace take rate 不可直接比较——本审计严格区分两类口径。 + +### Wardley Map 演化（核心三轴：撮合 → 履约 → 内容） + +- 撮合（搜索/推荐）：已 commodity 化，靠算法迭代差异 +- 履约（仓配/海外仓）：从 custom-built 走向 product/commodity（SHEIN 自建 → 行业基础设施） +- 内容/视频化（直播/短视频带货）：从 genesis 走向 custom-built（TikTok Shop 领跑） + +## Step 6: 量化建模 + +### 单位经济学（按平台） + +| 平台 | AOV | Take Rate / Margin | CAC | Payback | Contribution Margin | +|------|-----|---------------------|-----|---------|---------------------| +| SHEIN | $75 | 80% (M2C 毛利率) | $14 | 3 单 | 18% | +| Temu | $25 | 90% (M2C 毛利率) | $50 | 12-18 单 | -3%（仍补贴期）| +| Shopee | $12 | 8% | $4 | 4 单 | 5% | +| Amazon Global | $40 | 15% | $25 | 8 单 | 11% | + +> 数据来源：摩根大通行研报告 2024-Q4；Marketplace Pulse；Temu 数据为推算。 + +### TAM/SAM/SOM + +- 自上而下：全球电商市场 $6.3T × 跨境占比 22% = $1.4T TAM +- 自下而上：30 亿全球网购用户 × ARPU $450 = $1.35T TAM +- 类比：中国电商成熟后渗透率 40%，按全球电商 $6.3T → 跨境潜在 $1.5-2T + +## Step 7: Thesis + +### House View + +> 跨境电商主战场正在从"商品差异"切换到"履约+内容+供应链速度"三轴竞争；M2C 全托管模式 2024-2026 仍是收割期，但 contribution margin 在补贴退潮后会暴露真实问题；TikTok Shop 的崛起重构了"流量入口"的定义；东南亚是 take rate 提升空间最大的市场，拉美/中东是 GMV 增长最快的。 + +### 三情景 + +| 情景 | 触发条件 | 概率 | 全球 GMV 5 年规模 | +|------|----------|------|-------------------| +| Bull | 美国不出新关税、Temu 实现盈利、TikTok Shop 不被禁 | 25% | $2.4T | +| Base | 关税温和上调、SHEIN 上市成功、Temu 减速但盈利 | 55% | $1.8T | +| Bear | 美对 SHEIN/Temu de minimis 全面关闭、TikTok 被强制剥离 | 20% | $1.0T | + +### Pre-mortem + +1. 美国关闭 $800 de minimis 关税豁免（已经在 2025 通过部分） +2. TikTok Shop 在美被强制剥离或关停 +3. SHEIN/Temu 价格战伤及行业利润池 +4. Z 世代消费力衰退（美国信用卡债创历史新高） +5. 欧盟 / 印尼 / 印度 出台禁令性数字关税 + +## 关键经验沉淀 + +- Marketplace 调研禁止把 GMV 当营收，必须强制三栏分列（GMV / Take Rate / Revenue） +- M2C 模式（SHEIN/Temu）与传统 marketplace 是两种生意，单位经济学口径不可直接比较——审计要标注 +- 区域细分（NA/EU/SEA/LATAM/MENA）的 take rate 差异巨大，平均化处理 = 误判 +- 必查 stakeholder：美国 USTR、欧盟 DSA、印尼/印度禁令，立场图（见 `references/stakeholder-stance.md`） diff --git a/skills/industry-landscape-research/examples/ex-marketplace-crossborder/companies-sample.jsonl b/skills/industry-landscape-research/examples/ex-marketplace-crossborder/companies-sample.jsonl new file mode 100644 index 000000000..f25089b9f --- /dev/null +++ b/skills/industry-landscape-research/examples/ex-marketplace-crossborder/companies-sample.jsonl @@ -0,0 +1,3 @@ +{"company_id":"shein","name":"SHEIN","racetrack_id":"m2c-fullhost","geo":"global","tier":"T1","founded":2008,"hq":"Singapore","status":"private (filed for IPO)","valuation":{"datum":{"value":66000000000,"unit":"USD","as_of":"2023-05","source":"https://www.bloomberg.com/news/articles/2023-05/shein-66b-funding","grade":"L1"}},"gmv":{"datum":{"value":45000000000,"unit":"USD","as_of":"2023","source":"https://www.ft.com/content/shein-gmv-2023","grade":"L2"}},"take_rate":{"datum":{"value":80,"unit":"%","as_of":"2023","source":"https://www.morganstanley.com/ideas/shein-gross-margin","grade":"L3","note":"M2C 模式毛利率口径"}},"thesis":"快时尚 M2C 鼻祖，供应链 7 天打样能力为护城河"} +{"company_id":"temu","name":"Temu (PDD)","racetrack_id":"m2c-fullhost","geo":"global","tier":"T1","founded":2022,"hq":"Boston/Shanghai","status":"public (parent PDD)","valuation":{"datum":{"value":150000000000,"unit":"USD","as_of":"2025-06","source":"https://finance.yahoo.com/quote/PDD","grade":"L1","note":"PDD 母公司市值"}},"gmv":{"datum":{"value":54000000000,"unit":"USD","as_of":"2024","source":"https://www.reuters.com/business/retail/temu-gmv-2024","grade":"L2"}},"take_rate":{"datum":{"value":90,"unit":"%","as_of":"2024","source":"https://www.morganstanley.com/ideas/temu-economics","grade":"L3"}},"thesis":"补贴换增长，contribution margin 仍为负"} +{"company_id":"mercadolibre","name":"Mercado Libre","racetrack_id":"regional-leader","geo":"LATAM","tier":"T1","founded":1999,"hq":"Montevideo","status":"public (NASDAQ:MELI)","valuation":{"datum":{"value":105000000000,"unit":"USD","as_of":"2025-06","source":"https://finance.yahoo.com/quote/MELI","grade":"L1"}},"gmv":{"datum":{"value":48800000000,"unit":"USD","as_of":"2024","source":"https://investor.mercadolibre.com/annual-report-2024","grade":"L1"}},"take_rate":{"datum":{"value":17,"unit":"%","as_of":"2024","source":"https://investor.mercadolibre.com/annual-report-2024","grade":"L1"}},"thesis":"拉美亚马逊，电商 + 支付 + 信贷三栖龙头"} diff --git a/skills/industry-landscape-research/examples/ex-marketplace-crossborder/racetracks.jsonl b/skills/industry-landscape-research/examples/ex-marketplace-crossborder/racetracks.jsonl new file mode 100644 index 000000000..015f485ba --- /dev/null +++ b/skills/industry-landscape-research/examples/ex-marketplace-crossborder/racetracks.jsonl @@ -0,0 +1,5 @@ +{"racetrack_id":"m2c-fullhost","name":"M2C 全托管","mode":"manufacturer-to-consumer","geo":"global","tier":"hot","note":"SHEIN/Temu 模式，毛利率 80%+ 但补贴重"} +{"racetrack_id":"marketplace-classic","name":"平台型 Marketplace","mode":"platform","geo":"global","tier":"mature","note":"AliExpress/Shopee/Lazada"} +{"racetrack_id":"livecommerce-cross","name":"直播跨境电商","mode":"content-driven","geo":"global","tier":"hot","note":"TikTok Shop 主导"} +{"racetrack_id":"vertical-cross","name":"垂类跨境","mode":"vertical","geo":"global","tier":"niche","note":"Farfetch 奢侈、Wayfair 家具"} +{"racetrack_id":"regional-leader","name":"区域领导者","mode":"regional","geo":"LATAM/MENA","tier":"core","note":"Mercado Libre、Noon"} diff --git a/skills/industry-landscape-research/examples/ex-saas-legaltech/README.md b/skills/industry-landscape-research/examples/ex-saas-legaltech/README.md new file mode 100644 index 000000000..26515d2a9 --- /dev/null +++ b/skills/industry-landscape-research/examples/ex-saas-legaltech/README.md @@ -0,0 +1,130 @@ +# 示例：法律科技 SaaS（Vertical SaaS 原型） + +> 本示例展示 archetype = `saas-vertical` 时，如何套用八步法对"法律科技"行业做完整调研。 +> 关键差异点：客户群高度专业（律所/法务）、单客单价高、续约/扩展（NRR）是命脉、合规要求重、产品矩阵深度优先于广度。 + +## Step 1: Charter（一句话定锚） + +| 字段 | 取值 | +|------|------| +| Scope | 面向律所/企业法务的 SaaS 工具：合同生命周期管理（CLM）、法律研究检索、案件管理、合规自动化、电子取证（eDiscovery）、法律 AI 起草/审阅 | +| Out-of-Scope | C 端法律咨询 App（如离婚咨询）、法律出版物（Westlaw 内容订阅本身）、政府/法院信息化项目（B-to-G）| +| Audience | 战略投资部 / 行业 BD | +| Decision | 是否设立 2 亿元法律科技专项基金；优先押注 CLM 还是 AI 起草 | +| Hypotheses | ① CLM 是法律科技最大市场；② GPT 系模型让"AI 起草"从工具升级为基础设施；③ 中美法律科技市场分化（中国偏律所管理，美国偏跨境合规） | +| Success Criteria | 全球 TOP 25 玩家覆盖 ≥90%；NRR/CAC payback 数据 L1+L2 占比 ≥70%；至少 2 家公司有招股书或财报佐证 | + +## Step 2: Decompose（按价值链 + 产品类目） + +``` +法律科技 +├── A. 内容/数据层 +│ ├── A1 法律检索数据库（Westlaw, LexisNexis, 法信, iCourt） +│ └── A2 监管/合规数据（Compliance.ai, RegulationOne） +├── B. 工具/工作流层 +│ ├── B1 合同生命周期管理 CLM（Ironclad, DocuSign CLM, Icertis, 法大大、e签宝） +│ ├── B2 案件/律所管理（Clio, MyCase, iManage, Aderant） +│ ├── B3 电子取证 eDiscovery（Relativity, Everlaw, DISCO, Logikcull） +│ └── B4 法律 AI 起草/审阅（Harvey, Spellbook, EvenUp, Casetext-CoCounsel） +└── C. 终端服务层 + ├── C1 ALSP 替代法律服务提供方（Axiom, Elevate） + └── C2 法律市场撮合（Atrium 已关停、UpCounsel） +``` + +子生态分层（来自 `archetypes/saas-vertical.md` 必填项）： +- 客户分层：Magic Circle 国际所 / AmLaw 100 / 区域所 / 企业法务部 / 中小所 +- 渠道：直销 / 经销商 / 律所行业协会（ILTA, ACC）合作 +- 集成生态：Microsoft 365 / Salesforce / iManage / NetDocuments 是否原生集成 + +## Step 3-4: Search + Coverage（执行结果摘要） + +R1 公司清单 28 家（北美 18 / 欧洲 5 / 中国 5）；R2 NRR 字段覆盖 19/28；R3 + R4 补齐至 23/28。 + +### Coverage Audit 矩阵 + +| 维度 | 覆盖 | 等级 | +|------|------|------| +| 公司数 | 28 / 全球 ~35 | ⭐⭐⭐⭐⭐ 🟢 | +| NRR | 23 / 28 | ⭐⭐⭐⭐ 🟢 | +| ARR | 19 / 28 | ⭐⭐⭐ 🟡 | +| CAC Payback | 11 / 28 | ⭐⭐ 🔴 (大量私有公司未披露) | +| 客户名单 TOP10 | 25 / 28 | ⭐⭐⭐⭐ 🟢 | +| AI 模型/合规策略 | 17 / 28 | ⭐⭐⭐ 🟡 | + +🔴 缺口处置：CAC Payback 通过 ARR/客户数估算上下限，标 L3。 + +## Step 5: 分析框架（节选） + +### Porter 五力（法律科技整体） + +| 维度 | 分（1-5） | 解读 | +|------|-----------|------| +| 现有竞争 | 4 | CLM 赛道头部 3 家 + 中尾 30+ 家，价格战已出现 | +| 替代品威胁 | 4 | GPT-4/Claude 让律所自建工具门槛骤降，且 ALSP 蚕食律所外包 | +| 新进入威胁 | 3 | 数据/合规壁垒高，但 AI Native 厂商（Harvey、Spellbook）2023 后大量出现 | +| 客户议价力 | 2 | 律所采购集中度低，单客议价弱；但 AmLaw 100 集体合规标准提升话语权 | +| 供应商议价 | 3 | 依赖 OpenAI/Anthropic 模型，模型涨价直接吃毛利 | + +### Helmer 7 Powers（以 Harvey 为例） + +| Power | 评分 | 证据 | +|-------|------|------| +| Scale Economies | 2 | 早期，规模优势未显现 | +| Network Economies | 3 | 律所之间案例库共享存在但弱 | +| Counter-Positioning | 4 | 律所自建 AI 不如 SaaS 专精，结构性优势 | +| Switching Costs | 4 | 集成进律所工作流后切换成本高 | +| Branding | 4 | OpenAI 联合背书 + 顶级所站台 | +| Cornered Resource | 3 | 早期数据（PwC、A&O 合作）+ 客户 logo | +| Process Power | 2 | 流程沉淀尚浅 | + +## Step 6: 量化建模 + +### 单位经济学（北美 CLM 中位数，2025-Q2） + +| 指标 | 中位数 | 边界 | +|------|--------|------| +| ARR per customer | $85K | $30K - $400K | +| Gross Margin | 76% | 70% - 82% | +| NRR | 115% | 105% - 130% | +| CAC Payback | 18 月 | 12 - 30 月 | +| Rule of 40 | 28% | 12% - 52% | + +### TAM/SAM/SOM 三种算法 + +- 自上而下：全球律所市场 $850B × 法律科技渗透率 4% = $34B TAM +- 自下而上：全球律所 17 万家 × 平均年费 $30K × 适用率 60% = $30.6B TAM +- 类比：HR Tech / Sales Tech 渗透率成熟后 8-12%，可达 $68-102B + +中位数收敛在 $32-35B TAM。 + +## Step 7: Thesis 综合 + +### House View（一句话） + +> 法律科技正从"工作流工具"向"AI 起草助理 + 工作流"双层结构演进；CLM 仍是金矿但成熟，2025-2027 真正的 alpha 在 AI 起草层；中美市场分化是结构性的，押注须区分赛道。 + +### 三情景 + +| 情景 | 触发条件 | 概率 | 5 年市场规模 | +|------|----------|------|-------------| +| Bull | LLM 通过律考、保险公司接受 AI 起草、Big 4 大规模 ALSP 替代 | 25% | $80B | +| Base | LLM 仅辅助、律所采用率 50%、CLM/AI 各占半壁江山 | 55% | $50B | +| Bear | 监管反扑（律协禁 AI 起草）、模型成本不下降 | 20% | $25B | + +### Pre-mortem（被证伪的 5 种可能） + +1. 律所协会 ABA / 中国律协 出台"AI 不得起草"禁令 +2. OpenAI/Anthropic API 涨价 3 倍，法律 AI 厂商集体亏损 +3. Microsoft Copilot for Legal 内嵌进 Word，独立厂商被绞杀 +4. 大型律所自建团队（A&O Harvey 2.0）足以替代外购 +5. 客户/合伙人接受度低于预期，AI 起草沦为律师助理玩具 + +## Step 8: 交付（节选自标准 6+2 章节） + +详见 outputs/legaltech-deck.pptx（标准 25 页结构）：全景图、演进时间线、CLM/AI 起草双子赛道深度卡、Harvey/Ironclad/Clio 三家 1 页 deepdive、TAM 推演、三情景、Pre-mortem、参考来源。 + +## 关键经验沉淀 + +- Vertical SaaS 调研必须把 NRR 抠到底，没有 NRR 就没法判断"是不是好生意" +- 合规/监管立场比单纯的产品对比更影响 thesis（参考 `references/stakeholder-stance.md`） +- 国际所 vs 区域所 vs 企业法务的购买逻辑完全不同，禁止平均化处理 diff --git a/skills/industry-landscape-research/examples/ex-saas-legaltech/companies-sample.jsonl b/skills/industry-landscape-research/examples/ex-saas-legaltech/companies-sample.jsonl new file mode 100644 index 000000000..141b56797 --- /dev/null +++ b/skills/industry-landscape-research/examples/ex-saas-legaltech/companies-sample.jsonl @@ -0,0 +1,3 @@ +{"company_id":"harvey","name":"Harvey","racetrack_id":"legal-ai-drafting","geo":"NA","tier":"T1","founded":2022,"hq":"San Francisco","status":"private","valuation":{"datum":{"value":3000000000,"unit":"USD","as_of":"2025-02-12","source":"https://techcrunch.com/2025/02/12/harvey-300m-series-d","grade":"L1"}},"arr":{"datum":{"value":75000000,"unit":"USD","as_of":"2025-02","source":"https://www.theinformation.com/articles/harvey-arr-75m","grade":"L2"}},"customers_top":["Allen & Overy","PwC","KPMG"],"thesis":"OpenAI 系出身，借律所合作快速建立顶级所标签"} +{"company_id":"ironclad","name":"Ironclad","racetrack_id":"clm","geo":"NA","tier":"T1","founded":2014,"hq":"San Francisco","status":"private","valuation":{"datum":{"value":3200000000,"unit":"USD","as_of":"2022-01","source":"https://ironcladapp.com/news/series-e","grade":"L1"}},"arr":{"datum":{"value":140000000,"unit":"USD","as_of":"2024","source":"https://www.businessofbusiness.com/articles/ironclad-arr","grade":"L3"}},"nrr":{"datum":{"value":122,"unit":"%","as_of":"2024","source":"https://www.saastr.com/ironclad-nrr","grade":"L3"}},"thesis":"CLM 最广泛企业法务客户"} +{"company_id":"clio","name":"Clio","racetrack_id":"law-firm-mgmt","geo":"NA","tier":"T1","founded":2008,"hq":"Vancouver","status":"private","valuation":{"datum":{"value":3000000000,"unit":"USD","as_of":"2024-07","source":"https://www.clio.com/blog/series-f-funding","grade":"L1"}},"arr":{"datum":{"value":200000000,"unit":"USD","as_of":"2024","source":"https://www.forbes.com/sites/alexkonrad/clio-arr-200m","grade":"L2"}},"customers_top":["150,000+ legal professionals across 100+ countries"],"thesis":"中小所/单律师 SaaS 之王，地域护城河"} diff --git a/skills/industry-landscape-research/examples/ex-saas-legaltech/racetracks.jsonl b/skills/industry-landscape-research/examples/ex-saas-legaltech/racetracks.jsonl new file mode 100644 index 000000000..d47ab3ed4 --- /dev/null +++ b/skills/industry-landscape-research/examples/ex-saas-legaltech/racetracks.jsonl @@ -0,0 +1,5 @@ +{"racetrack_id":"clm","name":"合同生命周期管理 (CLM)","layer":"B","geo":"global","tier":"core","note":"法律科技最大子赛道，企业法务买单"} +{"racetrack_id":"legal-ai-drafting","name":"法律 AI 起草/审阅","layer":"B","geo":"global","tier":"hot","note":"GPT 时代爆发，2024-2026 资本最热"} +{"racetrack_id":"law-firm-mgmt","name":"律所/案件管理","layer":"B","geo":"global","tier":"mature","note":"Clio/MyCase 主导，中小所刚需"} +{"racetrack_id":"ediscovery","name":"电子取证 eDiscovery","layer":"B","geo":"NA","tier":"mature","note":"诉讼驱动，强项目制"} +{"racetrack_id":"legal-research","name":"法律检索","layer":"A","geo":"global","tier":"core","note":"Westlaw/LexisNexis 双寡头，中国本土化"} diff --git a/skills/industry-landscape-research/references/bias-checklist.md b/skills/industry-landscape-research/references/bias-checklist.md new file mode 100644 index 000000000..05fa8b3ec --- /dev/null +++ b/skills/industry-landscape-research/references/bias-checklist.md @@ -0,0 +1,159 @@ +# 认知偏差自检清单 + +> 数据查全了也可能得出错误结论。Thesis 收尾前过一遍。 + +## 6 类常见偏差 + +### 1. 确认偏差（Confirmation Bias） + +**症状**：只搜支持我观点的证据，对反方证据视而不见。 + +**自检**： +- 我有没有专门搜过"{我的观点} 反例 / 失败 / 风险"？ +- Devil's Advocate Agent 跑过吗？ +- 我能想到自己观点最强的 3 个反方论点吗？ + +**对策**： +- 强制独立 Agent 跑反方论证（见 `workflows/06-thesis-synthesis.md`） +- 调研日志保留所有"被舍弃的证据"，定期回看 + +### 2. 可得性偏差（Availability Bias） + +**症状**：媒体多报道 ≠ 真实规模大。被高声量但小规模的事件牵着走。 + +**自检**： +- 这家公司"看着大"是因为媒体声量还是营收/用户数？ +- 这个趋势是真趋势还是"今年热词"？ +- 我引用的 N 篇媒体里，有多少是同一波通稿？ + +**对策**： +- 用营收/用户数等"硬数据"加权，不要按"提及次数" +- 看公司的"被搜索次数"和"实际营收"对比 + +### 3. 锚定偏差（Anchoring Bias） + +**症状**：第一份报告的数字 anchor 住后续判断。 + +**自检**： +- 我引用的 TAM 数字最早来自哪？后续都是转引吗？ +- 我对"行业规模"的预期是否被第一篇报告固化？ +- 如果换一种估算方法，会得到完全不同的数字吗？ + +**对策**： +- TAM 必须三种算法交叉（top-down / bottom-up / analogy） +- 关键数字必须看至少两个独立来源 + +### 4. 存活者偏差（Survivorship Bias） + +**症状**：我看到的是赢家清单，输家在哪？倒闭的、退市的、转型的、卖掉的。 + +**自检**： +- 这个行业 5 年前的 TOP 20 现在还活几家？ +- 倒闭/退出的公司有哪些？为什么死？ +- "赢家共性"是不是把幸存的偶然当必然？ + +**对策**： +- 维护 Dead Pool 清单（参考 SKILL v1 提到的死亡名单） +- 复盘倒闭原因，常常比赢家共性更有信息量 + +### 5. 代表性偏差（Representativeness Bias） + +**症状**：用 1-2 个明星案例代表整个行业。 + +**自检**： +- 我的"行业判断"是不是来自 Top 3 公司？ +- 长尾公司画像我看过几个？ +- Tier 2/3 的运行模式是否真和 Tier 1 一样？ + +**对策**： +- 每条赛道至少看 15 家公司 +- Tier 1/2/3 各做单独分析 + +### 6. 后视镜偏差（Hindsight Bias） + +**症状**：现在看清楚的趋势，假装"我当时就预测到了"。 + +**自检**： +- 我的 House View 如果放在 2 年前，能不能预测？ +- 我有没有错把"已发生的事实"包装成"前瞻判断"？ +- 报告里有多少 statements 其实是 retrofit 的？ + +**对策**： +- Pre-mortem 强制做（详见 `workflows/06-thesis-synthesis.md`） +- 把"已知事实"和"前瞻判断"明确分开标注 + +### 7. 训练截止偏差（Training Cutoff Bias）🆕 + +> 由 v2.2 引入。专门针对 LLM 驱动的调研代理。 + +**症状**：LLM 的知识库截止于 N 个月前（典型 6-18 个月），但仍以"现在时"语气陈述 catalog、SKU、价格、版本号、模型名等"快速演进字段"。典型表现： +- 提到的模型/SKU 全是"上一代"（如调研 2026 年的视频模型，输出却是 wan2.6、sora-1.0） +- 价格用的是已被官方下调或上调的旧值 +- 漏掉最近 3-12 个月的新玩家、新版本、deprecation 公告 +- 给出的"全景图"看似完整，实则是训练集 snapshot + +**自检**： +- 我引用的每个 SKU 名是不是"凭印象"写的，还是直接抓自官方 pricing page（今天日期）？ +- 我有没有跑过 Recency Sweep（见 `recency-guardrail.md`）来强制搜最近 N 天的 release？ +- 我的 catalog 清单与第三方聚合器（OpenRouter / ArtificialAnalysis / LMArena / HF）对账过吗？ +- 任意 in-scope 厂商的官方 changelog / blog / 微信公众号最近 30 天的更新我看过吗？ +- 我能不能写出"我的训练截止可能在 YYYY-MM-DD"这句话并说明对结论的影响？ + +**对策**： +- 启动调研第一步：让用户/调用方明确告知"今天日期"（Today Date Stamp） +- 对 rapidly-evolving 行业强制启用 `archetypes/_modifier-rapidly-evolving.md` 修饰符 +- 6 道 Recency Guardrail 闸门全开（见 `references/recency-guardrail.md`） +- catalog 字段一律走"周度刷新"档（见 `references/refresh-cadence.md` 超敏感矩阵） +- 子 Agent system prompt 必须包含五句魔法语： + 1. "Do NOT rely on your training knowledge for SKU names, prices, or version numbers." + 2. "Always fetch the official pricing page LIVE before quoting any price." + 3. "Explicitly list any model that was released in the last 6 months." + 4. "If you cannot verify a SKU is still GA, mark it as Status: Unverified." + 5. "Cross-check your catalog against at least one third-party aggregator." + +## 推广水文识别 + +以下特征提示内容可能是付费推广或软文，降级到 L4： + +- 同一措辞在多个媒体同时出现（通稿特征） +- 只讲优点不讲缺点/风险 +- 引用数据无来源或来源为"公司内部" +- 标题夸张（"颠覆""革命""首个""最大"） +- 发布在行业媒体的"合作""专栏"标签下 +- 文章末尾有"了解更多 + 公司联系方式" + +## 数据水分识别 + +- **用户数膨胀**：注册数 vs 活跃数 vs 付费数，差 10-100 倍常见 +- **营收口径模糊**：GMV vs 营收 vs 收入 vs ARR，不注明则默认最大口径 +- **估值虚高**：最近一轮估值 vs 二级市场隐含估值，差 2-5 倍常见 +- **增速选择性披露**：只展示高增速业务，不提整体增速 +- **毛利率虚高**：把营销/服务成本剔除算"软件毛利率" + +## 交叉验证最低要求 + +- 每个关键数据点至少 2 个独立来源 +- 两个来源不能是转载关系（A 媒体引用 B 媒体不算独立） +- 冲突数据取保守值或标注分歧范围 + +## 可信度分级使用规则 + +| 等级 | 来源 | 用法 | +|------|------|------| +| L1 确定值 | 交易所披露、审计财报、招股书 | 直接使用 | +| L2 高置信 | 权威媒体深度报道（36氪/TechCrunch/Information） | 交叉验证后使用 | +| L3 估算值 | 公司官方 PR、行业媒体综述 | 标注 `~` 或 `(公司口径)` | +| L4 传闻 | 匿名信源、自媒体、水文 | 标注 `(传)` `(未证实)`，必要时排除 | + +## Sanity Check 反问清单 + +报告交付前必答： + +- [ ] 我的核心 thesis 如果错了，最可能错在哪？ +- [ ] 哪些数据是"令人意外的"？为什么意外？ +- [ ] 我有没有给"我喜欢的公司"过度好评？ +- [ ] 我有没有给"我讨厌的公司"过度差评？ +- [ ] 三情景的 Bear case 真的代表了悲观吗？还是只是"温和的 Base"？ +- [ ] Pre-mortem 列出的 5 个失败点，我会监控哪 3 个？ +- [ ] **catalog / SKU / 价格类字段是不是凭模型记忆写的？有没有今天日期（Today Stamp）+ 官方 pricing page live fetch？** +- [ ] **报告里有没有标注"训练截止偏差"以及对应的 mitigation 路径？** diff --git a/skills/industry-landscape-research/references/crawl-strategy.md b/skills/industry-landscape-research/references/crawl-strategy.md new file mode 100644 index 000000000..73412601e --- /dev/null +++ b/skills/industry-landscape-research/references/crawl-strategy.md @@ -0,0 +1,118 @@ +# 反爬绕路策略 + +> 选错抓取方式会浪费大量时间。本文件给出按站点分类的策略，以及通用绕路技巧。 + +## 通用规则 + +1. **先试 WebFetch / curl**，拿到空数据或"-"再切浏览器 MCP +2. **JS 动态字段**（如 `@now@`、`@fixTotalShare@`）WebFetch 拿不到 → 用"总股本 × 近端价格"绕路 +3. **付费墙**优先找公开摘要 / 二手引用，非必要时不开浏览器登录 +4. **高频反爬**站点用慢速节流（每 20 条 pause 1s） + +## 站点策略表 + +详见 `references/source-matrix.md` 的"站点-工具对照表"。 + +## 反爬场景速查 + +### 场景 1: 总市值需要 JS 渲染（雪球 / 东方财富） + +**症状**：fetch 拿到的页面里数字全是 "-" 或 "{{ price }}" + +**绕路**： +1. 切到新浪财经同公司页（静态可抓） +2. 抓总股本 `@fixTotalShare@` +3. 抓近 5 日收盘价 +4. 计算：市值 = 总股本 × 近端价格 +5. 标注"估算"+ 日期 + +### 场景 2: Cloudflare 防护（Crunchbase / The Information） + +**症状**：fetch 返回 403 / 5xx，或 HTML 里只有 challenge 页 + +**绕路**： +1. 优先用浏览器 MCP（带 cookie） +2. 找 archive.org Wayback Machine 的快照 +3. 用 Google 缓存 +4. 找权威媒体二次引用（如 36氪/晚点引用 Crunchbase 数据） + +### 场景 3: 付费墙（Bloomberg / Information / Wind） + +**症状**：HTML 里只有标题和前几段 + +**绕路**： +1. 找开放的二次引用（媒体经常引用 Bloomberg / Information 的爆料） +2. 找作者的 Twitter/X 主页，常有摘要 +3. 内部团队有订阅 → 浏览器 MCP + 已登录账号 + +### 场景 4: 登录态 + 验证码（天眼查 / LinkedIn） + +**症状**：列表页可看，详情页需登录 + +**绕路**： +1. 中文公司 → 国家信用信息公示系统（免登录） +2. LinkedIn → 公司官网 About 页 + 媒体采访 +3. 天眼查 → 企查查 / 启信宝（部分免费） + +### 场景 5: PDF 文件（招股书 / 财报） + +**症状**：URL 是 .pdf，需要下载 + +**绕路**： +1. 用 Read 工具（支持 PDF 阅读） +2. 大 PDF（>10 页）必须指定 pages 参数 +3. 找 HTML 版（如 SEC EDGAR 同公司常有 HTML 报告） +4. 找媒体摘要（如"招股书要点解读"） + +### 场景 6: SPA 动态加载（社交 / 即时通讯） + +**症状**：HTML 是空的 div，内容靠 JS 后加载 + +**绕路**： +1. 浏览器 MCP 等加载完成后再 read_page +2. 找接口：F12 Network 看哪个 API 返回数据，直接 curl 那个 API +3. 通过手机端 H5 入口（常常反爬更弱） + +### 场景 7: 内嵌 iframe 跨域（鲲鹏 CRM 等内部系统） + +**症状**：父页面 JS 无法访问 iframe 内数据 + +**绕路**： +1. 直接抓 iframe 的 URL +2. 抓 iframe 调用的后端 API +3. 用 browser computer use 逐点点击 ECharts 数据点提取 tooltip + +## 节流策略 + +| 站点类型 | 推荐节流 | +|---------|---------| +| 高反爬（雪球/东方财富） | 每请求 pause 3-5s | +| 中反爬（新浪/36氪） | 每 10 请求 pause 1s | +| 低反爬（公司官网） | 每 30 请求 pause 1s | + +并发：单站点同时 ≤ 3 个连接，避免触发封 IP。 + +## 内容截断处理 + +WebFetch 经常截断长 HTML： + +1. 用 `curl + grep` 直接定位关键段 +2. 用 `mcp__builtin_browser__javascript_tool` 在浏览器内 querySelector 取值 +3. 分段抓：第一次抓 0-50KB，第二次 50-100KB... + +JavaScript tool 返回 > 50KB 时分块取回 + 利用自动持久化的 tmp 文件拼装。 + +## 浏览器 MCP 限制 + +- **无法导航本地 file:// URL** → 验证本地 HTML 须用 Bash `open` 命令 +- **JS 长结果**（>50KB）自动持久化到 tmp 文件，cp 出来用 +- **截图大小**：单页面 > 2MB 时分屏截 + +## 失败重试 + +1. 第 1 次失败 → 立即重试 1 次 +2. 第 2 次失败 → pause 30s 后重试 +3. 第 3 次失败 → 切到备用源 +4. 三次都失败 → 标 "数据不足" + 该字段降 L4 + +禁止陷入死循环重试。 diff --git a/skills/industry-landscape-research/references/dirty-work-playbook.md b/skills/industry-landscape-research/references/dirty-work-playbook.md new file mode 100644 index 000000000..fb334bd0f --- /dev/null +++ b/skills/industry-landscape-research/references/dirty-work-playbook.md @@ -0,0 +1,166 @@ +# 脏活手册 (Dirty Work Playbook) + +> 行业调研 80% 的时间花在数据清洗、归一、去重、单位换算上。把脏活清单化、流程化，避免反复踩坑。 + +## 1. 名称归一 (Name Normalization) + +### 1.1 别名表 (Alias Table) +每家公司维护一张映射表，所有别名指向主名（canonical name）： + +| 主名（canonical） | 别名（aliases） | 主名规则 | +|------------------|----------------|---------| +| OpenAI | "Openai" / "OPENAI" / "Open AI" / "开放AI" | 优先英文原名，统一大小写 | +| Anthropic | "安索匹克" / "Anthrophic"（误写） | 英文为主名 | +| 智谱AI | "智谱" / "Z.ai" / "Zhipu" / "Zhipu AI" / "ChatGLM" | 中文+AI 后缀 | +| 月之暗面 | "Moonshot" / "Moonshot AI" / "Kimi" | 中文为主名（产品名 Kimi 单列） | +| 字节跳动 | "ByteDance" / "Bytedance" / "字节" / "抖音集团" | 中文为主名 | + +### 1.2 归一规则 +- 中英文混用 → 优先**官方注册名**（工商登记/股票交易所名） +- 大小写 → 遵循公司官方写法（OpenAI ≠ Openai；DeepMind ≠ Deepmind） +- 全/半角 → 统一半角（"（）" → "()"） +- 空格 → 公司名内部空格按官方（"Open AI" vs "OpenAI" 看官方） +- 产品名 vs 公司名 → 分两列（如公司 = 月之暗面，产品 = Kimi） + +### 1.3 实施步骤 +1. 调研第一轮结束时，导出所有公司名清单 +2. 人工 + LLM 辅助合并别名，建立 `aliases.csv`：`canonical_name, alias, type(zh/en/product/abbrev)` +3. 后续抓取/分析时，所有公司名先经 alias resolver 归一 +4. 报告输出前，再次校对别名表 + +## 2. URL 归一 (URL Normalization) + +| 问题 | 规则 | +|------|------| +| Query 参数 | 去掉 `utm_*`、`from=`、`spm=`、`ref=` 等追踪参数 | +| Fragment | 去掉 `#xxx`（除非锚定不同章节） | +| 大小写 | 域名转小写，路径保留原大小写 | +| 末尾斜杠 | 统一去掉（除非根路径） | +| HTTP/HTTPS | 统一为 HTTPS | +| www 前缀 | 按站点惯例保留或去掉，但需一致 | + +**目的**：URL 去重时不会因为 `?utm_source=weibo` 而判为两个来源。 + +## 3. 编码与字符清洗 + +| 脏数据 | 清洗 | +|--------|------| +| ` ` `&` `<` `>` | HTML 实体解码 | +| `\n\t\r` | strip + 单空格替换 | +| `
` `

` `

` | 抓全文时保留段落结构，抓字段时去 HTML | +| 全角空格 `\u3000` | 半角空格 | +| 零宽字符 `\u200B` `\uFEFF` | 删除 | +| 智能引号 `""''` | 统一为直引号 `""''` 或保留（看场景） | + +抓取入口强制 UTF-8，落地前用 `chardet` 验证；存储用 UTF-8 NFC normalize。 + +## 4. 单位换算 (Unit Conversion) + +### 4.1 货币 +**汇率快照**：调研开始时记录基准汇率，全程使用，避免不同时点混用。 + +| 货币对 | 调研开始日 | 汇率 | 来源 | +|--------|-----------|------|------| +| USD/CNY | YYYY-MM-DD | 7.XX | 中国人民银行 / xe.com | +| HKD/CNY | YYYY-MM-DD | 0.9X | 同上 | +| EUR/CNY | YYYY-MM-DD | 7.XX | 同上 | +| JPY/CNY | YYYY-MM-DD | 0.04X | 同上 | + +存储原币 + 换算人民币 + 汇率日期三列：`amount_orig, currency_orig, amount_cny, fx_date`。 + +### 4.2 数量 +| 来源单位 | 归一目标 | +|---------|---------| +| 万元 / 百万 / 亿元 | 统一**亿元**（保留两位小数） | +| million / billion | 同上 | +| 万人 / 百万人 / 亿人 | 用户数统一**万人**（或加单位列） | +| GB / TB / PB | 数据量统一 **TB** 或 **GB** 显式标注 | +| QPS / TPS / RPS | 并发指标统一 **QPS** | + +## 5. 时间归一化 (Time Normalization) + +### 5.1 表述映射 +| 模糊表述 | 处理 | +|---------|------| +| "去年" / "今年" / "上个月" | 反查具体日期，转 ISO（YYYY-MM-DD） | +| "Q3 2025" / "三季度" | 转季度末日期（2025-09-30） | +| "近期" / "最近" / "前不久" | **严禁使用**，必须查到具体日期 | +| "2025 年初" / "年中" / "年底" | 转近似日期（01-15 / 06-30 / 12-15）并标注"约" | +| 多时区 | 统一 UTC+8（北京时间），标注原时区 | + +### 5.2 截止日期规则 +**所有数据点必须标注"截止 YYYY-MM-DD"**，写入 schema 的 `as_of_date` 字段。报告里所有图表/表格必须有"截至 X 月 X 日"角标。 + +## 6. 去重 (Deduplication) + +| 维度 | 方法 | +|------|------| +| URL 去重 | 归一化后哈希（见 §2） | +| 公司去重 | canonical name + 股票代码 + 注册号三重匹配 | +| 事件去重 | 哈希 = `事件日期 + 公司主名 + 事件类型`（如 "2024-03-15_OpenAI_funding"） | +| 数据点去重 | 同字段多来源，取**最新日期 + 最高质量等级** | +| 文章去重 | 标题 5-gram 重合度 > 0.8 视为转载，保留首发源 | + +## 7. 缺失值与异常 (Missing & Anomaly) + +### 7.1 缺失值标注规则 +**严禁** `null` / 空白 / "暂无"。必须用以下四种之一： + +| 标注 | 含义 | +|------|------| +| `"未披露"` | 公司主动隐藏（如未上市公司不披露营收） | +| `"未查"` | 调研未覆盖该字段（应在审计阶段补） | +| `"不适用"` | 字段对该公司无意义（如未上市公司没有市值） | +| `"未证实"` | 有数据但来源不可信，待验证 | + +### 7.2 异常检测规则 +| 异常类型 | 触发条件 | 处理 | +|---------|---------|------| +| 估值跳变 | 同公司前后估值环比 > 200% 增长 | 标注"待验证"，查融资公告 | +| 财务矛盾 | 毛利率 > 100%、净利率 > 毛利率 | 标注"错误"，回溯来源 | +| 时间倒置 | 成立日期 > 融资日期 / IPO 日期 < 成立日期 | 标注"错误"，逐项核对 | +| 单位错乱 | 个人公司估值 100 亿美元、3 人团队 ARR 1 亿 | 标注"待验证"，查单位 | +| 用户数膨胀 | 注册数 = MAU = 付费数 | 标注"口径混淆"，找原始披露 | + +## 8. 引用与溯源 (Citation & Provenance) + +### 8.1 每个非常识数据点必须留档 5 元组 +```json +{ + "value": "150 亿美元", + "source_url": "https://...", + "as_of_date": "2026-06-20", + "grade": "L2", + "quote": "公司在 2026 年 6 月 D 轮融资时估值 150 亿美元", + "cross_validated": true, + "secondary_source_url": "https://..." +} +``` + +### 8.2 禁止事项 +- ❌ 来源写"网络"、"网上"、"业内"、"消息称" +- ❌ 二手引用不追到原始来源（如 A 媒体引用 B 媒体，必须找到 B 原始链接） +- ❌ 自己推算的数据不标注 `"derived": true` 和推算公式 +- ❌ 截止日期写"近期"或不写 + +## 9. 表格 vs JSON 双写 (Dual Write) + +人类可读的表格 + 机器可读的 JSON，两者保持同步。**单一事实源 (SSOT) 是 JSONL**，所有 Markdown 表格由脚本从 JSONL 生成，避免手工抄写产生分歧。 + +``` +companies.jsonl → 脚本 → companies.md (Markdown 表格) +events.jsonl → 脚本 → timeline.md +sources.csv → 脚本 → sources-appendix.md +``` + +## 10. 复现性 (Reproducibility) + +调研期间维护三张快照表，归档到 `outputs/snapshots/`： + +| 文件 | 内容 | +|------|------| +| `aliases.csv` | 公司别名映射表 | +| `fx-rates.csv` | 汇率快照（USD/HKD/EUR → CNY） | +| `time-anchors.csv` | 关键事件的具体日期解析记录 | + +任何外部审核员拿到这三张表 + 原始 JSONL，应能完全复现报告里的所有数据。 diff --git a/skills/industry-landscape-research/references/glossary.md b/skills/industry-landscape-research/references/glossary.md new file mode 100644 index 000000000..4f19c498f --- /dev/null +++ b/skills/industry-landscape-research/references/glossary.md @@ -0,0 +1,102 @@ +# Glossary — 行业调研术语词典 + +行业研究高频术语精校释义。表里术语都是 Skill 包内部出现过的，定义采用业界共识口径，避免同名不同义。 + +> ⚠️ 任何看到"我以为我懂"的词，先回这里查一遍。术语错位是行业报告 80% 错误的源头。 + +## 用户 / 客户类指标 + +| 术语 | 缩写 | 定义 | 易混点 | +|------|------|------|-------| +| Monthly Active Users | MAU | 30 天内有过 1 次以上活跃行为的用户数 | "活跃"定义因产品不同（登录 / 操作 / 留存） | +| Daily Active Users | DAU | 24 小时内活跃 1 次以上 | DAU/MAU = 粘性指标 | +| Quarterly Active Users | QAU | 90 天内活跃 1 次以上 | 低频应用常用（如银行 App） | +| Average Revenue Per User | ARPU | 营收 ÷ 活跃用户数 | 分子用 Revenue 还是 Net Revenue？分母用 MAU/DAU/付费用户？须明确 | +| Customer Acquisition Cost | CAC | 获新客成本 = 营销费用 ÷ 新增客户数 | Blended CAC（全渠道平均） vs Paid CAC（仅付费渠道） | +| Lifetime Value | LTV | 客户全生命周期为公司创造的毛利贡献 | 简化公式：ARPU × Gross Margin × (1/Churn) | +| LTV/CAC | — | 客户终身价值与获客成本之比 | >3 健康，<1 模型不成立 | +| Churn Rate | — | 一定时间窗内流失客户占比 | 月 Churn 还是年 Churn？逻辑客户 vs 收入留存？须分清 | +| Net Revenue Retention | NRR | 同一批客户在一年后的留存收入 ÷ 起始收入 | 包含 expand / upgrade，>120% = 顶级 SaaS | +| Gross Revenue Retention | GRR | 同上但不含 upsell | 仅看流失 + downgrade，反映底线 | +| CAC Payback Period | — | 收回 CAC 所需月数 = CAC ÷（ARPU × Gross Margin / 12） | <12 月顶级，<24 月健康 | +| Magic Number | — | (本季 ARR 增量 × 4) ÷ 上季销售营销费用 | >1 = 销售效率高 | + +## SaaS / B 端指标 + +| 术语 | 缩写 | 定义 | 易混点 | +|------|------|------|-------| +| Annual Recurring Revenue | ARR | 年化经常性收入（不含一次性） | ARR ≠ Revenue ≠ Booking ≠ Cash | +| Monthly Recurring Revenue | MRR | 月度经常性收入，ARR = MRR × 12 | 仅适用 SaaS 订阅制 | +| Total Contract Value | TCV | 合同总额（含一次性服务费 + 多年金额） | 多年合同 TCV > ARR | +| Annual Contract Value | ACV | 年化合同价值 | 平摊多年合同到单年口径 | +| Rule of 40 | — | 增长率 + 营运利润率（或 FCF 率） ≥ 40% | SaaS 健康基线 | +| Burn Multiple | — | Net Burn ÷ Net New ARR | <1 优秀，>3 危险 | +| Net Burn | — | 现金消耗（不含融资活动）| 不等于会计亏损（含非现金项目） | + +## 平台 / Marketplace 指标 + +| 术语 | 缩写 | 定义 | 易混点 | +|------|------|------|-------| +| Gross Merchandise Value | GMV | 平台撮合的商品交易总额 | GMV ≠ Revenue（取费率才是营收） | +| Total Payment Volume | TPV | 支付平台总支付流水 | 支付公司常用，含双方进出 | +| Take Rate | — | 平台抽佣率 = Revenue ÷ GMV | 0.5%-10% 不等，与品类强相关 | +| Contribution Margin | CM | 单笔订单/单客户层面的净贡献（去除变动成本） | 不等同毛利率 | +| Liquidity / Match Rate | — | 平台撮合成功率（供需两侧） | 双边网络效应核心指标 | +| Cross-side Network Effect | — | 一边用户增加提升另一边价值 | Marketplace 核心护城河 | + +## 财务 / 资本类 + +| 术语 | 缩写 | 定义 | 易混点 | +|------|------|------|-------| +| Internal Rate of Return | IRR | 项目内部收益率，使 NPV=0 的折现率 | 与 CapEx 周期强相关 | +| Net Present Value | NPV | 现金流折现总和 | 折现率假设影响巨大 | +| Discounted Cash Flow | DCF | 现金流折现估值法 | 长期假设敏感性极强 | +| Compound Annual Growth Rate | CAGR | 复合年增长率 | 端点选择会扭曲结论（注意"窗口选择偏差"） | +| Total Addressable Market | TAM | 理论市场总规模 | 通常被高估 | +| Serviceable Addressable Market | SAM | 公司可达成市场 | TAM × 地理/品类约束 | +| Serviceable Obtainable Market | SOM | 公司 N 年内现实可拿份额 | 通常 SAM × 5-25% | + +## 技术 / 产品成熟度 + +| 术语 | 缩写 | 定义 | 易混点 | +|------|------|------|-------| +| Technology Readiness Level | TRL | NASA 起源，1-9 级技术成熟度 | TRL 6+ 才有商业化潜力 | +| Minimum Viable Product | MVP | 最小可行产品 | 验证假设而非完整产品 | +| Product-Market Fit | PMF | 产品满足真实市场需求的状态 | 难量化，常用"40% 用户失去会非常失望" | +| Software-as-a-Service | SaaS | 订阅 + 多租户 + 云交付 | 区别 On-prem、PaaS、IaaS | +| Software-Defined X | SDV/SDN/SDS | 用软件定义传统硬件功能 | 汽车 / 网络 / 存储 三大方向 | + +## 分析框架 + +| 术语 | 来源 | 含义 | +|------|------|------| +| **Porter 5 Forces** | Michael Porter, 1979 | 五力分析：现有竞争 / 进入者 / 替代品 / 客户议价 / 供应商议价 | +| **7 Powers** | Hamilton Helmer, 2016 | 7 种持续竞争优势：Scale Economies / Network Economies / Counter-Positioning / Switching Costs / Branding / Cornered Resource / Process Power | +| **Wardley Map** | Simon Wardley, 2005 | 横轴 evolution (Genesis→Custom→Product→Commodity)，纵轴 user-visibility | +| **Jobs-to-be-Done** | Christensen, 2003 | 客户"雇佣"产品来完成的 job | +| **S-curve** | Tech adoption curve | 早期慢-中期爆发-后期饱和的 S 形 | +| **Disruption Theory** | Christensen, 1997 | 低端切入 → 性能改进 → 颠覆在位者 | +| **Value Chain** | Porter, 1985 | 价值链：从原材料到终端用户的活动序列 | +| **Profit Pool** | Bain, 1998 | 价值链各环节的利润集中度图谱 | + +## 数据 / 来源等级 + +| 等级 | 来源类型 | 例子 | +|------|---------|------| +| **L1** | 一手官方/原始材料 | 10-K / NMPA 批件 / 央行公告 | +| **L2** | 知名第三方独立机构 | Gartner / IDC / IEA / IQVIA / BNEF | +| **L3** | 行业 trade press / 协会 | EE Times / 36氪 / 中汽协 | +| **L4** | 二手转引 / 自媒体 / 估算 | 公众号 / 知乎 / 推断值 | + +## 不可写 / 红线词 + +| 不要用 | 改用 | 原因 | +|--------|------|------| +| "市场规模 1000 亿元" | "TAM 1000 亿元 (源: XX, as_of YYYY)" | 须标注口径 + 来源 + 日期 | +| "行业领先" | "市占率 35% (排名第 2)" | 主观词换可比指标 | +| "据传 / 业内人士" | "暂未查证" + 引用窗口 | 不接受口头转述 | +| "VS 同行" | 指名道姓的具体公司 | 避免模糊比较 | + +--- + +如发现术语缺漏 / 定义有误，请在 SKILL.md 记录 changelog 后补充至本表。 diff --git a/skills/industry-landscape-research/references/profit-pool.md b/skills/industry-landscape-research/references/profit-pool.md new file mode 100644 index 000000000..021eb73a8 --- /dev/null +++ b/skills/industry-landscape-research/references/profit-pool.md @@ -0,0 +1,130 @@ +# 利润池分析 (Profit Pool Analysis) + +> 利润 = 营收 × 利润率。把行业全链条的利润分布画成柱状图，揭示"钱在哪里赚"。**这是投资决策、并购决策、生态切入决策的核心地图**。 + +## 1. 概念 + +**利润池 (Profit Pool)** 由 Bain & Company 提出，分两个维度： +- **横轴**：环节 / 玩家类型（沿价值链或生态分层） +- **纵轴**：营收规模（柱宽）+ 利润率（柱高，可叠加色块表示） +- **面积**：营收 × 利润率 = 利润绝对值 + +输出形态： +``` + │ +利润率% │ ┌──┐ + │ ┌──┤ │ + │ │ │ │ ┌──┐ + │ │ │ │ │ │ ┌─┐ + │ │ │ │ │ │ │ │ + └──┴──┴──┴──┴──┴──┴─┴────→ 营收 ($B) + L2 L1 L3 L4 L5 + 芯片 算力 平台 应用 终端 +``` + +## 2. 通用绘制步骤 + +### Step 1: 定义环节 (Segments) +沿价值链或 Stack Map 5 层分段，5-10 段为宜。 + +### Step 2: 收集每段的全球营收 +``` +环节 营收来源（举例） 全球营收 ($B/年) 来源/截止日期 +L1 算力 NVIDIA + AMD + 国产卡 150 NVIDIA FY24 财报 +L2 模型 OpenAI + Anthropic + ... 20 ... +L3 平台 API + 中间件 15 ... +L4 应用 Jasper + Copy.ai + ... 8 ... +L5 终端 ChatGPT App + Midjourney 25 估算 +``` + +### Step 3: 估算每段毛利率/利润率 +``` +环节 毛利率% 净利率% 来源 +L1 算力 (NVIDIA) 75% 55% NVIDIA Q1 2026 财报 +L2 模型 (OpenAI) -50% -200% The Information 2025-04 +L3 平台 40% 15% 推算（综合 SaaS 中位数） +L4 应用 70% 20% SaaS 行业中位数 +L5 终端 35% 5% 消费应用平均 +``` + +### Step 4: 计算面积 +利润绝对值 = 营收 × 净利率。把负值用红色，正值用蓝色，画堆叠柱状图。 + +## 3. 示例：AIGC 行业利润池（2024 年口径） + +> 以下数据为方法论展示用，真实调研时必须**全部重新核实**并附引用。 + +| 环节 | 营收 ($B) | 净利率 | 净利润 ($B) | 来源 | +|------|----------|--------|------------|------| +| GPU 算力 (NVIDIA + AMD) | 1300 (NVIDIA 数据中心营收 FY25) | ~55% | ~715 | NVIDIA 财报 | +| 云算力 (AWS/Azure/GCP/阿里云) | 350 | 25-30% | ~95 | 三大云财报推算 | +| 大模型 (OpenAI/Anthropic 等) | ~20 | -100~-200% | -25~-40 | The Information / 行业估算 | +| 模型 API 中间层 | ~5 | 0-10% | ~0.3 | 估算 | +| AIGC 应用 (Jasper/Midjourney 等) | ~3 | 5-30% | ~0.5 | 各家披露 | +| AIGC 工具 (Runway/Suno 等) | ~1 | -50~0% | ~-0.2 | 估算 | + +**洞察**： +1. 利润高度集中于 L1 算力层（NVIDIA 一家拿走 80%+ 行业利润） +2. L2 模型层全行业亏损（OpenAI 2024 年亏 ~50 亿美元） +3. L4 应用层薄利，但有少数 Midjourney 类盈利 +4. **结论**：当前阶段是"卖铲子的赚钱"，应用层尚未跑通经济模型 + +## 4. 利润池动态分析 + +利润池**不是静态**，需要画 2-3 年趋势： + +``` +2022 利润池：算力 60%、应用 20%、模型 20% (各家融资期) +2023 利润池：算力 75%、应用 15%、模型 -10% (算力暴涨) +2024 利润池：算力 85%、应用 18%、模型 -3% (应用回血) +2025 预测： 算力 60%、应用 30%、模型 10% (推理成本下降) +``` + +绘制**利润池迁移图**：横轴时间、纵轴累积利润占比，揭示利润如何在产业链上下游迁移。 + +## 5. 利润迁移信号 (Migration Signals) + +| 信号 | 含义 | +|------|------| +| 上游降价 | 利润从上游向下游迁移（GPU 价格降 → 模型层成本下降） | +| 下游聚合 | 应用层出现"超级 App" → 利润向下游聚集 | +| 中间层平台化 | API/中间件出现寡头 → 利润集中于 L3 | +| 模式创新 | 新商业模式打破现有分配（如 Token 计费 → 订阅制） | +| 监管介入 | 反垄断/定价管控 → 利润强制再分配 | + +## 6. 利润池 vs 估值池 (Valuation Pool) + +利润池反映**当前现实**，估值池反映**未来预期**。两者经常背离： + +| 环节 | 当前利润占比 | 当前估值占比 | 差异含义 | +|------|------------|------------|---------| +| NVIDIA | 80% | 50% | 市场认为算力溢价会回落 | +| OpenAI | -3% (亏损) | 30% | 市场押注未来盈利能力 | +| 应用层 | 5% | 20% | 押注用户规模能换成利润 | + +**当差异 > 30 个百分点时**，需要判断是市场偏见还是合理预期，写入报告的 House View。 + +## 7. 输出物 + +1. **利润池快照图** — 单页 PPTX，5-10 段堆叠柱状图，含数据角注 +2. **利润迁移图** — 单页 PPTX，2-5 年时间趋势 +3. **利润池 vs 估值池对比** — 双柱并列图 +4. **利润池数据表** — 完整 4 元组（营收、利润率、来源、日期） + +## 8. 反模式 + +| ❌ 反模式 | ✅ 正确做法 | +|----------|-----------| +| 只画营收不画利润率 | 必须双维度，否则误导 | +| 数据来源不写日期 | 财报数据时效性强，必标日期 | +| 把毛利率当净利率 | 区分清楚，毛利率多看运营效率，净利率看实际赚钱 | +| 静态视图 | 至少 3 年趋势 | +| 不区分国别 | 全球利润池 vs 中国利润池可能完全不同 | + +## 9. 来源建议 + +- **L1 财报**：上市公司 10-K / 年报 / 季报 (NVIDIA / AMD / TSMC / Microsoft / Google / Amazon / Alibaba) +- **行业报告**：Bain Profit Pool / McKinsey Industry Analysis / Gartner +- **媒体深度**：The Information / FT / Bloomberg +- **未上市公司**：The Information / 36氪 / 招股书 +- **推算**：用上下游推算法（如客户的成本 ≈ 供应商的营收） diff --git a/skills/industry-landscape-research/references/recency-guardrail.md b/skills/industry-landscape-research/references/recency-guardrail.md new file mode 100644 index 000000000..8040003b3 --- /dev/null +++ b/skills/industry-landscape-research/references/recency-guardrail.md @@ -0,0 +1,100 @@ +# Recency Guardrail — 时效性护栏 + +> **专治"提老不提新"**——LLM 训练数据截止后的新版本/新玩家/新价格，本能不会主动出现。 +> 本文件给所有调研流程加一道**强制时效闸门**。 + +## 问题诊断 + +LLM 训练数据有截止日。截止日后的事件（新模型、新公司、新价格、新政策）即使在网上人尽皆知，LLM 也**不会主动召回**，因为权重里就没有。常见症状： + +1. **品牌锚定偏置**：调研 MaaS 只提 wan2.6、不提 seedance 2.5 / 2.0-4k +2. **价格刻舟求剑**：把半年前的价格当现价 +3. **新玩家盲区**：新创公司、未广泛报道的产品被无声跳过 +4. **官方 SKU 不完整**：只覆盖明星模型，长尾 SKU 遗漏 +5. **过期排行榜**：用 1 年前的市占率数据 +6. **版本号错位**：把 v1.x 描述套到 v2.x 上 + +## 6 道闸门（必跑） + +### Gate 1：Today Date Stamp + +每次调研开始时，第一段就**写明今天日期**： + +``` +本次调研启动时间：YYYY-MM-DD +数据有效期约束：YYYY-MM-DD ~ YYYY-MM-DD（前 90 天为强敏感窗口） +``` + +这是给 LLM 自己一个时间锚，强制对照训练截止。 + +### Gate 2：Recency Sweep（近 N 天扫描） + +在 Step 3 三轮搜索后，强制再跑一轮"recency sweep"： + +``` +检索词： +- "<行业关键词> 2026" +- "<行业关键词> latest" / "newest" / "新发布" +- "<头部公司> launch 2026" +- "<头部公司> release notes" +- site:<官方域名> + 日期范围 limit +``` + +如果新返回结果包含本次调研未提及的公司/产品/版本，**回滚到 R1 重做**。 + +### Gate 3：Pricing Page Fresh-Pull + +任何涉及定价的章节，**必须现场抓取**最新 pricing page 截图 + URL + 抓取时间戳。 +禁止凭印象或训练数据写价格。 + +### Gate 4：Changelog Diff + +对每家头部公司，到官方 changelog/release notes 提取最近 90 天的版本日志，对照已写章节是否覆盖到。 + +### Gate 5：Third-Party Aggregator Reverse-Lookup + +到第三方聚合平台**反向查**最新 SKU，对照自己的清单是否漏： + +| 类目 | 反查平台 | +|------|---------| +| LLM | OpenRouter / Artificial Analysis / LMArena / HF Leaderboard / livebench.ai | +| 图像/视频 | Replicate / FAL / artificialanalysis.ai/image | +| Embedding | MTEB Leaderboard | +| GPU | TechPowerUp / Tom's Hardware / NVIDIA spec sheet | +| 云实例 | Vantage.sh / instances.vantage.sh | +| 加密 | DeFiLlama / CoinGecko / DexScreener | + +### Gate 6：训练截止自陈 + +LLM 在 thesis 章节必须自陈： + +> "本报告由 LLM 起草，其训练数据截止日约为 YYYY-MM。截止日后至 <今日> 期间事件依赖 live web search，存在召回不全风险。已跑 recency sweep 验证。" + +## 5 句魔法咒语（写进子 Agent prompt） + +直接复制到任何调研子 Agent 的 system prompt： + +``` +1. 你的训练数据有截止日，不要凭记忆答任何具体型号、价格、版本号。 +2. 涉及具体模型/产品/SKU 必须给出 URL 来源 + 抓取日期。 +3. 涉及价格必须现场抓 pricing page，禁止套用历史价。 +4. 涉及"行业 TOP N"必须用 live search 而非记忆排名。 +5. 列举完竞品后强制再问一次"近 6 个月有没有新玩家进场"，并 live 检索验证。 +``` + +## 反偏置检查清单（自我审查） + +调研收尾前过一遍： + +- [ ] 报告里出现的所有模型/产品都跑过 live search 验证仍在售？ +- [ ] 价格章节都有 < 7 天的 pricing page 截图来源？ +- [ ] 版本号都和官方 changelog 最新一致？ +- [ ] Top N 排行榜按今日数据重排过？ +- [ ] 至少跑过 3 个第三方聚合平台反查？ +- [ ] 自陈了训练截止日 + recency sweep 已执行？ + +## 与 refresh-cadence 的关系 + +[`refresh-cadence.md`](refresh-cadence.md) 定义的是**长期维护**节奏（季度/月度/周度）。 +本文件管的是**单次调研内**的"召回完整性"——即使在 day 1 也必须开闸门。 +两者协同：refresh 防数据过期，guardrail 防一开始就漏。 diff --git a/skills/industry-landscape-research/references/refresh-cadence.md b/skills/industry-landscape-research/references/refresh-cadence.md new file mode 100644 index 000000000..87c9e3ac0 --- /dev/null +++ b/skills/industry-landscape-research/references/refresh-cadence.md @@ -0,0 +1,132 @@ +# Refresh Cadence — 数据刷新节奏 + +行业研究报告的"数据保鲜期"按字段类别差异巨大。同一个 Skill 包要长期可用，必须明确**哪些字段过期了就报废、哪些可以容忍**。 + +## 三档刷新策略 + +| 字段 | 推荐刷新频率 | 过期判定 | 触发器 | +|------|-------------|---------|--------| +| **政策 / 监管批件** | 即时 / 周度 | 政策出台 24h 内 | 新法规公告 / 关税变化 / 牌照吊销 | +| **融资 / 估值事件** | 月度 | 30 天 | Crunchbase / 36 氪 新融资公告 | +| **季度财报 / KPI** | 季度 | 95 天（财报日 + 90） | 上市公司财报披露 | +| **年度营收 / 市占率** | 半年度 | 365 天 | 年报 + 行业协会白皮书 | +| **产业链格局 / 玩家清单** | 半年度 | 180 天 | 大型并购 / 新玩家入局 | +| **TAM/SAM/SOM 测算** | 年度 | 365 天 | 假设变量重大变化（如增长率） | +| **History / 行业演进时间线** | 极少更新 | 重大转折点 | 范式切换（如 AlphaGo / ChatGPT） | +| **方法论 / Frameworks** | 一次成型 | 不过期 | 学界新框架（罕见） | +| **🚨 Catalog / SKU / 价格（rapidly-evolving 行业）** | **周度** | **7 天** | **官方 changelog / 模型卡上新 / pricing page diff** | + +> ⚠️ **训练截止偏差警告**：MaaS / 大模型 / AI 编程工具 / 向量数据库等 catalog 演进极快的行业，LLM 知识库通常滞后 6-18 个月。Skill 调用方必须主动跑 **Recency Sweep**（见 `recency-guardrail.md`）并直接抓取官方 pricing page，禁止依赖模型记忆里的 SKU 名单与价格。详见 `archetypes/_modifier-rapidly-evolving.md`。 + +## 4 元组打分规则 + +每个数据点 (datum) 都带 4 元组：`{value, source, as_of, grade}`。 + +`as_of` 是判断保鲜的核心字段，写法：`YYYY-MM-DD` 或 `YYYY-Q[1-4]` 或 `YYYY-H[1-2]` 或 `YYYY`（年度）。 + +**刷新动作矩阵：** + +| 距 `as_of` 时长 | 强敏感字段（估值/财报） | 中敏感（市占率/产能） | 低敏感（行业历史） | +|---------------|----------------------|-------------------|------------------| +| ≤ 30 天 | 🟢 Fresh | 🟢 Fresh | 🟢 Fresh | +| 30 - 90 天 | 🟡 Verify | 🟢 Fresh | 🟢 Fresh | +| 90 - 180 天 | 🔴 Refresh | 🟡 Verify | 🟢 Fresh | +| 180 - 365 天 | 🔴 Refresh | 🔴 Refresh | 🟡 Verify | +| > 365 天 | ⚫ Discard | 🔴 Refresh | 🟡 Verify | + +**🚨 超敏感字段（Catalog / SKU / 价格）单独刷新矩阵：** + +| 距 `as_of` 时长 | 动作 | +|---------------|------| +| ≤ 7 天 | 🟢 Fresh | +| 7 - 14 天 | 🟡 Verify（对每个 SKU 抽 1 个抓取 pricing page 反验） | +| 14 - 30 天 | 🔴 Refresh（全量重抓 pricing page + changelog） | +| > 30 天 | ⚫ Discard（视为陈旧，不得引用） | + +**动作含义：** +- 🟢 Fresh — 数据当下可直接复用 +- 🟡 Verify — 抽 3-5 个高影响字段做 spot check，OK 即继续用 +- 🔴 Refresh — 全量重新抓取该字段，回填 `as_of` 与新 `source` +- ⚫ Discard — 数据已无参考价值，从 SSOT 中删除或标记 `deprecated: true` + +## 实操流程 + +### 0. 每周 Monday: Catalog / SKU / 价格巡检（rapidly-evolving 行业必跑，30 分钟） + +适用：MaaS / 大模型 / AI 编程工具 / 向量数据库 / 浏览器自动化框架等"目录式产品"。 + +```bash +# 巡检脚本（伪代码，实操按厂商目录写 wrapper） +make sku-sweep # 抓所有 in-scope 厂商 pricing/models pages，diff 比对昨日 +``` + +巡检清单： +- 各家 pricing page 文本 diff（curl + diff），有变动即标 🔴 +- 各家 changelog / release notes RSS（如 OpenAI / Anthropic / 百炼 / 火山 / Replicate / FAL） +- 第三方聚合器周报（OpenRouter / ArtificialAnalysis / LMArena 月榜更新） +- 国内官号（微信公众号、知乎专栏）"上新"关键词搜索 + +输出：`data/sku-changelog-WEEK-NN.md`，标注 New / Changed / Deprecated 三类，回写 `companies.jsonl` 和 `data/skus.jsonl`。详见 `references/recency-guardrail.md` 与 `references/source-recipes/maas-and-models.md`。 + +### 1. 每周 Monday: 政策/监管巡检（15 分钟） + +```bash +make policy-check # 跑预定义政策源 changelog（如 NMPA / BIS / 央行） +``` + +输出 changelog 差异，标记可能影响本报告假设的条目。 + +### 2. 每月首日: 融资事件刷新（30 分钟） + +```bash +make funding-refresh +``` + +跑 Crunchbase / 36 氪 / Bloomberg 关键玩家最新融资 + 估值，更新 companies.jsonl 中的 latest_funding 字段。 + +### 3. 季报披露后 1 周内: 财报口径校验（2 小时） + +按上市公司财报日历，重新跑 unit-economics-calculator，更新 ARR / NRR / 毛利率字段。 + +```bash +make ue-refresh +``` + +### 4. 年报披露后 1 月内: 年度大刷新（半天 - 1 天） + +- 重新跑 8 步法第 3 轮（三轮搜索） +- 全量重算 TAM/SAM/SOM +- 复查 House View 是否需要调整 +- 更新 evolution-timeline 与 racetracks.jsonl + +### 5. 重大事件触发: 即时刷新（不限时） + +任一以下事件出现 → 立即触发对应章节重写： +- 行业龙头并购 / 上市 / 退市 +- 监管定性变化（如 BIS Entity List） +- 重大技术突破或失败（如 NHTSA 召回） +- 经济周期切换（衰退/复苏） + +## 元数据约定 + +在 `data/_meta.json` 维护刷新时间戳： + +```json +{ + "last_refresh": "2026-06-24", + "refresh_history": [ + {"date": "2026-06-24", "scope": "full", "duration_min": 480}, + {"date": "2026-05-01", "scope": "funding", "duration_min": 30} + ], + "next_scheduled": "2026-07-01", + "warnings": ["{datum_path} as_of older than 365d"] +} +``` + +`scripts/validate.py --strict` 会扫描所有 datum 的 `as_of` 并按上述矩阵报警。 + +## 已知局限 + +- 同一字段在不同来源 `as_of` 不一致时，取**最新**且**权威等级 ≥ L2**的版本 +- 季度财报的"准则切换"（如新收入准则 ASC 606）会让历史数据不可比，需在 `notes` 字段标注 +- 行业研报（沙利文/艾瑞）数据多为厂家送审，需用上市公司 10-K 反向校准 diff --git a/skills/industry-landscape-research/references/rules-of-thumb.md b/skills/industry-landscape-research/references/rules-of-thumb.md new file mode 100644 index 000000000..744efb0be --- /dev/null +++ b/skills/industry-landscape-research/references/rules-of-thumb.md @@ -0,0 +1,115 @@ +# 行业经验法则 (Rules of Thumb) + +> 行业内沉淀的"经验阈值"，用于第一时间判断数据是否合理、公司是否健康。**不替代深度分析**，但可作为快速预警与体检参考。 + +## 1. SaaS / 订阅制 + +| 指标 | 健康区间 | 警戒线 | 说明 | +|------|---------|--------|------| +| NRR (Net Revenue Retention) | ≥ 110% | < 100% | 100% 以下意味着流失大于扩展 | +| GRR (Gross Revenue Retention) | ≥ 90% | < 85% | 流失率 > 15% 难称健康 | +| CAC Payback | ≤ 18 个月 | > 36 个月 | 越短越好；Vertical SaaS 通常 12-24 | +| LTV/CAC | ≥ 3 | < 2 | 低于 2 意味营销不经济 | +| Magic Number | ≥ 0.75 | < 0.4 | 销售效率 = ΔARR / S&M 成本 | +| Rule of 40 | 增速 + EBITDA% ≥ 40 | < 20 | 投资人核心指标 | +| Burn Multiple | ≤ 1.5 | > 2 | 净烧钱 / 新增 ARR | +| 毛利率 | ≥ 70% | < 60% | 软件型 SaaS 标杆 80%+ | +| ARPA 增速 | ≥ 10%/年 | 负增长 | 客单价是否扩张 | + +## 2. 交易平台 / Marketplace + +| 指标 | 健康区间 | 警戒线 | +|------|---------|--------| +| Take Rate | 5-25% | < 3% 或 > 30% | +| GMV 同比 | ≥ 30% (早期) / ≥ 15% (成熟) | < 5% | +| Liquidity (匹配成功率) | ≥ 60% | < 30% | +| Disintermediation Rate | < 10% | > 20% | +| Repeat Buyer Ratio | ≥ 40% (12 个月内) | < 20% | +| 双边增速比 | 供给:需求 ≈ 1:2~1:3 | 失衡 > 1:5 | + +## 3. 消费 (Consumer / C 端) + +| 指标 | 健康区间 | 警戒线 | +|------|---------|--------| +| D1 / D7 / D30 留存 | 50/25/15% | 30/10/5% | +| 留存曲线形态 | smile (回升) 或 plateau (趋平) | concave (持续下滑) | +| MAU / DAU | ≥ 30%（高频）或 10%（中频） | < 5% | +| ARPU 增速 | ≥ 20%/年 | 负增长 | +| 付费转化率 | 1-5% (FTPP / Freemium) | < 0.5% | +| 自然流量占比 | ≥ 50% | < 20% (过度依赖广告) | + +## 4. 平台 (Platform with Network Effects) + +| 信号 | 健康 | 警戒 | +|------|------|------| +| 网络效应 | 用户/供给 ↑ → 单位经济 ↑ | 反向（CAC 不降反升） | +| Multi-tenancy Ratio | 单租户营收占比 < 10% | > 30% (客户集中) | +| 平台 NDR | ≥ 105% | < 100% | +| GMV 集中度 | TOP10 商家 < 30% | > 50% | + +## 5. DeepTech / Hardware + +| 信号 | 健康 | 警戒 | +|------|------|------| +| 研发费用占比 | 15-30% (硬科技标准) | < 10% 不够投入 / > 50% 烧钱 | +| 毛利率 | 软件 70%+ / 硬件 30-50% / 制造 20-30% | 硬件 < 15% 警戒 | +| 客户集中度 | TOP5 客户 < 50% | > 80% (单一大客户依赖) | +| TRL (Technology Readiness) | 量产前 ≥ TRL 7 | < TRL 5 仍属早期实验 | +| 产能利用率 | 70-85% | < 50% 过剩 / > 95% 瓶颈 | +| 良率 | 量产期 ≥ 90% | < 70% 经济性差 | + +## 6. 基础设施 (Infra / Cloud) + +| 信号 | 健康 | 警戒 | +|------|------|------| +| 毛利率 | IaaS 30-50% / PaaS 50-70% | IaaS < 20% | +| Capex / Revenue | 30-50% (扩张期) | > 80% 过度投入 | +| 单 GPU 营收/小时 | $1-3 (H100 类) | < $0.5 严重低于市场价 | +| 利用率 | 训练 ≥ 70% / 推理 ≥ 40% | < 30% | +| 大客户依赖 | TOP3 < 40% | > 60% | + +## 7. 内容/媒体 (Content / Media) + +| 信号 | 健康 | 警戒 | +|------|------|------| +| 内容生产成本 / DAU | 行业平均的 0.5-1.5x | > 3x | +| 版权诉讼 | 季度 ≤ 2 起 | ≥ 5 起持续 | +| 创作者留存 (12 月) | ≥ 50% | < 20% | +| 内容 ROI | 头部 10% 内容占总观看 70-80% | < 50% (长尾劣势) | + +## 8. 估值倍数经验值 (Valuation Multiples) + +| 类型 | 估值方法 | 经验倍数（牛市/熊市） | +|------|---------|---------------------| +| SaaS 早期 | EV / ARR | 8-15x / 3-6x | +| SaaS 成熟 | EV / EBITDA | 30-50x / 15-25x | +| Marketplace | EV / GMV | 0.5-2x / 0.2-0.8x | +| 消费互联网 | EV / MAU | $50-200/MAU / $20-50 | +| DeepTech 早期 | 无营收，按可比交易 | 估值 ≈ 5-10x 累计融资额 | +| AI 模型公司 | EV / 推理 token 收入 | 牛市无锚定（早期估值看叙事） | +| 半导体 IDM | EV / Revenue | 2-5x / 1-2x | +| 硬件制造 | EV / Revenue | 0.5-1.5x / 0.3-0.8x | + +## 9. 烧钱与现金流 + +| 信号 | 健康 | 警戒 | +|------|------|------| +| 现金跑道 (runway) | ≥ 18 个月 | < 12 个月 | +| 自由现金流 | 正 (成熟期) / 收窄负值 (增长期) | 持续扩大负值 | +| 烧钱效率 | 1 美元烧出 ≥ 1 美元 ARR | < 0.5 美元 | + +## 10. 团队信号 + +| 信号 | 健康 | 警戒 | +|------|------|------| +| 高管离职率（年化） | < 10% | > 25% | +| 工程师占比 | ≥ 40% (软件/AI) | < 25% (技术弱) | +| 创始人股权 | A 轮后 ≥ 50% / D 轮后 ≥ 20% | 过早稀释（A 轮 < 40%） | +| 招聘加速度 | 同比 ≥ 50% (增长期) | 长期裁员 | + +## 使用规则 + +1. **不孤证**：单一指标越线不能下定论，需 3+ 指标交叉。 +2. **赛道校准**：不同赛道阈值不同，本表为通用参考，使用前先用 archetype 校准。 +3. **时间窗口**：经验值随宏观周期波动（牛市/熊市），引用时注明时间。 +4. **来源透明**：使用时在报告角注 "Rules of Thumb 来自行业共识 + 公开报告（如 OpenView 2023 SaaS Benchmark / Bessemer State of the Cloud）"。 diff --git a/skills/industry-landscape-research/references/side-channel-intel.md b/skills/industry-landscape-research/references/side-channel-intel.md new file mode 100644 index 000000000..c983292a9 --- /dev/null +++ b/skills/industry-landscape-research/references/side-channel-intel.md @@ -0,0 +1,225 @@ +# Side-Channel Intelligence 侧面情报手册 + +> "正面"调研用财报、官网、招股书。"侧面"情报从间接信号反推真相。 +> 在快速演进 / 信息不透明 / 未上市公司众多的行业，侧面情报往往是唯一活水。 + +## 6 大侧面情报来源 + +| 来源 | 反推什么 | 适用场景 | +|------|---------|---------| +| 招聘 JD | 团队规模/技术栈/方向/扩张节奏 | 全行业 | +| 专利地图 | 技术路线/研发深度/竞争壁垒 | DeepTech / 硬件 / 制药 | +| 投资联盟图 | 资本绑定/站队/生态影响 | VC 重投行业 | +| GitHub 活跃度 | 开源策略/团队规模/技术真实度 | 开源/工具/AI infra | +| App 商店监测 | 产品热度/迭代节奏/区域热度 | C 端 / 移动互联网 | +| Wayback Machine | 产品演进/定价变化/叙事变化 | 全行业 | + +## 1. 招聘 JD 侦察 (Recruiting Intelligence) + +### 数据源 + +| 平台 | 强项 | +|------|------| +| LinkedIn Jobs | 全球，可按公司精确筛 | +| BOSS 直聘 | 中国，能看到团队规模/JD 详情 | +| 拉勾 / 猎聘 | 中国 IT，技术栈关键词丰富 | +| 看准网 | 隐含薪资范围 + 员工评论 | +| Levels.fyi | 全球，薪资分布 + 职级 | +| H1B Visa Database | 美国，工资单 + 职位 | +| The Org | 公司组织架构图 | +| Glassdoor / Indeed | 海外评论 + JD | + +### 反推方法论 + +| 信号 | 解读 | +|------|------| +| 在招总数突增 50%+ | 融资到账 / 战略扩张 | +| 在招总数骤降 70% | 现金紧张 / 战略收缩 / 裁员 | +| "大模型 + 推理优化"岗位激增 | 自研推理框架 | +| 高级架构师 + 多国家招聘 | 出海或本地化部署 | +| 中国 + Singapore JD 同时上 | 出海东南亚 | +| 学历从硕优变成博必 | 切深科技 / 切学术合作 | +| 销售/BD 在招 > 研发 在招 | 从产研主导转商业化 | +| HR 大量"AI 应用"招聘 | 内部组建 AI 应用团队 | + +### 实操脚本 + +```bash +# 监控某公司 LinkedIn 月度 JD 数量 +linkedin.com/jobs/search/?f_C=&f_TPR=r2592000 + +# BOSS 直聘公司主页 +www.zhipin.com/gongsi/?query= + +# Levels.fyi 公司薪资曲线 +levels.fyi/company/ +``` + +## 2. 专利地图 (Patent Map) + +### 数据源 + +| 平台 | 覆盖 | +|------|------| +| **CNIPA 中国专利公布**：cnipa.gov.cn / pss-system.cponline.cnipa.gov.cn | 中国 | +| **USPTO Patent Full-Text**：patft.uspto.gov | 美国 | +| **EPO Espacenet**：worldwide.espacenet.com | 欧洲 + 全球 | +| **WIPO PatentScope**：patentscope.wipo.int | 全球 (PCT) | +| **Google Patents**：patents.google.com | 全球聚合，免费易用 | +| **智慧芽 PatSnap**：patsnap.com | 商业版，地图可视化最强 | +| **incoPat**：incopat.com | 中文友好商业版 | + +### 反推方法论 + +| 信号 | 解读 | +|------|------| +| 近 24 个月专利数 5× 增长 | 技术储备激增（值钱赛道） | +| 专利集中在 X 子领域 | 技术路线选择 | +| 与高校/研究院联名专利多 | 学术合作型 | +| 海外专利数 > 中国 | 出海布局 | +| 引用次数 > N | 基础专利 / 卡位核心 | +| 专利诉讼 | 行业竞争白热化（注意 NDA 风险） | + +### 输出物 + +| 图 | 用途 | +|----|------| +| 专利数量增长曲线 | 头部公司 vs 时间 | +| 技术分类热力图 | IPC 大类 × 公司 | +| 引用关系图 | 谁引谁，定位 anchor 专利 | +| 地理布局图 | 中/美/欧/日韩布局 | + +## 3. 投资联盟图 (Investment Map) + +### 数据源 + +| 平台 | 强项 | +|------|------| +| **Crunchbase** | 全球融资事件，免费等级有限 | +| **PitchBook** | 全球深度，付费 | +| **CB Insights** | 全球 + 行业图谱，付费 | +| **天眼查 / 企查查 / 启信宝** | 中国，股权穿透 | +| **IT 桔子** | 中国创投数据库 | +| **36 氪融资数据库** | 中国 | +| **SEC EDGAR** | 美国上市/Form D 备案 | + +### 反推方法论 + +| 图谱 | 揭示 | +|------|------| +| 投资方—被投方矩阵 | 站队 / 联盟 | +| LP—GP—被投三层穿透 | 资本最终来源 | +| 历轮估值跃迁 | 资本对赛道判断 | +| 同基金多轮跟投 | 重仓信号 | +| 战略投资方背景 | 渠道/技术/客户绑定 | +| 二级市场 IPO 前股东 | 锁定期与解禁压力 | + +### 实操：抓 CB Insights AI 50 / Forbes AI 50 / 福布斯 AI 中国 50 等头部榜单的"投资方—被投"关系，画 force-directed graph。 + +## 4. GitHub 活跃度 (Open Source Intelligence) + +### 数据源 + +| 数据 | API | +|------|-----| +| Star 增长曲线 | star-history.com | +| Commit 频率 + 贡献者 | github.com///graphs/contributors | +| Issue / PR 响应速度 | GitHub API | +| Release 频率 | GitHub Releases | +| 依赖图 (Dependents) | GitHub Insights / libraries.io | + +### 反推方法论 + +| 信号 | 解读 | +|------|------| +| Star 7 天 +5000 | 病毒级传播 | +| Star 增长但 commit 萎缩 | 收割流量 / 团队解散 | +| Contributor 突变 | 核心人员变动 | +| Issue 响应 > 7 天 | 维护力度下降 | +| Release 月频 → 季频 | 产品成熟或换重心 | +| Dependents 数大 | 已成基础设施 | +| Fork > Star 异常高 | 可能是模板 / 学习项目，非真实采用 | + +### 工具 + +- **OSS Insight**：ossinsight.io — 整合 GitHub Archive，可视化最强 +- **GitHub Archive**：githubarchive.org — 原始数据 BigQuery 查询 +- **star-history.com** — 一键画 star 曲线 +- **libraries.io** — 跨包管理器依赖图 + +## 5. App 商店监测 (Mobile Intelligence) + +### 数据源 + +| 平台 | 覆盖 | +|------|------| +| **App Annie / data.ai** | 全球，付费 | +| **Sensor Tower** | 全球，付费 | +| **七麦数据** | 中国 App Store + 国内安卓商店 | +| **酷传** | 中国安卓多渠道 | +| **AppFigures** | 全球，中等价 | +| **SimilarWeb** | 网站 + App 流量 | +| **dataeye** | 中国海外投放素材 | + +### 反推方法论 + +| 信号 | 解读 | +|------|------| +| 下载榜单排名变化 | 用户热度 / 投放力度 | +| 收入榜变化 | 商业化进展 | +| 评分骤降 | 产品事故 / 差评水军 | +| 投放素材数 | 营销预算 | +| 区域分布 | 出海地理 | +| 版本更新频率 | 迭代速度 | +| 关键词排名 (ASO) | 内容/获客策略 | + +## 6. Wayback Machine 历史追踪 (Web Archaeology) + +### 数据源 + +| 平台 | URL | +|------|-----| +| **Internet Archive Wayback Machine** | web.archive.org | +| **archive.today** | archive.ph / archive.today | +| **Google Cache (deprecated)** | 已基本失效 | +| **Common Crawl** | commoncrawl.org — 大规模历史快照 | + +### 反推方法论 + +| 比对维度 | 揭示 | +|---------|------| +| 首页 hero slogan 变化 | 战略叙事漂移 | +| 产品列表/SKU 变化 | 产品线进退 | +| Pricing Page 历史 | 价格演变 / 商业模式调整 | +| About Us 团队页 | 人员变动 | +| Logo / Brand 变更 | 品牌重塑节点 | +| Job Page 招聘历史 | 团队规模时序 | +| Customer Logo 客户案例 | 客户迁出/迁入 | + +### 实操工作流 + +``` +1. 给目标公司官网，去 Wayback 拉 12-24 个月历史快照（每月 1 张） +2. 重点比对 Pricing / Customer / Roadmap / Career 4 个页面 +3. 用 diff 工具看文本变化 +4. 关键转折时间点 + 截图存档为附录材料 +5. 与公开融资事件/媒体报道对照 +``` + +## 用法 + +- 任何调研启动时，从本清单选 **2-3 种**叠加进入 Step 3 三轮搜索后的补盲阶段 +- 不同 archetype 推荐： + - Platform / Infrastructure → JD + Wayback + GitHub + - SaaS-Vertical → JD + 投资联盟 + Wayback + - DeepTech / Hardware → 专利 + JD + - Consumer → App 商店 + Wayback + 投资联盟 + - Marketplace → JD + App 商店 + GitHub (if 开源 SDK) + - Content-Media → App 商店 + Wayback + +## 红线 + +- ❌ 不要把"侧面情报"当主证据，仍以财报/招股书 (L1) 为锚，侧面用于交叉验证 +- ❌ 招聘 JD / 专利数都有 lag（半年级），不能用作"实时"指标 +- ❌ Wayback 历史快照不全（小网站可能 0 张），不存在不等于"没存在过" +- ❌ GitHub Star 可水军，必须结合 commit/issue 真实度 diff --git a/skills/industry-landscape-research/references/source-matrix.md b/skills/industry-landscape-research/references/source-matrix.md new file mode 100644 index 000000000..3ca28bd3c --- /dev/null +++ b/skills/industry-landscape-research/references/source-matrix.md @@ -0,0 +1,96 @@ +# 数据源完整矩阵 + +> 按数据类型选择数据源，每类至少 2 个备用。 + +## 完整矩阵 + +| 数据类型 | L1 首选 | L2 补充 | L3 参考 | +|---------|---------|---------|---------| +| 港股市值 | Sina Finance | 富途/雪球(浏览器) | Yahoo Finance | +| A股市值 | Sina Finance | 东方财富(浏览器) | 同花顺 | +| 美股市值 | Google Finance | Yahoo Finance | Sina US | +| 北交所市值 | Sina Finance | 巨潮资讯 | 北交所官网 | +| 未上市估值 | Crunchbase(浏览器) | 36氪/量子位 | IT桔子 | +| 财务数据 | 公司财报（巨潮/EDGAR/披露易） | Wind 万得(浏览器) | 券商研报 | +| 招股书 | 港交所披露易 / SEC EDGAR / 巨潮资讯 | 招股说明书 PDF | 媒体摘要 | +| 用户数据 | 公司官方/财报 | QuestMobile / data.ai / Sensor Tower | 第三方估算 | +| 融资数据 | Crunchbase(浏览器) | IT桔子 / Pitchbook | 媒体报道 | +| 行业趋势 | CB Insights / IDC / Gartner | PitchBook / 艾瑞 | 36氪深氪 | +| 市场规模 | Statista / IDC | eMarketer / Frost & Sullivan | 行业报告摘要 | +| 深度独家 | The Information(浏览器) | LatePost 晚点 | TechCrunch / Stratechery | +| 技术路线 | arXiv / Papers w/ Code | GitHub / HuggingFace | 技术博客 | +| 专利数据 | Google Patents / 国知局 / USPTO | WIPO / Espacenet | — | +| 人才动态 | LinkedIn / 脉脉 | 拉勾 / Boss 直聘 JD | 媒体采访 | +| 客户案例 | 公司官网案例页 | G2 / Capterra / Trustpilot | App Store 评论 | +| 政府采购 | 中国政府采购网 / SAM.gov / TED | 各省市公共资源交易中心 | — | +| 监管政策 | 网信办/工信部/总局 / FCC / EU 官网 | 律师事务所行业 alert | 媒体报道 | +| App 数据 | data.ai / Sensor Tower | App Annie / 七麦数据 | App Store / Play Store | +| 论文/会议 | Google Scholar / Semantic Scholar | arXiv / OpenReview | 会议官网 | + +## 站点-工具对照表 + +按抓取方式分类，避免选错工具浪费时间。 + +| 站点 | 推荐工具 | 备注 | +|------|---------|------| +| 新浪财经 | WebFetch / curl | 静态页面，总股本/近端价格可靠 | +| 巨潮资讯 | WebFetch + Read | 公告 PDF 用 Read | +| 港交所披露易 | WebFetch + Read | 招股书 PDF 用 Read | +| SEC EDGAR | WebFetch | 10-K / 10-Q 文件 | +| 36氪 / 量子位 / 品玩 | WebFetch | 文章页无强反爬 | +| 雪球 | 浏览器 MCP | Cloudflare WAF + JS 反爬 | +| 东方财富 | 浏览器 MCP | JS 反爬强，fetch 全"-" | +| The Information | 浏览器 MCP | 付费墙 + 登录态 | +| Crunchbase | 浏览器 MCP | Cloudflare 防护 | +| IT桔子 | WebFetch（列表）/ 浏览器 MCP（详情） | 详情页需登录 | +| 天眼查 / 企查查 | 浏览器 MCP | 登录态 + 验证码 | +| Google Finance | WebFetch | 价格和基本信息 | +| Yahoo Finance | WebFetch | 部分地区被墙 | +| Bloomberg | 浏览器 MCP | 付费墙 | +| Wind 万得 | API（账号） / 浏览器 MCP | 数据最全 | +| Statista | WebFetch（部分） | 完整数据需订阅 | +| QuestMobile | 浏览器 MCP | 登录 | +| data.ai / Sensor Tower | 浏览器 MCP | 登录或付费 | +| Google Patents | WebFetch | 静态可抓 | +| LinkedIn | 浏览器 MCP | 登录态，反爬严 | +| 脉脉 | 浏览器 MCP | 登录态 | + +## 各市场股票代码格式 + +| 市场 | 代码格式 | 示例 | 新浪 URL | +|------|---------|------|---------| +| 港股 (HK) | 5位数字补零 | 02513=智谱、00100=MiniMax | `hk{5位}/nc.shtml` | +| A股主板 (SH/SZ) | 6位数字 | sh600519=茅台、sz000858=五粮液 | `{sh\|sz}{6位}.html` | +| 创业板 (SZ) | 300xxx | sz300364=中文在线 | `sz{6位}.html` | +| 科创板 (SH) | 688xxx | sh688256=寒武纪、sh688111=金山办公 | `sh{6位}.html` | +| 北交所 (BJ) | 8位数字 | bj830799=艾融软件 | `bj{8位}.html` | +| 美股 (US) | 字母 ticker | AAPL=苹果、NVDA=英伟达 | `usstock/c/{ticker}.shtml` | +| 美股 ADR | 字母 ticker | BABA=阿里、PDD=拼多多 | 同上 | + +**注意**： +- 港股代码必须 5 位补零（00100 非 100） +- 科创板 688 开头走上海 +- 创业板 300 开头走深圳 + +## 数据更新频率 + +| 数据类型 | 更新周期 | 调研有效期 | +|---------|--------|-----------| +| 上市公司市值 | 实时 | 当天 | +| 财报 | 季度 | 当季 | +| 招股书 | 一次性 | 直到 IPO | +| 融资数据 | 不定期 | 6-12 月 | +| 行业报告 | 季度/年度 | 1 年 | +| 用户数据 | 月度 | 1-3 月 | + +## 替代源策略 + +主源不可用时的 fallback： + +| 主源 | 备 1 | 备 2 | +|------|------|------| +| Crunchbase | Pitchbook（付费）→ IT桔子（中国）→ 媒体报道 | +| LinkedIn | 脉脉（中国）→ 公司官网 About 页 | +| The Information | 36氪/晚点 → Twitter/X 上的相关爆料 | +| Bloomberg | Reuters → Yahoo Finance | +| QuestMobile | 第三方估算（艾瑞/友盟） → 公司披露 | diff --git a/skills/industry-landscape-research/references/source-recipes/README.md b/skills/industry-landscape-research/references/source-recipes/README.md new file mode 100644 index 000000000..07f31390f --- /dev/null +++ b/skills/industry-landscape-research/references/source-recipes/README.md @@ -0,0 +1,32 @@ +# Source Recipes — 行业专属取数地图 + +每个行业有自己一套权威数据源、监管口径、行话和披露惯例。通用的 Crunchbase + 财报抓取拿不到深水区。 +本目录给 5 个高频深水行业写"取数菜谱"——告诉你**该去哪、用什么搜索词、怎么避免被错口径骗到**。 + +## 索引 + +| 文件 | 行业 | 适用 archetype | 核心难点 | +|------|------|---------------|---------| +| [medical.md](medical.md) | 医疗 / 医药 / 医疗器械 | DeepTech / Platform | 监管批准 vs 真实使用，FDA/NMPA 不同口径 | +| [semiconductor.md](semiconductor.md) | 半导体 / 芯片 / EDA | DeepTech / Infrastructure | 产能 ≠ 出货 ≠ 营收，封测/晶圆/IP 分层 | +| [auto.md](auto.md) | 汽车 / 新能源 / 出行 | DeepTech / Marketplace / Consumer | 交付量 vs 注册量 vs 上险量，OEM/Tier1/Tier2 | +| [fintech.md](fintech.md) | 金融科技 / 支付 / 数字银行 | Platform / SaaS-Vertical | GMV vs TPV vs Revenue，受牌照地理限制 | +| [energy.md](energy.md) | 新能源 / 储能 / 光伏 | Infrastructure / DeepTech | 装机 vs 发电 vs 上网，IRR 受补贴影响极大 | +| [maas-and-models.md](maas-and-models.md) 🆕 | MaaS / 大模型 API / 多模态 | Infrastructure + Rapidly-Evolving 修饰符 | catalog 月度上新，价格陷阱 9 类，必须 live fetch | + +## 通用建议 + +凡是涉及"政策强敏感行业"（医疗、能源、金融、汽车、半导体），**监管原始文件（招股书 / 上市公司年报 / 行业协会白皮书）永远优先于二手新闻**。 +中文资料：东方财富 / 同花顺 iFinD / Wind / 钛媒体 / 36 氪 / 第一财经 / 21 世纪经济报道。 +英文资料：SEC EDGAR / FT / WSJ / Bloomberg / Reuters / 行业 trade press (eg. EE Times、FierceBiotech)。 +监管原文：CFDA/NMPA（中）、FDA（美）、EMA（欧）、CSRC（中证监）、SEC（美证监）、各国央行/银监会。 + +## 如何加新行业 + +复制 [_TEMPLATE.md](_TEMPLATE.md)（若无则参考 medical.md），按 6 节填： +1. 行业别名与子赛道 +2. 权威数据库（中外各 3+） +3. 监管批件/牌照原文获取路径 +4. 财务披露口径陷阱（XX ≠ YY） +5. 上市公司年报关键科目导航 +6. 一手验证（专家访谈、调研报告、展会） diff --git a/skills/industry-landscape-research/references/source-recipes/auto.md b/skills/industry-landscape-research/references/source-recipes/auto.md new file mode 100644 index 000000000..5070ee429 --- /dev/null +++ b/skills/industry-landscape-research/references/source-recipes/auto.md @@ -0,0 +1,78 @@ +# Auto / 汽车 取数菜谱 + +适用：整车 OEM、新能源、动力电池、自动驾驶、出行平台、汽车后市场、Tier1。 + +## 子赛道与别名 + +| 层 | 别名 | 代表玩家 | +|----|------|---------| +| 整车 OEM | Original Equipment Manufacturer / 主机厂 | 比亚迪/特斯拉/丰田/Stellantis/小米/理想 | +| 动力电池 | EV Battery / 三元/铁锂 | 宁德/比亚迪/LG新能源/松下/Panasonic | +| 自动驾驶 | ADAS / L2-L5 / Robotaxi | Waymo/Tesla AP/Mobileye/小鹏 XNGP | +| 出行平台 | Ridehail / Carshare | Uber/Lyft/Didi/Grab/曹操 | +| 汽车软件 / SDV | Software-Defined Vehicle / 域控 | 大众 CARIAD/华为车 BU/地平线 | +| Tier1 | 一级供应商 | 博世/大陆/电装/华域/拓普 | + +## 权威数据库 + +**全球：** +- IHS Markit / S&P Global Mobility — 销量按区域/车型/动力（金标准，付费） +- LMC Automotive — 全球产量预测 +- Marklines — 中文友好，含中国销量月度 +- EV-Volumes.com — 全球新能源车销量月度 +- ICCT — 全球碳排政策监测 + +**中国：** +- 中汽协（CAAM）：月度销量批发口径，最权威官方 +- 乘联会（CPCA）：周度厂家批发/零售，更高频 +- 中国汽车工业协会、中国电动汽车百人会 +- 上险量数据（保监会口径，最贴近终端）：中保信、险众汽车数据 +- 国家工信部公告：新车准入 + +**美/欧：** +- NHTSA — 召回 + 自动驾驶事故数据（关键！） +- DMV California 自动驾驶 Disengagement Report — 年度路测脱离率 +- EPA Fuel Economy — 油耗 / 续航对比 +- ACEA / EAFO — 欧盟销量 + +## 监管批件 / 牌照 + +- **整车准入**：工信部"道路机动车辆生产企业及产品公告"（每月一批） +- **新能源补贴/双积分**：工信部双积分管理办法 + 各地补贴政策 +- **自动驾驶路测/示范运营**：北京/上海/广州/深圳/武汉/重庆等地车管所牌照 +- **碰撞安全**：C-NCAP（中）、E-NCAP（欧）、NHTSA NCAP（美）、IIHS（美） +- **欧盟 CBAM / 美国 IRA**：跨境关税/补贴对出海影响极大 + +## 财务披露口径陷阱 + +| 容易混 | 含义差异 | +|-------|---------| +| 批发 (Wholesale) vs 零售 (Retail) vs 上险 (Insurance) | 厂家批发到经销商 ≠ 经销商卖给消费者 ≠ 消费者上牌；可差 10-30% | +| 交付 (Delivery) vs 锁单 (Locked Order) vs 大定/小定 | 国内"小定"可退、"大定"锁单、交付才确认收入 | +| 销量 vs 产量 | 中国产 + 出口 ≠ 中国卖；建议看"国内零售 + 出口" | +| 续航 NEDC / WLTP / CLTC / EPA | 4 套测试标准，CLTC 普遍比 EPA 高 25-40% | +| Robotaxi 路测里程 vs 商业化里程 | 测试 ≠ 收费载人；后者才计入营收 | +| Disengagement 脱离率口径 | CA DMV / 公司自报 / 第三方观察差异极大 | + +## 上市公司年报关键科目 + +- **单车毛利**：营收 - COGS / 销量，特斯拉 18-25%、比亚迪 20%、小米 SU7 14% +- **研发费用**：智能化转型期 OEM 研发 >5% 营收，新势力 10-20% +- **车型矩阵**：年报"按车型营收"明细，看 ASP 和销量加权 +- **海外业务**：出口比例 + 出海地区（欧洲/东南亚/拉美/中东） +- **电池外购 vs 自研**：自研一体化的毛利结构与外购差异显著 +- **金融业务**：很多 OEM 通过金融"卖贷款"赚钱，需单独看 + +## 一手验证 + +- **车展**：上海/北京（双数年/单数年轮换）、CES Auto、IAA 慕尼黑、底特律 +- **专家**：终端 4S 店店总（拿真实订单 / 库存数）、Tier1 BD（拿定点订单） +- **试驾**：智能驾驶必须实测，看 NoP/NGP/CityNOA 真实接管率 +- **App 数据**：用户社群（小鹏车主/理想车友会）反馈池 + +## 红线 / 不可写 + +- ❌ 不要混"产销"和"上险"（差 10-30% 是常态） +- ❌ 不要把"L2+ 城市领航"和"L4 无人驾驶"混为一谈 +- ❌ 不要无视补贴退坡 / IRA 关税对单车毛利的影响（特斯拉中国市场单车毛利下降 50% 主要因此） +- ❌ Robotaxi 商业化数据极其稀缺，禁止用 PR 通稿替代"实际运营里程" diff --git a/skills/industry-landscape-research/references/source-recipes/energy.md b/skills/industry-landscape-research/references/source-recipes/energy.md new file mode 100644 index 000000000..0fe9e4007 --- /dev/null +++ b/skills/industry-landscape-research/references/source-recipes/energy.md @@ -0,0 +1,82 @@ +# Energy / 新能源 取数菜谱 + +适用：光伏、风电、储能、氢能、新型电力系统、碳交易、电池回收、虚拟电厂。 + +## 子赛道与别名 + +| 层 | 别名 | 代表玩家 | +|----|------|---------| +| 光伏制造 | Solar PV / Module / Cell / Wafer | 隆基/通威/晶澳/JinkoSolar/First Solar | +| 风电整机 | Wind turbine OEM | 金风/远景/明阳/Vestas/Siemens Gamesa | +| 储能 | ESS / BESS / Energy Storage | 宁德储能/特斯拉 Megapack/Fluence/比亚迪 | +| 氢能 | Hydrogen / 电解槽 / 燃料电池 | 国氢能源/亿华通/Plug Power/Bloom | +| 新型电力系统 | Smart Grid / VPP | 国家电网/南方电网/Tesla VPP/Octopus | +| 碳交易 | Carbon Credit / VCM / Compliance | 上海环交所/EU ETS/Verra/Gold Standard | +| 电池回收 | Battery Recycling / 退役电池 | 格林美/Redwood Materials/邦普循环 | + +## 权威数据库 + +**全球：** +- IEA（International Energy Agency）：World Energy Outlook（年度，金标准） +- BNEF（BloombergNEF）：储能/光伏/EV 出货预测，付费但精度高 +- IRENA：可再生能源装机数据 +- Wood Mackenzie / Rystad Energy：上游 + 新能源 +- LBNL Tracking the Sun：美国户用光伏价格 + +**中国：** +- 国家能源局：月度装机统计（最权威官方） +- 中电联（CEC）：电力工业统计 +- 中国光伏行业协会（CPIA）：硅料/硅片/电池/组件价格周报 +- InfoLink / PV InfoLink：光伏价格周度（中文易得） +- 中国汽车动力电池产业创新联盟：动力 + 储能电池数据 +- 高工锂电、起点研究、SNE Research（韩国，全球电池份额） + +**碳市场：** +- ICAP（国际碳行动伙伴关系）：各国碳市场价格 +- 上海环交所、广州碳排放权交易所 +- Verra / Gold Standard / CDM：自愿碳市场注册项目 + +## 监管批件 / 政策 + +- **项目核准/备案**：光伏/风电分核准（大基地）和备案（户用/工商业） +- **可再生能源补贴**：度电补贴退坡，目前以"指导价 + 平价上网"为主 +- **国家碳市场**：发改委 / 生态环境部，2026 年扩容至建材/钢铁/电解铝 +- **欧盟 CBAM 碳边境调节税**：2026.10 起申报、2028 起缴费，对出口光伏/储能影响大 +- **美国 IRA Section 45X / 48C**：本土制造 + ITC/PTC，但有 FEOC (Foreign Entity of Concern) 限制 +- **欧盟 NZIA 净零工业法案**：本地化供应链 40% 目标 + +## 财务披露口径陷阱 + +| 容易混 | 含义差异 | +|-------|---------| +| 装机容量 (MW) vs 发电量 (MWh) | 装机 ≠ 发电（容量因子：光伏 15-25%，风电 25-45%，火电 50-70%）| +| 出货量 vs 装机量 | 出货到经销商 ≠ 已并网；光伏 6-12 个月时间差 | +| 海外出货 vs 海外装机 | 中国组件出海 ≠ 当地装机（库存周期 6-18 个月） | +| LCOE 平准化度电成本 | 各家口径不同（折旧年限/IRR/利用小时数都会变） | +| 度电单价 (Tariff) vs PPA 价格 | 上网电价多档（标杆 / 竞价 / 现货），PPA 长协 vs 即期价 | +| Round-trip Efficiency 储能 | 直流 vs 交流口径，差 3-5 个百分点 | +| 自愿碳市场 vs 强制碳市场 | 同一吨 CO2，VCM 5-15 USD，欧盟 ETS 60-100 EUR | + +## 上市公司年报关键科目 + +- **毛利率结构**：硅料/硅片/电池/组件四级，每级毛利结构不同（一体化 vs 专业化） +- **库存月数**：光伏行业周期性强，库存 >3 个月 = 价格下跌前兆 +- **CapEx 扩产计划**：光伏 / 电池产能扩张是周期信号 +- **海外营收 + 渠道**：欧美 / 中东 / 拉美 / 印度，单一市场依赖度 +- **碳排查披露 (CSRD)**：欧盟上市公司 Scope 1/2/3 强制披露 +- **退坑减值**：产能过剩期"固定资产减值"和"存货跌价准备"高发 + +## 一手验证 + +- **会议**：SNEC 上海光伏、All Energy 澳洲、Solar Power International（美国 RE+）、北京风能大会 +- **专家**：电网调度运行专员、EPC 总包项目经理、组件厂海外销售总监 +- **价格周报**：硅业分会（多晶硅）、PV InfoLink（组件）、电池中国（动力电池） +- **EPC 招标网站**：北极星电力网 / 招标采购网（实时项目） + +## 红线 / 不可写 + +- ❌ 不要把"装机容量"和"发电量"混用（差 4-5 倍） +- ❌ 不要把"光伏组件价格"和"系统造价"混（系统 = 组件 + 逆变器 + 支架 + 安装 + 储能） +- ❌ 不要忽视 CBAM / IRA / NZIA 对供应链的"非财务"破坏（FEOC 一刀切对中国制造冲击大） +- ❌ 自愿碳市场（VCM）价格不能用作国家碳市场（强制）的参考 +- ❌ "氢能"务必区分"灰氢 / 蓝氢 / 绿氢"（成本和补贴差 3-5 倍） diff --git a/skills/industry-landscape-research/references/source-recipes/fintech.md b/skills/industry-landscape-research/references/source-recipes/fintech.md new file mode 100644 index 000000000..2ded450e8 --- /dev/null +++ b/skills/industry-landscape-research/references/source-recipes/fintech.md @@ -0,0 +1,76 @@ +# Fintech / 金融科技 取数菜谱 + +适用：支付、消费金融、数字银行、财富管理、SaaS for Bank、保险科技、加密资产。 + +## 子赛道与别名 + +| 层 | 别名 | 代表玩家 | +|----|------|---------| +| 第三方支付 | Third-party Payment / Acquirer | 支付宝/微信支付/Stripe/Adyen/PayPal | +| 消费金融 | BNPL / Consumer Credit | Affirm/Klarna/Afterpay/蚂蚁花呗/京东白条 | +| 数字银行 | Neobank / Challenger Bank | Revolut/Nubank/SoFi/Monzo/微众/网商 | +| 财富管理 | Wealth Tech / Robo-advisor | Wealthfront/Betterment/Robinhood/雪盈/同花顺 | +| 保险科技 | Insurtech | Lemonade/Root/众安/水滴 | +| SaaS for Bank | Core Banking / RegTech | Mambu/nCino/Temenos/恒生电子/金证 | +| 加密 / Web3 | Crypto / DeFi | Coinbase/Binance/OKX/Circle USDC | + +## 权威数据库 + +**全球：** +- CB Insights State of Fintech — 季度白皮书 + 估值/融资榜 +- Statista / Statistic.com — 用户/渗透率（基础数据） +- McKinsey Global Payments Report — 年度（含支付走廊矩阵） +- BIS（国际清算银行）：跨境支付 + CBDC 进展 +- World Bank Global Findex — 银行账户普及度（每 3 年） +- IDC FinTech Rankings / Forrester — 厂商榜单 + +**中国：** +- 中国人民银行：支付体系运行报告（季度） +- 中国支付清算协会 +- 易观 Analysys / iResearch 艾瑞 — 第三方支付市场份额 +- 网联清算、银联：跨行交易数据 + +## 监管批件 / 牌照 + +- **中国央行支付牌照**：第三方支付业务许可证，分预付卡 / 互联网支付 / 银行卡收单 +- **小贷牌照 / 消费金融牌照**：银保监会发，杠杆率限制不同 +- **证券基金牌照**：基金销售 / 投顾业务资格 +- **跨境业务**：外管局 / 港金管局 / MAS / FCA / FINRA 等多地牌照 +- **支付服务指令 (PSD2 / Open Banking)**：欧盟开放银行 +- **加密合规**：MiCA（欧盟）、纽约 BitLicense、香港 VATP + +## 财务披露口径陷阱 + +| 容易混 | 含义差异 | +|-------|---------| +| **GMV vs TPV vs Revenue** | GMV 商品交易额 / TPV 总支付额（含支付公司自身）/ Revenue 真实收入（费率净额） | +| **Take Rate** | 支付公司：0.3-1%；BNPL：5-8%；交易费率非毛利率 | +| Loan Origination vs Loan Balance | 当期发放 vs 期末余额 vs 平均生息余额，影响利息收入 | +| NPL 不良率 vs M3+ Vintage | 静态时点 vs 同期发放贷款 N 个月后违约率（vintage 更真实） | +| ARPU 月活/年活 | 平台口径混乱，须明确 MAU/DAU/QAU | +| 总规模 (AUM) vs 营收 | 财富管理"AUM 千亿"≠ 高营收，看费率 | +| 加密交易量 | 现货 vs 衍生品 vs 杠杆 vs 永续，不能加总 | + +## 上市公司年报关键科目 + +- **风险拨备**：贷款类业务"贷款减值损失"占新发放比例 +- **运营效率**：Cost-to-Income 比率（成熟数字银行 30-50%） +- **资本充足率**：CAR / Tier 1 / LCR，监管硬指标 +- **客户结构**：C 端 vs B 端 vs 机构占比 +- **跨境结构**：营收按地理拆分 + 监管风险评估 +- **加密钱包余额 vs 客户资产**：FTX 教训，须区分公司资产 vs 客户托管 + +## 一手验证 + +- **行业会议**：Money 20/20（拉斯维加斯/欧洲/亚洲）、Singapore Fintech Festival、上海外滩金融峰会 +- **专家**：商业银行零售总监、信用卡部、支付公司风控总监、券商互联网产品经理 +- **App Annie / Sensor Tower**：金融 App 下载/MAU 全球榜 +- **链上数据**：Dune Analytics / Glassnode / Nansen（加密 + Stablecoin） + +## 红线 / 不可写 + +- ❌ 不要把 **GMV 当 Revenue**（差几十倍），尤其支付/电商联营 +- ❌ 不要混"消费金融"和"小贷"（牌照不同、杠杆/利率上限不同） +- ❌ 不要无视"高利贷红线"（中国 24% / 36%，超部分不受法律保护） +- ❌ 不要把"数字钱包余额"等同于"公司可用资金"（客户资产隔离监管要求） +- ❌ 加密交易所"自我审计"的储备金不可信，须看 Merkle Tree PoR diff --git a/skills/industry-landscape-research/references/source-recipes/maas-and-models.md b/skills/industry-landscape-research/references/source-recipes/maas-and-models.md new file mode 100644 index 000000000..db43f713d --- /dev/null +++ b/skills/industry-landscape-research/references/source-recipes/maas-and-models.md @@ -0,0 +1,135 @@ +# MaaS & AI Models 取数菜谱 + +> 适用于 MaaS (Model-as-a-Service)、AI 基础模型、Embedding、ASR/TTS、文生图、文生视频、Coding Assistant 等 +> **快速演进目录类** 行业。本菜谱与 [`_modifier-rapidly-evolving.md`](../../archetypes/_modifier-rapidly-evolving.md) 配套。 + +## 子赛道与高频玩家 + +| 子赛道 | 中国主要玩家 | 海外主要玩家 | +|--------|-------------|-------------| +| 通用大语言模型 | 通义千问 (Qwen) / DeepSeek / 智谱 GLM / Kimi (月之暗面) / 文心 / 豆包 / MiniMax / 阶跃 (Step) / 百川 / 商汤日日新 | OpenAI GPT / Anthropic Claude / Google Gemini / Meta Llama / Mistral / xAI Grok / Cohere | +| 文生视频 | Wan (通义万相) / Seedance / Hailuo (海螺) / Vidu / Kling (可灵) / Hunyuan / Jimeng (即梦) | Veo / Sora / Runway / Pika / Luma / Hailuo (国际) / Higgsfield | +| 文生图 | Wan / Doubao / Tongyi / Kolors (可图) / Hunyuan-DiT / Jimeng / Liblib | Flux / Midjourney / DALL-E / Imagen / Stable Diffusion / Ideogram / Recraft | +| 图生视频 / R2V | Wan-R2V / Hailuo R2V / HappyHorse | Runway Gen3 / Kling I2V / Pika | +| Embedding | text-embedding-v3/v4 (通义) / DMETA-Embedding / BGE / M3E | OpenAI text-embedding-3 / Voyage / Cohere Embed / Jina | +| 语音 (TTS/ASR) | CosyVoice / SenseVoice / Step-Audio / 字节 Seed-TTS | ElevenLabs / OpenAI TTS / Cartesia / Deepgram / AssemblyAI | +| 数字人 / 3D | EMO / Sonic / DreamTalk | Hedra / Synthesia / D-ID / Heygen | +| Coding | Qwen-Coder / DeepSeek-Coder / CodeLlama | Claude Code / Cursor / Copilot / Windsurf | + +⚠️ **本表本身会过期**。每次启用 skill 时必须跑 [Recency Sweep](../recency-guardrail.md#gate-2recency-sweep近-n-天扫描) 重建清单。 + +## 权威数据库与一手源 + +### 中国 MaaS + +| 平台 | 用途 | URL | +|------|------|-----| +| 阿里云百炼 | 通义 + 第三方模型聚合，含 pricing/quota/API | bailian.console.aliyun.com / dashscope.aliyuncs.com | +| 火山引擎方舟 | 字节豆包/Seed 系列模型 | console.volcengine.com/ark | +| 腾讯混元 | 混元系列 | cloud.tencent.com/product/hunyuan | +| 百度千帆 | 文心 + 第三方 | console.bce.baidu.com/qianfan | +| 智谱开放平台 | GLM 系列 | open.bigmodel.cn | +| Moonshot 开放平台 | Kimi | platform.moonshot.cn | +| DeepSeek 开放平台 | DeepSeek 系列 | platform.deepseek.com | +| MiniMax 开放平台 | MiniMax + 海螺 | platform.minimaxi.com | +| SiliconFlow 硅基流动 | 多家聚合，平价 | siliconflow.cn | + +### 海外 MaaS + +| 平台 | 用途 | +|------|------| +| OpenAI Platform | platform.openai.com/docs/pricing | +| Anthropic Console | console.anthropic.com / anthropic.com/pricing | +| Google AI Studio / Vertex AI | ai.google.dev / cloud.google.com/vertex-ai/pricing | +| AWS Bedrock | aws.amazon.com/bedrock/pricing | +| Azure OpenAI / AI Foundry | azure.microsoft.com/en-us/pricing/details/cognitive-services | +| Replicate | replicate.com/pricing | +| FAL.ai | fal.ai/models | +| Together AI | together.ai/pricing | +| Fireworks AI | fireworks.ai/pricing | + +### 第三方聚合/榜单（反向查漏） + +| 平台 | 强项 | +|------|------| +| **OpenRouter** | openrouter.ai — 全网 LLM 价格 + 路由测速，最全 | +| **Artificial Analysis** | artificialanalysis.ai — 中立评测 + 价格 + tps | +| **LMArena** | lmarena.ai — 人类盲评榜（Chatbot Arena） | +| **livebench.ai** | 防训练泄漏的高难度评测 | +| **MTEB** | huggingface.co/spaces/mteb/leaderboard — Embedding 唯一权威榜 | +| **Hugging Face** | huggingface.co — 开源模型聚合 | +| **OpenCompass** | opencompass.org.cn — 中文榜 | +| **CompassArena** | compass.smartedu.cn/dnArena — 中文盲评 | +| **SuperCLUE** | superclueai.com — 中文 LLM 测评 | + +### 行业资讯/changelog + +- **公司公众号 + 官方 Twitter**：beta/preview 阶段唯一首发 +- **TechCrunch / The Information / 量子位 / 机器之心 / 36 氪 AI** +- **AI 工具集 / FutureTools / Theresanaiforthat** —— 工具型聚合 +- **GitHub Trending Top** —— 开源动态 +- **arxiv-sanity / paperswithcode** —— 学术前沿 + +## 监管批件 / 备案 + +- **中国生成式 AI 备案**：网信办《生成式人工智能服务管理暂行办法》备案企业名单（每月更新） +- **中国深度合成算法备案**：网信办深度合成服务算法备案 +- **EU AI Act**：2026 起生效，GPAI 模型需注册 +- **美国行政令 14110**：原 Biden EO 14110，2025-01 已被特朗普政府部分撤销，需查最新状态 +- **出口管制**：BIS Entity List 对算力/模型出口限制 + +## 财务披露口径陷阱（模型经济学专属） + +| 容易混 | 含义差异 | +|-------|---------| +| **输入 token 价 vs 输出 token 价** | 多数模型输出价 2-5× 输入价；估总成本需按真实 in/out 比 | +| **Token vs Character vs Word** | 中文 1 字符 ≈ 0.6-1 token；OpenAI/Anthropic/Google 分词器不同，价格不可裸比 | +| **Cache 命中价 vs 全价** | 缓存命中价低 50-90%，但需满足 prefix match 条件 | +| **Batch API vs Real-time** | Batch 半价但 24h 延迟，不能算实时成本 | +| **Tiered Pricing** | 按月用量阶梯，需算加权 | +| **Context Cache 折扣** | Claude/Gemini 多模型有 cache 优惠，须读 fine print | +| **Free quota vs Paid** | 免费额度有 RPS 上限、可能限制商用 | +| **Reasoning Token 单独计费** | o1 / Claude 3.7 Thinking / DeepSeek-R1 思考过程也算 output | +| **Multi-modal pricing** | 图像/视频/音频按"等价 token"计费，公式各家不同 | +| **GA vs Beta 价** | Beta 免费/低价不代表 GA 价（OpenAI Realtime 涨过 2-3 倍） | + +## SKU 穷尽流程（必跑） + +按顺序执行，确保不漏 SKU： + +1. **官方 Pricing 页**：抓所有可见 SKU 名 + 价格 +2. **API model_list 接口**：实际可调列表（如 `GET /v1/models`），常多于 pricing 页 +3. **官方文档/Cookbook**：找到隐藏的 preview / private beta 模型 +4. **官方 Twitter / 公众号 / 博客**：近 90 天发布预告 +5. **第三方聚合**：OpenRouter / Artificial Analysis 反查 +6. **开发者社区**：Discord / 微信群 / 知乎"X 平台支持哪些模型"问答 +7. **竞品对比页**：自家"vs 友商"页面常列友商最新 SKU + +每一步抓到的 SKU 都进 [`templates/visualizations/sku-pricing-matrix.html`](../../templates/visualizations/sku-pricing-matrix.html)。 + +## 一手验证 + +- **API 实测**：免费额度跑 hello-world 验证 SKU 存在 + 拿真实延迟 +- **微信群 / Discord**：找产品经理 / 销售确认 roadmap +- **开发者大会**：阿里云栖、火山 Force、百度 Wave、AWS re:Invent、Google I/O、OpenAI DevDay、Anthropic 大会 + +## 红线 / 不可写 + +- ❌ 不要凭记忆答"X 公司有什么模型"——必须 live 检索 +- ❌ 不要把训练数据里的旧 SKU 当现状 +- ❌ 不要忽略 Deprecated 列表（OpenAI / Anthropic 季度淘汰旧模型） +- ❌ 不要把"开源权重"等同"商用免费"（多数有 acceptable use policy 限制） +- ❌ 不要用 benchmark 分数替代真实业务效果（榜单专门刷 vs 实战常差距大） +- ❌ 不要把 Beta 价当 GA 价 +- ❌ 不要把"中国市场份额"和"全球份额"混用（中国市场前 3 在全球可能 Top 20 外） + +## 周度刷新清单（必跑） + +每周 Monday 跑： + +1. OpenRouter / Artificial Analysis 价格变化 diff +2. 头部 12 家官方 Twitter + 公众号近 7 天发布 +3. HuggingFace Trending 近 7 天新模型 +4. 官方 changelog（OpenAI / Anthropic / Google / Qwen / DeepSeek / Volcano） + +输出到 `data/maas-weekly-diff-{YYYY-Www}.md`。 diff --git a/skills/industry-landscape-research/references/source-recipes/medical.md b/skills/industry-landscape-research/references/source-recipes/medical.md new file mode 100644 index 000000000..cf77f26c4 --- /dev/null +++ b/skills/industry-landscape-research/references/source-recipes/medical.md @@ -0,0 +1,71 @@ +# Medical / 医疗 取数菜谱 + +适用：创新药、生物制品、医疗器械、IVD、医疗 SaaS、CRO、AI 制药。 + +## 子赛道与别名 + +| 中文别名 | 英文 | 核心监管 | +|---------|------|---------| +| 创新药 / 1 类新药 | Innovative drug / NCE (New Chemical Entity) | NMPA (中) / FDA (美) / EMA (欧) | +| 生物制品 / 大分子 | Biologics / mAb / ADC | 同上 | +| 医疗器械 II/III 类 | Medical device Class II/III | NMPA / FDA 510(k) or PMA | +| 体外诊断 | IVD / In-Vitro Diagnostics | NMPA / FDA CDRH | +| AI 医学影像 | AI-CAD / AI for Radiology | NMPA 三类证 / FDA SaMD | +| 真实世界研究 | RWE / Real-World Evidence | 各地药监局 | + +## 权威数据库 + +**中国（首选）：** +- NMPA 药品/器械数据查询：https://www.nmpa.gov.cn/datasearch/home-index.html — 已批准品种最权威 +- 药智数据：https://www.yaozh.com/ — 商业版需付费，含临床试验/审评进度 +- 丁香园 Insight：https://db.dxy.cn/ — 医药数据 + 行业数据 +- CDE 临床试验登记：http://www.chinadrugtrials.org.cn/ + +**全球：** +- ClinicalTrials.gov — 临床试验金标准（试验阶段/入组数/PI） +- FDA Orange Book — 已批准药物 + 专利信息 +- FDA 510(k) Database — 器械批准 +- EMA EPAR — 欧盟批准报告 +- PubMed + Cochrane — 学术 + Meta 分析 +- IQVIA / Evaluate Pharma / GlobalData — 销售数据（商业版） + +## 监管批件原文路径 + +- **NMPA 批件号**：国药准字 H/S/Z (Hxxxxx 化药、Sxxxxx 生物制品、Zxxxxx 中药) → 在 NMPA 官网"国产药品"查 +- **FDA NDA/BLA No.**：5-6 位数字，到 Drugs@FDA 检索全套审评文件（含 Medical Review、Stats Review，含金量极高） +- **CE 标识**：欧盟器械标志，但 2026 年 MDR 后真实有效性需查 EUDAMED + +## 财务披露口径陷阱 + +| 容易混的口径 | 含义 | 不能等同 | +|-------------|------|---------| +| 销售收入 vs 渠道入库 | 药企报表 "Revenue" 含返利/折让；渠道商进货 ≠ 终端使用 | 同期"医院 PDB 数据"会差 30-50% | +| 已批准适应症 vs 销售主力 | 拓展适应症可能 5 年都不放量 | 看年报"按产品/按适应症"明细 | +| 入组数 vs 完成数 | Phase III 入组完成 ≠ 数据读出 | 看 ClinicalTrials.gov primary completion date | +| 集采中标价 vs 院内实际价 | 集采价是新基准，但院外/省外可能更高 | 区分"集采品种"与"非集采品种" | + +## 上市公司年报关键科目 + +- **研发费用率**：行业基准 8-15%；创新药 Biotech 30-80% 都正常 +- **管线披露**：年报"研发进展"必看，临床阶段 + 适应症 + 预计上市年份 +- **集采影响**：受集采品种披露"中标价格变化对收入影响"，未受披露反向 + 自费市场策略 +- **海外授权 (license-out)**：首付款一次性 / 里程碑分期 / 销售分成，需看"无形资产"和"递延收入" + +## 一手验证 + +- **行业会议**：CMEF（中国国际医疗器械博览会，每年春秋两展）、PHARMCHINA、ASCO（肿瘤）、AHA（心脑血管） +- **专家访谈**：找三甲医院临床科室主任（KOL）问"实际开方逻辑"，找药代问渠道库存 +- **第三方报告**：弗若斯特沙利文（IPO 招股书 60% 引用）、艾昆纬 IQVIA、米内网（中国院内销售） + +## 房屋查询小工具 + +- 查 NMPA 是否批准：`site:nmpa.gov.cn 国药准字 [品种名]` +- 查 FDA 审评全文：`site:accessdata.fda.gov [NDA号]` +- 查临床试验状态：`ClinicalTrials.gov + NCT编号` +- 查 PubMed 综述：`[indication] systematic review`（限定 5 年内） + +## 红线 / 不可写 + +- ❌ 不要把"已获批"等同于"已商业化"（部分品种获批后 2-3 年才放量） +- ❌ 不要用单一渠道数据（PDB 只覆盖等级医院、医保覆盖只在医保目录、零售只在药店） +- ❌ 不要混 RWE / RCT 数据（真实世界 vs 严格随机对照，结论可能反向） diff --git a/skills/industry-landscape-research/references/source-recipes/semiconductor.md b/skills/industry-landscape-research/references/source-recipes/semiconductor.md new file mode 100644 index 000000000..45c470de6 --- /dev/null +++ b/skills/industry-landscape-research/references/source-recipes/semiconductor.md @@ -0,0 +1,68 @@ +# Semiconductor / 半导体 取数菜谱 + +适用：IC 设计、Foundry、封测、设备、材料、EDA、IP、CIM、半导体出海。 + +## 子赛道与别名 + +| 层 | 别名 | 代表玩家 | +|----|------|---------| +| IC 设计 (Fabless) | Fabless | NVIDIA / AMD / 海思 / 联发科 / 紫光展锐 | +| 晶圆代工 (Foundry) | Pure-play foundry / IDM | TSMC / Samsung / SMIC / 中芯国际 | +| 封测 (OSAT) | OSAT (Outsourced Semi Assembly & Test) | ASE / Amkor / 长电 / 通富 | +| 设备 (Equipment) | Litho / ETCH / CVD / CMP | ASML / Applied / LAM / KLA / 北方华创 / 中微 | +| 材料 (Materials) | Photoresist / Wafer / Gas | 信越 / SUMCO / 沪硅产业 | +| EDA | Electronic Design Automation | Synopsys / Cadence / Siemens EDA / 华大九天 / 概伦电子 | +| IP | Silicon IP / Soft/Hard IP | ARM / RISC-V / Imagination / 芯原 | + +## 权威数据库 + +**全球：** +- SEMI（国际半导体产业协会）：https://www.semi.org/ — 全球出货量、设备 Book-to-Bill +- WSTS（World Semiconductor Trade Statistics）：每月 +季度报告，按区域/品类 +- Gartner / IDC / Yole Développement — 设计/设备/封测细分（商业版） +- TrendForce 集邦：内存 + 面板 + 半导体细分（中文易得） +- IC Insights / Omdia — 高质量市场份额 + +**中国：** +- 中国半导体行业协会（CSIA）：年度白皮书 +- 中国半导体投资联盟、芯思想（XinSiXiang.com） +- 集微网 / 半导体行业观察 / 芯榜 / EEFOCUS + +## 监管批件 / 出口管制 + +- **美国 BIS Entity List**：https://www.bis.doc.gov/index.php/policy-guidance/lists-of-parties-of-concern — 被列名企业出口受限（华为、SMIC 等） +- **EAR ECCN 编码**：每颗芯片有出口分类编码（如 GAA 工艺受 3A090 管制） +- **中国大基金一/二/三期投资名单**：受资本支持名单 +- **荷兰 / 日本对华出口管制清单**：2026 年起对 DUV 设备升级管制 + +## 财务披露口径陷阱 + +| 容易混 | 含义差异 | +|-------|---------| +| 产能 (Capacity) vs 产量 (Output) vs 出货 (Shipment) | 设计产能 ≠ 实际开稼产量 ≠ 销给客户的出货 ≠ 客户已用 | +| 8 寸折算 vs 12 寸折算 | Foundry 产能要折算等价晶圆口径，对应不同制程 | +| 制程节点 (Process node) vs 等价节点 | "7nm" 各家定义不同（TSMC N7 vs Samsung 7LPP vs Intel 7） | +| EDA seat count vs revenue | EDA 卖席位 + 维护费 + IP 授权，三块账不能加总 | +| Backlog vs Booking vs Revenue | 设备类有 6-18 个月交付滞后 | + +## 上市公司年报关键科目 + +- **资本支出 (CapEx)**：Foundry/IDM 看 CapEx 占营收比，>30% = 扩产期 +- **毛利率结构**：制程组合（先进制程占比）决定毛利率，年报披露 "Advanced Process Revenue %" +- **库存周转**：芯片周期性强，库存月数 >3 个月 = 周期下行信号 +- **客户集中度**：Apple 占 TSMC 25%、NVIDIA 占 11% 都正常，但 IC 设计公司前 5 大客户 >50% = 风险 +- **WIP（在制品）+ 已签订单 (Backlog)**：年报附注/MD&A 一定要找 + +## 一手验证 + +- **会议**：SEMICON（每年全球 6 站）、IEDM/ISSCC（学术）、Hot Chips（设计）、SNUG/CDNLive（EDA） +- **专家**：Foundry 工艺 PE、设计公司 SoC 架构师、设备公司 AE +- **拆机报告**：TechInsights / Chipworks / SystemPlus — 解剖芯片晒物料清单 +- **EE Times、AnandTech、Semianalysis（Dylan Patel）** + +## 红线 / 不可写 + +- ❌ 不要把"流片成功"等同"量产"（流片到量产 1-2 年） +- ❌ 不要把"封装良率"等同"系统良率"（封装 99% × 测试 95% × 终端通过 90% = 85% 系统） +- ❌ 不要把"设备订单 (Booking)"算作当年营收（设备一笔订单跨多年确认） +- ❌ 不要无视出口管制版本差异（同一颗芯片"中国特供版" vs "原版"性能差 20-40%） diff --git a/skills/industry-landscape-research/references/stack-map.md b/skills/industry-landscape-research/references/stack-map.md new file mode 100644 index 000000000..fd98af54c --- /dev/null +++ b/skills/industry-landscape-research/references/stack-map.md @@ -0,0 +1,135 @@ +# 技术栈与生态分层图谱 (Stack Map) + +> 把行业沿"基础设施 → 平台 → 服务 → 应用 → 终端"分层，揭示价值链分布、卡脖子环节、生态联动。**通用模板可适配任意技术驱动型行业**（AI、半导体、新能源、生物医药、机器人等）。 + +## 1. 通用 5 层分层模型 + +``` +┌─────────────────────────────────────────────────────────┐ +│ L5 终端 / 触点 (End-User Surfaces) │ +│ - 用户直接接触的产品形态 │ +│ - 例：App、SaaS、API、智能硬件、零售门店 │ +├─────────────────────────────────────────────────────────┤ +│ L4 应用 / 解决方案 (Applications & Solutions) │ +│ - 行业垂直方案、Workflow 产品 │ +│ - 例：客服 Agent、医疗诊断系统、智能制造 MES │ +├─────────────────────────────────────────────────────────┤ +│ L3 平台 / 中间件 (Platforms & Middleware) │ +│ - 跨应用复用的能力底座 │ +│ - 例：模型服务平台、低代码平台、CDN、API 网关 │ +├─────────────────────────────────────────────────────────┤ +│ L2 核心引擎 (Core Engines) │ +│ - 行业核心技术资产 │ +│ - 例：大模型、芯片设计、电池电芯、新药分子 │ +├─────────────────────────────────────────────────────────┤ +│ L1 基础设施 (Infrastructure) │ +│ - 算力、原材料、产线、能源 │ +│ - 例：GPU 集群、晶圆厂、锂矿、电网 │ +└─────────────────────────────────────────────────────────┘ +``` + +## 2. 行业适配示例 + +### 2.1 AIGC 行业 (示例，可借鉴) +| 层 | 代表玩家 | +|----|---------| +| L5 终端 | ChatGPT App、Midjourney Discord、字节即梦、阿里通义 App | +| L4 应用 | Jasper（文案）、Copy.ai、Runway（视频剪辑）、Synthesia | +| L3 平台 | OpenAI API / 百炼 / Vertex AI、HuggingFace、LangChain | +| L2 核心 | GPT-4 / Claude / Gemini / Qwen / DeepSeek 等大模型 | +| L1 基础 | NVIDIA H100 / 阿里灵骏 / AWS EC2 / 电力 | + +### 2.2 新能源汽车 +| 层 | 代表玩家 | +|----|---------| +| L5 终端 | Tesla / 比亚迪 / 蔚来 / 理想 | +| L4 应用 | 自动驾驶 ADAS、车载娱乐系统 | +| L3 平台 | CTP / CTC 电池底盘集成、整车 OS | +| L2 核心 | 电芯（宁德/LG）、电机、电控、芯片 | +| L1 基础 | 锂矿 / 钴矿、原材料加工 | + +### 2.3 半导体 +| 层 | 代表玩家 | +|----|---------| +| L5 终端 | iPhone / 服务器 / 汽车 | +| L4 应用 | SoC 设计、AI 加速卡 | +| L3 平台 | EDA 工具 (Cadence/Synopsys)、IP 核 (ARM) | +| L2 核心 | 晶圆代工（TSMC/中芯）、封测 | +| L1 基础 | 光刻机 (ASML)、硅片、化学品 | + +## 3. 分层分析模板 + +每一层填以下信息： + +| 字段 | 说明 | +|------|------| +| 层级名 | L1-L5 之一 | +| 关键玩家 | TOP 5-10 公司（每个标注国别） | +| 市场规模 | 该层独立营收规模（估值/全球年营收） | +| 集中度 | CR3 / CR5 / HHI | +| 国别分布 | 美国 / 中国 / 欧洲 / 其他占比 | +| 毛利率区间 | 行业平均，越上游越高（一般） | +| 卡脖子环节 | 是否存在单一供应商垄断（光刻机、HBM、Foundry） | +| 投资强度 | Capex / R&D / 资金需求 | +| 进入壁垒 | 资本 / 技术 / 牌照 / 客户关系 | +| 国产替代度 | 中国厂商在该层的份额与差距 | + +## 4. 跨层联动图谱 + +绘制时需要标注**跨层流动**： + +``` +[L1 GPU] ──供给──> [L2 大模型] ──API──> [L3 平台] ──封装──> [L4 应用] ──分发──> [L5 终端] + │ │ │ + └─────── 经济回流 (License / Royalty / Revenue Share) ─────────────────────────┘ +``` + +**关键问题**： +1. 哪一层抓住了**大头利润**（参考 Profit Pool 分析）？ +2. 哪一层有**网络效应**或**规模壁垒**？ +3. 跨层**整合机会**在哪（垂直一体化 vs 专业化）？ +4. 哪些层是**国产替代洼地**或**出海高地**？ + +## 5. 卡脖子标注规则 + +每个跨层接口都问三个问题： + +| 问题 | 答案示例 | +|------|---------| +| 全球供给是否集中？ | TSMC 在 5nm 以下市占 90% | +| 是否存在地缘风险？ | ASML EUV 受美国出口管制 | +| 是否有可替代方案？ | 中芯 28nm 可替代部分需求，但 7nm 以下仍卡 | + +**输出**：在 Stack Map 上用 🔴（强卡） 🟡（中卡） 🟢（不卡） 标记每个跨层接口。 + +## 6. 国产化矩阵 + +对中国相关的调研，额外加一列**国产化进度**： + +| 层 | 国产化进度（0-100%） | 差距描述 | +|----|---------------------|---------| +| L1 算力 | GPU 30% (国产卡能用但性能差) | 国产卡 vs H100 差 2-3x | +| L2 大模型 | 80%（Qwen/DeepSeek 顶尖） | 已接近 GPT-4 / Claude 3.5 水平 | +| L3 平台 | 70% (百炼/Coze 国产可用) | 海外开源生态更繁荣 | +| L4 应用 | 60% (头部应用国产可用) | 出海应用稀缺 | +| L5 终端 | 90% (国民应用国产化) | 出海市场弱 | + +## 7. 输出物 + +每个行业调研产出至少 1 张 **Stack Map 全景图**： +- 单页 PPTX 或 SVG +- 5 层从下到上垂直排列 +- 每层标注：玩家 logo + 市占率 + 集中度 +- 跨层接口标注卡脖子等级 +- 右侧标注国产化矩阵 +- 底部一句话总结（"利润集中在 L2/L3，应用层红海"） + +## 8. 反模式 + +| ❌ 反模式 | ✅ 正确做法 | +|----------|-----------| +| 把所有玩家堆在一张图 | 按层分组，同层内按市占排序 | +| 跨层逻辑不画 | 明确画出供给关系 / 经济回流 | +| 忽略国别 | 每个玩家标注国旗 / 总部所在地 | +| 不标注规模 | 玩家 logo 大小按市占缩放 | +| 不更新 | 每季度复盘一次（玩家变化快） | diff --git a/skills/industry-landscape-research/references/stakeholder-stance.md b/skills/industry-landscape-research/references/stakeholder-stance.md new file mode 100644 index 000000000..948d5de4e --- /dev/null +++ b/skills/industry-landscape-research/references/stakeholder-stance.md @@ -0,0 +1,164 @@ +# 利益相关方立场图谱 (Stakeholder Stance Map) + +> 每个行业不只有"玩家"，还有围绕它的**监管者、版权方、渠道、社会、媒体**。这些角色的立场决定行业能否长大、能走多远。**通用模板覆盖任意行业**，不限内容/AI。 + +## 1. 通用利益相关方分类 + +``` + ┌─────────────┐ + │ 监管者 │ 政府、立法机关、行业协会 + └──────┬──────┘ + │ + ┌─────────────────┼─────────────────┐ + ▼ ▼ ▼ + ┌───────────┐ ┌─────────────┐ ┌───────────┐ + │ 上游供应商 │────▶│ 行业玩家 │◀───│ 下游买家 │ + └───────────┘ └──────┬──────┘ └───────────┘ + │ + ┌───────────┼───────────┐ + ▼ ▼ ▼ + ┌──────────┐ ┌─────────┐ ┌────────────┐ + │ 版权/IP │ │ 媒体/KOL│ │ 社会公众 │ + └──────────┘ └─────────┘ └────────────┘ +``` + +## 2. 每个相关方填三要素 + +### 2.1 立场 (Stance) +| 立场 | 含义 | +|------|------| +| 🟢 支持 (Pro) | 主动推动、获益方 | +| 🟡 中立 (Neutral) | 观望、不阻挠也不推动 | +| 🟠 担忧 (Concerned) | 看到风险，提出条件 | +| 🔴 反对 (Against) | 主动阻挠、利益受损 | + +### 2.2 行动 (Actions) +该方实际采取的具体动作（不是空洞表态）： +- 监管：发布XX条例 / 召开XX听证会 / 处罚XX案例 +- 版权方：发起诉讼 / 集体维权 / 签授权协议 +- 渠道：上架 / 下架 / 抽佣调整 +- 媒体：正面报道频次 / 负面热搜次数 +- 公众：投诉量 / 抵制运动 / 民调支持率 + +### 2.3 演化预期 (Trajectory) +未来 12-24 月该方立场可能如何变化（强化 / 弱化 / 转向）。 + +## 3. 通用模板字段 + +| 相关方 | 立场 | 关键诉求 | 已有行动 | 影响力 (1-5) | 演化预期 | 应对建议 | +|--------|------|---------|---------|------------|---------|---------| +| 监管 (国内) | | | | | | | +| 监管 (海外) | | | | | | | +| 版权/IP 持有方 | | | | | | | +| 上游供应商 | | | | | | | +| 下游客户 | | | | | | | +| 渠道/分发平台 | | | | | | | +| 媒体/分析师 | | | | | | | +| 行业协会 | | | | | | | +| 社会公众 | | | | | | | +| 工会/从业者 | | | | | | | + +## 4. 行业适配示例 + +### 4.1 AIGC 行业（示例，仅作模板演示） + +| 相关方 | 立场 | 关键诉求 | 已有行动 | +|--------|------|---------|---------| +| 国内监管 (网信办/工信部) | 🟠 担忧 | 内容安全、价值观、备案合规 | 出台《生成式 AI 服务管理暂行办法》(2023.08) | +| 海外监管 (EU AI Act) | 🟠 担忧 | 风险分级、透明度、版权透明 | EU AI Act 2024 通过 | +| 版权方 (NYT / Getty 等) | 🔴 反对 | 训练数据未授权 | NYT 起诉 OpenAI (2023.12)、Getty 诉 Stability AI | +| 创作者 (好莱坞工会等) | 🔴 反对 | 替代就业 | WGA 罢工 (2023)、SAG-AFTRA 罢工 | +| 教育界 | 🟡 中立 | 防作弊但接受工具化 | 部分大学允许 ChatGPT 协助 | +| 普通用户 | 🟢 支持 | 提效、好玩 | 月活破亿用户 | + +### 4.2 新能源汽车 +| 相关方 | 立场 | 关键诉求 | +|--------|------|---------| +| 国家发改委/工信部 | 🟢 支持 | 双碳战略、产业升级 | +| 传统油车厂商 | 🔴 反对 | 守住燃油车市场 | +| 充电桩运营商 | 🟢 支持 | 用电增长 | +| 石油公司 | 🔴 反对 / 转型 | 部分转型为综合能源 | +| 经销商 (4S 店) | 🟠 担忧 | 直营模式威胁经销网络 | + +### 4.3 加密货币 / Web3 +| 相关方 | 立场 | +|--------|------| +| 中国监管 | 🔴 反对（禁令） | +| 美国 SEC | 🟠 担忧（分类监管） | +| 香港监管 | 🟡 中立偏支持（牌照试点） | +| 传统金融机构 | 🔴→🟠 转向（贝莱德 BTC ETF 后接受） | + +## 5. 影响力评分 (1-5) + +| 分值 | 含义 | +|------|------| +| 5 | 关键决定方，一票否决 | +| 4 | 高影响，能延缓 1-3 年发展 | +| 3 | 中等影响，能影响商业模式 | +| 2 | 低影响，只能影响舆论 | +| 1 | 边缘影响，象征意义 | + +## 6. 立场矩阵图 + +绘制 2D 矩阵： +- 横轴：立场（反对 → 支持） +- 纵轴：影响力（低 → 高） +- 把每个相关方放到对应象限 + +``` +影响力高 │ [反对] 应主动应对！ │ [支持] 巩固关系 + │ │ + │ 监管(国内) │ 央国企客户 + │ 版权方 │ 发改委 + │ │ + │─────────────────────┼───────────────────── + │ │ + │ 社会公众 │ 开发者社区 + │ 媒体 │ 普通用户 + │ │ +影响力低 │ 反对 │ 支持 +``` + +**作战重点**： +- 左上角（高影响 + 反对）→ 必须主动应对、合规改造、利益重新分配 +- 右上角（高影响 + 支持）→ 巩固关系、绑定共同利益 +- 左下角（低影响 + 反对）→ 监控舆论、避免发酵 +- 右下角（低影响 + 支持）→ 维护社区、口碑放大器 + +## 7. 演化轨迹 (Trajectory) + +对每个关键相关方做未来 12-24 月预测： + +``` +时间轴 + 2024Q1 Q2 Q3 Q4 2025Q1 Q2 Q3 Q4 2026Q1 +监管: 🟢───→🟡───→🟠─────→🟠────────→🟡 (规则化后回归中立) +版权: 🔴────────────→🔴───→🟠 (谈判+授权协议) +公众: 🟢───→🟢────→🟡 (新鲜感衰退) +``` + +## 8. 应对建议矩阵 + +| 立场 | 一般应对策略 | +|------|------------| +| 🔴 反对 + 高影响 | 直接对话、利益重分配、合规改造、签授权 | +| 🔴 反对 + 低影响 | 舆论引导、维权预案 | +| 🟠 担忧 + 高影响 | 透明披露、主动汇报、行业自律 | +| 🟢 支持 + 高影响 | 战略绑定、联合发声、共建生态 | + +## 9. 输出物 + +1. **立场矩阵图** — 单页 PPTX，2D 矩阵 + 每方标签 +2. **演化轨迹图** — 单页 PPTX，时间序列+多线条 +3. **应对建议表** — 表格，每个高影响方一条建议 +4. **风险预案** — 当主要反对方升级时的应对预案 + +## 10. 反模式 + +| ❌ 反模式 | ✅ 正确做法 | +|----------|-----------| +| 只列玩家忽略相关方 | 至少 6 类相关方都覆盖 | +| 立场只写"支持/反对" | 加关键诉求 + 具体行动 | +| 不区分国别 | 各国监管立场差异巨大，分开列 | +| 静态分析 | 必须画演化轨迹 | +| 无应对建议 | 每个高影响方至少一条 | diff --git a/skills/industry-landscape-research/references/valuation-playbook.md b/skills/industry-landscape-research/references/valuation-playbook.md new file mode 100644 index 000000000..a8aeaac22 --- /dev/null +++ b/skills/industry-landscape-research/references/valuation-playbook.md @@ -0,0 +1,171 @@ +# 估值追踪 Playbook + +> 各市场估值获取的完整 SOP，含双值展示、未上市公司估值、数据等级标注。 + +## 上市公司市值获取 + +### 港股 (HK) +``` +URL: https://finance.sina.com.cn/realstock/company/hk{5位代码}/nc.shtml +示例: hk02513 = 智谱AI、hk00100 = MiniMax +``` +- 页面含 `@fixTotalShare@` 总股本字段，静态可抓 +- 实时股价需 JS 渲染，WebFetch 可能拿不到 → 用近 5 日收盘价 × 总股本估算 +- 港股代码格式：5位数字补零（00100 非 100） + +### A 股 (SZ/SH) +``` +URL: https://finance.sina.com.cn/realstock/company/{sz|sh}{6位代码}.html +示例: sz300364 = 中文在线、sh600519 = 贵州茅台 +``` +- 同上，总股本可靠，价格需动态渲染 +- 估算公式：市值 = 总股本 × 近端价格 + +### 美股 (US) +``` +URL: https://finance.sina.com.cn/stock/usstock/c/{ticker}.shtml +或: https://www.google.com/finance/quote/{ticker}:NASDAQ +``` + +### 北交所 (BJ) +``` +URL: https://finance.sina.com.cn/realstock/company/bj{8位代码}.html +``` + +### 科创板 / 创业板 +- 科创板 688xxx 走上海，URL 同 A 股 SH +- 创业板 300xxx 走深圳，URL 同 A 股 SZ + +## 未上市公司估值（按可信度降序） + +### 方法 1: 最近一轮融资估值（L1-L2） +- Crunchbase 估值字段 +- IT 桔子 / Pitchbook +- 公司官方公告 +- 媒体引用"估值达 $X 亿" + +### 方法 2: 招股书披露（L1） +- 港股递表文件中"估值"章节 +- SEC S-1 招股书 + +### 方法 3: 对标推算（L3） +- 同赛道同阶段公司的 PS / EV/EBITDA 倍数 +- 公式：估值 = ARR × 同业 PS + +### 方法 4: 传闻信源（L4） +- 匿名消息源 +- 二级市场基金组合估值快照 +- 行业自媒体 + +## 数据等级（L1-L4） + +| 等级 | 含义 | 标注 | +|------|------|------| +| L1 | 交易所实时报价 / 招股书披露 | 直接使用 | +| L2 | 总股本 × 近端价格 / 权威媒体引用的融资估值 | 直接使用 | +| L3 | 对标推算 / 过期数据外推 | 标 `~` 或 `(估)` | +| L4 | 匿名消息源 / 自媒体爆料 | 标 `(传)` 或 `(未证实)` | + +## 双值展示规范 + +用户要求"首日 + 当前"时，同时展示： + +| 字段 | 来源 | +|------|------| +| 上市首日市值 | 发行价 × 总股本（含首日涨幅） | +| 当前市值 | 标注截止日期（如"6/22"） | +| 峰值市值（可选） | 历史最高，如"峰值 2635 亿港元" | + +格式示例： +> 首日 2635 亿港元 → 当前 2221 亿港元（截止 6/22，峰值 2635 亿） + +## 货币换算与口径 + +调研启动时记录基准汇率快照（详见 Charter 第 9 节）。 + +| 货币对 | 截至 2026-06-24 | +|--------|---------------| +| USD/CNY | 7.12 | +| HKD/CNY | 0.91 | +| EUR/CNY | 7.65 | + +排行榜必须统一货币（推荐人民币亿元）。同时标注原币种。 + +## 估值排行榜（国内/海外分轨） + +全球化行业必须分两个排行榜，禁止混排： + +**国内 TOP N**（按人民币亿元降序）： +- 上市公司：股票代码 + 双值 +- 未上市：融资轮次 + 估值 + +**海外 TOP N**（按美元亿降序）： +- 同上 + +### 排行榜模板字段 + +| 字段 | 必填 | +|------|------| +| 排名 | ✓ | +| 公司名（中英） | ✓ | +| 股票代码 / 状态 | ✓ | +| 估值/市值（亿元/亿美元） | ✓ | +| 截止日期 | ✓ | +| 数据等级（L1-L4） | ✓ | +| 来源 URL | ✓ | +| 子生态层（如适用） | 推荐 | +| 地理（如适用） | 推荐 | + +## 已上市 vs 未上市混排陷阱 + +- 上市公司：实时市值，每天波动 +- 未上市公司：上一轮融资估值，可能已过 1-2 年 + +混排会让"未上市估值"看起来比"上市市值"大，因为没人去 markdown。 + +**正确做法**：分两列展示，或强制为未上市加 "(上一轮 YYYY-MM)" 后缀。 + +## 估值有效期 + +| 类型 | 有效期 | +|------|--------| +| 上市公司市值 | 当天 | +| 未上市最近一轮 | 6-12 月 | +| 招股书估值 | IPO 前 1-3 月 | +| 对标推算 | 1-3 月 | + +超期数据必须标"(数据可能过期)"。 + +## 价格抓取代码片段 + +```python +# 港股市值估算 +import re +import urllib.request + +def get_hk_market_cap(code: str): + """估算港股市值（总股本 × 近端价格）""" + code_padded = code.zfill(5) + url = f"https://finance.sina.com.cn/realstock/company/hk{code_padded}/nc.shtml" + html = urllib.request.urlopen(url).read().decode("utf-8") + + # 总股本 + share_match = re.search(r"@fixTotalShare@(\d+\.?\d*)", html) + total_share = float(share_match.group(1)) if share_match else None + + # 近端价格（从 K 线数据 fallback） + price_match = re.search(r"@now@(\d+\.?\d*)", html) + price = float(price_match.group(1)) if price_match else None + + if total_share and price: + return total_share * price + return None +``` + +## 反模式 + +- ❌ 把 GMV 当营收 → 永远不一致 +- ❌ 把"最近一轮投后估值"当"实时估值" → 没有 markdown +- ❌ 港股代码不补零（写 2513 而非 02513） → 数据找不到 +- ❌ 美股 ADR 当美股本体看 → 估值口径错误 +- ❌ 上市/未上市混排不区分 → 一眼看不出"哪个是即时数字" diff --git a/skills/industry-landscape-research/references/value-chain-journey.md b/skills/industry-landscape-research/references/value-chain-journey.md new file mode 100644 index 000000000..4e39defe2 --- /dev/null +++ b/skills/industry-landscape-research/references/value-chain-journey.md @@ -0,0 +1,142 @@ +# 价值链与客户旅程 (Value Chain & Customer Journey) + +> 通用 N 段式客户旅程模板，用于剖析行业从需求到交付的全链条，识别每段的玩家、痛点、价值创造与机会窗口。 + +## 1. 通用 N 段式模板 + +``` +[需求触发] → [发现/认知] → [评估/选型] → [采购/签约] → [实施/部署] → [使用/消费] → [续约/扩展] → [流失/迁移] +``` + +每段填以下字段（构成"客户旅程地图"）： + +| 字段 | 说明 | +|------|------| +| 阶段名 | Awareness / Consideration / Purchase / Onboarding / Use / Expand / Churn | +| 触发场景 | 用户在什么情境下进入该阶段 | +| 痛点 | 当前体验中的摩擦 / 不满 | +| 信息源 | 用户决策依赖的渠道（社媒/朋友/分析师/试用） | +| 关键玩家 | 该段提供服务的厂商类别 | +| 价值创造 | 玩家如何为用户创造价值（速度/质量/价格/服务） | +| 经济价值 | 该段贡献的营收占比 / 利润率 | +| 切换成本 | 用户从该段离开/迁移的成本 | +| 机会窗口 | 现状有哪些未被满足的需求 | + +## 2. 行业适配示例 + +### 2.1 B2B SaaS 客户旅程 +``` +[需求识别] → [厂商发现] → [试用/POC] → [合同谈判] → [部署/集成] → [日常使用] → [续约/扩座] → [流失] +``` + +### 2.2 消费品电商 +``` +[需求触发] → [种草] → [搜索/比价] → [下单] → [收货/体验] → [复购/分享] → [流失/换品牌] +``` + +### 2.3 内容创作（创作者视角） +``` +[选题/灵感] → [素材准备] → [生产创作] → [后期编辑] → [发布/投流] → [互动/数据分析] → [变现] → [复盘迭代] +``` + +### 2.4 半导体设计（B2B 长周期） +``` +[规格定义] → [架构设计] → [前端 RTL] → [验证] → [后端布线] → [流片] → [封测] → [量产] → [客户验证] +``` + +## 3. 旅程地图绘制规则 + +### 3.1 横向时间轴 +左到右排开 N 个阶段（5-8 段为宜，太少粒度粗，太多冗余）。 + +### 3.2 纵向四层叠加 +每个阶段从上到下叠四个维度： + +``` +┌─ 用户行为 (User Action) ───────────┐ +│ 用户在该阶段做什么 │ +├─ 用户情绪 (User Emotion) ──────────┤ +│ 😊 兴奋 / 😐 中性 / 😟 焦虑 / 😡 愤怒 │ +├─ 痛点 (Pain Points) ──────────────┤ +│ 阻碍用户前进的摩擦 │ +├─ 玩家与机会 (Players & Opportunity)┤ +│ 当前服务该段的玩家 + 未满足需求 │ +└──────────────────────────────────┘ +``` + +### 3.3 经济价值热区 +在阶段下方加一条**经济价值条**（颜色深浅表示利润集中度）： +- 深色 = 该段是利润热区（如 SaaS 的"续约/扩展"通常贡献 70%+ 利润） +- 浅色 = 该段竞争激烈、薄利或免费（如电商的"种草"/"搜索"） + +## 4. 跨旅程映射 + +当一个行业有多种用户角色时，绘制**多泳道旅程**： + +``` +泳道 1: 终端用户 (consumer) + [发现] → [使用] → [流失] + │ +泳道 2: 创作者 / 商家 (provider) + [入驻] → [生产] → [变现] → [流失] + │ +泳道 3: 平台 (platform) + [获取双边] → [撮合] → [抽佣] → [扩张] + │ +泳道 4: 监管 / 第三方 + [规则制定] → [审查] → [处罚] +``` + +不同泳道之间用箭头标注**相互影响**（如商家流失 → 用户流失）。 + +## 5. 机会窗口识别 + +每个阶段的**机会窗口**用 ⚡️ 标记，并填写： + +| 字段 | 内容 | +|------|------| +| 阶段 | 哪个阶段 | +| 痛点 | 现状中的具体不满 | +| 现有方案 | 当前是谁在做、如何做 | +| 不足 | 现有方案的缺陷 | +| 新机会 | 可能的新解法（产品形态/技术/商业模式） | +| 进入壁垒 | 抓住此机会的难点 | +| TAM 估算 | 该窗口的市场规模 | + +## 6. 案例：内容创作行业全旅程示例 + +``` +[选题] → [素材] → [生产] → [后期] → [发布] → [互动] → [变现] → [复盘] + +玩家分布： +- 选题：抖音热点 / TopBuzz Trends +- 素材：图虫 / Unsplash / 万兴素材库 +- 生产：万兴喵影 / 剪映 / Adobe Premiere / 即梦 +- 后期：CapCut / DaVinci Resolve / FancyTech (AI 视频) +- 发布：抖音 / 小红书 / YouTube / 视频号 +- 互动：评论管理工具 / Hootsuite +- 变现：星图 / Mid-tier MCN / TikTok Shop +- 复盘：飞瓜 / 蝉妈妈 / 自营 BI + +机会窗口（⚡）： +- 选题: AI 选题推荐（行业 trending + 个性化），现有方案是手工刷热点 +- 后期: AI 一键剪辑 + 多版本批量生成，现有方案需要懂剪辑 +- 变现: AI 撮合品牌与中长尾创作者，现有 MCN 只覆盖头部 +``` + +## 7. 输出物 + +每次行业调研产出： +1. **客户旅程地图** — 单页 PPTX，含 4 层叠加 + 经济价值热区 +2. **多泳道旅程图**（当有多种角色） — 单页 PPTX +3. **机会窗口清单** — 表格，每行一个 ⚡（TAM > $1B 优先） + +## 8. 反模式 + +| ❌ 反模式 | ✅ 正确做法 | +|----------|-----------| +| 阶段名抽象（"购买流程"） | 用动词具象化（"扫码下单"、"线下到店"） | +| 只画用户行为，不画情绪/痛点 | 四层全部填充 | +| 玩家不分大小 | 按市占缩放 logo，TOP 玩家加粗 | +| 不标注经济价值 | 用热区色条标注利润分布 | +| 单视角 | 多角色行业必须画多泳道 | diff --git a/skills/industry-landscape-research/schemas/company.schema.json b/skills/industry-landscape-research/schemas/company.schema.json new file mode 100644 index 000000000..ed7257b0a --- /dev/null +++ b/skills/industry-landscape-research/schemas/company.schema.json @@ -0,0 +1,170 @@ +{ + "$schema": "http://json-schema.org/draft-07/schema#", + "$id": "company.schema.json", + "title": "Company Profile", + "description": "Single source of truth for one company in industry research.", + "type": "object", + "required": ["canonical_name", "racetrack_id", "country", "status", "as_of_date", "sources"], + "properties": { + "canonical_name": { + "type": "string", + "description": "Official canonical name; used for joining tables." + }, + "aliases": { + "type": "array", + "items": {"type": "string"}, + "description": "All known aliases including English/Chinese variants." + }, + "ticker": { + "type": ["string", "null"], + "description": "Stock ticker if listed (e.g. HK:02513, US:NVDA, SH:600519)." + }, + "racetrack_id": { + "type": "string", + "description": "Foreign key to racetrack.schema.json." + }, + "archetype": { + "type": "string", + "enum": ["platform", "saas-vertical", "deeptech-hardware", "marketplace", "consumer", "infrastructure", "content-media"] + }, + "country": { + "type": "string", + "description": "ISO 3166-1 alpha-2 (e.g. CN, US, HK)." + }, + "headquarters": {"type": "string"}, + "founded_year": {"type": "integer"}, + "status": { + "type": "string", + "enum": ["public", "private", "acquired", "shutdown"] + }, + "founders": { + "type": "array", + "items": { + "type": "object", + "properties": { + "name": {"type": "string"}, + "background": {"type": "string"}, + "linkedin": {"type": "string"} + } + } + }, + "product_lines": { + "type": "array", + "items": { + "type": "object", + "required": ["name", "category"], + "properties": { + "name": {"type": "string"}, + "category": {"type": "string"}, + "launch_date": {"type": "string", "format": "date"}, + "url": {"type": "string", "format": "uri"} + } + } + }, + "tech_route": { + "type": "string", + "enum": ["proprietary", "open-source-fork", "third-party-api", "hybrid"] + }, + "financials": { + "type": "object", + "properties": { + "revenue_usd_mn": {"$ref": "#/definitions/datum"}, + "gross_margin_pct": {"$ref": "#/definitions/datum"}, + "net_margin_pct": {"$ref": "#/definitions/datum"}, + "rd_ratio_pct": {"$ref": "#/definitions/datum"}, + "fiscal_year": {"type": "integer"} + } + }, + "users": { + "type": "object", + "properties": { + "mau_mn": {"$ref": "#/definitions/datum"}, + "dau_mn": {"$ref": "#/definitions/datum"}, + "paid_mn": {"$ref": "#/definitions/datum"} + } + }, + "funding_history": { + "type": "array", + "items": { + "type": "object", + "required": ["round", "date", "amount_usd_mn"], + "properties": { + "round": {"type": "string"}, + "date": {"type": "string", "format": "date"}, + "amount_usd_mn": {"type": "number"}, + "valuation_post_usd_mn": {"type": "number"}, + "lead_investors": {"type": "array", "items": {"type": "string"}}, + "source_url": {"type": "string", "format": "uri"} + } + } + }, + "valuation": { + "type": "object", + "required": ["latest_usd_mn", "as_of_date", "grade", "method"], + "properties": { + "latest_usd_mn": {"type": "number"}, + "ipo_day_usd_mn": {"type": ["number", "null"]}, + "peak_usd_mn": {"type": ["number", "null"]}, + "as_of_date": {"type": "string", "format": "date"}, + "grade": {"$ref": "#/definitions/grade"}, + "method": { + "type": "string", + "enum": ["exchange-realtime", "share-x-price", "latest-round", "comparable-multiple", "media-quote", "estimate"] + }, + "source_url": {"type": "string", "format": "uri"} + } + }, + "competitive_position": { + "type": "object", + "properties": { + "tier": {"type": "string", "enum": ["tier-1", "tier-2", "tier-3"]}, + "market_share_pct": {"$ref": "#/definitions/datum"}, + "differentiation": {"type": "string"}, + "main_competitors": {"type": "array", "items": {"type": "string"}} + } + }, + "stance_signals": { + "type": "object", + "properties": { + "regulatory_risk": {"type": "string", "enum": ["low", "medium", "high"]}, + "ip_disputes": {"type": "array", "items": {"type": "string"}}, + "public_sentiment": {"type": "string"} + } + }, + "bd_assessment": { + "type": "object", + "properties": { + "priority": {"type": "string", "enum": ["P0", "P1", "P2", "P3"]}, + "rationale": {"type": "string"}, + "entry_point": {"type": "string"} + } + }, + "as_of_date": {"type": "string", "format": "date"}, + "sources": { + "type": "array", + "minItems": 1, + "items": {"$ref": "source.schema.json"} + } + }, + "definitions": { + "datum": { + "type": "object", + "required": ["value", "as_of_date", "grade"], + "properties": { + "value": {"type": ["number", "string"]}, + "unit": {"type": "string"}, + "as_of_date": {"type": "string", "format": "date"}, + "grade": {"$ref": "#/definitions/grade"}, + "source_url": {"type": "string", "format": "uri"}, + "quote": {"type": "string"}, + "derived": {"type": "boolean", "default": false}, + "derivation_formula": {"type": "string"} + } + }, + "grade": { + "type": "string", + "enum": ["L1", "L2", "L3", "L4"], + "description": "L1=exchange/audited; L2=authoritative media; L3=PR/estimate; L4=rumor." + } + } +} diff --git a/skills/industry-landscape-research/schemas/deliverable.schema.json b/skills/industry-landscape-research/schemas/deliverable.schema.json new file mode 100644 index 000000000..d4ddb8e32 --- /dev/null +++ b/skills/industry-landscape-research/schemas/deliverable.schema.json @@ -0,0 +1,108 @@ +{ + "$schema": "http://json-schema.org/draft-07/schema#", + "$id": "deliverable.schema.json", + "title": "Deliverable Manifest", + "description": "Index of all output artifacts for one research engagement.", + "type": "object", + "required": ["engagement_id", "deliverables", "sign_off"], + "properties": { + "engagement_id": {"type": "string"}, + "racetracks": { + "type": "array", + "items": {"type": "string"} + }, + "as_of_date": {"type": "string", "format": "date"}, + "currency_snapshot": { + "type": "object", + "properties": { + "fx_date": {"type": "string", "format": "date"}, + "usd_cny": {"type": "number"}, + "hkd_cny": {"type": "number"}, + "eur_cny": {"type": "number"} + } + }, + "deliverables": { + "type": "array", + "items": { + "type": "object", + "required": ["type", "path", "status"], + "properties": { + "type": { + "type": "string", + "enum": [ + "executive-summary", + "landscape-overview", + "timeline", + "valuation-leaderboard", + "company-deep-card", + "stack-map", + "value-chain-journey", + "profit-pool", + "stakeholder-stance", + "porter-five-canvas", + "seven-powers-canvas", + "wardley-map", + "scurve-chart", + "tam-sam-som", + "unit-economics-table", + "scenario-forecast", + "house-view", + "pre-mortem", + "data-table", + "methodology-appendix", + "research-log", + "snapshot-aliases-fx" + ] + }, + "path": {"type": "string"}, + "format": { + "type": "string", + "enum": ["pptx", "xlsx", "csv", "jsonl", "md", "html", "svg", "pdf"] + }, + "status": { + "type": "string", + "enum": ["draft", "in-review", "final", "blocked"] + }, + "coverage_dimensions": { + "type": "array", + "items": {"type": "string"} + }, + "owner": {"type": "string"} + } + } + }, + "coverage_audit": { + "type": "object", + "description": "8-dimension audit (see workflows/04-coverage-audit.md).", + "additionalProperties": { + "type": "object", + "properties": { + "star_rating": {"type": "integer", "minimum": 1, "maximum": 5}, + "gap_grade": {"type": "string", "enum": ["green", "yellow", "red"]}, + "notes": {"type": "string"} + } + } + }, + "data_quality_stats": { + "type": "object", + "properties": { + "total_sources": {"type": "integer"}, + "l1_l2_ratio_pct": {"type": "number"}, + "company_coverage": {"type": "integer"}, + "field_coverage_pct": {"type": "number"}, + "cross_validated_pct": {"type": "number"} + } + }, + "sign_off": { + "type": "object", + "required": ["charter_signed", "audit_passed"], + "properties": { + "charter_signed": {"type": "boolean"}, + "charter_signed_date": {"type": "string", "format": "date"}, + "audit_passed": {"type": "boolean"}, + "audit_passed_date": {"type": "string", "format": "date"}, + "devil_advocate_reviewed": {"type": "boolean"} + } + } + } +} diff --git a/skills/industry-landscape-research/schemas/event.schema.json b/skills/industry-landscape-research/schemas/event.schema.json new file mode 100644 index 000000000..504f6fb16 --- /dev/null +++ b/skills/industry-landscape-research/schemas/event.schema.json @@ -0,0 +1,66 @@ +{ + "$schema": "http://json-schema.org/draft-07/schema#", + "$id": "event.schema.json", + "title": "Industry Event (Timeline)", + "description": "A milestone event for the industry evolution timeline.", + "type": "object", + "required": ["id", "date", "company", "racetrack_id", "type", "headline", "sources"], + "properties": { + "id": { + "type": "string", + "description": "Stable hash: date + canonical company + type." + }, + "date": {"type": "string", "format": "date"}, + "date_precision": { + "type": "string", + "enum": ["day", "month", "quarter", "year", "approximate"], + "default": "day" + }, + "company": { + "type": "string", + "description": "Canonical name of the protagonist company." + }, + "racetrack_id": {"type": "string"}, + "type": { + "type": "string", + "enum": [ + "founding", + "product-launch", + "funding", + "ipo", + "acquisition", + "merger", + "partnership", + "regulatory", + "lawsuit", + "milestone-metric", + "executive-change", + "controversy", + "shutdown" + ] + }, + "headline": { + "type": "string", + "description": "One-line summary, neutral tone." + }, + "details": {"type": "string"}, + "magnitude": { + "type": "string", + "enum": ["industry-defining", "company-defining", "noteworthy", "minor"] + }, + "amount_usd_mn": {"type": ["number", "null"]}, + "involved_parties": { + "type": "array", + "items": {"type": "string"} + }, + "theme_tag": { + "type": "string", + "description": "Stage theme (e.g. 'tech-breakthrough', 'commercialization', 'shakeout')." + }, + "sources": { + "type": "array", + "minItems": 1, + "items": {"$ref": "source.schema.json"} + } + } +} diff --git a/skills/industry-landscape-research/schemas/racetrack.schema.json b/skills/industry-landscape-research/schemas/racetrack.schema.json new file mode 100644 index 000000000..581473948 --- /dev/null +++ b/skills/industry-landscape-research/schemas/racetrack.schema.json @@ -0,0 +1,103 @@ +{ + "$schema": "http://json-schema.org/draft-07/schema#", + "$id": "racetrack.schema.json", + "title": "Racetrack (Industry Sub-track)", + "description": "A coherent sub-track within the broader industry, with consistent customer/value chain logic.", + "type": "object", + "required": ["id", "name", "definition", "as_of_date"], + "properties": { + "id": { + "type": "string", + "pattern": "^[a-z0-9-]+$", + "description": "Slug, e.g. 'image-generation', 'vertical-saas-medical'." + }, + "name": { + "type": "string", + "description": "Human-readable name." + }, + "definition": { + "type": "string", + "description": "1-2 sentences defining what is in scope." + }, + "out_of_scope": { + "type": "array", + "items": {"type": "string"}, + "description": "Adjacent areas explicitly excluded." + }, + "archetype": { + "type": "string", + "enum": ["platform", "saas-vertical", "deeptech-hardware", "marketplace", "consumer", "infrastructure", "content-media"] + }, + "tam_usd_bn": { + "type": "object", + "properties": { + "value": {"type": "number"}, + "methodology": {"type": "string", "enum": ["top-down", "bottom-up", "comparable", "consensus-of-three"]}, + "as_of_date": {"type": "string", "format": "date"}, + "source_url": {"type": "string"} + } + }, + "sam_usd_bn": {"type": "number"}, + "som_usd_bn": {"type": "number"}, + "cagr_pct": { + "type": "object", + "properties": { + "value": {"type": "number"}, + "horizon_years": {"type": "integer"}, + "source_url": {"type": "string"} + } + }, + "geographies": { + "type": "array", + "items": { + "type": "object", + "properties": { + "region": {"type": "string", "enum": ["global", "us-canada", "europe", "china", "japan-korea", "southeast-asia", "middle-east", "latin-america", "africa", "india"]}, + "market_share_pct": {"type": "number"}, + "notes": {"type": "string"} + } + } + }, + "tier_thresholds": { + "type": "object", + "description": "Valuation thresholds used to classify companies into tiers.", + "properties": { + "tier_1_usd_bn_min": {"type": "number"}, + "tier_2_usd_bn_min": {"type": "number"}, + "tier_3_usd_bn_min": {"type": "number"} + } + }, + "key_metrics": { + "type": "array", + "items": {"type": "string"}, + "description": "Archetype-specific KPIs (e.g. NRR for SaaS, take rate for marketplace)." + }, + "lifecycle_stage": { + "type": "string", + "enum": ["seeding", "growing", "scaling", "shaking-out", "consolidated", "declining"], + "description": "S-curve / Gartner hype cycle stage." + }, + "concentration": { + "type": "object", + "properties": { + "cr3": {"type": "number", "description": "Top-3 market share %"}, + "cr5": {"type": "number"}, + "hhi": {"type": "number", "description": "Herfindahl-Hirschman Index"} + } + }, + "structural_drivers": { + "type": "array", + "items": {"type": "string"}, + "description": "Underlying forces driving the racetrack (regulation, tech leap, demographic, etc.)" + }, + "color_code": { + "type": "string", + "description": "Hex color for visual identification across slides." + }, + "as_of_date": {"type": "string", "format": "date"}, + "sources": { + "type": "array", + "items": {"$ref": "source.schema.json"} + } + } +} diff --git a/skills/industry-landscape-research/schemas/sku.schema.json b/skills/industry-landscape-research/schemas/sku.schema.json new file mode 100644 index 000000000..e4f3f0f0d --- /dev/null +++ b/skills/industry-landscape-research/schemas/sku.schema.json @@ -0,0 +1,140 @@ +{ + "$schema": "http://json-schema.org/draft-07/schema#", + "title": "SKU", + "description": "快速演进 catalog 类行业的单个 SKU/版本记录。一行一个 SKU。", + "type": "object", + "required": ["sku_id", "company_id", "name", "release_date", "status", "as_of_date", "sources"], + "properties": { + "sku_id": { + "type": "string", + "description": "全局唯一 ID，建议 - 如 'qwen-qwen3-max'", + "pattern": "^[a-z0-9][a-z0-9-_.]*$" + }, + "company_id": { + "type": "string", + "description": "所属公司 ID，引用 companies.jsonl 中的 id" + }, + "name": { + "type": "string", + "description": "SKU/版本完整名，如 'Qwen3-Max', 'Seedance 2.5 Pro', 'gpt-4o-2024-08-06'" + }, + "category": { + "type": "string", + "description": "细分品类，如 LLM-text / VLM / T2I / T2V / R2V / Embedding / ASR / TTS / Coding / Reasoning" + }, + "release_date": { + "type": "string", + "description": "发布日 YYYY-MM-DD 或 YYYY-Q[1-4]", + "pattern": "^[0-9]{4}(-(([01][0-9]-[0-3][0-9])|Q[1-4]))?$" + }, + "status": { + "type": "string", + "enum": ["GA", "Beta", "Preview", "Deprecated", "Private", "Sunset"], + "description": "GA 通用版 / Beta 公测 / Preview 预览 / Deprecated 弃用 / Private 灰度 / Sunset 已下线" + }, + "params": { + "type": "object", + "description": "核心参数（自由 schema，按品类填）", + "properties": { + "context_length": {"type": "integer", "description": "上下文窗口 token 数"}, + "model_size": {"type": "string", "description": "参数量，如 7B / 72B / MoE-A3B / unknown"}, + "modality": {"type": "array", "items": {"type": "string"}, "description": "['text','image','video','audio']"}, + "max_resolution": {"type": "string", "description": "图像/视频 SKU 最大分辨率，如 1920x1080 / 4K"}, + "max_duration_sec": {"type": "number", "description": "视频/音频最大时长（秒）"}, + "vector_dim": {"type": "integer", "description": "Embedding 维度"}, + "reasoning_mode": {"type": "boolean", "description": "是否原生支持 thinking/reasoning token"}, + "tool_use": {"type": "boolean"}, + "structured_output": {"type": "boolean"} + }, + "additionalProperties": true + }, + "pricing": { + "type": "object", + "description": "定价信息", + "properties": { + "currency": {"type": "string", "enum": ["USD", "CNY", "EUR", "JPY"]}, + "input_per_mtoken": {"type": ["number", "null"], "description": "输入每 1M token 价格"}, + "output_per_mtoken": {"type": ["number", "null"], "description": "输出每 1M token 价格"}, + "cache_hit_per_mtoken": {"type": ["number", "null"], "description": "Cache 命中价"}, + "reasoning_per_mtoken": {"type": ["number", "null"], "description": "Reasoning token 单价（如有单独计费）"}, + "image_per_call": {"type": ["number", "null"], "description": "图像生成每次价格"}, + "video_per_sec": {"type": ["number", "null"], "description": "视频生成每秒价格"}, + "audio_per_min": {"type": ["number", "null"], "description": "音频每分钟价格"}, + "free_tier": {"type": ["string", "null"], "description": "免费额度描述"}, + "batch_discount_pct": {"type": ["number", "null"], "description": "Batch API 折扣 (0-100)"}, + "tiered": {"type": ["array", "null"], "description": "阶梯定价", "items": {"type": "object"}}, + "pricing_page_url": {"type": "string", "format": "uri", "description": "官方 pricing page URL"}, + "pricing_as_of": {"type": "string", "pattern": "^[0-9]{4}-[0-9]{2}-[0-9]{2}$", "description": "价格抓取日"}, + "grade": {"type": "string", "enum": ["L1", "L2", "L3", "L4"]} + } + }, + "rate_limits": { + "type": "object", + "properties": { + "rpm": {"type": ["integer", "null"], "description": "Requests per minute"}, + "tpm": {"type": ["integer", "null"], "description": "Tokens per minute"}, + "concurrency": {"type": ["integer", "null"]}, + "notes": {"type": "string"} + } + }, + "predecessor": { + "type": ["string", "null"], + "description": "前代 SKU 的 sku_id；首代留 null" + }, + "successor": { + "type": ["string", "null"], + "description": "下一代 SKU 的 sku_id；最新版留 null" + }, + "upgrade_summary": { + "type": "string", + "description": "相比前代 1-2 句变化" + }, + "benchmarks": { + "type": "array", + "description": "公开 benchmark 分数", + "items": { + "type": "object", + "properties": { + "name": {"type": "string", "description": "如 MMLU / LMArena ELO / Artificial Analysis Index"}, + "value": {"type": "number"}, + "as_of_date": {"type": "string"}, + "source": {"type": "string"} + } + } + }, + "availability_regions": { + "type": "array", + "items": {"type": "string"}, + "description": "可用区域，如 ['CN','US','EU','APAC']" + }, + "deprecation": { + "type": "object", + "description": "弃用信息（status=Deprecated/Sunset 时填）", + "properties": { + "announced_date": {"type": "string"}, + "sunset_date": {"type": "string"}, + "recommended_alternative_sku_id": {"type": "string"} + } + }, + "as_of_date": { + "type": "string", + "pattern": "^[0-9]{4}-[0-9]{2}-[0-9]{2}$", + "description": "本条记录的快照日" + }, + "sources": { + "type": "array", + "minItems": 1, + "description": "来源 URL 列表，至少 1 个 L1 官方源", + "items": { + "type": "object", + "required": ["url", "grade"], + "properties": { + "url": {"type": "string", "format": "uri"}, + "grade": {"type": "string", "enum": ["L1", "L2", "L3", "L4"]}, + "fetched_at": {"type": "string"} + } + } + }, + "notes": {"type": "string"} + } +} diff --git a/skills/industry-landscape-research/schemas/source.schema.json b/skills/industry-landscape-research/schemas/source.schema.json new file mode 100644 index 000000000..159a78078 --- /dev/null +++ b/skills/industry-landscape-research/schemas/source.schema.json @@ -0,0 +1,51 @@ +{ + "$schema": "http://json-schema.org/draft-07/schema#", + "$id": "source.schema.json", + "title": "Source Citation", + "description": "Citation record for any non-trivial data point. Every L1-L3 datum must have at least one source.", + "type": "object", + "required": ["url", "fetched_date", "grade"], + "properties": { + "url": { + "type": "string", + "format": "uri", + "description": "Direct link to the primary source." + }, + "title": {"type": "string"}, + "publisher": { + "type": "string", + "description": "Publisher / site (e.g. 'NVIDIA 10-K', 'The Information', '36kr')." + }, + "publisher_tier": { + "type": "string", + "enum": ["L1-exchange-or-audited", "L2-authoritative-media", "L3-pr-or-summary", "L4-rumor-or-anon"], + "description": "Publisher quality tier (separate from datum grade)." + }, + "author": {"type": "string"}, + "published_date": {"type": "string", "format": "date"}, + "fetched_date": {"type": "string", "format": "date"}, + "grade": { + "type": "string", + "enum": ["L1", "L2", "L3", "L4"] + }, + "quote": { + "type": "string", + "description": "1-2 sentence verbatim quote supporting the data point." + }, + "lang": {"type": "string"}, + "cross_validated_by": { + "type": "array", + "items": {"type": "string", "format": "uri"}, + "description": "URLs of independent secondary sources confirming the data." + }, + "is_secondary": { + "type": "boolean", + "default": false, + "description": "True if this is a secondary citation; primary source should be linked separately." + }, + "access_notes": { + "type": "string", + "description": "e.g. 'paywall', 'requires login', 'cached snapshot only'." + } + } +} diff --git a/skills/industry-landscape-research/scripts/Makefile b/skills/industry-landscape-research/scripts/Makefile new file mode 100644 index 000000000..7eed95e51 --- /dev/null +++ b/skills/industry-landscape-research/scripts/Makefile @@ -0,0 +1,69 @@ +# industry-landscape-research / scripts / Makefile +# +# 一键运行常用脚本。所有脚本均为纯标准库（python3 / bash），无 pip 依赖。 +# +# 用法： +# make validate # 校验 data/ 与 examples/*/ 下所有 .jsonl +# make validate-strict # 严格模式：缺 source/as_of/grade 直接报错 +# make unit-economics # 计算所有 examples 的单位经济 +# make all # 跑完整 pipeline +# make clean # 清理 build/ 输出 +# +# 约定： +# ROOT 指向 skill 包根目录（含 SKILL.md），默认就在 scripts/ 上一级。 +# BUILD 输出目录，默认 ROOT/build。 + +ROOT := $(realpath $(dir $(lastword $(MAKEFILE_LIST)))/..) +BUILD := $(ROOT)/build +PY := python3 + +.PHONY: help validate validate-strict unit-economics ue-md all clean + +help: + @echo "Industry Landscape Research / 脚本入口" + @echo "" + @echo " make validate 校验 jsonl 结构与 datum 四元组" + @echo " make validate-strict 严格模式，缺数据直接 fail" + @echo " make unit-economics 从 examples/*/companies-sample.jsonl 计算 LTV/CAC/Payback" + @echo " make ue-md 同上但输出 Markdown 表" + @echo " make all validate + unit-economics" + @echo " make clean 清理 build/" + @echo "" + @echo "ROOT = $(ROOT)" + @echo "BUILD = $(BUILD)" + +$(BUILD): + @mkdir -p $(BUILD) + +validate: + @$(PY) $(ROOT)/scripts/validate.py --root $(ROOT) + +validate-strict: + @$(PY) $(ROOT)/scripts/validate.py --root $(ROOT) --strict + +unit-economics: | $(BUILD) + @for f in $(ROOT)/examples/*/companies-sample.jsonl; do \ + [ -f "$$f" ] || continue; \ + name=$$(basename $$(dirname $$f)); \ + echo "==> $$name"; \ + $(PY) $(ROOT)/templates/calculators/unit-economics-calculator.py \ + --input "$$f" --output $(BUILD)/$$name-ue.csv; \ + done + @echo "OK -> $(BUILD)/*-ue.csv" + +ue-md: | $(BUILD) + @for f in $(ROOT)/examples/*/companies-sample.jsonl; do \ + [ -f "$$f" ] || continue; \ + name=$$(basename $$(dirname $$f)); \ + $(PY) $(ROOT)/templates/calculators/unit-economics-calculator.py \ + --input "$$f" --format md > $(BUILD)/$$name-ue.md; \ + done + @echo "OK -> $(BUILD)/*-ue.md" + +all: validate unit-economics + @echo "" + @echo "Pipeline complete. Outputs in $(BUILD)/" + +clean: + @rm -rf $(BUILD) + @echo "Cleaned $(BUILD)" diff --git a/skills/industry-landscape-research/scripts/validate.py b/skills/industry-landscape-research/scripts/validate.py new file mode 100644 index 000000000..3b332d55c --- /dev/null +++ b/skills/industry-landscape-research/scripts/validate.py @@ -0,0 +1,261 @@ +#!/usr/bin/env python3 +""" +Schema 校验脚本 — 检查 data/*.jsonl 与 references/*.json 是否符合 schemas/*.schema.json + +用法： + python scripts/validate.py [--root ] [--strict] + +默认 root = 调研项目根目录（含 data/ 与 schemas/）。 + +特性： +- 纯标准库（用户偏好），手写极简 JSON Schema 校验器：支持 type / required / properties / + items / minimum / maximum / enum / pattern / additionalProperties。 +- 强制 4 元组检查（datum 子字段）：value + source + as_of + grade。 +- 输出：错误数 / 警告数 / 文件 × 行号 × 字段。 +- 退出码：0 全部通过 / 1 有错误 / 2 schema 自身损坏。 + +例： + python scripts/validate.py --root . +""" +import json +import sys +import re +from pathlib import Path +from typing import Any + + +def load_json(path: Path) -> Any: + with open(path, "r", encoding="utf-8") as f: + return json.load(f) + + +def iter_jsonl(path: Path): + """支持两种格式： + 1. 真正的 JSONL（每行一个对象） + 2. 整个文件就是一个 JSON 对象或数组（教学样本常见） + """ + with open(path, "r", encoding="utf-8") as f: + text = f.read() + # 尝试整体解析 + stripped = text.strip() + if stripped.startswith("{") or stripped.startswith("["): + try: + whole = json.loads(stripped) + if isinstance(whole, list): + for i, rec in enumerate(whole, 1): + yield i, rec + return + if isinstance(whole, dict): + yield 1, whole + return + except json.JSONDecodeError: + pass # 回落到逐行 + # 逐行 JSONL + for idx, line in enumerate(text.splitlines(), 1): + line = line.strip() + if not line: + continue + try: + yield idx, json.loads(line) + except json.JSONDecodeError as e: + yield idx, ("__error__", str(e)) + + +def check_type(value, expected) -> bool: + if isinstance(expected, list): + return any(check_type(value, t) for t in expected) + mapping = { + "string": str, + "integer": int, + "number": (int, float), + "boolean": bool, + "array": list, + "object": dict, + "null": type(None), + } + py_type = mapping.get(expected) + if py_type is None: + return True # 未知类型放过 + if expected == "integer" and isinstance(value, bool): + return False + return isinstance(value, py_type) + + +def validate(data, schema, path="$", errors=None) -> list: + if errors is None: + errors = [] + + if "type" in schema and not check_type(data, schema["type"]): + errors.append(f"{path}: 类型不符，期望 {schema['type']}，实际 {type(data).__name__}") + return errors + + if "enum" in schema and data not in schema["enum"]: + errors.append(f"{path}: 值 {data!r} 不在枚举 {schema['enum']}") + + if isinstance(data, dict): + for req in schema.get("required", []): + if req not in data: + errors.append(f"{path}: 缺少必填字段 '{req}'") + for k, v in data.items(): + sub = schema.get("properties", {}).get(k) + if sub is not None: + validate(v, sub, f"{path}.{k}", errors) + elif schema.get("additionalProperties") is False: + errors.append(f"{path}: 未声明字段 '{k}'") + + if isinstance(data, list) and "items" in schema: + for i, item in enumerate(data): + validate(item, schema["items"], f"{path}[{i}]", errors) + + if isinstance(data, (int, float)) and not isinstance(data, bool): + if "minimum" in schema and data < schema["minimum"]: + errors.append(f"{path}: 值 {data} < minimum {schema['minimum']}") + if "maximum" in schema and data > schema["maximum"]: + errors.append(f"{path}: 值 {data} > maximum {schema['maximum']}") + + if isinstance(data, str) and "pattern" in schema: + if not re.search(schema["pattern"], data): + errors.append(f"{path}: 字符串不匹配 pattern {schema['pattern']!r}") + + return errors + + +def check_datum_completeness(data, prefix="$", warnings=None) -> list: + """强制 4 元组：value + source + as_of + grade。""" + if warnings is None: + warnings = [] + if isinstance(data, dict): + for k, v in data.items(): + new_prefix = f"{prefix}.{k}" + if isinstance(v, dict) and "datum" in v: + datum = v["datum"] + if not isinstance(datum, dict): + warnings.append(f"{new_prefix}: datum 不是对象") + continue + missing = [f for f in ("value", "source", "as_of", "grade") if f not in datum] + if missing: + warnings.append(f"{new_prefix}.datum: 缺 4 元组字段 {missing}") + grade = datum.get("grade") + if grade and grade not in ("L1", "L2", "L3", "L4"): + warnings.append(f"{new_prefix}.datum.grade: 非法等级 {grade}") + elif isinstance(v, (dict, list)): + check_datum_completeness(v, new_prefix, warnings) + elif isinstance(data, list): + for i, item in enumerate(data): + check_datum_completeness(item, f"{prefix}[{i}]", warnings) + return warnings + + +def main(): + args = sys.argv[1:] + root = Path(".") + strict = False + if "--root" in args: + i = args.index("--root") + root = Path(args[i + 1]) + if "--strict" in args: + strict = True + + schemas_dir = root / "schemas" + data_dir = root / "data" + examples_dir = root / "examples" + + if not schemas_dir.exists(): + print(f"[FATAL] schemas 目录不存在: {schemas_dir}", file=sys.stderr) + sys.exit(2) + + try: + company_schema = load_json(schemas_dir / "company.schema.json") + event_schema = load_json(schemas_dir / "event.schema.json") + racetrack_schema = load_json(schemas_dir / "racetrack.schema.json") + source_schema = load_json(schemas_dir / "source.schema.json") + sku_schema_path = schemas_dir / "sku.schema.json" + sku_schema = load_json(sku_schema_path) if sku_schema_path.exists() else None + except Exception as e: + print(f"[FATAL] schemas 自身解析失败: {e}", file=sys.stderr) + sys.exit(2) + + schema_map = { + "companies": company_schema, + "events": event_schema, + "racetracks": racetrack_schema, + } + if sku_schema is not None: + schema_map["skus"] = sku_schema + + total_errors = 0 + total_warnings = 0 + + # 扫描 data/ 与 examples/*/ + targets = [] + for d in (data_dir, examples_dir): + if d.exists(): + for f in d.rglob("*.jsonl"): + targets.append(f) + + if not targets: + print("[INFO] 未找到 .jsonl 文件，跳过数据校验", file=sys.stderr) + + for f in targets: + # 根据文件名推断 schema + stem = f.stem.replace("-sample", "") + schema_key = None + for key in schema_map: + if key.rstrip("s") in stem or key in stem: + schema_key = key + break + if schema_key is None: + print(f"[SKIP] {f}: 无法推断 schema（文件名应含 companies/events/racetracks/skus）") + continue + + schema = schema_map[schema_key] + file_errors = 0 + file_warnings = 0 + + # examples/ 下视为教学样本，schema 不全只是 WARN；data/ 下严格 ERROR + is_example = "examples" in f.parts + for idx, record in iter_jsonl(f): + if isinstance(record, tuple) and record[0] == "__error__": + print(f"[ERROR] {f}:{idx} JSON 解析失败: {record[1]}") + file_errors += 1 + continue + errs = validate(record, schema) + warns = check_datum_completeness(record) + for e in errs: + if is_example: + print(f"[WARN ] {f}:{idx} (example) {e}") + file_warnings += 1 + else: + print(f"[ERROR] {f}:{idx} {e}") + file_errors += 1 + for w in warns: + print(f"[WARN ] {f}:{idx} {w}") + file_warnings += 1 + + print(f" → {f.name}: {file_errors} errors / {file_warnings} warnings") + total_errors += file_errors + total_warnings += file_warnings + + # 校验 sources.csv 存在与基础格式 + sources_csv = data_dir / "sources.csv" + if sources_csv.exists(): + with open(sources_csv, "r", encoding="utf-8") as f: + header = f.readline().strip().split(",") + required = {"url", "as_of", "grade"} + missing = required - set(header) + if missing: + print(f"[ERROR] sources.csv 表头缺字段: {missing}") + total_errors += 1 + + print(f"\n========= 总结 =========") + print(f"Errors : {total_errors}") + print(f"Warnings: {total_warnings}") + if total_errors > 0: + sys.exit(1) + if strict and total_warnings > 0: + sys.exit(1) + sys.exit(0) + + +if __name__ == "__main__": + main() diff --git a/skills/industry-landscape-research/templates/calculators/README.md b/skills/industry-landscape-research/templates/calculators/README.md new file mode 100644 index 000000000..c2fe99c7d --- /dev/null +++ b/skills/industry-landscape-research/templates/calculators/README.md @@ -0,0 +1,29 @@ +# 单位经济学计算器 + +## 使用方式 + +1. 复制 `unit-economics-calculator.csv` 为新文件 +2. 填入"输入"列的灰底单元格（黄色单元格自动计算） +3. 黄底单元格会按公式自动算出 LTV/CAC/Rule of 40 等 +4. 也可以用 `unit-economics-calculator.py` 跑批量计算（多家公司对比） + +## 文件清单 + +- `unit-economics-calculator.csv` — Excel/Numbers 可直接打开，含 SaaS / Marketplace / Consumer / DeepTech 四套预设 +- `unit-economics-calculator.py` — Python 脚本（标准库 only），可对 `companies.jsonl` 批量算 +- `unit-economics-formulas.md` — 公式与解读 +- `htm-to-pptx-pipeline.md` — 把 HTML/SVG 可视化重建为原生可编辑 PPTX 的流水线 + +## 公式速查 + +| 指标 | 公式 | 健康阈值（中位数）| +|------|------|------| +| LTV | ARPU × 毛利率 / 月流失率 | 至少 3× CAC | +| CAC | 销售费用 / 新增客户数 | 行业相关 | +| CAC Payback | CAC / (ARPU × 毛利率) | <18 个月（SaaS）| +| Rule of 40 | 营收增速 + EBITDA margin | ≥40% | +| Magic Number | 增量 ARR / 增量销售费用 | ≥1.0 | +| NRR | (期末 ARR - 流失 - 降级) / 期初 ARR | ≥110% 强健 | +| GRR | (期末 ARR - 流失) / 期初 ARR | ≥90% | +| Burn Multiple | 净亏 / 净增 ARR | <1.5× 健康 | +| Contribution Margin | (收入 - 变动成本) / 收入 | >0 为正 | diff --git a/skills/industry-landscape-research/templates/calculators/htm-to-pptx-pipeline.md b/skills/industry-landscape-research/templates/calculators/htm-to-pptx-pipeline.md new file mode 100644 index 000000000..29b99d7e1 --- /dev/null +++ b/skills/industry-landscape-research/templates/calculators/htm-to-pptx-pipeline.md @@ -0,0 +1,139 @@ +# HTML → 原生可编辑 PPTX 流水线 + +> 用户偏好：**必须输出原生可编辑 PPTX（addText/addShape，非 PNG/截图式）**；HTML/SVG 仅作为中间预览和数据载体。 + +## 流水线总览 + +``` +data/companies.jsonl + │ + ▼ + [Step A] 派生交付物 JSON（renderable layout） + │ + ▼ + [Step B] 用 pptxgenjs 直接生成原生 PPTX（不经过 HTML） + │ + ▼ + outputs/industry-deck.pptx +``` + +或对于复杂可视化（如 Wardley/利润池）： + +``` +templates/visualizations/*.svg + data + │ + ▼ + [Step C] SVG 解析为元素列表（位置 + 类型 + 文本） + │ + ▼ + [Step D] 元素逐个映射为 pptxgenjs addShape/addText + │ + ▼ + outputs/industry-deck.pptx +``` + +## Step A：派生 renderable layout + +```javascript +// 从 jsonl 生成可渲染对象 +const layout = { + type: "landscape-grid", + title: "AIGC 图像生成行业全景图", + asOfDate: "2025-06-24", + rows: [ + {racetrack: "图像生成", cards: [ + {geo: "NA", companies: [{name: "Midjourney", tier: "T1"}, ...]}, + {geo: "CN", companies: [{name: "即梦", tier: "T1"}, ...]} + ]} + ] +}; +``` + +## Step B：pptxgenjs 直接生成 + +```javascript +const pptx = new pptxgen(); +pptx.layout = "LAYOUT_WIDE"; // 13.33 × 7.5 inch + +const slide = pptx.addSlide(); + +// 标题（原生文本） +slide.addText(layout.title, { + x: 0.4, y: 0.3, w: 12, h: 0.6, + fontSize: 24, fontFace: "Playfair Display", + color: "E5E0D8" +}); + +// 卡片（原生圆角矩形 + 文本） +layout.rows.forEach((row, rIdx) => { + row.cards.forEach((col, cIdx) => { + col.companies.forEach((c, ciIdx) => { + slide.addShape("roundRect", { + x: 1 + cIdx * 2.4, + y: 1.5 + rIdx * 1.2 + ciIdx * 0.4, + w: 1.8, h: 0.32, + fill: { color: c.tier === "T1" ? "C9A87C" : "FFFFFF" }, + line: { color: "C9A87C", width: 1 } + }); + slide.addText(c.name, { + x: 1 + cIdx * 2.4, y: 1.5 + rIdx * 1.2 + ciIdx * 0.4, + w: 1.8, h: 0.32, fontSize: 10, align: "center", + color: c.tier === "T1" ? "0F1115" : "C9A87C" + }); + }); + }); +}); + +await pptx.writeFile({ fileName: "outputs/landscape.pptx" }); +``` + +## 关键坑（来自实战） + +1. **形状名 `rightTriangle` 非法** → 用 `rtTriangle` +2. **pptxgenjs 4.0.1 `addSlide()` 会生成 phantom slideMaster Override**，PowerPoint 打开会弹"修复"框 → 用 `adm-zip` 后处理剔除不存在 PartName 的 Override： + +```javascript +const AdmZip = require("adm-zip"); +const zip = new AdmZip("outputs/landscape.pptx"); +const ct = zip.readAsText("[Content_Types].xml"); +const cleaned = ct.replace( + /]*\/>/g, + match => zip.getEntry(match.match(/PartName="([^"]+)"/)[1].slice(1)) ? match : "" +); +zip.updateFile("[Content_Types].xml", Buffer.from(cleaned)); +zip.writeZip("outputs/landscape-fixed.pptx"); +``` + +3. **中文字体兼容性**：客户端没有 "Playfair Display" 时会回退，配色仍生效。建议 PPT 中文字段统一用 `Noto Sans SC` / `Microsoft YaHei`。 + +4. **大量 addText 性能**：>500 个 shape 时 pptxgenjs 卡顿，可考虑用 OOXML 直接拼 ``。 + +## SVG 元素 → pptxgenjs 映射表 + +| SVG 元素 | pptxgenjs API | 备注 | +|---------|--------------|------| +| `` | `addShape("rect"...)` 或 `addShape("roundRect"...)` | rx 转 rectRadius | +| `` | `addShape("ellipse"...)` | x = cx - r | +| `` | `addShape("line"...)` | 起止点 | +| `` | `addShape("custGeom"...)` | freeform 路径 | +| `` | `addText(...)` | 单独 textBox | +| `` | `addShape("custGeom"...)` | SVG path 解析后转 EMU | +| `` | 偏移所有子元素 | 不支持 group 嵌套 | + +## 推荐路径优先级 + +| 复杂度 | 推荐路径 | +|--------|---------| +| 简单（卡片网格、表格、文本） | Step A + Step B（直接 pptxgenjs） | +| 中等（雷达图、时间线、漏斗） | Step C + Step D（SVG 解析） | +| 复杂（Wardley、利润池） | OOXML 直接拼，控制力最强 | + +## 验证清单 + +- [ ] PowerPoint 打开无"修复"弹窗 +- [ ] 所有形状可单独选中并编辑 +- [ ] 所有文本可双击修改 +- [ ] 中文字体在客户机器上正常显示 +- [ ] 配色与 HTML 一致（容差 < 5） +- [ ] 数据点（卡片/标注）数量与 jsonl 一致 +- [ ] 文件大小合理（< 2MB 优秀，< 5MB 可接受） diff --git a/skills/industry-landscape-research/templates/calculators/unit-economics-calculator.csv b/skills/industry-landscape-research/templates/calculators/unit-economics-calculator.csv new file mode 100644 index 000000000..b734b67ed --- /dev/null +++ b/skills/industry-landscape-research/templates/calculators/unit-economics-calculator.csv @@ -0,0 +1,26 @@ +Section,Field,Value,Formula,Healthy Threshold,Notes +INPUTS,ARPU (月均),100,manual,行业相关,客单月均收入（USD） +INPUTS,Gross Margin %,75%,manual,SaaS ≥70%,毛利率 +INPUTS,Monthly Churn %,2.5%,manual,SaaS <3%,月流失率 +INPUTS,New Customers (Q),200,manual,N/A,本季度新增客户数 +INPUTS,S&M Spend (Q),300000,manual,N/A,本季度销售营销支出 +INPUTS,Beginning ARR,3000000,manual,N/A,期初 ARR +INPUTS,Ending ARR,3800000,manual,N/A,期末 ARR +INPUTS,Churned ARR,150000,manual,N/A,本期流失 ARR +INPUTS,Net Loss,500000,manual,N/A,净亏损（绝对额） +INPUTS,EBITDA Margin %,-15%,manual,Rule of 40 用,EBITDA 利润率 +INPUTS,Revenue Growth YoY %,60%,manual,Rule of 40 用,营收同比增速 +CALCULATED,LTV,3000,= ARPU × Margin / Churn,SaaS ≥ 3 × CAC,客户终身价值 +CALCULATED,CAC,1500,= S&M / New Customers,SaaS $1000-3000,获客成本 +CALCULATED,LTV/CAC ratio,2.0,= LTV / CAC,≥ 3 健康,长期效率 +CALCULATED,CAC Payback (月),20,= CAC / (ARPU × Margin),≤18 个月,回本期 +CALCULATED,Magic Number,1.07,= (Ending ARR - Beginning ARR) / S&M,≥1 健康,投入产出 +CALCULATED,NRR (近似),121.7%,= (Ending - Churned - Downgrade) / Beginning,≥110% 强,净留存 +CALCULATED,GRR (近似),95.0%,= (Ending - Churned) / Beginning,≥90%,总留存 +CALCULATED,Rule of 40,45%,= Growth + EBITDA,≥40%,综合健康 +CALCULATED,Burn Multiple,0.63,= Net Loss / (Ending ARR - Beginning ARR),<1.5 健康,烧钱效率 +VERDICT,Overall Health,Healthy,manual judgment based on above,N/A,综合判断 +PRESET,SaaS Vertical,---,Use rows 2-12,LTV/CAC≥3 NRR≥110%,Vertical SaaS 用此预设 +PRESET,Marketplace,---,Replace ARPU with AOV × Frequency,Take Rate 6-15%,Marketplace 用此预设 +PRESET,Consumer App,---,Replace ARPU with ARPPU/ARPDAU,Retention D30 ≥20%,Consumer 用 +PRESET,DeepTech,---,Replace LTV with Contract value,Capital Efficiency,DeepTech 长周期 diff --git a/skills/industry-landscape-research/templates/calculators/unit-economics-calculator.py b/skills/industry-landscape-research/templates/calculators/unit-economics-calculator.py new file mode 100644 index 000000000..185a309eb --- /dev/null +++ b/skills/industry-landscape-research/templates/calculators/unit-economics-calculator.py @@ -0,0 +1,156 @@ +#!/usr/bin/env python3 +""" +单位经济学批量计算器 +- 纯标准库实现（用户偏好：拒绝额外 pip 依赖） +- 输入：companies.jsonl（按 schemas/company.schema.json） +- 输出：CSV + Markdown 表格 + +用法： + python unit-economics-calculator.py [--out out.csv] + +例： + python unit-economics-calculator.py ../../examples/ex-saas-legaltech/companies-sample.jsonl +""" +import json +import sys +import csv +from pathlib import Path + + +def safe(d, *keys, default=None): + """从嵌套字典安全取值。""" + cur = d + for k in keys: + if isinstance(cur, dict) and k in cur: + cur = cur[k] + else: + return default + return cur + + +def datum_value(field): + """field 可能是 {datum:{value,...}} 或 直接 数字。""" + if isinstance(field, dict) and "datum" in field: + return field["datum"].get("value") + if isinstance(field, (int, float)): + return field + return None + + +def calc_unit_economics(company): + """根据 company 字段算出能算的指标。缺数据则填 None。""" + arpu = datum_value(company.get("arpu")) + margin = datum_value(company.get("gross_margin")) + churn = datum_value(company.get("monthly_churn")) + cac = datum_value(company.get("cac")) + new_cust = datum_value(company.get("new_customers")) + sm_spend = datum_value(company.get("sm_spend")) + begin_arr = datum_value(company.get("beginning_arr")) + end_arr = datum_value(company.get("ending_arr")) + churned_arr = datum_value(company.get("churned_arr")) + net_loss = datum_value(company.get("net_loss")) + ebitda = datum_value(company.get("ebitda_margin")) + growth = datum_value(company.get("revenue_growth_yoy")) + nrr_explicit = datum_value(company.get("nrr")) + + out = {} + + # LTV / CAC + if arpu is not None and margin is not None and churn: + out["LTV"] = round(arpu * (margin / 100) / (churn / 100), 0) + if cac is None and sm_spend is not None and new_cust: + cac = round(sm_spend / new_cust, 0) + if cac is not None: + out["CAC"] = cac + if "LTV" in out and cac: + out["LTV/CAC"] = round(out["LTV"] / cac, 2) + out["CAC_Payback_月"] = ( + round(cac / (arpu * margin / 100), 1) + if arpu and margin + else None + ) + + # ARR-based metrics + if begin_arr and end_arr and sm_spend: + out["Magic_Number"] = round((end_arr - begin_arr) / sm_spend, 2) + if begin_arr and end_arr and churned_arr is not None: + out["GRR"] = round((end_arr - churned_arr) / begin_arr * 100, 1) + if nrr_explicit is not None: + out["NRR"] = nrr_explicit + elif begin_arr and end_arr and churned_arr is not None: + out["NRR_approx"] = round((end_arr - churned_arr) / begin_arr * 100, 1) + + # Rule of 40 / Burn Multiple + if growth is not None and ebitda is not None: + out["Rule_of_40"] = round(growth + ebitda, 1) + if net_loss and end_arr and begin_arr and (end_arr - begin_arr) > 0: + out["Burn_Multiple"] = round(net_loss / (end_arr - begin_arr), 2) + + return out + + +def verdict(metrics): + """简易健康判定。""" + flags = [] + if metrics.get("LTV/CAC") and metrics["LTV/CAC"] < 3: + flags.append("LTV/CAC<3") + if metrics.get("CAC_Payback_月") and metrics["CAC_Payback_月"] > 24: + flags.append("payback>24m") + if metrics.get("Rule_of_40") and metrics["Rule_of_40"] < 30: + flags.append("Rule<30") + if metrics.get("Burn_Multiple") and metrics["Burn_Multiple"] > 2: + flags.append("burn>2") + if not flags: + return "🟢 Healthy" + if len(flags) <= 1: + return f"🟡 Watch ({','.join(flags)})" + return f"🔴 Risk ({','.join(flags)})" + + +def main(jsonl_path, out_csv="unit-economics-out.csv"): + rows = [] + with open(jsonl_path, "r", encoding="utf-8") as f: + for line in f: + line = line.strip() + if not line: + continue + company = json.loads(line) + metrics = calc_unit_economics(company) + metrics["company_id"] = company.get("company_id") + metrics["name"] = company.get("name") + metrics["verdict"] = verdict(metrics) + rows.append(metrics) + + # 输出 CSV + all_keys = sorted({k for r in rows for k in r.keys()}) + leading = ["company_id", "name", "verdict"] + headers = leading + [k for k in all_keys if k not in leading] + + with open(out_csv, "w", newline="", encoding="utf-8") as f: + writer = csv.DictWriter(f, fieldnames=headers) + writer.writeheader() + for r in rows: + writer.writerow(r) + + # 控制台 Markdown 输出 + print("| " + " | ".join(headers) + " |") + print("|" + "|".join(["---"] * len(headers)) + "|") + for r in rows: + print("| " + " | ".join(str(r.get(k, "")) for k in headers) + " |") + + print(f"\n✓ 写入 {out_csv}（{len(rows)} 家公司）", file=sys.stderr) + + +if __name__ == "__main__": + if len(sys.argv) < 2: + print(__doc__, file=sys.stderr) + sys.exit(1) + + args = sys.argv[1:] + out = "unit-economics-out.csv" + if "--out" in args: + i = args.index("--out") + out = args[i + 1] + args = args[:i] + args[i + 2:] + + main(args[0], out) diff --git a/skills/industry-landscape-research/templates/calculators/unit-economics-formulas.md b/skills/industry-landscape-research/templates/calculators/unit-economics-formulas.md new file mode 100644 index 000000000..b95b6b5f2 --- /dev/null +++ b/skills/industry-landscape-research/templates/calculators/unit-economics-formulas.md @@ -0,0 +1,125 @@ +# 单位经济学公式速查与解读 + +## 核心定义口径（禁止混用） + +| 指标 | 严格定义 | 常见误用 | +|------|---------|---------| +| ARR | 年化经常性收入（合同/订阅口径，不含一次性） | 把 GMV 当 ARR | +| GMV | 平台总交易额（marketplace） | 把 GMV 当营收 | +| Revenue | GAAP 营收（已确认） | 与 bookings 混用 | +| ARPU | 单用户月均收入 | 把活跃用户与付费用户混 | +| Churn | 月流失 = 流失数 / 期初活跃 | 与 retention 混淆 | +| NRR | 净留存 = (期末 - 流失 - 降级 + 扩展) / 期初 | 不含扩展则是 GRR | +| GRR | 总留存 = (期末 - 流失) / 期初 | 与 NRR 混淆 | + +## 完整公式集 + +### 客户层面 + +``` +LTV (客户终身价值) = ARPU × Gross Margin% / Monthly Churn% + ≈ ARPU × Margin × (1 / 月流失率) + +CAC (获客成本) = 季度销售营销费用 / 季度新增客户数 + = （Sales + Marketing Spend）/ New Customers + 注：含人头/广告/工具/活动；不含 R&D +``` + +### 效率层面 + +``` +LTV/CAC = LTV / CAC + 健康：≥ 3 ；优秀：≥ 5；危险：< 2 + +CAC Payback = CAC / (ARPU × Gross Margin%) + 健康：< 18 个月；危险：> 24 个月 + +Magic Number = (本季度 ARR - 上季度 ARR) × 4 / 上季度 S&M + 健康：≥ 1.0；优秀：≥ 1.5 +``` + +### 留存层面 + +``` +NRR = (期末 ARR - 流失 ARR - 降级 ARR + 扩展 ARR) / 期初 ARR × 100% + 强健：≥ 110%；优秀：≥ 130%；危险：< 100% + +GRR = (期末 ARR - 流失 ARR - 降级 ARR) / 期初 ARR × 100% + 上限即 NRR 减去扩展贡献；健康：≥ 90% +``` + +### 综合层面 + +``` +Rule of 40 = Revenue Growth YoY% + EBITDA Margin% + 健康：≥ 40；优秀：≥ 50；衰退：< 30 + +Burn Multiple = 季度净亏损 / 季度净新增 ARR + 健康：< 1.5；危险：> 2.5 + +Contribution Margin = (Revenue - Variable Cost) / Revenue + 必须为正才能规模化；负值意味着每多卖一单亏更多 +``` + +## Marketplace 特别口径 + +``` +Take Rate = Revenue / GMV + 注：M2C 模式（SHEIN/Temu）口径不同，是毛利率而非佣金，禁止与平台型 take rate 直接比较 + +Frequency = Annual Orders / Active Users + +AOV (Average Order Value) = GMV / Total Orders + +Net Revenue per Customer = AOV × Frequency × Take Rate + +Liquidity = (订单匹配时间) ↓ 或 （供给端响应时间）↓ +``` + +## Consumer App 特别口径 + +``` +ARPDAU = 日营收 / DAU +ARPPU = 付费用户 ARPU + +DAU/MAU Ratio (粘性) = DAU / MAU + Twitter ≈ 0.50；Snapchat ≈ 0.70；Slack ≈ 0.85 + +D1/D7/D30 Retention = 注册后 1/7/30 天仍活跃的比例 + Casual game D30 < 5%；社交 D30 > 30%；工具 D30 > 50% +``` + +## DeepTech 特别口径 + +``` +Capital Efficiency = 累计营收 / 累计融资 + 早期 0.1×；成熟 1.0×；明星 > 2× + +Runway (生存期) = 现金余额 / 月烧钱 + 健康：≥ 18 个月 + +Time to Revenue = 公司创立到第一笔商业化营收的月数 + DeepTech 中位数 36-60 月 +``` + +## 健康度评分卡（综合） + +| 维度 | A 级 (≥) | B 级 | C 级 | D 级 | +|------|---------|------|------|------| +| LTV/CAC | 5 | 3 | 2 | < 2 | +| CAC Payback (月) | < 12 | < 18 | < 24 | ≥ 24 | +| NRR | ≥ 130% | ≥ 110% | ≥ 100% | < 100% | +| Rule of 40 | ≥ 60 | ≥ 40 | ≥ 30 | < 30 | +| Magic Number | ≥ 1.5 | ≥ 1.0 | ≥ 0.7 | < 0.5 | +| Burn Multiple | < 1.0 | < 1.5 | < 2.5 | ≥ 2.5 | + +## 数据获取困难时的代理指标 + +| 缺失 | 代理 | 来源 | +|------|------|------| +| LTV | Revenue / Customer Count × 平均合同年限 | 招股书或访谈估算 | +| CAC | S&M Expense / New Customers (从年报披露的"新增客户" + S&M 费用栏目推算) | 10-K 季报 | +| NRR | "Top 10 客户营收占比" 变化 + 收入 YoY | 招股书 MD&A | +| Churn | (1 - Renewal Rate) | 公司管理层访谈 | + +代理指标必须挂 L3 等级，与一手 NRR/Churn 区别开。 diff --git a/skills/industry-landscape-research/templates/subagent-company-deepdive.md b/skills/industry-landscape-research/templates/subagent-company-deepdive.md new file mode 100644 index 000000000..352a5c177 --- /dev/null +++ b/skills/industry-landscape-research/templates/subagent-company-deepdive.md @@ -0,0 +1,139 @@ +# Subagent Prompt: Company Deep Dive (R2) + +> 用于 Step 3 第二轮：深度钻取。下放给并行子代理（每个 Agent 负责 2-3 家公司）。 + +## 任务输入 + +``` +公司列表: [ + {canonical_name, aliases, ticker, racetrack_id, archetype}, + ... +] +赛道画像: {racetrack.jsonl 中本赛道的完整记录} +截止日期: {AS_OF_DATE} +基准汇率: {USD/CNY, HKD/CNY, EUR/CNY}（来自 snapshots/fx-rates.csv） +``` + +## 你的目标 + +对每家公司做**深度画像**：把 `schemas/company.schema.json` 的所有字段填到 80% 以上覆盖率。**每个非常识数据点必须有 4 元组**：数值 + 来源 URL + 截止日期 + 数据等级。 + +## 你需要抓什么 + +按 `company.schema.json` 完整字段集（每家公司一条记录），重点字段： + +### 团队 +- founders 数组（姓名 + 履历 + LinkedIn URL，至少 2 位核心人物） +- 关键高管最近 12 月变动 + +### 产品 +- product_lines（核心产品 + 类别 + 上线日期 + URL） +- tech_route（自研 / 开源 fork / 第三方 API / 混合） + +### 财务（必须） +- revenue_usd_mn（最近一个完整财年） +- gross_margin / net_margin（如披露） +- rd_ratio（研发占比） +- fiscal_year + +### 用户（必须） +- mau / dau / paid +- 注意区分注册数 vs 活跃 vs 付费（按 `references/dirty-work-playbook.md` §7.2） + +### 融资（必须） +- 全部融资轮次（轮次 + 日期 + 金额 + 估值 + 领投） +- 来源：Crunchbase / IT桔子 / 36氪 / 公司公告 + +### 估值（必须，4 元组完整） +- latest_usd_mn + as_of_date + grade + method + source_url +- 上市公司：见 `references/valuation-playbook.md`，港股 5 位补零，必要时总股本 × 近端价格 +- 未上市：最近一轮估值 / 媒体报道 / 对标推算（如对标必填 derivation_formula） +- 双值（IPO 首日 + 当前）：用户明确要求时同时给出，含峰值 + +### 竞争位置 +- tier（根据 racetrack.tier_thresholds 归档） +- market_share_pct（如能查到） +- differentiation（一句话） +- main_competitors（3-5 家） + +### 立场信号 +- regulatory_risk（low / medium / high） +- ip_disputes（已知诉讼/纠纷） +- public_sentiment + +### BD 评估（可选，按调研目的） +- priority（P0/P1/P2/P3） +- entry_point（BD 切入点） + +## 来源策略 + +按 `references/source-matrix.md` 优先级： +1. **L1**：公司财报 / 招股书 / 交易所披露 / 公司官方公告 +2. **L2**：The Information / Bloomberg / FT / 36氪深氪 / 量子位深度报道 +3. **L3**：行业媒体综述 / 公司 PR +4. **L4**：匿名信源、自媒体 → 必须标注 `(传)`，至少有 L1/L2 旁证才采用 + +**交叉验证**：每个 L1/L2 数据点需至少 2 个独立来源（不同域名，非转载关系）。 + +## 反爬路径 + +| 场景 | 路径 | +|------|------| +| 港股市值 | 新浪 `hk{5位}/nc.shtml` → 取 `@fixTotalShare@` × 近端价格 | +| A股市值 | 新浪 `{sz\|sh}{6位}.html` → 同上 | +| 美股市值 | Google Finance / Yahoo Finance | +| 未上市估值 | Crunchbase 浏览器 MCP → 36氪 / IT桔子 兜底 | +| 财报 | 公司 IR 页直链 → 港交所披露易 → SEC EDGAR → 巨潮资讯 | +| 招股书 PDF | Read 工具直接读 | +| 创始人履历 | LinkedIn 浏览器 MCP → 公司官网团队页 → 媒体采访 | + +## 输出格式 + +```jsonl +// companies.jsonl（追加 / 更新已有记录） +{ + "canonical_name": "...", + "racetrack_id": "...", + "archetype": "...", + "founders": [...], + "product_lines": [...], + "financials": {...}, + "users": {...}, + "funding_history": [...], + "valuation": { + "latest_usd_mn": 150, + "as_of_date": "2026-06-20", + "grade": "L2", + "method": "latest-round", + "source_url": "https://..." + }, + ... + "sources": [ + {"url":"...", "publisher":"...", "publisher_tier":"L2-authoritative-media", "fetched_date":"2026-06-24", "grade":"L2", "quote":"...", "cross_validated_by":["https://..."]} + ] +} +``` + +加一份 `r2-{company}-log.md`： +- 字段覆盖率清单（哪些字段填了、哪些空着、为什么空） +- 异常检测结果（按 `dirty-work-playbook.md` §7.2 触发了哪些规则） +- 待 R3 验证的数据点清单 + +## 质量门槛 + +- 字段覆盖率 ≥ 80%（关键字段：valuation / financials / users / funding 必填或显式标"未披露"） +- L1+L2 数据占比 ≥ 60% +- 每个 L1/L2 数据点 ≥ 2 个独立来源 +- 估值字段不能 L4（如只有匿名传闻 → 标"数据不足"而非编造） + +## 禁止事项 + +- ❌ 把毛利率当净利率 +- ❌ 用过期数据外推不标"~"或"derived" +- ❌ 跨期数据混用（不同财年的 ARR 直接比较） +- ❌ 公司名/产品名不归一（先查 `snapshots/aliases.csv`） +- ❌ 汇率不用快照（每个 Agent 必须用同一组汇率） + +## 一句话总结 + +逐公司穷尽，4 元组留痕，标空不编造，等待 R3 验证。 diff --git a/skills/industry-landscape-research/templates/subagent-cross-validate.md b/skills/industry-landscape-research/templates/subagent-cross-validate.md new file mode 100644 index 000000000..79a3c1315 --- /dev/null +++ b/skills/industry-landscape-research/templates/subagent-cross-validate.md @@ -0,0 +1,106 @@ +# Subagent Prompt: Cross-Validate & Gap Fill (R3) + +> 用于 Step 3 第三轮：验证补盲。下放给并行子代理（按数据源切片）。 + +## 任务输入 + +``` +companies.jsonl: 已有公司画像（R1+R2 产出） +缺口清单: 从 R2 日志聚合的"未查"/"L4"/"待验证"字段集合 +异常清单: R2 日志触发的异常检测结果 +新锐发现任务: {RACETRACK_ID} 最近 12 月融资/产品爆发的潜在新公司 +``` + +## 你的目标 + +三件事，按优先级： +1. **补缺口**：把 R2 标"未查"或 L4 的关键字段补齐到 L2 以上 +2. **交叉验证**：对所有 L1/L2 数据点，找第 2 个独立来源 +3. **新锐发现**：扫一遍最近 12 个月的融资/产品事件，找出 R1/R2 遗漏的公司 + +## 补缺口任务 + +对每个缺口字段： +- 找针对性数据源（如缺研发占比 → 找招股书） +- 至少尝试 3 个不同来源 +- 仍找不到 → 标"未披露"或"不适用"（不是"未查"） + +**优先补的字段**（按业务价值排序）： +1. 估值（latest_usd_mn） +2. 营收（revenue） +3. 用户规模（MAU / DAU） +4. 最近一轮融资金额 +5. 创始团队背景 +6. 主要竞争对手 + +## 交叉验证任务 + +对每个 L1/L2 数据点： +1. 检查 `sources` 是否已有 `cross_validated_by` 字段 +2. 若无，找 1 个独立来源（不同域名、非转载关系） +3. 若两个来源数据冲突 → 用以下规则裁决： + - 取**更新**的日期（除非新源明显二手） + - 取**更权威**的发行者（财报 > 媒体 > PR） + - 仍无法裁决 → 标注"数据分歧"并写入异常日志 + +## 新锐发现任务 + +**搜索策略**： +- `{赛道名} 新锐 融资 {YEAR}` +- `{赛道名} 黑马 {YEAR}` +- `{赛道名} 最新融资` +- 在 Crunchbase / IT桔子 用赛道标签 + 最近 12 月过滤 +- 在 The Information / 36氪 找"未上市公司估值榜"或"独角兽榜单" + +**入选门槛**（满足任一）： +- 最近 12 月有 ≥ A 轮融资且估值进入赛道 tier-3 以上 +- 产品发布后 6 月内用户增长 ≥ 100% +- 头部公司联合创始人/核心高管出来创业 +- 在权威榜单（如 Forbes AI 50 / a16z Top 100）首次入榜 + +**发现后**：按 `subagent-racetrack-scan.md` 的最小字段集补一条 `company.jsonl`，标记 `bd_assessment.priority = TBD`，留给下一轮深度钻取。 + +## 异常处理任务 + +对 R2 标记的每条异常（按 `dirty-work-playbook.md` §7.2）： +- 估值跳变 > 200% → 查融资公告原文 +- 财务矛盾 → 回到原始来源 +- 时间倒置 → 全部时间戳逐项核对 +- 单位错乱 → 重读原文确认单位 +- 用户口径混淆 → 查 IR 披露的定义 + +修正后写入 companies.jsonl，并在 `r3-anomaly-log.md` 留档：原值、修正值、修正依据。 + +## 输出格式 + +``` +outputs/ +├── companies.jsonl (更新) +├── coverage-report.md (字段覆盖率、L1+L2 占比、交叉验证率) +├── r3-gap-fills.md (本轮补了哪些字段，从哪来) +├── r3-cross-validation.md (每个 L1/L2 数据点的双源对比) +├── r3-new-companies.md (新发现公司清单) +└── r3-anomaly-log.md (异常修正记录) +``` + +## 质量门槛 + +R3 结束后**整体调研**必须达： +- 公司覆盖：≥ 赛道目标数（如 R1 列了 15 家则 R3 后应 ≥ 18 家含新锐） +- 字段覆盖率：≥ 80% +- L1+L2 数据占比：≥ 60% +- 交叉验证率（L1/L2 数据有 ≥2 源）：≥ 60% +- 异常项剩余：0（全部或修正或标注"数据分歧"） + +**不达门槛 → 触发 R4 缺口补搜**。 + +## 禁止事项 + +- ❌ 同一来源算两个验证源（域名相同/转载关系） +- ❌ 冲突数据"和稀泥"（取平均值）→ 必须明确裁决依据 +- ❌ 新锐公司只列名字不填字段 +- ❌ 异常项标"已确认"但不写依据 + +## 一句话总结 + +补缺、双源、找新锐、修异常，把数据信度提到 L2 以上 60%+。 diff --git a/skills/industry-landscape-research/templates/subagent-devil-advocate.md b/skills/industry-landscape-research/templates/subagent-devil-advocate.md new file mode 100644 index 000000000..d0955f59a --- /dev/null +++ b/skills/industry-landscape-research/templates/subagent-devil-advocate.md @@ -0,0 +1,107 @@ +# Subagent Prompt: Devil's Advocate (反方独立评审) + +> 用于 Step 7 Thesis Synthesis 环节。**必须由独立 Agent 执行**，与主调研团队分离，避免群体思维（Groupthink）。 + +## 任务输入 + +``` +house_view.md: 主调研团队的核心结论 +companies.jsonl, racetrack.jsonl, events.jsonl: 全部数据 +scenario-forecast.md: 三情景预测 +profit-pool.csv: 利润池分析 +coverage-audit.md: 覆盖度审计 +``` + +## 你的目标 + +**只做一件事：找问题。** 你的任务**不是赞同**主报告，而是用最严苛的视角挑刺。 + +具体输出 5 类批判： + +### 1. 数据质疑 (Data Challenge) + +- 找出 L3/L4 等级却被当成 L1/L2 使用的数据点 +- 找出未交叉验证就下结论的关键数据 +- 找出过期 > 6 个月却未标注的数据 +- 找出推算值但未标 `derived: true` 的数据 +- 找出"自洽循环"：A 来源引用 B，B 引用 A + +### 2. 偏差检测 (Bias Detection) + +按 `references/bias-checklist.md` 6 大认知偏差逐项检查： + +| 偏差 | 检查问题 | +|------|---------| +| 确认偏误 | 报告是否只选了支持核心结论的证据？ | +| 可得性偏误 | 报告是否过度引用近期/热门事件？冷门但重要的事件有没有遗漏？ | +| 锚定偏误 | 估值/规模是否锚定在某个早期数字上不再更新？ | +| 幸存者偏误 | 报告里只有"成功"公司？倒闭/出局的公司有没有研究？ | +| 代表性偏误 | 报告是否用一两个案例代表整个赛道？ | +| 后视镜偏误 | 报告是否假装"我们早就知道"某个趋势？ | + +每条找到证据 → 标注**章节 + 段落**。 + +### 3. 反向论证 (Counter-Argument) + +对核心结论提出**至少 3 个反向假设**，每个反向假设： +- 用什么数据/趋势会让结论翻转 +- 反向假设的概率主观估计 +- 早期预警信号 + +例： +> 主报告说"NVIDIA 算力垄断 5 年内不会被打破" +> 反向：(a) 中国国产卡 + 算法优化使训练成本降 70% → 概率 20%；(b) Anthropic/OpenAI 转 ASIC（如 Tenstorrent）→ 15%；(c) 推理转向 CPU/Apple Silicon → 10% + +### 4. 信任度评级 (Confidence Audit) + +按章节列出主报告的**信心等级标注**是否合理： +- 高 (H) - 中 (M) - 低 (L) +- 你的独立评估 vs 主报告标注 +- 不一致项必须说明 + +### 5. 盲区清单 (Blind Spot List) + +主报告**没问的问题**： +- 哪些赛道相邻领域被忽略？ +- 哪些利益相关方未分析？ +- 哪些地理区域被遗漏？ +- 哪些演化路径未做情景预测？ +- 哪些"反直觉"假设未挑战？ + +## 输出格式 + +``` +outputs/ +├── devil-advocate-report.md +│ ├── §1 数据质疑（具体数据点 + 证据） +│ ├── §2 偏差检测（章节 + 段落定位） +│ ├── §3 反向论证（≥ 3 个，含概率与预警） +│ ├── §4 信任度评级审计（按章节） +│ └── §5 盲区清单（≥ 5 条） +└── devil-advocate-summary.md（一页摘要：最大 3 个风险） +``` + +## 工作原则 + +1. **不预设立场**：不要为了反对而反对，只在有证据时挑刺 +2. **不传话**：直接指出问题，不要软化措辞（如"或许"、"可能"少用） +3. **量化挑战**：尽量提供数据，而非主观判断 +4. **建设性出口**：每条质疑后建议一个**补救动作**（重新调研 / 补充数据 / 降低信心等级 / 加入风险章节） + +## 评估标准 + +你的报告应回答： +- 主报告如果在 6 个月后被证伪，最可能从哪个论点开始崩塌？ +- 主报告如果只能保留 3 个结论，应该是哪 3 个？ +- 主报告如果给客户/老板汇报，最容易被反驳的是哪段？ + +## 禁止事项 + +- ❌ 只挑细节不挑核心（要找会颠覆结论的问题） +- ❌ "全篇没问题"（如果真这样，就找出"调研做得过于完美"的可疑点） +- ❌ 引用未在原报告里出现的数据来反驳（除非是为补盲找的对照） +- ❌ 把"我不同意"当证据（要给独立来源） + +## 一句话总结 + +**像反方律师一样审视报告**：找出会让结论翻车的数据、偏差、盲区、过度自信。 diff --git a/skills/industry-landscape-research/templates/subagent-quant-model.md b/skills/industry-landscape-research/templates/subagent-quant-model.md new file mode 100644 index 000000000..7597466fd --- /dev/null +++ b/skills/industry-landscape-research/templates/subagent-quant-model.md @@ -0,0 +1,122 @@ +# Subagent Prompt: Quantitative Modeling + +> 用于 Step 6 量化建模。下放给独立子代理，专注算账。 + +## 任务输入 + +``` +companies.jsonl: 全部公司画像 +racetrack.jsonl: 全部赛道画像 +archetype: {target_archetype}（决定算什么 KPI） +基准汇率: {USD/CNY, HKD/CNY, EUR/CNY}（从 snapshots/fx-rates.csv） +``` + +## 你的目标 + +按 `workflows/05-quant-modeling.md` 输出四类模型： + +### 1. 单位经济 (Unit Economics) + +按 archetype 选 KPI 集（参见 `references/rules-of-thumb.md`）： +- SaaS: NRR / GRR / CAC Payback / LTV/CAC / Magic Number / Rule of 40 / Burn Multiple +- Marketplace: Take Rate / Liquidity / Disintermediation Rate / Repeat Buyer +- Consumer: D1/D7/D30 Retention / ARPU / Payment Conversion +- DeepTech: R&D Ratio / Gross Margin / Customer Concentration / TRL +- Infra: Capex/Revenue / Utilization / TOP3 Customer Concentration + +每家公司一列，每个 KPI 一行；填不到的标"未披露"或"不适用"。 + +### 2. TAM / SAM / SOM + +按**三方法交叉**： +- **Top-down**：从全球总市场拆赛道占比（来源：Gartner / IDC / Statista） +- **Bottom-up**：客户数 × 客单价 × 渗透率（来源：行业普查 / 同业基准） +- **Comparable**：对标成熟市场（如新兴市场 / 历史可比阶段） + +**当 3 个估算差异 < 30%** → 取中位数 + 标注三源 +**当差异 > 30%** → 报告分歧、解释根因、取最保守值 + +### 3. Profit Pool + +按 `references/profit-pool.md`： +- 沿 Stack Map 分 5-10 段 +- 每段填：营收 ($B) / 净利率 (%) / 净利润 ($B) / 来源 +- 输出 2-5 年趋势（如有数据） +- 计算利润集中度（前 3 段占比） + +### 4. 敏感性分析 + +对 House View 的关键假设做 ±20% 扰动测试： +- 关键变量：增速 / 毛利率 / 市占率 / Capex 强度 +- 输出：变量 × 影响幅度 矩阵 +- 标记"高敏感"（结论翻转的变量） + +## 输入数据要求 + +- 所有金额必须经过单位归一（统一亿元或亿美元 + 标注原币和汇率） +- 所有日期统一 ISO 格式 +- 所有数据带 4 元组（数值 + 来源 + 日期 + 等级） +- 缺失值不能填 0（用 "未披露" 字符串） + +## 输出格式 + +``` +outputs/ +├── unit-economics.csv (公司 × KPI 矩阵) +├── tam-sam-som.json (三方法明细 + 中位数) +├── profit-pool.csv (环节 × {营收, 利润率, 净利润, 来源}) +├── sensitivity-analysis.csv (变量 × 影响) +└── quant-model-log.md (假设清单 + 公式 + 数据来源) +``` + +## 计算规则 + +### 增速对齐 +- 同比 vs 环比要明示（用 YoY / QoQ 后缀） +- 累计增速 vs 年化增速要明示 + +### 折现率（如需 DCF） +- 默认 WACC = 10% (DM) / 12% (EM China) / 15% (early stage) +- 用户明确指定 → 用用户值 + +### 估值倍数 +- 看 archetype 选 EV/ARR / EV/EBITDA / EV/GMV / EV/MAU +- 倍数来源：可比公司均值 + 行业研报基准（标注来源） + +### 货币 +- 主货币：人民币（统一） +- 副货币：美元（国际可比） +- 汇率：用快照，不混用 + +## 输出物示例（节选） + +### unit-economics.csv (SaaS 行业示例) +``` +Metric, Company-A, Company-B, Company-C, Benchmark +NRR, 115%, 108%, 92%, ≥110% +CAC Payback (months), 14, 24, 38, ≤18 +LTV/CAC, 4.2, 2.8, 1.5, ≥3 +Rule of 40, 52, 28, -5, ≥40 +``` + +### profit-pool.csv (示例) +``` +Segment, Revenue_USD_BN, Net_Margin_PCT, Net_Profit_USD_BN, Source +Layer 1 - Infra, 150, 55, 82.5, NVIDIA FY25 10-K +Layer 2 - Model, 20, -100, -20, The Information 2025-04 +Layer 3 - Platform, 15, 15, 2.25, Industry estimate +Layer 4 - App, 8, 20, 1.6, SaaS median +Layer 5 - Surface, 25, 5, 1.25, Consumer median +``` + +## 禁止事项 + +- ❌ 把毛利率当净利率 +- ❌ 缺失值填 0 或编估算（必须显式标"未披露"） +- ❌ 不同财年数据直接对比 +- ❌ TAM 用单一来源（必须 3 法交叉） +- ❌ 不做敏感性分析直接给点估值 + +## 一句话总结 + +按 archetype 算账，三法交叉 TAM，画出利润池，做敏感性分析。**所有数都有 4 元组。** diff --git a/skills/industry-landscape-research/templates/subagent-racetrack-scan.md b/skills/industry-landscape-research/templates/subagent-racetrack-scan.md new file mode 100644 index 000000000..a21147249 --- /dev/null +++ b/skills/industry-landscape-research/templates/subagent-racetrack-scan.md @@ -0,0 +1,106 @@ +# Subagent Prompt: Racetrack Broad Scan (R1) + +> 用于 Step 3 第一轮：广度扫描。下放给并行子代理（按赛道切片）。 + +## 任务输入 + +``` +赛道名: {RACETRACK_NAME} +赛道定义: {RACETRACK_DEFINITION} +排除范围: {OUT_OF_SCOPE} +地理范围: {GEOS}（如 global / china / us-canada） +时间窗口: 截止 {AS_OF_DATE} +``` + +## 你的目标 + +对该赛道做**广度扫描**：建立赛道骨架与头部公司清单。输出一份赛道画像 + 至少 15 家公司的初步清单。 + +## 你需要抓什么（字段锁定） + +### Part A: 赛道画像 +按 `schemas/racetrack.schema.json` 输出 1 条记录，必须包含： +- `id`（slug 化）、`name`、`definition`、`out_of_scope` +- `archetype`（从 platform / saas-vertical / deeptech-hardware / marketplace / consumer / infrastructure / content-media 中选） +- `tam_usd_bn`（估算 + 来源） +- `cagr_pct`、`lifecycle_stage` +- `geographies`（每个地理区域市占） +- `structural_drivers`（3-5 个） +- `key_metrics`（archetype 相关 KPI） +- `tier_thresholds`（估值分档阈值） + +### Part B: 公司清单（≥ 15 家） +每家公司输出 `schemas/company.schema.json` 的**最小集**： +- `canonical_name`、`aliases`、`ticker`（若上市） +- `country`、`headquarters`、`founded_year`、`status` +- `archetype` +- `product_lines`（核心产品 1-3 个） +- `valuation`（最新估值 + 等级 + 来源） +- `competitive_position.tier`（按 valuation 自动归档） +- `sources`（至少 2 个独立来源） + +**完整画像**（含 founders / financials / users / funding_history / bd_assessment）由 R2 深度钻取负责，**本轮不需要**。 + +## 来源策略 + +**优先来源（L1-L2）**： +- 行业报告摘要：Gartner / Forrester / IDC / CB Insights / a16z 公开摘要 +- 媒体综述：The Information / 36氪 / 量子位 / 品玩 / TechCrunch 综述类文章 +- 投研报告：Bessemer / OpenView / 国内券商行业首份报告 + +**搜索关键词模板**： +- `{赛道名} 行业报告 {YEAR}` +- `{赛道名} market landscape {YEAR}` +- `{赛道名} top companies leaderboard` +- `{赛道名} 融资盘点 {YEAR}` +- `{赛道名} unicorns valuation` + +**地理切分**： +- 中国：36氪 / 品玩 / IT桔子 / 投中网 +- 全球：The Information / TechCrunch / Tech in Asia (东南亚) +- 美国：a16z / Bessemer / Lightspeed 公开博文 + +## 反爬策略 + +按 `references/crawl-strategy.md`： +1. 优先 WebFetch；JS 反爬强（雪球/东方财富/Crunchbase）切浏览器 MCP +2. 港股估值：5位补零，新浪 `hk{5位}/nc.shtml` +3. 单条请求失败 → 重试 1 次 → 切换备用站点 +4. 同站点限速：每分钟 ≤ 10 次 + +## 输出格式 + +```jsonl +// racetrack.jsonl（1 条） +{"id":"...", "name":"...", "definition":"...", ...} + +// companies.jsonl（≥ 15 条） +{"canonical_name":"...", "racetrack_id":"...", ...} +{"canonical_name":"...", "racetrack_id":"...", ...} +``` + +加一份 `r1-log.md`： +- 关键词清单（实际用过的） +- 来源 URL 清单（去重后） +- 字段覆盖率统计 +- 已识别但信息不足的公司清单（留给 R2） + +## 质量门槛 + +- 赛道画像字段覆盖率 ≥ 80% +- 公司清单 ≥ 15 家 +- 每家公司至少 2 个独立来源（不同域名） +- 估值字段至少 L2 等级 +- **不达门槛 → 明确标注"数据不足"，不要编造** + +## 禁止事项 + +- ❌ 编造未查到的数据 +- ❌ 来源写"网络"或"业内" +- ❌ 二手引用不追原始来源 +- ❌ 把推算值写成确定值（推算值必须 `derived: true` + 公式） +- ❌ 越界做 R2/R3 的深度抓取（保持本轮范围） + +## 一句话总结 + +广撒网，建骨架，标缺口，等待 R2 钻取。**宁可标"未查"也不要编。** diff --git a/skills/industry-landscape-research/templates/visualizations/README.md b/skills/industry-landscape-research/templates/visualizations/README.md new file mode 100644 index 000000000..14a75ee98 --- /dev/null +++ b/skills/industry-landscape-research/templates/visualizations/README.md @@ -0,0 +1,45 @@ +# 可视化骨架库 + +> 所有交付物的"原生可编辑"画布。SVG/HTML 全部内联，无外部依赖；用户只需要把 jsonl 数据塞进对应占位符即可。 + +## 使用方式 + +1. 调研结束后，根据 `data/companies.jsonl` 派生对应的可视化输入 +2. 复制本目录下骨架文件，把数据塞进占位符（`{{...}}`） +3. 用浏览器打开 .html 预览；或者用 `references/htm-to-pptx.md` 转 PPTX + +## 骨架清单 + +| 文件 | 用途 | 适用步骤 | +|------|------|---------| +| `landscape-grid.svg` | 行业全景图（行=赛道、列=地理） | Step 8 | +| `evolution-timeline.svg` | 演进时间线（水平时间轴 + 阶段标签） | Step 8 | +| `porter-5forces-radar.svg` | Porter 5 力雷达图 | Step 5 | +| `wardley-map.svg` | Wardley 演化图（价值链 × 可见性） | Step 5 | +| `value-chain-journey.svg` | 客户旅程（N 段 × 4 层覆盖） | Step 8 | +| `profit-pool.svg` | 利润池（环节宽度=营收，高度=margin） | Step 6 | +| `stakeholder-stance.html` | 利益相关方立场（HTML+表格+SVG 散点）| Step 5 | +| `company-deepdive-card.html` | 单家公司深度卡 1 页 | Step 8 | +| `valuation-leaderboard.html` | 估值排行榜（带双值：IPO首日 vs 当前）| Step 8 | +| `tam-sam-som-funnel.svg` | TAM/SAM/SOM 漏斗（三算法交叉） | Step 6 | +| `sku-pricing-matrix.html` 🆕 | SKU 矩阵 + 跨厂商价格对比（catalog 类） | Step 5/8（rapidly-evolving 修饰符） | +| `version-timeline.svg` 🆕 | 8 行 × 24 月版本演进时间线 | Step 8（rapidly-evolving 修饰符） | + +## 设计规范 + +- 视觉风格：Editorial 暗色，参考 `assets/showcase.html` 配色（#0F1115 底 + #C9A87C 主色 + #4A90E2 强调） +- 字体：标题 Playfair Display Serif，正文 Noto Sans / Inter，数据 JetBrains Mono +- SVG 必须用 viewBox（响应式），禁止固定 px 宽高 +- 数据点必须挂 `` 元素，鼠标悬停显示来源 + 抓取日期 + L 等级 +- 配色编码：T1 = 主色实心、T2 = 主色描边、T3 = 灰色描边、非常规公司 = 红边框警示 + +## PPT 原生重建说明 + +用户偏好"原生可编辑 PPTX"（addText/addShape，非截图）。HTML/SVG 是中间产物，PPTX 必须重建为原生元素： +- 矩形 → `pptxgenjs.addShape('roundRect', ...)` +- 文本 → `pptxgenjs.addText(...)` +- 折线 → `pptxgenjs.addShape('line', ...)` +- 雷达图 → `pptxgenjs.addChart('radar', ...)` +- 时间线箭头 → `pptxgenjs.addShape('rtTriangle', ...)`（注意：rightTriangle 名称非法） + +详细 PPT 重建流水线见 `templates/calculators/htm-to-pptx-pipeline.md`。 diff --git a/skills/industry-landscape-research/templates/visualizations/company-deepdive-card.html b/skills/industry-landscape-research/templates/visualizations/company-deepdive-card.html new file mode 100644 index 000000000..3052cf89c --- /dev/null +++ b/skills/industry-landscape-research/templates/visualizations/company-deepdive-card.html @@ -0,0 +1,127 @@ +<!DOCTYPE html> +<!-- 单家公司深度卡 1 页骨架。结构对应 company.schema.json --> +<html lang="zh-CN"> +<head> +<meta charset="UTF-8"> +<title>{{COMPANY_NAME}} 深度卡 + + + +
+ +
+
+

{{COMPANY_NAME}}

+
{{TAGLINE}}
+
+
+ {{RACETRACK}} · {{GEO}} · Tier {{TIER}}
+ 创立 {{FOUNDED}} · 总部 {{HQ}}
+ 状态：{{STATUS}} +
+
+ +
+
+

核心数据

+
+ 最新估值 {{VALUATION}} L1
+ IPO 首日 {{IPO_DAY1_MCAP}} L1
+ 当前市值 {{CURRENT_MCAP}} L1
+ ARR / 营收 {{ARR}} L2
+ NRR / 留存 {{NRR}} L3
+ CAC Payback {{CAC_PAYBACK}} L3
+ 员工数 {{EMPLOYEES}} L1
+ 累计融资 {{TOTAL_FUNDING}} L1
+
+ +

产品矩阵

+
    +
  • {{PRODUCT_1}}
    • +
  • {{PRODUCT_2}}
    • +
  • {{PRODUCT_3}}
    • +
+ +

关键里程碑

+
    +
  • {{MILESTONE_1}}
    • +
  • {{MILESTONE_2}}
    • +
  • {{MILESTONE_3}}
    • +
+
+ +
+

客户与生态

+
    +
  • 头部客户 1: {{TOP_CUSTOMER_1}}
    • +
  • 头部客户 2: {{TOP_CUSTOMER_2}}
    • +
  • 头部客户 3: {{TOP_CUSTOMER_3}}
    • +
+ +

关键合作 / 集成

+
    +
  • {{PARTNER_1}}
    • +
  • {{PARTNER_2}}
    • +
+ +

7 Powers 评分

+
+ 规模 {{P_SCALE}}/5 ｜ 网络 {{P_NET}}/5
+ 反向定位 {{P_COUNTER}}/5 ｜ 切换成本 {{P_SWITCH}}/5
+ 品牌 {{P_BRAND}}/5 ｜ 资源 {{P_RES}}/5
+ 流程 {{P_PROC}}/5 +
+
+ +
+

护城河 (Why winning)

+
    +
  • {{MOAT_1}}
    • +
  • {{MOAT_2}}
    • +
+ +

风险 (Why losing)

+
    +
  • {{RISK_1}}
    • +
  • {{RISK_2}}
    • +
+ +

12 月领先指标

+
    +
  • {{LEADING_INDICATOR_1}}
    • +
  • {{LEADING_INDICATOR_2}}
    • +
+
+
+ +
+ Thesis：{{THESIS}} +
+ +
+ 来源：{{SOURCE_URLS}} · 抓取日期 {{AS_OF_DATE}} · 数据等级见各字段标注 +
+
+ + diff --git a/skills/industry-landscape-research/templates/visualizations/evolution-timeline.svg b/skills/industry-landscape-research/templates/visualizations/evolution-timeline.svg new file mode 100644 index 000000000..914ca6a99 --- /dev/null +++ b/skills/industry-landscape-research/templates/visualizations/evolution-timeline.svg @@ -0,0 +1,101 @@ + + + + + + + + + + {{INDUSTRY_NAME}} 演进时间线 + {{START_YEAR}} - {{END_YEAR}} · 共标记 {{EVENT_COUNT}} 个关键事件 · 来源：events.jsonl + + + + {{PHASE_1_NAME}} + {{PHASE_1_THEME}} + + + {{PHASE_2_NAME}} + {{PHASE_2_THEME}} + + + {{PHASE_3_NAME}} + {{PHASE_3_THEME}} + + + {{PHASE_4_NAME}} + {{PHASE_4_THEME}} + + + + S-curve 成熟度 + + + + + {{TICK_1_YEAR}} + + {{TICK_2_YEAR}} + + {{TICK_3_YEAR}} + + {{TICK_4_YEAR}} + + {{TICK_5_YEAR}} + + + + + + {{EVENT_1_LABEL}} + {{EVENT_1_DATE}} + + + + + + {{EVENT_2_LABEL}} + {{EVENT_2_DATE}} + + + + + + {{EVENT_3_LABEL}} + {{EVENT_3_DATE}} + + + + + + {{EVENT_4_LABEL}} + {{EVENT_4_DATE}} + + + + + + 常规事件（融资/发布/合作） + + 里程碑事件（IPO/退出/重大政策） + + 行业 S-curve 成熟度 + + diff --git a/skills/industry-landscape-research/templates/visualizations/landscape-grid.svg b/skills/industry-landscape-research/templates/visualizations/landscape-grid.svg new file mode 100644 index 000000000..fbaf2611d --- /dev/null +++ b/skills/industry-landscape-research/templates/visualizations/landscape-grid.svg @@ -0,0 +1,84 @@ + + + + + + + + + + {{INDUSTRY_NAME}} 行业全景图 + 数据截止 {{AS_OF_DATE}} · 共 {{TOTAL_COMPANIES}} 家公司 · L1+L2 数据占比 {{L1L2_PCT}}% + + + {{GEO_1}} + {{GEO_1_COUNT}} 家 + {{GEO_2}} + {{GEO_2_COUNT}} 家 + {{GEO_3}} + {{GEO_3_COUNT}} 家 + {{GEO_4}} + {{GEO_4_COUNT}} 家 + {{GEO_5}} + {{GEO_5_COUNT}} 家 + + + + {{RACETRACK_1}} + {{RACETRACK_1_DESC}} + + + + + {{R1C1_T1_NAME}} + + + + + {{RACETRACK_2}} + {{RACETRACK_2_DESC}} + + + + + {{RACETRACK_3}} + {{RACETRACK_3_DESC}} + + + + + {{RACETRACK_4}} + {{RACETRACK_4_DESC}} + + + + + + T1 (Tier 1, 估值 ≥ $1B 或营收 ≥ $100M) + + + T2 (中腰部) + + + T3 (新锐 / 长尾) + + 来源：sources.csv · 抓取日期 {{AS_OF_DATE}} + + diff --git a/skills/industry-landscape-research/templates/visualizations/porter-5forces-radar.svg b/skills/industry-landscape-research/templates/visualizations/porter-5forces-radar.svg new file mode 100644 index 000000000..9103895b9 --- /dev/null +++ b/skills/industry-landscape-research/templates/visualizations/porter-5forces-radar.svg @@ -0,0 +1,69 @@ + + + + + + + + + + {{INDUSTRY_NAME}} Porter 五力 + 数据截止 {{AS_OF_DATE}} · 1=威胁低 / 5=威胁高 + + + + + + + + + 1 + + + + + + + + + + + + + + + + + + 现有竞争 ({{SCORE_RIVALRY}}) + 替代品威胁 ({{SCORE_SUBSTITUTE}}) + 客户议价力 ({{SCORE_BUYER}}) + 供应商议价 ({{SCORE_SUPPLIER}}) + 新进入威胁 ({{SCORE_ENTRY}}) + + + + + + + + + + + + + 综合判定：{{VERDICT}} + 高风险维度：{{HIGH_RISK}} · 主要护城河：{{MOAT}} + diff --git a/skills/industry-landscape-research/templates/visualizations/profit-pool.svg b/skills/industry-landscape-research/templates/visualizations/profit-pool.svg new file mode 100644 index 000000000..0520e80ff --- /dev/null +++ b/skills/industry-landscape-research/templates/visualizations/profit-pool.svg @@ -0,0 +1,84 @@ + + + + + + + + + + {{INDUSTRY_NAME}} 利润池分布 + X 轴 = 营收占比累计 · Y 轴 = 经营 margin（%） · 矩形面积 ≈ 利润绝对额 · {{AS_OF_DATE}} + + + + + + + 0% + 20% + 40% + 60% + 80% + 100% + 营收占比累计（{{TOTAL_REVENUE}}） + + + 0% + 10% + 20% + 30% + 40% + 50% + 60% + -10% + -20% + Margin (%) + + + + + + + {{SEG_1_NAME}} + {{SEG_1_REV}} · margin {{SEG_1_MARGIN}} + + + + {{SEG_2_NAME}} + {{SEG_2_REV}} · margin {{SEG_2_MARGIN}} + + + + {{SEG_3_NAME}} · margin {{SEG_3_MARGIN}} + + + + {{SEG_4_NAME}} + {{SEG_4_REV}} · margin {{SEG_4_MARGIN}} + + + + {{SEG_5_NAME}} ({{SEG_5_MARGIN}}) + + + + 洞察：{{PROFIT_POOL_INSIGHT}} + + diff --git a/skills/industry-landscape-research/templates/visualizations/sku-pricing-matrix.html b/skills/industry-landscape-research/templates/visualizations/sku-pricing-matrix.html new file mode 100644 index 000000000..499589a2f --- /dev/null +++ b/skills/industry-landscape-research/templates/visualizations/sku-pricing-matrix.html @@ -0,0 +1,184 @@ + + + + +SKU × Pricing Matrix + + + + +

SKU × Pricing Matrix

+

{{INDUSTRY}} · 数据快照 {{AS_OF_DATE}} · 共 {{N_COMPANIES}} 家 / {{N_SKUS}} SKU

+ +
+ GA 通用版 + Beta 公测 + Preview 预览 + Deprecated 已弃用 + 数据等级：L1 官方 L2 权威 L3 估算 L4 传闻 +
+ + + +
+
+

{{COMPANY_NAME}}

+ {{COMPANY_DESCRIPTION}} · 总 SKU 数 {{N}} · 近 90 天新增 +{{N_NEW}} · 已弃用 -{{N_DEPRECATED}} +
+ + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + +
SKU / 版本发布状态核心参数价格 (输入)价格 (输出)QPS / Rate来源
{{SKU_NAME}}
前代: {{PREV_SKU}}		{{RELEASE_DATE}}GA{{PARAMS}}{{INPUT_PRICE}}
{{INPUT_UNIT}}		{{OUTPUT_PRICE}}
{{OUTPUT_UNIT}}		{{QPS}}L1 官方
{{SOURCE_AS_OF}}
{{SKU_NAME_2}}{{RELEASE_DATE_2}}Beta{{PARAMS_2}}{{INPUT_PRICE_2}}{{OUTPUT_PRICE_2}}{{QPS_2}}L1
+
+ + + +
+
+

横向价格对比 — 同任务跨家

+ 假设：1M 输入 token + 0.5M 输出 token / 中文为主 +
+ + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + +
公司SKU输入价输出价1.5M token 总成本成本倍数来源
{{C1}}{{C1_SKU}}{{C1_IN}}{{C1_OUT}}{{C1_TOTAL}}1.0× (基准)L1
{{C2}}{{C2_SKU}}{{C2_IN}}{{C2_OUT}}{{C2_TOTAL}}0.4×L1
{{C3}}{{C3_SKU}}{{C3_IN}}{{C3_OUT}}{{C3_TOTAL}}2.3×L1
+
+ +
+ 使用须知： + ① 价格单位务必明确（per 1K / 1M token、per 秒、per 张）。中英文 token 比例 ≈ 1:1.5-2，须按真实业务测算。 + ② "总成本"按业务真实 in/out 比加权，禁止只看输入价。 + ③ Cache 命中价 / Batch 价 / Reasoning Token 计费须在 footnote 注明。 + ④ 每行价格必须给 L1 官方 pricing page 链接 + 抓取日期；超 7 天须重抓。 + ⑤ Beta / Preview 价格不可外推到 GA 阶段做客户报价。 +
+ + + diff --git a/skills/industry-landscape-research/templates/visualizations/stakeholder-stance.html b/skills/industry-landscape-research/templates/visualizations/stakeholder-stance.html new file mode 100644 index 000000000..d4b9a0394 --- /dev/null +++ b/skills/industry-landscape-research/templates/visualizations/stakeholder-stance.html @@ -0,0 +1,106 @@ + + + + + +{{INDUSTRY_NAME}} 利益相关方立场 + + + +

{{INDUSTRY_NAME}} 利益相关方立场图

+
数据截止 {{AS_OF_DATE}} · 共 {{STAKEHOLDER_COUNT}} 类相关方 · L1+L2 占比 {{L1L2_PCT}}%
+ + + + + + + + + + + + + + + + + + + +
角色立场影响力关键诉求典型动作 / 来源
监管（{{REGULATOR_1}}）反对偏中高{{R1_DEMAND}}{{R1_ACTION}}
监管（{{REGULATOR_2}}）中立观望高{{R2_DEMAND}}{{R2_ACTION}}
版权方 / 内容方反对偏中中{{IP_DEMAND}}{{IP_ACTION}}
渠道 / 平台方支持偏中中{{CHANNEL_DEMAND}}{{CHANNEL_ACTION}}
头部客户支持高{{CUST_DEMAND}}{{CUST_ACTION}}
媒体 / KOL中立低流量{{MEDIA_ACTION}}
资本市场（一二级）强支持中叙事 + 退出路径{{CAPITAL_ACTION}}
员工 / 工会反对偏中低{{LABOR_DEMAND}}{{LABOR_ACTION}}
公众舆论中立中透明 / 隐私 / 公平{{PUBLIC_ACTION}}
竞争对手强反对低降速 / 调查{{COMPETITOR_ACTION}}
+ +
+

立场 × 影响力散点矩阵

+ + + + + + 高影响力 + 低影响力 + 强反对 + 强支持 + + + + 🚨 重点关注 / 公关优先 + + + + ⭐ 战略联盟 / 锁定背书 + + + + 监控即可 + + + + 培养 / 扩大基础 + + + + 监管 1 + + 监管 2 + + 版权方 + + 渠道方 + + 头部客户 + + 资本市场 + + 员工/工会 + + 公众 + + 竞争对手 + + 媒体 + +
+ +

行动建议：{{ACTION_PLAN}}

+ + diff --git a/skills/industry-landscape-research/templates/visualizations/tam-sam-som-funnel.svg b/skills/industry-landscape-research/templates/visualizations/tam-sam-som-funnel.svg new file mode 100644 index 000000000..b6b7fe548 --- /dev/null +++ b/skills/industry-landscape-research/templates/visualizations/tam-sam-som-funnel.svg @@ -0,0 +1,74 @@ + + + + + + + + + + {{INDUSTRY_NAME}} TAM / SAM / SOM + 三算法交叉验证 · 数据截止 {{AS_OF_DATE}} + + + + TAM + {{TAM_VALUE}} + 总潜在市场（不受约束） + + + SAM + {{SAM_VALUE}} + 可服务（产品/地理/合规可达） + + + SOM + {{SOM_VALUE}} + 可获得（3-5 年内现实份额） + + + + ① 自上而下（Top-down） + {{METHOD_1_TAM}} + {{METHOD_1_FORMULA}} + 来源：{{METHOD_1_SOURCE}} + 置信：{{METHOD_1_CONFIDENCE}} + + + ② 自下而上（Bottom-up） + {{METHOD_2_TAM}} + {{METHOD_2_FORMULA}} + 来源：{{METHOD_2_SOURCE}} + 置信：{{METHOD_2_CONFIDENCE}} + + + ③ 类比法（Analogy） + {{METHOD_3_TAM}} + {{METHOD_3_FORMULA}} + 来源：{{METHOD_3_SOURCE}} + 置信：{{METHOD_3_CONFIDENCE}} + + + + 收敛判定 + 三种算法中位数 = {{CONVERGED_TAM}}，区间 [{{TAM_LOW}} — {{TAM_HIGH}}] + 差异原因：{{DELTA_EXPLAIN}} + 敏感度分析（关键变量 ±20%）：{{SENSITIVITY}} + 局限性：{{LIMITATION}} + 下一步：{{NEXT_STEP}} + diff --git a/skills/industry-landscape-research/templates/visualizations/valuation-leaderboard.html b/skills/industry-landscape-research/templates/visualizations/valuation-leaderboard.html new file mode 100644 index 000000000..83e9ac8e5 --- /dev/null +++ b/skills/industry-landscape-research/templates/visualizations/valuation-leaderboard.html @@ -0,0 +1,84 @@ + + + + + +{{INDUSTRY_NAME}} 估值排行榜 + + + +

{{INDUSTRY_NAME}} 估值排行榜

+
数据截止 {{AS_OF_DATE}} · 共 {{TOTAL_COMPANIES}} 家 · 上市公司双值（IPO 首日 vs 当前） · 未上市公司用最新一轮估值 · L1+L2 占比 {{L1L2_PCT}}%
+ + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + +
#公司赛道地理状态IPO 首日市值 / 最新一轮当前市值 / 最新估值涨跌关键指标
01{{COMPANY_1}}{{RACETRACK_1}}{{GEO_1}}上市{{IPO_DAY1_MCAP_1}} L1{{CURRENT_MCAP_1}} L1{{DELTA_1}}{{METRIC_1}}
02{{COMPANY_2}}{{RACETRACK_2}}{{GEO_2}}未上市{{LAST_ROUND_2}} L1{{VALUATION_2}} L1{{DELTA_2}}{{METRIC_2}}
+ +
+ 数据等级说明：L1 交易所 / 招股书 · + L2 权威媒体 · + L3 估算 / 内部测算 +
+ + diff --git a/skills/industry-landscape-research/templates/visualizations/value-chain-journey.svg b/skills/industry-landscape-research/templates/visualizations/value-chain-journey.svg new file mode 100644 index 000000000..a55bc6a25 --- /dev/null +++ b/skills/industry-landscape-research/templates/visualizations/value-chain-journey.svg @@ -0,0 +1,101 @@ + + + + + + + + + + {{INDUSTRY_NAME}} 价值链 / 客户旅程 + {{N}} 段流程 × 4 层覆盖（现状/AI 介入/代表工具/解决方案） · 数据截止 {{AS_OF_DATE}} + + + + + {{SEG_1_NAME}} + + + + {{SEG_2_NAME}} + + + + {{SEG_3_NAME}} + + + + {{SEG_4_NAME}} + + + + {{SEG_5_NAME}} + + + + 现状痛点 + AI 介入点 + 代表工具 + 解决方案 + + + + + {{S1_PAIN}} + + {{S2_PAIN}} + + {{S3_PAIN}} + + {{S4_PAIN}} + + {{S5_PAIN}} + + + + {{S1_AI}} + + {{S2_AI}} + + {{S3_AI}} + + {{S4_AI}} + + {{S5_AI}} + + + + {{S1_TOOL}} + + {{S2_TOOL}} + + {{S3_TOOL}} + + {{S4_TOOL}} + + {{S5_TOOL}} + + + + {{S1_SOLUTION}} + + {{S2_SOLUTION}} + + {{S3_SOLUTION}} + + {{S4_SOLUTION}} + + {{S5_SOLUTION}} + diff --git a/skills/industry-landscape-research/templates/visualizations/version-timeline.svg b/skills/industry-landscape-research/templates/visualizations/version-timeline.svg new file mode 100644 index 000000000..7478bd198 --- /dev/null +++ b/skills/industry-landscape-research/templates/visualizations/version-timeline.svg @@ -0,0 +1,149 @@ + + + + + + + + + + + + + + + + Version Timeline + {{INDUSTRY}} 头部公司近 24 个月版本演进 · 数据快照 {{AS_OF_DATE}} + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + M-24 + M-21 + M-18 + M-15 + M-12 + M-9 + M-6 + M-3 + 今天 + + + + + + + + + + + + + + + + + {{COMPANY_1}} + {{COMPANY_2}} + {{COMPANY_3}} + {{COMPANY_4}} + {{COMPANY_5}} + {{COMPANY_6}} + {{COMPANY_7}} + {{COMPANY_8}} + + + + + + + + v1.0 · M-19 · 普通发布 + v1.0 + + v2.0 · M-12 · 重大发布: 多模态全新架构 + v2.0 + v2.5 · M-6 + v2.5 + v2.7 · M-3 + v2.7 ←最新 + + × + + + + + + v0.9 + + v1.0 GA + + + + v2.0 ←新 + + + + + + 普通版本 + + 重大版本 (架构跃迁) + × + 已弃用 + 最新版本 + | hover 节点查看版本号 / 发布日 / 主要变化 + + + + + ⚠ 重大版本发布密度 = 行业卷度；近 6 个月密度变化反映赛道阶段（爆发 / 成熟 / 收缩） + + + diff --git a/skills/industry-landscape-research/templates/visualizations/wardley-map.svg b/skills/industry-landscape-research/templates/visualizations/wardley-map.svg new file mode 100644 index 000000000..9d31e6c3d --- /dev/null +++ b/skills/industry-landscape-research/templates/visualizations/wardley-map.svg @@ -0,0 +1,95 @@ + + + + + + + + + + + + + {{INDUSTRY_NAME}} Wardley Map + 演化方向（蓝色箭头）= 12-24 月预测 · 数据截止 {{AS_OF_DATE}} + + + + 演化（不可逆方向）→ + + + + + + + Genesis (创世) + Custom-built (定制) + Product (产品) + Commodity (商品) + + + + 用户可见 ←→ 不可见 + 用户 + 底层 + + + + + {{USER_NEED}} + + + + + {{COMPONENT_1}} + + + + + + {{COMPONENT_2}} + + + + {{COMPONENT_2_EVOLUTION}} + + + + + {{COMPONENT_3}} + + + + + + {{COMPONENT_4}} + + + + + + + {{COMPONENT_5}} + + + {{COMPONENT_5_EVOLUTION}} + + + + + 战略洞察：{{STRATEGIC_INSIGHT}} + + diff --git a/skills/industry-landscape-research/workflows/00-execution-plan.md b/skills/industry-landscape-research/workflows/00-execution-plan.md new file mode 100644 index 000000000..50a6b8738 --- /dev/null +++ b/skills/industry-landscape-research/workflows/00-execution-plan.md @@ -0,0 +1,95 @@ +# 00 — 执行计划与并行编排 + +> 行业调研天然可并行化，串行做完往往要花 3-5 倍时间。本文件给出标准执行计划，含时长估算与子 Agent 调度方式。 + +## 三阶段执行计划 + +参考 AIGC 行业调研实战沉淀，标准节奏为 3 Phase。 + +### Phase 1 — 信息采集与缺口补搜（20-40 分钟） + +3-5 个并行 Agent，按赛道或子生态切分： + +| Agent | 任务 | 产出 | +|-------|------|------| +| Agent A | 主赛道 1 公司清单 + 画像 | `companies.jsonl` 增量 | +| Agent B | 主赛道 2 公司清单 + 画像 | `companies.jsonl` 增量 | +| Agent C | 子生态完整图谱（平台/制作/IP/发行） | `companies.jsonl` 增量 + 子生态结构图 | +| Agent D | 客户旅程 N 环节 + 代表工具 | `value-chain-journey.md` 填充 | +| Agent E | 价值链利润分布 + 利润池 | `profit-pool.md` 填充 | + +**结束条件**：Coverage Audit 全部维度 ≥ 🟡，🔴 维度全部消除。 + +### Phase 2 — 分析与综合（30-50 分钟） + +串行 + 局部并行： + +1. 主 Agent 跑 Coverage Audit +2. 并行启动 3 个 Agent： + - Agent F：Porter 5 力 + 7 Powers 评分（输入 `companies.jsonl` 头部 10 家） + - Agent G：Wardley Map + S-curve 定位 + - Agent H：单位经济学 + TAM/SAM/SOM + 利润池量化 +3. 主 Agent 合并产物，生成 Thesis 初稿 +4. Devil's Advocate Agent 跑反方论证 +5. 主 Agent 整合 → 三情景 + Pre-mortem + +### Phase 3 — 交付物组装（40-80 分钟） + +按 6+2 章节结构组装，多轮迭代： + +| 轮次 | 重点 | Done 标准 | +|------|------|---------| +| 第 1 轮 | 内容完整性 | 所有章节有初稿 | +| 第 2 轮 | 数据准确性 | 关键数字交叉验证 + 标注来源 | +| 第 3 轮 | 视觉呈现 | 配色、图表、排版定稿 | + +## 并行编排细则 + +### 切片维度 + +| 切片维度 | 适用场景 | Agent 数量建议 | +|---------|---------|---------------| +| 按赛道并行 | 跨赛道行业 | 每赛道 1 个 | +| 按公司并行 | TOP N 深挖 | 每 Agent 2-3 家，控制 5-10 并发 | +| 按地理并行 | 全球化行业 | 每区域 1 个 | +| 按数据源并行 | 同公司多源验证 | 财报/媒体/社交/专利 各 1 个 | +| 按时间段并行 | 演进图事件梳理 | 每年 1 个 | + +### 任务下放五要素 + +每个子 Agent 任务必须明确： +1. **输入**：具体公司名 / 赛道名 / URL 列表 +2. **抓什么**：明确字段清单（不要让子 Agent 自己决定） +3. **来源约束**：允许的数据源 + 反爬绕路策略 +4. **输出格式**：JSON / Markdown 表格，字段名锁定到 schema +5. **质量要求**：每个字段 L1-L4 等级 + 来源 URL + 抓取日期 + +模板见 `templates/`。 + +### 反模式（避免） + +- 单 Agent 串行抓 30 家公司 → 慢且容易在中途漏字段 +- N 个 Agent 同时抓同一来源 → 触发反爬封 IP +- 子 Agent 任务边界模糊 → 重复抓同一内容浪费 token +- 主 Agent 自己下场抓 → 应该只做编排和审计 + +## 多轮迭代与收敛信号 + +三轮搜索是起点，真实调研常需 5-8 轮迭代： + +| 轮次 | 重点 | 触发条件 | +|------|------|---------| +| R1-R3 | 广度→深度→验证 | 基础流程 | +| R4 | 缺口字段补搜 | 字段覆盖率 < 80% | +| R5 | 反向验证 | 数据"太好"或与常识矛盾 | +| R6 | 时序追溯 | 演进图缺早期里程碑 | +| R7 | 边缘扫尾 | 主流来源已穷尽但仍有缺口 | +| R8 | 客户视角验证 | 需要判断产品真实竞争力 | + +**收敛信号**：连续两轮新增信息 < 5% → 停止迭代，进入产出阶段。 + +## 工具限制规避（QoderWork 实测） + +- Workflow tool 被限/禁用时，回退 Agent tool 做并行子代理 +- 启动 6+ Agent 子代理可能触发 FORBIDDEN Duplicate request，视为完成信号勿重试 +- 单 Agent prompt > 10K token 时容易半途遗忘要求 → 拆成 2-3 个 Agent diff --git a/skills/industry-landscape-research/workflows/01-research-charter.md b/skills/industry-landscape-research/workflows/01-research-charter.md new file mode 100644 index 000000000..55869a009 --- /dev/null +++ b/skills/industry-landscape-research/workflows/01-research-charter.md @@ -0,0 +1,121 @@ +# 01 — Research Charter（范围锁定） + +> **Charter 不 sign-off，不许进入 Step 2。** 这是消除"调研漂移"的唯一手段。 + +## 为什么需要 Charter + +"范围漂移"是调研失败 #1 原因。常见漂移路径： + +- 范围模糊 → 调研中途发现 A 公司应不应该算 → 已经投入 2 小时 +- 假设隐性 → 报告写完发现支撑的判断早就不成立 +- 决策不清 → 给投资人看 vs 给 BD 团队看，要的东西完全不同 +- 结束条件不清 → 永远觉得"还可以再补点" + +Charter 强制把这四件事在调研启动前写死，并 sign-off。 + +## Charter 模板 + +```markdown +# Research Charter: {行业名} {调研版本} + +**Version**: v1.0 +**Author**: {负责人} +**Sign-off**: ☐ 待签 ☐ 已签于 YYYY-MM-DD +**Status**: ☐ Active ☐ Frozen ☐ Archived + +## 1. Scope（包含什么） +一句话定义研究边界，含技术/产品/场景/时间窗口。 + +示例: "本调研覆盖 2023-2026 全球 AI 视频生成（含 T2V/I2V/V2V/R2V）的模型层、工具层、应用层公司；时间窗口 2026-01-01 至 2026-06-24。" + +## 2. Out-of-Scope（排除什么） +列举看似相关但不在范围内的领域，每条附排除理由。 + +示例: +- 通用 LLM 厂商（OpenAI/Anthropic）— 仅在涉及视频能力时纳入 +- 传统视频剪辑工具（Premiere/达芬奇）— 非 AI 驱动 +- 直播/RTC 厂商 — 非生成式 +- 数字人独立赛道 — 单独立项调研 + +## 3. Audience & Decision（给谁看，支撑什么决策） + +| 受众 | 决策类型 | 关键关注点 | +|------|---------|----------| +| {例: 集团战投} | 投资标的筛选 | 估值、增速、护城河 | +| {例: 解决方案团队} | BD 客户名单 | 客户画像、采购预算、决策链 | +| {例: 产品团队} | 产品立项 | 技术成熟度、用户痛点、竞品功能差 | + +## 4. Hypotheses（先验假设，调研结束时逐条 confirm / refute） +3-5 条假设，结束时打分。 + +| H# | 假设 | 置信度（事前） | 结论（事后） | +|----|------|--------------|-----------| +| H1 | "短剧将是 AI 视频最大应用场景" | M | TBD | +| H2 | "国内模型层已收敛到 3-5 家" | H | TBD | +| H3 | "工具层利润 < 1 年内被模型层挤压" | L | TBD | +| H4 | "海外 ARR 增速 > 国内 3x" | M | TBD | + +## 5. Success Criteria（什么算"做完"） + +| 维度 | 阈值 | +|------|------| +| 公司覆盖数 | ≥ {N} 家头部，每条赛道 ≥ {n} 家 | +| 字段覆盖率 | ≥ 80% | +| L1+L2 来源占比 | ≥ 60% | +| 必交付物 | Charter / 全景图 / 时间线 / 排行榜 / 深度卡 / 利润池 / 三情景 / Pre-mortem / 数据底表 | +| 反方论证 | 至少 3 条 | +| Devil's Advocate | 至少 1 个独立 Agent 跑过 | + +## 6. Stop-loss Conditions（什么情况下中止/重启） + +| 条件 | 动作 | +|------|------| +| 关键 H1 早期就被强证伪 | 与 Sponsor 复议范围 | +| 关键数据源不可达且无替代 | 降低字段覆盖率阈值或换赛道 | +| 调研超期 50% | 走精简交付物路径（保留 Charter+全景+TOP10 深度卡+Thesis） | + +## 7. Archetype Selection（选定 1-2 个行业原型） + +主原型: {例: Platform 双边平台} +副原型: {例: Content/Media} + +引用对应 `archetypes/*.md` 的必填项纳入 Coverage Audit。 + +## 8. Geo / Tier Split（地理与规模切分） + +- Geo 维度: {例: 全球 / 中国 / 海外} +- Tier 维度: Tier1 估值 > $10B / Tier2 $1-10B / Tier3 < $1B +- 排行榜是否分轨展示: ☐ 是 ☐ 否 + +## 9. 汇率快照（调研期统一基准） + +| 货币对 | 汇率 | 截止日期 | +|--------|------|---------| +| USD/CNY | 7.12 | 2026-06-24 | +| HKD/CNY | 0.91 | 2026-06-24 | +| EUR/CNY | 7.65 | 2026-06-24 | + +调研期内统一使用此快照，不随实时浮动。 +``` + +## Sign-off 检查清单 + +Charter 提交前 self-check： + +- [ ] Scope 是否一句话能讲完？过长意味着边界不清 +- [ ] Out-of-Scope 是否列了 ≥3 条？没有意味着没想清楚边界 +- [ ] 每条 Hypothesis 是否可证伪？"未来会增长"不算（永远证不伪） +- [ ] Success Criteria 是否量化？"做得好"不算 +- [ ] 是否选定 Archetype？没选意味着用通用模板，必然漂移 +- [ ] 汇率快照是否写死？没写意味着不同时点数字会矛盾 + +## Charter 冻结后的变更 + +调研启动后如需扩 Scope / 修改 Hypothesis： + +1. 写一份 Charter Amendment（增量改动） +2. Sponsor sign-off +3. 旧 Charter 标 Frozen，新 Charter 标 Active +4. 已采集数据按新 Charter 重新打 Tag + +禁止不留痕迹地改 Charter。 diff --git a/skills/industry-landscape-research/workflows/02-three-round-search.md b/skills/industry-landscape-research/workflows/02-three-round-search.md new file mode 100644 index 000000000..fce800c1a --- /dev/null +++ b/skills/industry-landscape-research/workflows/02-three-round-search.md @@ -0,0 +1,174 @@ +# 02 — 三轮搜索 SOP + +> 三轮是骨架，真实调研经常 5-8 轮。本文件给出每轮的输入、产出、检验门槛和反爬路径。 + +## R0 — Recency Sweep（rapidly-evolving 修饰符强制）🆕 + +> **仅当 Charter 命中 `archetypes/_modifier-rapidly-evolving.md` 修饰符时强制执行**。这是为了在三轮搜索之前，先把"训练截止偏差"扎实关掉，避免 R1 广度扫描时漏掉最近 6-12 个月的新玩家、新 SKU、新价格、新 deprecation。 + +**目标**：用"今天日期"显式锚定时间窗口，逐家厂商抓官方 changelog / pricing page / release notes / 微信公众号"上新"。 + +**输入**：Charter 第一句的 `Today is YYYY-MM-DD` + in-scope 厂商初步清单 + 第三方聚合器（OpenRouter / ArtificialAnalysis / LMArena / HF / MTEB）。 + +**6 道闸门**（详见 `references/recency-guardrail.md`）： + +1. **Today Date Stamp** — 全程不依赖模型内置日期，所有 SQL/搜索查询带 `as_of >= TODAY - 90d` +2. **Recency Sweep** — `site:{厂商域}/blog after:{TODAY-90d}` + 各厂商 RSS feed +3. **Pricing Page Fresh-Pull** — `curl` / WebFetch 拉取每家 pricing 页 HTML，diff 比 30 天前的 archive.today/Wayback 快照 +4. **Changelog Diff** — `site:{厂商域}/changelog` + `site:{厂商域}/release-notes` +5. **第三方聚合器反查** — 让聚合器列出"过去 30/60/90 天新增模型" +6. **Self-Disclosure** — 子 Agent 必须报告自己的训练截止时间，并标注哪些字段可能受影响 + +**产出**： +- `data/recency-sweep-{date}.md` — 最近 90 天 New / Changed / Deprecated 三类清单 +- 初步 SKU 清单（用于 R1 公司清单的种子） +- 训练截止偏差风险地图：哪些字段必须 live fetch、哪些可以走 R1/R2 + +**门槛**： +- 每家 in-scope 厂商至少 1 个 official 链接（changelog 或 pricing 页）被实际访问且 `as_of` 写回 +- 第三方聚合器至少 1 个被查询 +- 子 Agent 完成 self-disclosure +- 不达标 → 拒收，禁止进入 R1 + +--- + +## R1 — 广度扫描（建立骨架） + +**目标**：建立赛道骨架和头部公司清单。 + +**输入**：Charter 中 Scope + Archetype + Geo/Tier 切分。 + +**搜索源**（优先级降序）： +1. 头部投研/咨询行业报告摘要：Gartner / IDC / Forrester / 艾瑞 / CB Insights / Pitchbook +2. 行业综述媒体长文：36氪深氪 / 量子位 / 品玩 / Information / TechCrunch / Stratechery +3. 维基百科 + 行业百科类条目（找最早期玩家） +4. 上市公司聚合页：港交所披露易 / SEC EDGAR 行业分类 / 巨潮资讯 + +**关键词策略**： +- `{行业名} 行业报告 2026` +- `{赛道名} market landscape` +- `{赛道名} 融资盘点` +- `{赛道名} top companies 2026` +- `state of {行业名} report` + +**子生态切分（v2 新增）**：建立完清单后立即按"子生态层"打 tag，避免漏掉关键层： +- 平台方 / 工具方 / 制作方 / IP 源 / 出海发行 / 上游基础设施 + +**产出**： +- 赛道定义和边界确认（补回 Charter Scope） +- 每条赛道头部公司清单 5-8 家（含子生态层 tag） +- 初步估值排行榜草稿（仅头部） +- 历史时间线骨架（仅"行业首个"事件） + +**门槛**：每条赛道发现公司数 ≥ 15 家（含 Tier2/Tier3）。不达标 → 追加"新锐 / 黑马 / 黑天鹅"关键词专项搜索。 + +## R2 — 深度钻取（填充画像） + +**目标**：逐公司抓取 `schemas/company.schema.json` 所有字段。 + +**输入**：R1 公司清单 + Archetype 必填项清单。 + +**搜索源**（按字段类型选源）： + +| 字段 | 首选 | 备用 | +|------|------|------| +| 创始团队 | LinkedIn / 公司官网 About 页 | 36氪人物专访 | +| 产品矩阵 | 官网产品页 / Product Hunt | App Store / 客户案例页 | +| 技术路线 | 技术博客 / GitHub / 论文 | 招聘 JD（看技术栈） | +| 财务数据 | 财报 / 招股书 | Crunchbase 估算 | +| 用户规模 | 公司披露 / 招股书 | QuestMobile / data.ai / Sensor Tower | +| 融资历程 | Crunchbase / IT桔子 | 媒体报道交叉验证 | +| 当前估值/市值 | 见 `references/valuation-playbook.md` | — | +| 竞争关系 | 综合分析 | 财报"竞争对手"章节 | +| 高管背景 | LinkedIn / 学术主页 / 脉脉 | 媒体采访 | +| 客户集中度 | 财报"前五大客户" | 招股书风险章节 | + +**关键词策略**（每公司一组）： +- `{公司名} 融资 估值` +- `{公司名} 财报 2025` +- `{公司名} 创始人 背景` +- `{公司名} 客户 案例` +- `{公司名} 技术路线 自研` +- `{股票代码} 市值`（已上市） + +**产出**： +- 每家公司的 `companies.jsonl` 完整记录 +- 估值数据标注 L1-L4 +- 数据覆盖缺口清单（哪些字段仍是空白或 L3/L4） + +**门槛**：企业画像字段覆盖率 ≥ 80%。 + +## R3 — 验证补盲（交叉确认） + +**目标**：补搜缺口数据、交叉验证、发现遗漏新锐公司。 + +**输入**：R2 缺口清单 + 整体覆盖率统计。 + +**三类任务并行**： + +### 3a. 缺口字段补搜 +针对 L3/L4 数据或缺失字段做定向搜索： +- 单字段 × 单公司 = 1 个 micro-task +- 子 Agent 模板 `templates/subagent-cross-validate.md` + +### 3b. 交叉验证（每个 L1/L2 数据至少 2 个独立来源） +- 两个来源不能是转载关系（A 引用 B 不算独立） +- 冲突数据取保守值或标注分歧范围 + +### 3c. 新锐公司专项发现 +- 关键词：`{赛道名} 新锐 融资 2026`、`{赛道名} 黑马`、`{赛道名} unicorn 2026` +- 重点查：最近 12 个月融资爆发的公司、近 6 个月发布产品的新公司 +- 工具：Crunchbase 按时间倒序、Product Hunt 月度 Top、GitHub Trending（开源类） + +**产出**： +- 数据覆盖率统计（有值字段 / 总字段） +- 交叉验证结果记录 +- 补充发现的新锐公司 + +**门槛**：L1+L2 级数据占比 ≥ 60%。 + +## R4-R8 — 迭代补强（视需要触发） + +| 轮次 | 重点 | 触发条件 | 关键动作 | +|------|------|---------|---------| +| R4 缺口补搜 | 字段覆盖率 < 80% | R3 统计 | 派 Agent 定向搜单字段 | +| R5 反向验证 | 数据"太好"或与常识矛盾 | 人工 review | 找证伪证据，搜 `{公司名} 质疑 / 风险 / 争议` | +| R6 时序追溯 | 演进图缺早期里程碑 | Step 7 时发现 | 搜 `{公司名} 成立 / 创立`、Wayback Machine | +| R7 边缘扫尾 | 主流来源已穷尽 | 仍有缺口 | 知乎 / Reddit / V2EX / 脉脉 / 小道消息 | +| R8 客户视角 | 需要判断产品真实竞争力 | Thesis 阶段 | G2 / Capterra / Trustpilot / App Store 评论 | + +**收敛信号**：连续两轮新增信息 < 5% → 停止迭代。 + +## 海内外双轨原则 + +全球化行业必须分中国 / 海外两个排行榜，禁止混排。原因： +- 商业模式不同（订阅 vs 广告 vs 交易） +- 监管环境不同（GDPR vs 网信办 vs 出海合规） +- 客户决策链不同（CIO 集中采购 vs 业务部门分散采购） +- 估值口径不同（PE/PS 估值倍数差 2-3x） + +## 子生态分层（来自 AIGC review 沉淀） + +内容/媒体型行业必须切子生态： + +``` +{行业} +├── 平台方（分发与流量） +├── 制作方（内容生产） +├── 工具方（生产工具/AI） +├── IP 源（内容授权） +├── 出海发行（海外渠道） +└── 上游基础设施（云/算力/CDN） +``` + +每个子生态层至少覆盖 TOP 3 玩家，否则 Coverage Audit 该维度判 ⭐⭐ 以下。 + +## 反爬绕路（入口） + +详见 `references/crawl-strategy.md` 和 `references/source-matrix.md`。 + +通用规则： +1. 先试 WebFetch / curl，拿到空数据再切浏览器 MCP +2. JS 动态字段（如 `@now@`、`@fixTotalShare@`）→ 用"总股本×近端价格"绕路 +3. 付费墙优先找公开摘要 / 二手引用 +4. 高频反爬站点用慢速节流（每 20 条 pause 1s） diff --git a/skills/industry-landscape-research/workflows/03-analysis-frameworks.md b/skills/industry-landscape-research/workflows/03-analysis-frameworks.md new file mode 100644 index 000000000..abafb2515 --- /dev/null +++ b/skills/industry-landscape-research/workflows/03-analysis-frameworks.md @@ -0,0 +1,183 @@ +# 03 — 分析框架（Analysis Frameworks） + +> 这是 v2 升级核心。把"采集型方法论"升级为"分析型方法论"。不做这一步，调研只会得到"事实库"而非"判断"。 + +## 强制套用清单 + +每个调研项目至少完成 5 个： + +1. **Porter 五力** — 行业级吸引力诊断 +2. **Helmer 7 Powers** — 公司级护城河评估（头部 10 家逐家做） +3. **Wardley Map** — 价值链演化预测 +4. **JTBD** — 用户视角的产品定义 +5. **S-curve / Gartner Hype Cycle** — 行业整体阶段定位 + +按需启用：Crossing the Chasm、BCG 矩阵、Ansoff 矩阵、技术采纳生命周期。 + +--- + +## 1. Porter 五力（行业级） + +| 力 | 关键问题 | 评分（1=弱，5=强） | +|----|---------|----------------| +| 替代品威胁 | 用户能用什么完全不同的方式解决同一问题？ | 1-5 | +| 新进入者威胁 | 进入这个行业需要什么资源？资本/技术/牌照/数据/网络？ | 1-5 | +| 客户议价能力 | 客户集中度？切换成本？是否价格敏感？ | 1-5 | +| 供应商议价能力 | 关键投入（算力/数据/牌照/人才）是否集中？是否有替代？ | 1-5 | +| 现有竞争强度 | 玩家数？增速？退出壁垒？同质化程度？ | 1-5 | + +**呈现方式**：雷达图（5 边形），总分越低行业越有吸引力。 + +**避免陷阱**： +- 不要给 AI/科技行业打"低强度竞争"——大模型时代强强对决 +- 替代品要看跨界，不要只看赛道内 + +--- + +## 2. Helmer 7 Powers（公司级） + +每家头部公司一张评分卡。这是判断"谁能赢到最后"的核心工具。 + +| Power | 含义 | 评分（0-5） | 行业典型例 | +|-------|------|-----------|----------| +| Scale Economies | 规模带来单位成本下降 | 0-5 | TSMC、Costco | +| Network Economies | 用户数增加价值非线性增长 | 0-5 | Facebook、微信 | +| Counter-Positioning | 在位者无法跟进的新模式 | 0-5 | Netflix vs Blockbuster | +| Switching Costs | 客户切换的财务/技术/心理成本 | 0-5 | Oracle、SAP | +| Branding | 品牌带来溢价和优先选择 | 0-5 | Apple、爱马仕 | +| Cornered Resource | 独占稀缺资源（专利/牌照/人才/数据） | 0-5 | ASML EUV、Pixar | +| Process Power | 内部独有流程/能力，难复制 | 0-5 | Toyota TPS、ZARA | + +**评分规则**： +- 0 = 不存在 +- 1-2 = 微弱 +- 3 = 中等 +- 4-5 = 强护城河 + +**总分参考**： +- 25-35：强护城河 +- 15-25：中等 +- 0-15：弱护城河（容易被颠覆） + +**呈现方式**：每家公司一张 7 维条形图，可叠加同赛道对比。 + +--- + +## 3. Wardley Map（价值链演化） + +二维图： +- **横轴（演化阶段）**：创世 → 定制 → 产品 → 商品化（Genesis → Custom → Product → Commodity） +- **纵轴（价值链可见性）**：用户（顶部）→ 价值链底层（底部） + +**绘制步骤**： +1. 列出用户需要的价值（最顶部） +2. 自顶向下列价值链：每个组件依赖什么下层组件 +3. 给每个组件标演化阶段 +4. 用箭头标注预期移动方向（往右意味着商品化） + +**输出洞察**： +- 哪些环节正在被商品化？该环节的玩家利润会被挤压 +- 哪些环节仍是创世/定制？是利润高地但也是技术风险高地 +- 自家产品在哪一阶段？战略动作应该是什么？ + +**预测下一步**：根据"一切都会向右移动"原则，识别下一波商品化目标。 + +--- + +## 4. JTBD（Jobs-to-be-Done） + +用户视角的产品定义。替代纯"产品矩阵"描述。 + +**模板**： +> 当 {情境} 时，我想要 {动机}，这样我就能 {期望结果}。 + +**关键问题**： +1. 用户雇佣这个产品来做什么任务？ +2. 这个任务的替代解决方案是什么？（包括"不解决"） +3. 用户什么时候会"解雇"这个产品？ +4. 谁付费？谁使用？谁决策？三者是否同一人？ + +**深度变体**： +- Functional JTBD（功能性）：完成什么具体任务 +- Emotional JTBD（情感性）：希望感受到什么 +- Social JTBD（社交性）：希望被他人如何看待 + +**应用**： +- 重新定义竞品（同 JTBD 的产品才是竞品，哪怕形态完全不同） +- 找未被满足需求（"不解决"也是一种当前方案） + +--- + +## 5. S-curve / Gartner Hype Cycle + +定位行业整体在哪个阶段。 + +### S-curve 四阶段 + +| 阶段 | 特征 | 投资 / BD 策略 | +|------|------|---------------| +| 萌芽期 | 技术成熟度低，玩家少 | 关注技术风险，谨慎押注 | +| 成长期 | 用户/营收指数级增长 | 抢占头部，快速 BD | +| 成熟期 | 增速放缓，盈利改善 | 关注现金流，警惕颠覆 | +| 衰退期 | 用户/营收下滑 | 收割或退出 | + +### Gartner Hype Cycle 五阶段 + +``` +技术启动 → 期望膨胀峰 → 幻灭低谷 → 启蒙坡 → 生产高原 +``` + +判断标准： +- 媒体声量曲线 +- 融资轮次密度 +- 公司倒闭率 +- 头部公司毛利率趋势 + +**呈现**：单页一条 S-curve / Hype 曲线，标注当前位置 + 关键玩家分布。 + +--- + +## 6. Crossing the Chasm（按需） + +技术产品在"早期采用者"和"早期主流"之间存在鸿沟。 + +- 早期采用者（13.5%）：愿意为新技术冒险 +- 早期主流（34%）：要看到成熟案例和 ROI + +**关键问题**：行业有没有跨过鸿沟？谁先跨过？ + +--- + +## 7. BCG 矩阵 / Ansoff 矩阵（按需） + +**BCG**：市场增速 × 相对市场份额 → 明星 / 现金牛 / 问号 / 瘦狗 +**Ansoff**：现有市场 / 新市场 × 现有产品 / 新产品 → 市场渗透 / 市场开发 / 产品开发 / 多元化 + +主要用于自家公司战略 vs 调研标的对比。 + +--- + +## 输出物（分析框架画布） + +单页 16:9 PPT，四象限布局： + +``` ++------------------------+------------------------+ +| Porter 5力雷达图 | 7 Powers 评分（TOP5） | +| | | ++------------------------+------------------------+ +| Wardley Map | S-curve 行业定位 | +| | | ++------------------------+------------------------+ +``` + +底部一行：JTBD 一句话总结。 + +--- + +## 反模式 + +- ❌ 只列框架不打分 → 分析框架变装饰 +- ❌ 所有公司 7 Powers 都打 3 分 → 区分度为零，等于没做 +- ❌ Wardley Map 不标移动方向 → 失去预测价值 +- ❌ JTBD 写成功能列表 → 没抓到"任务"本质 diff --git a/skills/industry-landscape-research/workflows/04-coverage-audit.md b/skills/industry-landscape-research/workflows/04-coverage-audit.md new file mode 100644 index 000000000..175a231cc --- /dev/null +++ b/skills/industry-landscape-research/workflows/04-coverage-audit.md @@ -0,0 +1,121 @@ +# 04 — Coverage Audit（覆盖度审计） + +> v2 新增。来自 AIGC 行业调研实战沉淀，把"自己感觉做得差不多了"换成量化矩阵。 + +## 为什么需要 Coverage Audit + +不做审计的调研常见问题： +- 头部公司数据齐全 → "感觉做得很完整" +- 但 Tier 3 公司、子生态层、利润池、客户旅程都是空的 +- 报告交付后才发现"模型层都没讲清楚" + +Coverage Audit 强制在 R3 结束后跑一次量化检查，未过禁止进 Step 5。 + +## 审计矩阵 + +每个调研项目至少 8 维。第一列固定（核心维度），后面加项目特定维度。 + +### 通用 8 维（必查） + +| 维度 | 覆盖度评分 | 已覆盖范围 | 缺口分级 | 备注 | +|------|----------|----------|---------|------| +| 赛道公司数 | ⭐⭐⭐⭐⭐ 95% | 64 家 | 🟢 | 仅缺长尾 | +| 估值/融资 | ⭐⭐⭐⭐ 80% | TOP 30 | 🟡 | Tier 3 缺精确估值 | +| ARR/营收 | ⭐⭐⭐ 70% | 头部 30 家 | 🟡 | 中腰部缺财务 | +| 技术架构分层 | ⭐⭐ 30% | 仅"自研/开源/第三方" | 🔴 | 缺模型/服务/应用层 | +| 子生态完整性 | ⭐⭐ 40% | 仅平台方 | 🔴 | 缺制作/IP/出海发行 | +| 客户旅程 | ⭐⭐ 30% | 单点 | 🔴 | 缺完整旅程 | +| 利益相关方立场 | ⭐⭐⭐ 60% | 部分 | 🟡 | 缺监管/版权方 | +| 利润池分布 | ⭐ 20% | 未做 | 🔴 | 必补 | + +### Archetype 附加维度 + +按 Charter 选定的 Archetype 加 3-5 维： + +**Platform**： +- 网络效应度量 / take rate / 两端 liquidity / 补贴政策 + +**Vertical SaaS**： +- NRR / CAC payback / 垂直 know-how / 标杆客户名单 + +**Content/Media**： +- 子生态分层（平台/制作/IP/发行） / 海内外双轨 / 版权方立场 + +**DeepTech**： +- 专利地图 / TRL 等级 / 研发管线 / BOM 成本 + +## 评分标准 + +| 评分 | 覆盖度 | 含义 | +|------|--------|------| +| ⭐⭐⭐⭐⭐ | 90-100% | 几乎全覆盖，仅缺非关键长尾 | +| ⭐⭐⭐⭐ | 70-90% | 主要内容覆盖，缺局部细节 | +| ⭐⭐⭐ | 50-70% | 头部覆盖，中腰部缺口 | +| ⭐⭐ | 30-50% | 仅有骨架，缺主要内容 | +| ⭐ | 0-30% | 几乎空白，需要专项补搜 | + +## 缺口分级 + +- 🟢 **可接受**：可保留现状或仅简单补充 +- 🟡 **建议补**：调研结束前应该补，但不补也可交付（标注 limitation） +- 🔴 **必须补**：不补不可交付，触发 R4 缺口补搜 + +**门槛规则**： + +| 状态 | 允许进入下一步？ | +|------|--------------| +| 全部 🟢 + 部分 🟡 | ✅ 进入 Step 5 | +| 任何一个 🔴 | ❌ 必须 R4 补搜 | +| > 3 个 🟡 | ⚠️ 与 Sponsor 复议是否降级 | + +## 补搜任务派发 + +🔴 维度 → 拆成 micro-task，每个交给 1 个子 Agent： + +```yaml +task_id: AUDIT-FIX-001 +gap: 技术架构分层 +target_coverage: ⭐⭐⭐⭐ 80%+ +deliverable: references/stack-map.md 填充完整 +search_strategy: + - 抓 TOP 10 公司各自架构白皮书 / 技术博客 + - 按 模型层 / 服务层 / 应用层 / 基础设施 四层归类 + - 每层标注 3-5 个代表玩家 +output_schema: stack-map markdown 模板 +``` + +子 Agent 模板见 `templates/subagent-cross-validate.md`。 + +## 审计周期 + +| 时机 | 行动 | +|------|------| +| R3 结束 | 必跑（决定是否进 Step 5） | +| R5 反向验证后 | 必跑（数据有变动） | +| 交付前 1 天 | 必跑（防止遗漏） | +| 任何 Sponsor 反馈后 | 选跑（看变更范围） | + +## 审计记录格式 + +每次审计留档于 `research-log/audit-{YYYYMMDD}.md`： + +```markdown +# Coverage Audit - 2026-06-24 + +## 维度评分 +| 维度 | 评分 | 备注 | +|------|------|------| +| ... | ... | ... | + +## 🔴 缺口清单 +1. 技术架构分层 → 派给 Agent X +2. 利润池分布 → 派给 Agent Y + +## 🟡 建议清单 +1. Tier 3 估值 → 标注 limitation +2. 中腰部财务 → 用区间值替代精确值 + +## Sign-off +☐ 进入下一步 +☑ 触发 R4 补搜，预计 30min +``` diff --git a/skills/industry-landscape-research/workflows/05-quant-modeling.md b/skills/industry-landscape-research/workflows/05-quant-modeling.md new file mode 100644 index 000000000..89eaa1711 --- /dev/null +++ b/skills/industry-landscape-research/workflows/05-quant-modeling.md @@ -0,0 +1,160 @@ +# 05 — 量化建模（Quant Modeling） + +> 数字撑判断。没数字的 thesis 都是观点。 + +## 必跑清单（按 Archetype 区分） + +| 模型 | 适用原型 | 输出 | +|------|---------|------| +| 单位经济学 | SaaS / Marketplace / Consumer | CAC、LTV、Payback、Rule of 40、Magic Number、NRR | +| TAM/SAM/SOM | 全部 | 三种算法交叉 | +| 利润池图 | 全部 | 价值链 margin × 营收占比 | +| 敏感性分析 | 投资 / 战略类调研 | 关键变量弹性表 | +| 客户集中度 | ToB / Marketplace | TopN 营收占比 | +| 单位算力成本 | AI / 基础设施 | $/Token、$/GPU-hour、$/inference | + +--- + +## 1. 单位经济学（Unit Economics） + +| 指标 | 公式 | 健康值（SaaS） | 红线 | +|------|------|--------------|------| +| CAC | 销售营销支出 / 新增客户数 | — | — | +| LTV | ARPU × 毛利率 / 流失率 | — | — | +| LTV/CAC | LTV / CAC | ≥ 3 | < 1 | +| Payback | CAC / 月毛利 | < 12 月 | > 24 月 | +| Gross Margin | (营收 - COGS) / 营收 | > 70% | < 50% | +| Rule of 40 | 增速 % + 自由现金流率 % | ≥ 40 | < 0 | +| Magic Number | (本季 ARR - 上季 ARR) × 4 / 上季销售营销支出 | ≥ 0.75 | < 0.5 | +| NRR（净收入留存） | 现有客户当年营收 / 去年同期 | ≥ 110% | < 90% | +| Burn Multiple | 净 Burn / 净新 ARR | < 1 | > 3 | + +**陷阱**： +- 营收口径必须明确（ARR vs MRR×12 vs GMV vs Revenue） +- 流失率分客户数流失 vs 营收流失 +- 早期公司 LTV 无法算（数据不够），用同业 benchmark + +--- + +## 2. TAM / SAM / SOM + +| 层级 | 含义 | 算法 | +|------|------|------| +| TAM（Total Addressable Market） | 理论最大市场 | 总目标客户 × ARPU | +| SAM（Serviceable Addressable Market） | 可服务市场 | TAM × 我方能触达比例 | +| SOM（Serviceable Obtainable Market） | 可获得市场 | SAM × 可获得份额 | + +**三种算法交叉验证（v2 强制）**： + +| 算法 | 思路 | 优势 | 劣势 | +|------|------|------|------| +| Top-down | 引用第三方报告总规模 | 快 | 不准、偏大、口径不一 | +| Bottom-up | 客户数 × ARPU 算 | 准 | 慢，需要客户分布数据 | +| Analogy | 类比邻近市场 | 中等 | 类比对象选择主观 | + +三种算法的数字不应差 > 3x，否则有问题。 + +**呈现**：三个同心圆 + 三种算法的数字对比表。 + +--- + +## 3. 利润池图（Profit Pool） + +> 来自 AIGC review 沉淀。揭示价值链上"谁拿走利润"。 + +**步骤**： +1. 拆出价值链 N 环节（基础设施 → 模型 → 工具 → 应用 → 渠道） +2. 每环节抽 3-5 家代表玩家，统计： + - 营收 + - 毛利率 + - 净利率 + - 估值/市值 +3. 计算环节"利润池规模"= 营收 × 净利率 +4. 画"利润池图"： + - 横轴 = 营收占比（环节宽度） + - 纵轴 = 利润率（环节高度） + +**AIGC 实测例**（截至 2026 Q1）： + +| 环节 | 代表玩家 | 营收 | 毛利率 | 净利率 | 利润池贡献 | +|------|---------|------|--------|--------|----------| +| 算力底层 | NVIDIA | $1300B | 75% | 50% | $650B+（主导） | +| 模型层 | OpenAI / Anthropic | $4-15B | 50% | -50%~30% | 小（亏损） | +| 工具层 | Midjourney | $0.3-0.4B | 80% | 80% | 极高 margin 但绝对值小 | +| 应用层 | 蓝色光标等 | $20B+ AI 收入占 8.7% | 15-25% | 5-10% | 中等绝对值，低 margin | + +**洞察**： +- 算力底层吃掉绝大部分利润 → "卖铲子的赚钱" +- 模型层重资本、低 margin，正在洗牌 +- 工具层高 margin 但单点天花板低 +- 应用层利润分散，靠规模 + +**呈现**：堆叠条形图（横向）或 Bain 利润池图（横纵双轴）。 + +--- + +## 4. 敏感性分析 + +针对核心判断中的关键假设做敏感性表。 + +**模板**： + +| 关键变量 | 当前值 | -30% | -10% | +10% | +30% | 弹性 | +|---------|--------|------|------|------|------|------| +| GPU 单卡价格 | $30K | $21K | $27K | $33K | $39K | … | +| 模型推理 token 价 | $0.005/k | … | … | … | … | … | +| 应用层付费转化率 | 5% | … | … | … | … | … | + +**输出**：哪些变量对结论影响最大 → 必须在 Pre-mortem 重点监控。 + +--- + +## 5. 客户集中度 + +ToB 行业的命门。 + +| 指标 | 计算 | 红线 | +|------|------|------| +| 前 1 大客户营收占比 | — | > 20% 高风险 | +| 前 5 大客户营收占比 | — | > 40% 中高风险 | +| 前 10 大客户营收占比 | — | > 60% 高风险 | +| 客户行业集中度 | 单行业占比 | > 50% 高风险 | + +数据源：财报"前五大客户"章节、招股书"客户集中度"。 + +--- + +## 6. 单位算力成本（AI / 基础设施专属） + +| 指标 | 单位 | 行业基准（2026） | +|------|------|---------------| +| GPU 租用价 | $/GPU-hour | H100 $2-5、A100 $1-3、RTX5090 $0.5-1.5 | +| Inference 成本 | $/百万 token | GPT-5 $5-30、Qwen3.7-plus $0.5-3 | +| 训练成本 | $/B params | ~$100-500（视精度/卡） | +| 推理硬件折旧 | $/月/卡 | 卡价 / 36-48 个月 | + +**陷阱**： +- 报价 vs 实际：报价是吊牌价，实际有 30-50% 折扣 +- 单卡 vs 整机：H100 单卡 vs 8 卡 HGX 服务器 vs 整柜，成本差异大 + +--- + +## 数据底表派生关系 + +所有量化模型的输入都来自 `data/companies.jsonl` 和 `data/events.jsonl`，禁止在模型里硬编码数字。 + +```python +# 利润池图派生 +companies = load("data/companies.jsonl") +pool = companies.groupby("value_chain_layer").agg({ + "revenue_cny_yi": "sum", + "net_margin_pct": "mean", +}) +``` + +## 反模式 + +- ❌ TAM 只用 top-down，数字大但没人信 +- ❌ LTV/CAC 算了但不交叉验证流失率 +- ❌ 利润池图所有环节都画一样大 → 失去信息密度 +- ❌ 敏感性分析不标弹性方向 → 看不出来谁正谁负 diff --git a/skills/industry-landscape-research/workflows/06-thesis-synthesis.md b/skills/industry-landscape-research/workflows/06-thesis-synthesis.md new file mode 100644 index 000000000..70f44724d --- /dev/null +++ b/skills/industry-landscape-research/workflows/06-thesis-synthesis.md @@ -0,0 +1,191 @@ +# 06 — Thesis 综合（House View / 三情景 / Pre-mortem） + +> 这是 v2 关键升级。不做 Thesis 综合 = 调研只产出"事实库"，不产出"判断"。 + +## 为什么需要 Thesis 层 + +读者要的是判断，不是事实： +- 投资人："我该投不该投？" +- BD："我该 BD 哪几家？" +- 产品："我该做什么？" + +如果报告只列了"行业有 64 家公司"，没人能据此决策。 + +Thesis 层强制产出 4 个交付物：House View / 三情景 / Pre-mortem / Devil's Advocate。 + +--- + +## 1. House View（核心判断） + +**模板**： + +```markdown +## House View + +**核心判断**：{一句话，可被证伪} + +**支撑论据**： +1. {数据 1，附来源 + 置信度} +2. {数据 2，附来源 + 置信度} +3. {数据 3，附来源 + 置信度} + +**置信度**：H / M / L +**关键不确定性**：{1-3 条} +**Time Horizon**：{12 / 24 / 36 月} +``` + +**好 House View 的特征**： +- 一句话，不超过 30 字 +- 可被证伪（"未来会增长"不算，因为永远不可证伪） +- 有时间窗口 +- 有置信度标注 +- 有"关键不确定性"自我承认 + +**示例**： +> 中国 AI 视频行业 12-24 月内将向"模型层 3-5 家 + 应用层垂直化"格局收敛，工具层独立公司会被挤压至 30% 以下市场份额。 +> Confidence: M +> 关键不确定性：开源模型质量提升速度、监管政策窗口、海外退路 + +--- + +## 2. 三情景预测（Bull / Base / Bear） + +针对 House View，给出三种走向。 + +**模板**： + +```markdown +### Base Case（基准，60% 概率） + +**情景描述**：{2-3 句} + +**触发条件**：{1-3 条会发生的事} + +**领先指标**：{我们看到什么就知道在走 Base？} +- 指标 1: {数据/事件} +- 指标 2: {数据/事件} +- 指标 3: {数据/事件} + +**对应数字**： +- 市场规模: … +- 头部公司估值: … +- 我方机会窗口: … + +### Bull Case（乐观，25% 概率） + +…同上 + +### Bear Case（悲观，15% 概率） + +…同上 +``` + +**概率权重总和必须 = 100%**，且 Base 一般不少于 50%。 + +**领先指标必须可观测**，不能是"用户感觉变好"这种模糊指标。 + +--- + +## 3. Pre-mortem（事前剖检） + +**操作步骤**： +1. 假设 12 个月后回头看，这份报告被证伪了 +2. 列出"最可能错在哪 5 个点" +3. 每点附"早期预警信号"和"应对预案" + +**模板**： + +| # | 失败点 | 概率 | 早期预警信号 | 应对预案 | +|---|--------|------|------------|---------| +| 1 | "模型层 3-5 家收敛" 被证伪：实际有 7-8 家共存 | 30% | 第 4-5 家完成 C 轮且营收破 $5亿 | Thesis 调整为"分层共存"模式 | +| 2 | … | … | … | … | + +**Pre-mortem 的本质**：把"未来如果错了"变成"现在就监控什么信号"。 + +--- + +## 4. Devil's Advocate（反方论证） + +派一个独立子 Agent，prompt 只给 House View，让它找最强反方论点。 + +模板见 `templates/subagent-devil-advocate.md`。 + +**反方论证输出**： + +| # | 反方论点 | 我方应对 | 应对说服力 | +|---|---------|---------|----------| +| 1 | "模型层不会收敛，因为推理成本 80% 月降会让进入门槛下降" | … | H / M / L | +| 2 | … | … | … | +| 3 | … | … | … | + +**对应说服力 = M 或 L 的反方论点 → House View 必须修订**。 + +--- + +## 5. 置信度标注规则 + +每个判断附 H / M / L confidence： + +| 等级 | 含义 | 数据要求 | +|------|------|---------| +| H（高） | 强支撑，多源验证 | ≥ 2 个 L1 来源 + 内部逻辑自洽 | +| M（中） | 部分支撑或有局部争议 | 1 个 L1 + 多个 L2，或仅 L2 多源 | +| L（低） | 推测性强，仅作参考 | 仅 L3 估算或单源 | + +**禁止**：报告里所有判断都标 H。如果都是 H，说明根本没在思考置信度。 + +--- + +## 6. 认知偏差自检 + +详见 `references/bias-checklist.md`。Thesis 收尾前过一遍 6 类常见偏差： + +1. **确认偏差**：我是不是只搜了支持 Thesis 的证据？ +2. **可得性偏差**：媒体多报道 ≠ 真实规模大 +3. **锚定偏差**：我是不是被第一份报告 anchor 住了？ +4. **存活者偏差**：我看到的是赢家清单，输家在哪？ +5. **代表性偏差**：我是不是用 1 个明星案例代表整个行业？ +6. **后视镜偏差**：现在看清楚的趋势，当时真的能看出来吗？ + +--- + +## 7. Thesis 一页纸（交付物） + +最终汇总在 1 页 PPT/MD： + +```markdown +# {行业} Thesis 一页纸 + +## House View +{一句话} | Confidence: M | Horizon: 12M + +## 3 大支撑 +1. … (L1, H) +2. … (L1, H) +3. … (L2, M) + +## 三情景（含概率） +- Bull (25%): … 触发: … +- Base (60%): … 触发: … +- Bear (15%): … 触发: … + +## Pre-mortem TOP 3 +1. … (P=30%) 预警: … +2. … (P=20%) 预警: … +3. … (P=15%) 预警: … + +## Devil's Advocate 未驳倒的反方 +- … + +## 关键不确定性 +- … +- … +``` + +## 反模式 + +- ❌ House View 写成"行业前景广阔" → 不可证伪，废话 +- ❌ 三情景概率乱填（Bull 50%, Bear 50%）→ 等于没观点 +- ❌ Pre-mortem 写成"如果出现黑天鹅" → 不可观测 +- ❌ Devil's Advocate 让自己跑 → 必然手下留情，必须独立 Agent +- ❌ 所有置信度都标 H → 没在思考 diff --git a/skills/industry-landscape-research/workflows/07-deliverable-assembly.md b/skills/industry-landscape-research/workflows/07-deliverable-assembly.md new file mode 100644 index 000000000..9721159c0 --- /dev/null +++ b/skills/industry-landscape-research/workflows/07-deliverable-assembly.md @@ -0,0 +1,102 @@ +# 07 — 交付物组装（Deliverable Assembly） + +> 来自 AIGC review 沉淀的 6+2 章节标准报告结构，加上 v2 新增分析层产物。 + +## 标准章节结构（6+2） + +| # | 章节 | 内容 | 张数 | 数据源 | +|---|------|------|------|--------| +| 1 | 行业全景 | 矩阵：行=赛道 / 列=地理 / 卡片大小=Tier | 1 | `companies.jsonl` | +| 2 | 演进趋势 | 时间线 + 阶段主题 + S-curve 定位 | 1-2 | `events.jsonl` + Step 5 | +| 3 | 客户旅程 | 价值链 N 环节 × (现状/AI 介入/工具/方案) | 1-2 | `references/value-chain-journey.md` | +| 4 | 企业深度卡 | 每家头部 1 页 | 10-15 | `companies.jsonl` | +| 5 | 解决方案矩阵 | 自家产品 × 场景映射 | 1-2 | 自定义 | +| 6 | 重点发力场景 | TOP 3-5 高优先级场景 | 1-2 | Thesis 输出 | +| +1 | M&A / IPO 动态 | 并购、上市、退出 | 1 | `events.jsonl` 过滤 | +| +2 | 成本/利润池对比 | 价值链 margin 分布 + 横向对比 | 1 | `references/profit-pool.md` | + +## v2 新增章节 + +在标准 6+2 基础上新增（按需启用）： + +| # | 章节 | 触发条件 | +|---|------|---------| +| +3 | 技术栈分层图 | 技术驱动型行业必出 | +| +4 | 利益相关方立场图 | 强监管/版权敏感行业必出 | +| +5 | 分析框架画布 | Step 5 输出汇总 | +| +6 | Thesis 一页纸 + 三情景 + Pre-mortem | 投资/战略决策类必出 | + +## 完整交付物清单 + +| # | 物料 | 格式 | 来源 | +|---|------|------|------| +| 1 | Research Charter | MD / 1 页 PPT | Step 1 | +| 2 | 行业全景图 | 1 页 PPT/HTML | Step 2 + Step 3 | +| 3 | 演进时间线 | 1 页 PPT/HTML | `events.jsonl` | +| 4 | 估值排行榜（国内/海外分轨） | 1-2 页 PPT | `companies.jsonl` | +| 5 | 企业深度卡 | 10-15 页 PPT | `companies.jsonl` | +| 6 | 技术栈分层图 | 1 页 PPT | `references/stack-map.md` | +| 7 | 客户旅程图 | 1-2 页 PPT | `references/value-chain-journey.md` | +| 8 | 利润池图 | 1 页 PPT | `references/profit-pool.md` | +| 9 | 利益相关方立场图 | 1 页 PPT | `references/stakeholder-stance.md` | +| 10 | 分析框架画布 | 1 页 PPT | Step 5 | +| 11 | 三情景预测 | 1-3 页 PPT | Step 7 | +| 12 | Pre-mortem 报告 | 1 页 PPT | Step 7 | +| 13 | 数据底表 | Excel/CSV | `companies.jsonl` flatten | +| 14 | 方法论附录 | MD | Charter + 汇率快照 + 局限性 | +| 15 | 调研日志 | MD | 每轮搜索关键词 + 覆盖率 | + +## 视觉规范 + +### 配色（推荐三选一） + +| 风格 | 主色 | 辅色 | 适用 | +|------|------|------|------| +| Cobalt Brief | #1E2BFA + #FDFAE7 | 黑/灰 | 投资人/CEO 向 | +| Editorial 暗色 | #0A0A0A + #E5E5E5 | 红/橙重点 | 深度研究/媒体向 | +| 阿里云亮色 | #1166FE + #FFFFFF | 灰阶 | 内部汇报 | + +### 字号 + +| 元素 | 字号 | +|------|------| +| 一级标题 | 32-40pt | +| 二级标题 | 20-24pt | +| 正文 | 14-16pt | +| 数据标注 | 10-12pt | + +### 图表规范 + +- 卡片高度统一（同章节内） +- 颜色按赛道编码（每条赛道独立色系） +- 数据点必须标注来源（脚注或角标） +- 估值数字必须标截止日期 + +## 从数据底表派生（强制） + +所有交付物的数字都从 `data/` 三件套派生，禁止在 PPT 里硬编码数字。 + +```bash +# 派生流程示例 +python derive.py --source data/companies.jsonl --output deliverables/ranking.json +python build_pptx.py --input deliverables/ranking.json --template templates/ranking.pptx +``` + +数据改 → 重新派生 → 重新生成 PPT。禁止"PPT 改一下数字"。 + +## 多轮迭代节奏 + +| 轮次 | 重点 | Done 标准 | +|------|------|---------| +| 第 1 轮 | 内容完整性 | 所有章节有初稿 + 数据来源链接 | +| 第 2 轮 | 数据准确性 | 关键数字交叉验证 + 反方论证补强 | +| 第 3 轮 | 视觉呈现 | 配色、图表、排版定稿 | + +## 反模式 + +- ❌ PPT 上数字找不到在 `data/` 中的源头 → 拒收 +- ❌ 全景图把中国/海外混排 → 拒收（必须分轨） +- ❌ 排行榜不标截止日期 → 半年后没法复用 +- ❌ 深度卡只有"产品好/团队强"等定性描述 → 缺数据 +- ❌ M&A 章节只罗列事件，不提炼趋势 → 浪费一页 +- ❌ 利润池图只画环节大小，不标 margin → 失去核心信息