Deep Company Series
Analyze a company across eight in-depth written reports covering different aspects.
Installation
- Make sure Claude is on your device and in your terminal.
Skills load from
~/.claude/skills/when Claude Code starts up — so you need it on your machine first. If you don't have it yet, install it once with the command below, then runclaudein any terminal to verify.One-time setupnpm i -g @anthropic-ai/claude-codeAlready have it? Skip ahead.
- Paste into Claude Code or into your terminal.
This copies the whole skill folder into
~/.claude/skills/deep-company-series-xbtlin/— the SKILL.md plus any scripts, reference docs, or templates the skill ships with. Safe default: works for every skill.Faster alternative (instruction-only skills)
Skips the clone and grabs only the SKILL.md file. Don't use this if the skill ships Python scripts, reference markdowns, or asset templates — they won't be downloaded and the skill will fail when it tries to load them.
Quick install (SKILL.md only)Sign up to copy - Restart Claude Code.
Quit and reopen Claude Code (or any other agent that loads from
~/.claude/skills/). New skills are picked up on startup. - Just ask Claude.
Skills auto-activate when your request matches the skill's description — no slash command needed. Trigger phrases live in the skill's own frontmatter; you can read them in the “What this skill does” section above.
Prefer to read the source first? Open on GitHub.
When Claude uses it
AI Berkshire skill: 深度公司系列:8 篇长文拆一家公司. Source: skills/deep-company-series.md.
What this skill does
Codex adapter note
This skill is generated from skills/deep-company-series.md so Claude Code and Codex users share one canonical workflow.
- Treat
$ARGUMENTSas the user's request in the current Codex thread. - When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.
- Use shared project tools from
tools/in this repository. Commands that reference~/ai-berkshire/tools/...assume the repo is checked out at~/ai-berkshire; if needed, prefer the current workspace path. - Preserve the research quality rules from
AGENTS.md: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.
深度公司系列:8 篇长文拆一家公司
为 $ARGUMENTS 撰写一个 8 篇深度长文系列,发布在公众号/视频号等公开渠道。核心 IP 不是"会写",而是"会改"——99% 的财经文章在违反本 skill 的事实核查标准。
参考样本:reports/腾讯/《看懂腾讯》/
一、触发场景
用户希望为一家公司做"教科书级别"的深度研究,并以系列长文形式公开发布。区别于一篇研报:
- 8 篇约 12 万字,从认知重置到决策框架完整闭环
- 每篇独立成文(适合单篇分享),但贯穿一套估值/管理层/价格判断
- 写给"愿意花 90 分钟读懂一家公司"的读者,不是写给券商客户
不适合用本 skill 的场景:单篇研报、季报点评、行业研究——那些用 /investment-research、/earnings-review、/industry-research。
二、系列篇目模板(8 篇)
| # | 篇名模板 | 核心问题 | 字数 |
|---|---|---|---|
| 01 | 你以为你看懂了 X,其实没有 | 认知重置:破 3 个常见错觉 | 4,000-5,000 |
| 02 | X 的护城河——<生意本质一句话> | 护城河深不深、未来 5/10 年还在不在 | 6,000-8,000 |
| 03 | X 的最大利润引擎——<最赚钱业务> | 主业是什么、为什么能持续 | 6,000-8,000 |
| 04 | X 藏在账上的另一家公司——<隐藏资产> | 投资组合 / 子公司 / 隐藏价值 | 8,000-10,000 |
| 05 | AI(或当下叙事)时代,X 是赢家还是输家 | 时代变量:分业务拆 AI 影响 | 8,000-10,000 |
| 06 | 用巴菲特方式拆 X 的财报 | 财务深度:毛利率/FCF/ROE/SBC | 8,000-10,000 |
| 07 | <管理层金句>——X 的管理层值不值得托付 | 资本配置纪律 + 诚信检验 + 接班人 | 8,000-10,000 |
| 08 | 多少钱值得买,什么信号必须卖(系列终章) | DCF 三情景 + 红线清单 + 仓位框架 | 10,000-12,000 |
加一篇 00-系列说明.md 作为目录索引,不发表。
三、写作风格规范
语气
- 直接、犀利、不说废话——第一句就给数字或反常识结论
- 价值投资框架——巴菲特/芒格/段永平/李录视角穿插(但不堆砌名言)
- 不预设立场——先摆数据、再推逻辑、最后得结论
- 呈现正反两面——每个核心判断都附"但另一方面..."的反方
- 公众号体感——前 18-20 字必须能独立站住(手机预览)
禁用词
| 禁用 | 原因 | 替代 |
|---|---|---|
| 显然 / 必然 / 一定 | 主观绝对化 | 数据显示 / 证据表明 |
| 我认为 / 我觉得 | 主观腔调 | 删除或改为"按本框架" |
| 教科书级别 / 神来之笔 | 流量党褒奖 | 描述具体事实 |
| 严重不匹配 / 严重低估 | 强主观词 | 给具体折让百分比 |
| 完美 / 无可挑剔 | 单边判断 | 加上反方观察 |
标题风格
- 用反差数字或反共识结论做钩子("15 年 7 次挑战全失败"、"年薪 4292 万占利润 0.0017%")
- 副标题中性、概括内容("——
<本质判断>") - 避免流量党比喻:"小巴菲特"、"中国版 X"、"YYDS" 一律避开
- 用专业读者熟悉的术语("伯克希尔"而不是"巴菲特",公司名优于人名)
四、严苛事实核查 Checklist(核心 IP)
写之前就要警惕的"伪精确"陷阱
- 概率加权期望值:
30% × A + 50% × B + 20% × C = 期望 +X%这种计算几乎全是垃圾——概率分配是纯主观,给读者错误精确感。只列情景 + 触发条件 + 方向,不算加权期望。 - 第三方测算 MAU/份额:QuestMobile/七麦/CBNData 等口径差异巨大(同一时点能差 2-3 倍)。只用最可信的两个对比作 anchor,其他做定性描述。
- 历史增速线性外推:
2025 年 +33% × 5 年复合 → 2030 年 X是金融文盲式预测。情景假设 + 高/低区间 + 不是承诺。 - 未公开的持股比例:字节、Halti 类未上市公司持股从未公开披露。给区间,标"不可知"。
- 强归因:竞争对手失败 = 因为 X。多重原因都列出来,本文不做单一归因。
修订时必跑的 7 项检查
□ 1. 跨篇数字一致性:总市值、Non-IFRS 净利润、关键持股 % 全系列对齐
□ 2. 口径标注:Non-IFRS / GAAP / Non-IFRS-SBC / FCF 各用哪个,全文清楚
□ 3. 重复加计扫描:已并表子公司不在"投资组合"里、SOTP 不双算
□ 4. 横向比较公平性:不能"主业 PE(剔除现金+组合)" vs "对手 PE(不剔)"
□ 5. 概率加权全删:见上一条
□ 6. 绝对化表述全弱化:grep "显然|必然|严重|教科书|完美"
□ 7. 第三方数据来源标注:每条非财报数据后跟"(来源:X)"
模型偏好
写之前先列出已知硬错误风险:
- 历史回报倍数:必须用累计投入口径(如 Riot 33 倍 不是 58 倍)
- 持股比例:必须看最新富途/财报口径(如腾讯持有美团 1.5% 不是 6.4%)
- "派息分派"会计处理:视同处置收益按 IFRIC 17 在宣派日确认(如京东在 2021,美团在 2022 但金额小)
- 总股本会反弹:SBC 集中年初授予会让股本短期上升
五、执行流程
阶段 1:调研(写 01-02 篇前完成)
- 阅读公司近 5 年年报、最新季报
- 阅读至少 3 份独立卖方研报(找共识 + 反共识)
- 用
/investment-team或/investment-research先生成内部研究底稿 - 与用户确认 8 篇的核心论点(避免写完才发现方向不对)
阶段 2:写作(按 01→08 顺序写,不跳)
- 每篇写完先存
reports/{公司名}/《看懂{公司名}》/0X-XX.md - 不立即推 GitHub——等用户审阅
- 用户提修订意见后修改
- 修订完才 git push
阶段 3:跨篇一致性扫描(08 篇全部写完后)
派 Explore agent 并行扫描 8 篇做以下检查:
- 同一数字(市值、净利润、持股比例)跨篇是否一致
- 同一术语(FBS、SBC、Non-IFRS)首次出现是否解释
- 引用关系:02 篇说"详见 06 篇"是否真的对应
- 要点回顾 vs 正文是否数字一致
阶段 4:发布前最终核查
# 推送前必须本地 grep 一次(按 ai-berkshire 隐私规则)
grep -r "linxuan\|/Users/\|<用户公司花名>" reports/ | head
确认无误后才 git pull --rebase && git commit && git push。
六、修订意见处理流程
用户给修订意见时,按以下顺序处理:
1. 先核查事实(不要直接改)
如果用户说"X 数据不对",先用 Bash/Read 找原始数据交叉验证:
- 看 ai-berkshire 项目里同公司的 earnings/财报报告
- 看富途/官方披露
- 给出"用户说的数据 vs 我查到的数据 vs 我之前用的数据"三方对比
2. 判断修订级别
| 级别 | 类型 | 处理 |
|---|---|---|
| 🔥 硬错误 | 数字错、归因错、口径错 | 必改,不需犹豫 |
| ⚠️ 主观化 | 强主观词、绝对化、流量党比喻 | 弱化或删除 |
| 🔬 颗粒度 | 来源标注、口径细化 | 优先级低,按可读性平衡 |
| ❓ 不可靠 | 第三方测算差异大 | 删比改更稳(用户明确指示) |
3. 修订后联动检查
修一处先想"哪些地方还会引用这个数字/概念"。例:
- 改了总市值 → 全系列联动改 PE / 主业 PE / 折让 / FCF Yield
- 改了持股 % → 改 TOP 10 排序 + 历史持股表 + 减持清单
- 改了术语口径 → 改首次定义 + 后续引用 + 要点回顾
4. 推送后立即报告
推送成功(commit hash)。
[N] 处修订总结 [带表]:
- 改了什么
- 联动改了什么
- 还有什么没改
下一步等指示。
七、本 skill 不做什么
- 不替读者做投资决策——所有篇章末尾"不构成投资建议"
- 不预测股价——只给"情景 + 触发条件"
- 不算"期望年化回报"加权值——主观概率分配会误导读者
- 不写"X 大佬也持有" —— 用别人的持仓为自己的判断背书是反价值投资的
- 不强求 8 篇都写——如果某篇没足够独立内容(如某公司管理层不够特别),合并到其他篇或减篇数
八、合规与隐私
- 所有公开报告只用公开信息(财报、官方披露、券商研报、知名第三方机构)
- 不用任何用户个人信息(公司花名、内部 IM、未公开持仓信息)
- 推送前必须用 grep 扫描
linxuan//Users// 用户公司花名 等隐私字段(参见~/.claude/projects/-Users-linxuan/memory/feedback_privacy_upload.md) - 公开署名按用户多层身份策略,不混用
一句话总结
写《看懂 X 系列》的核心能力 ≠ 写得好,而是改得严—— 89% 的财经长文死于伪精确数字、主观加权期望值、绝对化表述。本 skill 的存在就是为了把这些坑全部标记出来,写之前避开,写之后扫干净。
Related skills
Generative Code Art
anthropics
Create algorithmic art with p5.js using randomness and interactive parameters.
PPTX Text Extractor
axoviq-ai
Extract text and speaker notes from PowerPoint presentations.
Directory Submissions Tracker
coreyhaines31
Submit your product to startup and SaaS directories for backlinks and discovery.
Executive Stress-Test Mentor
alirezarezvani
Challenge your business decisions and plans with adversarial questions before they fail.