供应链瓶颈猎手
从超级趋势出发，通过物理供应链拆解与多标准瓶颈判定，挖掘被忽视的二三级瓶颈企业。
证据显示：技能要求先运行 date 命令获取当前日期，使用网络搜索工具，并调用共享工具（如 financial_rigor.py）。未发现违规访问、数据外传或破坏性默认操作的指令。用户输入通过 $ARGUMENTS 传递，无环境变量或敏感数据处理。但缺少对工具权限的最小化说明（如未限定 web search 范围或禁用危险 shell 命令），且没有明确的回滚机制。因此扣分在权限最小化、确认机制和回滚不足上。
技能内部逻辑自洽，步骤完整，引用了共享工具（tools/financial_rigor.py 等），但测试文件（tests/test_financial_rigor.py）针对的是工具本身，未覆盖技能核心路径（如瓶颈识别、公司筛选流程）。无法静态执行验证，且异常输入处理说明不足（如无法获取财务数据时的降级策略）。因此可靠性得分低于满分，且因静态评审限制上限为10，给9分。
技能明确目标（供应链瓶颈扫描）、受众（投资研究人员）、场景清晰，并定义了不支持的范围（如不推荐股票）。提供了详细的触发方式（如指定趋势）。但环境适配方面：核心依赖 web search 和外部数据源（如 FinMind），在中国大陆访问可能受限，且中文支持良好。因此扣分在对外部服务的可达性未明确说明。
文档结构清晰，有分层拆解、步骤说明、输出模板，但缺少版本历史、更新日志、已知限制的专门章节。许可证（MIT）明确，维护责任在 README 中有描述但未指定具体维护者。未提供 FAQ。因此扣分在版本治理和故障排除信息不完整。
技能描述了完整的流程和输出模板，理论上能完成瓶颈扫描任务，但未提供实际运行示例或报告样例，无法验证输出是否可直接使用。边际价值声称（寻找第二层瓶颈）有说服力，但缺乏证据。因此得分低于中间值，且静态评审限制上限为7，给6分。
证据包括测试文件（tests/test_*.py）和工具代码，但测试覆盖工具功能，未覆盖技能核心流程。README 中有实盘业绩截图，但无法从静态源验证其真实性。关键声明（如收益数字）缺乏第三方可证实的来源。因此得分在中间值以下，且静态评审限制上限为5，给4分。
- 技能依赖网络搜索和外部数据源（如 FinMind、Yahoo Finance），从中国大陆网络可能无法直接访问，建议评估网络环境。
- 技能涉及财务数据交叉验证，但工具准确性未经第三方独立验证，使用时应自行核实关键数据。
- README 中的实盘收益截图无法从静态源验证，不应作为可靠性证据。
- 技能未明确限制工具权限（如可执行任意 shell 命令），在不可信环境中使用时需谨慎。
这个 Skill 能做什么，适合哪些场景？
这是一个基于价值投资理念的供应链瓶颈扫描与套利机会挖掘技能。它引导AI从超级趋势（如AI基建、能源转型）出发，逐层拆解物理供应链（从终端到上游基础设施），识别那些供给受限、扩产周期长、替代难度高的瓶颈环节，然后筛选出瓶颈业务占比高但市值相对小的上市公司，并对每家公司进行严格的财务与估值检查，防止买入估值透支或财务质量不佳的标的。该技能强调交叉验证、反向思考与数据严谨性，输出包括瓶颈地图、机会排名表、个股一页纸摘要及存量动态更新。
该技能执行一个七步研究流程：首先确认超级趋势（通过持续性、物理性、规模性、加速性标准验证）；其次将趋势拆解为从Layer 0到Layer 4的物理供应链层级；然后对各环节使用六条标准（供给集中度、扩产周期、替代难度、产能利用率、需求增速、客户验证周期）进行瓶颈评级（S/A/B）；接着从瓶颈环节筛选上市公司，并进行初筛（上市状态、瓶颈业务占比、市值、流动性）与深度筛选（估值检查、PS/PE计算、安全边际检验）；第五步进行正向验证（客户、收入、价格、产能、资本）与反向验证（芒格式否定、替代路线、估值假设）；第六步输出机会看板，包含排名表与一页纸摘要；第七步维护瓶颈地图并支持每小时扫描模式。执行过程使用日期命令确认时间，调用网络搜索、Python工具（如financial_rigor.py进行精确计算，twstock_data.py获取台股数据），并遵循AGENTS.md中的研究质量规则。
- 投资者想抓住AI基础设施、能源转型等超级趋势，但不想追高已充分定价的GPU、HBM等龙头，希望找到二、三层供应链中被忽视的瓶颈供应商。
- 分析师需要对特定瓶颈环节（如光模块、InP衬底、ABF基板）进行系统扫描，识别全球范围内供给集中、扩产周期长的公司，并评估其财务质量。
- 基金经理需要对比多家瓶颈相关公司的估值（PS、PE）与安全边际，筛选出估值未透支、有足够安全边际的潜在投资标的。
- 投资研究员对某家持仓公司进行深度审查，利用反向验证清单（聪明人为什么不买？替代技术风险？）来检验投资论点的可靠性。
- 短线交易者或事件驱动投资者使用每小时扫描模式，监控最新供应链短缺新闻、库存信号和产能变化，快速发现潜在交易机会。
这个 Skill 有哪些优点和局限？
- 系统化框架：从趋势到标的的完整流程，每一步都有明确的标准和输出，可复现性强。
- 强调第二、三层瓶颈：避免在已被充分定价的龙头中拥挤交易，寻找alpha来源。
- 强制估值检查：防止推荐PS 100倍亏损公司，通过红灯/黄灯/绿灯机制评估估值安全性。
- 双向验证：既有正向验证（客户、收入、价格等），也有芒格式反向验证，减少确认偏见。
- 支持中文输出，适合大中华区投资者。
- 未提供可视化界面或自动化数据源，依赖用户提供的搜索权限和文件系统。
- 执行深度研究需大量token，成本较高，且文档未提供成本优化指引。
- 部分数据获取依赖网络搜索和外部工具（如twstock_data.py），存在数据可用性和准确性问题。
- 文档主要描述方法论，缺乏实际运行案例或测试集，无法验证其有效性。
- 未提及如何验证供应链数据可靠性，存在幻觉风险。
如何安装这个 Skill？
该技能是ai-berkshire仓库中的一个子技能，位于codex-skills/bottleneck-hunter/目录。安装需先克隆整个仓库（git clone https://github.com/xbtlin/ai-berkshire.git），然后按照仓库README中的安装步骤，为Claude Code或Codex安装技能集合。文档未提供单独安装此技能的独立步骤。
如何使用这个 Skill？
安装后，在Claude Code中使用斜杠命令/bottleneck-hunter [超级趋势]，或在Codex中用自然语言描述如'使用bottleneck-hunter扫描AI基础设施瓶颈'。技能将自动执行趋势验证、供应链拆解、瓶颈识别、公司筛选、交叉验证等步骤，并在reports/bottleneck-map/目录下生成中文报告，如完整扫描、每日扫描或瓶颈总地图。需注意该技能默认要求进行网络搜索和文件系统操作。
这个 Skill 与同类方案有什么区别？
该技能是ai-berkshire仓库中多个行业筛选技能之一，与/industry-funnel（行业漏斗筛选，从全市场逐层精选到3家）和/industry-research（产业链全景扫描，按环节切片）相比，bottleneck-hunter更专注于从物理瓶颈角度切入，适合已确定超级趋势后寻找低估瓶颈企业。