财报精读团队 · 四大师并行解读 + 公众号发布
用段永平、巴菲特、芒格、李录的视角并行精读财报，产出可直接发布的公众号文章。
证据显示：技能要求运行 `date` 命令确认日期，使用 `python3 tools/financial_rigor.py` 等工具进行数据交叉验证，并强调数据准确性。技能指示使用 Agent 并行研究，但未详细说明权限控制或用户确认机制。仓库有 SECURITY.md 提供漏洞报告渠道，但未涉及技能本身的权限设计。主要扣分：缺少明确的用户确认步骤，数据获取依赖外部服务（如 SEC EDGAR、港交所披露易等），未说明如何处理敏感数据或隔离。整体风险可见，但权限和确认机制不完整。
证据显示：技能有清晰的流程（三阶段），并引用了 `tools/financial_rigor.py` 和 `tools/report_audit.py` 工具，这些工具在仓库中有测试文件（tests/test_financial_rigor.py 和 tests/test_report_audit.py），覆盖了关键路径，表明工具本身有一定可靠性。但技能本身没有测试，且流程依赖 Agent 的实时搜索和数据获取，无法静态验证。扣分：技能的关键路径（如数据获取、Agent 协作）未经过测试，异常处理（如资料不可得）虽有评级但未提供具体失败回退。
证据显示：技能明确支持 '公司名 季度' 输入格式，如 '腾讯 2025Q4'，并提供了多个示例。目标用户是价值投资者，场景清晰（财报精读）。技能说明了与其他技能（如 /earnings-review、/investment-team）的区别，有明确的非适用边界。中文支持良好，但数据获取依赖海外服务（如 SEC EDGAR、Seeking Alpha），对于中国大陆用户可能存在网络可达性问题，且未提供替代方案。扣分：部分外部服务在大陆不可达，影响核心功能，未充分说明环境适配。
证据显示：技能有清晰的文档结构，包括设计理念、分阶段流程、输出文件结构等。仓库有 README.md、LICENSE（MIT）、SECURITY.md，提供了安装和使用说明。技能注明了生成来源（skills/earnings-team.md），有版本管理（通过 git）。但缺少变更日志（changelog）或版本号。扣分：没有明确的 changelog 或版本历史，维护责任不明确（虽然 README 有维护者信息，但技能本身未声明）。
证据显示：技能提供了详细的流程和输出模板，旨在产出可直接发布的公众号文章，并包含数据抽检（准出/打回）流程，表明有一定质量控制。但静态评估无法验证实际输出质量。扣分：没有代表性输出或第三方执行证明，价值主张（四大师并行、深度研究）未得到验证，边际价值缺乏证据。
证据显示：仓库包含测试文件（tests/test_financial_rigor.py 和 tests/test_report_audit.py），覆盖了工具的多个路径，且测试文件描述详细，可视为可复现的单元测试。但这些测试专注于工具本身，而非技能的整体流程。README 展示了真实报告示例（如拼多多、腾讯），但这些是作者自述，未独立核实。扣分：关键声明（如收益率、报告质量）仅来自作者，缺乏第三方验证，技能流程本身不可静态验证。
- 核心数据获取依赖海外服务（如 SEC EDGAR、Seeking Alpha、富途证券），在中国大陆网络环境下可能无法访问，建议提供替代数据源或离线方案。
- 技能要求使用 Agent 并行研究，但未明确权限最小化或用户确认机制，使用时应确保在可信环境中运行，并注意敏感数据的处理。
- 仓库中的收益率数据（2024 +69.29% 等）仅来自作者自述，未经第三方验证，请勿据此误认为技能效果有保障。
这个 Skill 能做什么，适合哪些场景？
这是一个面向重要公司关键财报的深度研究 Skill。它把四位价值投资大师的方法论拆成四个并行 Agent，分别从生意本质、财务质量、竞争格局、风险信号四个视角精读同一份财报，再由 Team Lead 合成研究报告，最后经编辑润色和读者评审，产出可发布的公众号文章。内置数据准出抽检，要求关键数据交叉验证并用精确计算工具验算。
读取公司财报原文、业绩电话会纪要、管理层致股东信等一手资料（来源包括 SEC EDGAR、港交所披露易、巨潮资讯网等），并行启动 4 个研究 Agent（段永平、巴菲特、芒格、李录视角），各自生成分析报告；随后 Team Lead 综合四个视角提炼共识与矛盾，产出结构化研究报告；再启动编辑 Agent 改写成公众号文章，并启动读者评审 Agent 给出修改意见，最终定稿。执行过程中会调用 tools/financial_rigor.py 验算市值、估值、多源交叉验证、三情景估值，最后用 tools/report_audit.py 对最终文章做准出抽检，产物写入 reports/{公司名}/ 目录。
- 重仓股发布季报/年报时，需要四位大师视角的深度解读，而不仅仅是单 Agent 的快速浏览。
- 公众号/投研博主在财报季需要持续产出高质量深度文章，希望把研究到成稿的流程标准化。
- 投资团队希望以统一方法论同时分析多家公司财报，以便横向对比（要求评分口径一致）。
- 分析师想对关键财报做交叉验证和精确估值，避免 LLM 心算误差导致错误判断。
- 投资研究者需要对管理层承诺进行追踪检验，并希望系统性地识别潜在风险信号。
这个 Skill 有哪些优点和局限？
- 强制四个视角并行且互相挑战，避免单一视角的盲点，能产出真实的矛盾与共识。
- 内置金融严谨性工具（精确十进制计算、多源交叉验证、准出抽检），降低 LLM 心算错误风险。
- 完整的发布流程：研究→编辑→读者评审→定稿，输出可直接发布的公众号文章，节省成稿时间。
- 资料可得性评级（A/B/C）机制，让分析深度与数据质量相匹配，避免了幻觉语境。
- 输出的报告结构固定，便于多家公司横向对比或同一公司跨期追踪。
- 核心流程依赖多 Agent 并行编排，token 消耗较高，成本不低。
- 步骤高度依赖 Claude/Codex 的 Agent 能力，在纯模型 API 上需要额外适配。
- 无测试套件，上述工具（financial_rigor.py、report_audit.py）的正确性未经验证。
- 未覆盖所有市场（如美股、港股、A股）的实时数据接入，需要手动获取一手资料。
- 产出的是文章而非投资建议，读者输出定位可能不适合只想快速得到结论的用户。
如何安装这个 Skill？
该 Skill 是 ai-berkshire 仓库（codex-skills/earnings-team/SKILL.md）的一部分，需先克隆仓库：git clone https://github.com/xbtlin/ai-berkshire.git。仓库提供三套入口：skills/*.md、codex-skills/*/SKILL.md、codex-prompts/*.md。安装方法因客户端而异：Claude Code 用户可运行 ./scripts/install-claude-commands.sh（macOS/Linux）或 install-claude-commands.bat（Windows）；Codex 用户可运行 ./scripts/install-codex-skills.sh 生成 skills 到 ~/.codex/skills，并可选安装 slash prompts。SKILL.md 未给出针对该 Skill 的单独安装命令，需依赖仓库脚本。
如何使用这个 Skill？
在 Claude Code 中直接调用 /earnings-team 公司名 季度，例如 /earnings-team 腾讯 2025Q4。在 Codex 中安装后重启，然后用自然语言描述，例如：使用 earnings-team 分析 PDD 2025年报。该 Skill 会在当前会话中并行启动 4 个后台 Agent 进行资料获取与分析，期间会调用 date 命令确认最新日期作为数据截止基线，并调用 Python 工具进行数据验算。最终产出报告保存到 reports/{公司名}/ 目录，包含最终公众号文章、研究底稿、四个视角分析及读者评审报告。
这个 Skill 与同类方案有什么区别？
SKILL.md 中明确对比了同仓库的 /earnings-review（单 Agent 快速财报精读）和 /investment-team（四 Agent 全面公司研究）。本 Skill 定位为两者之间的深度+发布场景，适用于重要公司的关键财报。