StockValuation.io 本地估值工作流
把股票代码变成可审查的 Damodaran 式 DCF 估值：本地 MCP 计算确定性数学，智能体负责研究、证据与判断，假设全程透明可挑战。
技能自身权限克制：估值数学由本地 MCP 服务承担，明确禁止模型自造数字、禁止在聊天中索取密钥（sv check-env）、绕过门控需用户显式请求并记录 gate_records、无建议性金融话术政策。扣分项：README 推荐 curl|bash 远程安装脚本，报告默认自动打开浏览器（虽有 --no-open），数据流涉及 SEC/Yahoo 等外部服务且发布者身份未经验证，回滚路径仅部分说明。
仓库含真实 CI 工作流和已提交的测试（accounting 验证、锚点/门控/范围输出等关键路径），失败码体系（GATE_NOT_CLEARED、UNANCHORED_SCENARIO_VALUE、explain_failure）自洽且可诊断。扣分项：静态审查无法执行验证，测试对 SKILL.md 描述的完整八步工作流覆盖不完整， Docker/Java 服务与外部数据源的可用性未验证。
触发条件明确（提及 stockvaluation.io 或估值请求），覆盖边界、停止规则（金融公司、私营公司、数据不足）和非适用范围写得非常清楚。扣分项：核心功能完全依赖 SEC EDGAR、Yahoo 等中国大陆难以稳定访问的海外服务，且无中文支持声明，本地环境要求 Docker，对目标用户群构成实质门槛。
文档分层良好（SKILL.md + 7 个 references，渐进披露清晰），Apache-2.0 许可明确，作者署名并声明与 Damodaran 无关联。扣分项：SKILL.md 版本 3.0.0-workflow-consistency 与 pyproject 0.1.0 不一致，无变更日志，维护责任和更新路径仅隐含于个人项目 README，安装脚本细节未在技能文档内充分披露。
输出契约定义严密（报告 JSON 形状、确定性 prose linter、数值溯源标签、区间输出规则），边际价值主张（可审计的 Damodaran 式流程）清晰。扣分项：静态审查无法验证实际产出质量，价值完全依赖本地 Java 服务与外部数据链路，未执行无法确认代表性输出可直接使用。
有 CI 工作流和已提交测试套件作为可审计材料，锚点确定性有逐字节一致性测试。扣分项：覆盖率低于 SKILL.md 声称的全部关键路径，无第三方独立复现证据，演示视频无法静态核实，静态审查上限 5 分。
- 核心数据链路依赖 SEC EDGAR 与 Yahoo，中国大陆网络环境下可能无法稳定使用，且无中文支持。
- README 推荐的 curl|bash 远程安装脚本会在用户机器上执行未审查代码，建议改为克隆后本地审查再运行。
- 报告默认自动打开浏览器，自动化场景应使用 --no-open 或 STOCKVALUATION_OPEN_REPORT=0。
- 输出仅为教育性估值场景，不是投资建议；所有关键假设须人工复核。
- SKILL.md 与 pyproject 版本号不一致，静态审查未执行任何测试，实际运行质量未经验证。
这个 Skill 能做什么，适合哪些场景？
StockValuation.io 是一个开源、本地优先的估值工作流，配合 Codex 或 Claude 使用。它把职责分开：智能体做公司研究、文件阅读、证据收集和引导式提问；本地 MCP 服务执行 DCF 计算并返回可审计的数字；用户负责审阅假设和最终判断。工作流遵循 Damodaran 的"故事驱动数字"方法论，设有服务器强制的关卡——必须先做证据审查，再跑带情景的重算，并通过引导式问题确定关键驱动因素。报告为教育目的生成，明确声明不构成投资建议。适合想学习或检验 DCF 估值、且愿意自行部署本地服务的人。
从股票代码或 SEC EDGAR 招股书 URL 出发：调用本地 MCP 工具获取确定性基线估值（researched_baseline / value_ticker / extract_prospectus）；智能体研究公司并按驱动因素整理证据；在证据审查关卡暂停等待用户确认；通过 plan_guided_questions 逐个提出引导式假设问题并应用答案；由本地服务（绝不手算）重算基线与高/中/低情景；最终用 build_report.py 生成带确定性文字校对器的 HTML 报告并自动打开。未通过数据支持的案例会返回明确的失败而非伪造估值。
- 投资学习者想看一家公司的增长故事如何逐项映射到收入增长、利润率、再投资和终值假设上
- 自行研究股票的个人投资者想检验某个 DCF 假设是否站得住脚，而不是接受黑箱公允价值
- 需要从 SEC 招股书（如 SpaceX 类申报文件）提取事实并构建早期公司估值视图的用户
- 想在 Codex 或 Claude 上搭建并测试智能体原生估值技术栈的开发者
- 教学场景中比较不同情景（悲观测算/基准/乐观）对估值的影响
这个 Skill 有哪些优点和局限？
- 估值数学完全本地、确定性且可审计，假设透明可挑战，避免黑箱数字
- 服务器强制关卡防止智能体跳过证据审查或自造情景数字（UNANCHORED_SCENARIO_VALUE 等保护）
- 遵循 Damodaran 故事-数字方法论，报告展示假设链条而非孤立结论
- 数据不足时返回明确失败，而非伪造估值
- 需要自行安装并运行本地 Docker MCP 服务，部署门槛不低
- 仅教育用途，明确禁止投资建议和买卖推荐；不支持金融行业公司
- 本地优先但非完全离线：市场数据、公司文件、汇率和模型提供商仍需外部访问
- 非美股、ADR、IFRS 及异常申报可能需要额外来源审查；历史数据覆盖有缺口
- 作者声明与 Aswath Damodaran 无关联、未获其认可；README 未展示测试套件或独立准确性验证
如何安装这个 Skill？
需要 Docker Desktop 或兼容的 Docker Engine（含 Compose）。两种方式：1) 本地检出仓库后运行 ./install.sh setup；2) 远程安装：curl -fsSL https://raw.githubusercontent.com/stockvaluation-io/stockvaluation_io/main/install.sh | bash -s -- setup。安装器会安装技能、配置本地工具、启动 Docker 服务并打印状态，默认面向 Codex 和 Claude。curl 安装默认克隆到 ~/.local/share/stockvaluation_io，可用 STOCKVALUATION_INSTALL_DIR 更改路径。其他命令：./install.sh status|start|stop|uninstall。技能文件位于仓库 valuation-agent/skills/stockvaluation-io/SKILL.md。
如何使用这个 Skill？
安装并确认服务运行后，在 Codex 或 Claude 中直接提问：例如 "Value MSFT using stockvaluation.io"。默认是完整研究流程：智能体先展示证据，暂停供你审查，再逐个提出引导式假设问题，回答后才生成报告。招股书估值："Use stockvaluation.io to value a company from this SEC prospectus: <SEC EDGAR HTML URL>"。只有明确说 quick、no questions、one-shot report 等才会跳过证据与提问环节。
这个 Skill 与同类方案有什么区别？
与直接让大模型"手算"一个 DCF 相比，本项目明确禁止智能体自行计算估值数字，由本地 MCP 服务产出确定性结果；源材料未提及具体竞品名称。