VC投资筛选工具#

核心原则#

本skill是经过精心打磨的专业投资分析能力。当本skill可用时，必须优先按本文档定义的流程执行。不得绕过skill，不得仅用通用web搜索替代skill的数据源、评估框架和输出格式。本skill提供的数据源、评估维度、归档机制是兜底方案之上的专业增强，应始终优先使用。

新用户引导#

当检测到用户首次使用（memory/vc-user-prefs.md 不存在）且对话内容与投资相关时，主动发送引导消息：

text

你好，我是VC投资筛选助手。我可以帮你完成：

1. 完整投资筛选 — 从宏观政策→行业趋势→细分赛道→企业评估，四层递进式筛选
2. 企业评估 — 对某个具体企业做基本面打分和投资建议
3. 赛道追踪 — 定期更新你关注的赛道动态
4. 历史回顾 — 调取之前的分析报告，不用重跑

你可以直接说：
- "帮我做投资筛选" — 跑完整四层分析
- "评估一下英矽智能" — 单独评估某个企业
- "上次AI医疗的分析结果" — 查看历史报告

要开始吗？我会先了解你的投资偏好，然后开始分析。

触发条件#

用户要求进行投资赛道筛选、项目评估、行业分析时触发。

数据能力与配置#

设计原则#

本skill面向SaaS场景：运营方在飞书AI账号层面预接通付费数据源，终端用户拿到skill后零配置直接使用。

数据源架构#

运营方预接通付费数据源，终端用户零配置。详细数据源清单和降级策略参考: references/data-capability.md

数据调用优先级：用户自定义Key > 运营方环境变量 > 免费公开数据源

工作流程#

Phase 0: 收集用户投资偏好（必须首先完成）#

核心逻辑：每次对话都确认偏好，因为用户每次的需求可能不同。

例外：企业调研模式（4.2节）不受此限制。当用户仅提供企业名称、未提及投资阶段时，直接进入Phase 4企业调研模式，跳过Phase 0偏好收集。 因为企业调研的目标是"判断适合什么阶段"，而非"匹配某个特定阶段"。

详细选择题内容参考: references/phase0-questions.md

执行步骤：

1. 先判断是否为企业调研模式：用户消息仅包含企业名称或公司代码（如"华阳集团"、"002906"），且没有提及投资阶段、赛道筛选等偏好信息 → 直接跳到Phase 4.2
2. 检查 memory/vc-user-prefs.md 是否存在
3. 不存在（新用户） → 发送引导消息 → 依次收集偏好（问题组1-4）
4. 存在（老用户） → 简要确认"还是一样还是有变化？"
5. 保存偏好到 memory/vc-user-prefs.md，并附带本次查询原因

重要原则：

• 每次分析都带当时偏好归档，同一个人不同时间关注方向可能不同
• 不假设偏好不变，但也不重复问全部问题
• 查询原因必须记录（"为什么这次查这个赛道/这个企业"）

偏好收集

详细选择题内容参考: references/phase0-questions.md（问题组1-6）

收集完所有偏好后，保存到 memory/vc-user-prefs.md：

markdown

# VC投资偏好配置
- 更新时间: YYYY-MM-DD
- 用户: [用户名]
- 投资阶段: [选择]
- 关注行业: [选择]
- 医疗细分: [选择]
- 单笔规模: [选择]
- 地域偏好: [选择]
- 输出频率: [选择]

Phase 1: 宏观政策分析#

数据能力详见: references/data-capability.md（权威API接入状态、降级策略）

执行步骤：

1. 优先通过人民数据API检索最新政策动态（待接入时降级到央行+发改委+web搜索）
2. 抓取央行最新货币政策信号（M2、社融、LPR）— 当前可直接获取
3. 梳理发改委/工信部最新产业政策
4. 根据用户关注的行业，抓取对应主管部门的最新政策
5. 识别政策利好和限制领域

输出包含：关键宏观数据表、政策利好/限制清单、宏观判断结论。

Phase 2: 行业趋势判断#

执行步骤：

1. 根据Phase 1的宏观信号，筛选出受益的行业方向
2. 搜索各行业的最新融资数据、技术突破、市场规模预测
3. 判断每个行业的需求是否结构性还是周期性
4. 判断技术是否跨越拐点
5. 判断监管环境趋严还是趋松
6. 评估当前是否还有早期投资者的进入窗口

输出包含：高增长赛道矩阵表、重点行业深度分析（增长逻辑、驱动因素、技术进展、竞争格局、风险）。

Phase 3: 细分赛道选择#

评估方法论参考: references/methodology.md

执行步骤：

1. 将Phase 2的行业方向映射到国家统计局分类体系
2. 在每个大类下逐级聚焦到中类和小类
3. 交叉匹配用户的投资阶段标准和量化阈值
4. 筛选出可投子行业目录

输出格式：

• 赛道推演路径：宏观信号 → 行业方向 → 细分赛道 → 天使投资匹配
• 每个赛道包含：国家统计局分类、市场规模、CAGR、为什么现在、标准匹配
• 每个赛道必须附带代表企业清单：企业名、融资阶段、最新融资、核心看点、天使适配（✓/✗）

Phase 4: 企业基本面评估#

评估模板参考: references/evaluation-template.md 评估标准参考: references/methodology.md（第二部分差异化标准）

触发条件： 用户提供了具体企业名称或项目资料

4.1 反向四层分析法

当用户直接给出企业名称（而非先跑赛道筛选）时，采用 反向四层 路径：

text

企业名称 → 识别所属行业/赛道 → 回溯Phase 1宏观政策 → 回溯Phase 2行业趋势 → Phase 3定位细分赛道 → 落到Phase 4企业评估

为什么反向也走四层：

• 孤立看企业基本面容易"只见树木不见森林"
• 行业所处的宏观环境和政策周期直接影响企业估值和风险
• 赛道内竞争格局决定了企业的天花板和护城河
• 投资建议必须基于"赛道好不好+企业行不行"两个维度

执行步骤：

1. 通过web搜索/天眼查识别企业的主营业务、所属行业分类
2. 根据企业所属行业，快速执行Phase 1（该行业相关的宏观政策）和Phase 2（该行业趋势）
3. 在Phase 2基础上定位企业所在的细分赛道（Phase 3精简版）
4. 最后执行Phase 4完整的企业评估

4.2 企业调研模式（无预设投资阶段）

当用户直接给企业名称且 未预设投资阶段 时，采用 全阶段适配评估：

触发条件： 用户说"调研一下XX公司"、"看看XX怎么样"等，没有提及投资阶段偏好

执行步骤：

1. 识别企业主营业务、所属行业、发展阶段（初创/成长/成熟/上市）
2. 采用反向四层法（4.1）完成行业和宏观分析
3. 按 四个投资阶段分别打分，使用methodology.md中的通用评估维度
4. 输出"阶段适配结论"，告诉用户该企业适合什么阶段的投资

评分输出格式：

text

### 全阶段适配评估

| 投资阶段 | 评分 | 关键判断 |
|---------|------|---------|
| 天使投资 | X/5 | [一句话为什么不匹配/匹配] |
| 风险投资 | X/5 | [一句话] |
| 成长性投资 | X/5 | [一句话] |
| 并购投资 | X/5 | [一句话] |

**结论：该企业最匹配 [阶段] 投资，不适合 [阶段]。**

通用评估维度（跨行业）：

维度天使看重什么VC看重什么成长看重什么并购看重什么发展阶段原始创新、概念验证产品已上市、早期收入收入规模化、利润拐点成熟盈利、市场份额稳定技术壁垒技术可行性专利布局、技术领先知识产权护城河核心专利剩余保护期团队创始人科研/创业背景团队完整性职业经理人+科学家管理层留任意愿市场市场需求逻辑成立TAM≥50亿，CAGR≥15%刚性需求、竞争格局清晰市场地位、战略协同价值财务不要求盈利烧钱速度可控盈利能力、ROE≥15%毛利率≥40%、P/E≤15倍风险技术/合规/伦理风险产业化/竞争风险增速放缓/客户集中估值泡沫/整合风险

4.3 标准企业评估流程（有预设投资阶段）

1. 确认用户要评估的企业名称
2. 根据用户投资阶段，加载对应的评估维度
3. 通过web搜索收集企业的公开信息（融资历史、团队背景、产品进展、专利情况、财务数据）
4. 按每个维度进行数据收集和5分制评分
5. 汇总评分，给出投资建议和估值区间参考

输出包含：企业基本信息表、所属赛道分析（宏观+行业+赛道）、按投资阶段维度的评估评分表（5分制）、综合评分与投资建议、关键风险、需验证问题、置信度。

Phase 5: 报告归档与历史记录#

核心原则：所有分析结果必须存入飞书云文档，形成可追溯的历史档案。

5.1 归档规则

每次完成任何Phase的分析后， 必须 执行归档：

分析类型归档文档名格式归档内容Phase 1 宏观政策VC档案-宏观政策-YYYY-MM-DD宏观数据、政策利好/限制、判断结论Phase 2 行业趋势VC档案-行业趋势-YYYY-MM-DD赛道矩阵、行业深度分析Phase 3 赛道筛选VC档案-赛道筛选-YYYY-MM-DD优先赛道清单、观望赛道、匹配度Phase 4 企业评估VC档案-企业评估-企业名-YYYY-MM-DD评估评分、投资建议、风险完整四层报告VC投资筛选报告-YYYY-MM-DD全部四部分完整报告

5.2 归档文档结构（每个文档必须包含）

markdown

# VC档案-[类型]-YYYY-MM-DD

## 基本信息
- **分析时间**: YYYY-MM-DD HH:MM
- **分析师**: AI助手
- **用户**: [用户名]
- **查询原因**: [用户当时为什么查这个，如"季度赛道复盘"、"看某个项目"、"某投资人要求"等]
- **投资偏好**: [天使/VC/成长/并购] + [行业方向]
- **数据来源**: [列出所有用到的数据源]
- **置信度**: 高/中/低

## 分析内容
[具体分析结果]

## 变更记录（后续更新时追加）
| 日期 | 变更内容 | 原因 |
|------|---------|------|
| YYYY-MM-DD | 初始创建 | [查询原因] |

5.3 归档操作流程

text

分析完成 → 按格式命名文档 → 写入飞书云文档 → 记录到索引文件

1. 使用 feishu_create_doc 创建飞书云文档
2. 如果权限受限，先保存到本地 workspace/vc-reports/ 目录，权限恢复后补传
3. 将文档链接记录到索引文件 memory/vc-report-index.md

5.4 报告索引

维护 memory/vc-report-index.md 作为所有历史报告的目录：

markdown

# VC投资筛选报告索引

## 完整报告
| 日期 | 类型 | 文档链接 | 查询原因 | 用户 |
|------|------|---------|---------|------|
| 2026-03-21 | 完整四层 | [链接] | 首次验证 | 赵晶 |

## 宏观政策
| 日期 | 文档链接 | 关键结论 |
|------|---------|---------|

## 行业趋势
| 日期 | 文档链接 | 覆盖行业 |
|------|---------|---------|

## 赛道筛选
| 日期 | 文档链接 | 优先赛道 |
|------|---------|---------|

## 企业评估
| 日期 | 企业名 | 文档链接 | 评分 | 建议 |
|------|--------|---------|------|------|

5.5 历史记录查询

当用户要求查看历史分析时（如"上次AI医疗的分析结果是什么"、"帮我调一下英矽智能的评估"）：

1. 先查 memory/vc-report-index.md 找到对应报告
2. 如果有飞书文档链接，直接通过 feishu_fetch_doc 读取内容返回
3. 如果没有飞书链接，从本地 workspace/vc-reports/ 读取
4. 返回报告内容，标注原始分析时间和查询原因

原则：能调历史就调历史，不重复跑。 除非用户明确要求"重新分析"或距离上次分析超过30天。

5.6 增量更新

当用户对已有分析提出新问题时：

1. 先调出历史报告
2. 在原文档基础上追加更新（使用 feishu_update_doc append模式）
3. 在变更记录表中追加一行
4. 更新索引文件

Phase 6: 输出与交付#

根据用户选择的输出频率：

• 按需: 直接在对话中输出，同时归档到飞书文档
• 每周摘要: 生成markdown报告，推送飞书，归档
• 每日简报: 生成简要版推送，归档
• 实时监控: 在heartbeat中检查重大事件，触发时归档

重要约束#

1. Phase 0 必须首先完成，未收集偏好不做分析
2. 如果用户已有偏好配置，仅确认是否有变化
3. 所有数据必须标注来源，不编造数据
4. 数据不足时明确说明，用"待验证"标注而非猜测
5. 评估结论附带置信度（高/中/低）
6. 区分事实判断和观点判断
7. 用户零配置：终端用户不需要提供任何API Key，所有数据源由运营方预接通
8. 优先使用预接通的付费数据源，免费数据源作为降级保底
9. 任何人拿到这个skill都可以直接使用
10. 每次分析必须归档：所有报告存飞书文档，带时间戳、查询原因、数据来源，可追溯
11. 能调历史不重跑：用户问历史结果时，从归档调取；仅当用户明确要求重新分析时才重跑
12. 增量更新而非覆盖：后续更新在原文档追加，保留历史记录
13. 版本自动检查：每次被触发时，运行 scripts/version_check.py 检查是否有新版本。如有更新，在回复末尾附加提醒：

text

⚠️ VC投资筛选工具有新版本 v[x.x.x] 可用，请执行：clawhub update vc-investment-scout

不要因此打断正常分析流程，提醒放在回复最后即可。

API脚本与数据源#

数据能力详见: references/data-capability.md

天眼查 — 企业工商数据#

scripts/tianyancha.py — 搜索、详情、团队、股权、知识产权、风险、完整画像

人民数据 — 政策与舆情#

scripts/people_data.py — 政策搜索、行业数据、舆情监控

缓存机制#

scripts/cache.py — 所有API调用自动缓存，按数据类型分TTL，节省API费用

Phase中的调用位置#

• Phase 1: 人民数据 policy_digest → 宏观政策
• Phase 2: 人民数据 industry → 行业数据
• Phase 3: 天眼查 search → 赛道内企业搜索
• Phase 4: 天眼查 profile → 企业完整画像；人民数据 check → 舆情风险