⚙️ 双技能协同：Excel分析 + Word/PPT报告
?Excel财务分析Skill
结构化数据处理中枢
✓ 行业股票池自动生成与指标拉取 ✓ 同比/环比统一计算与分组比较 ✓ 业绩驱动诊断与增长质量评分 ✓ 分组柱状图与趋势图输出
?Word/PPT报告Skill
非结构化文本归纳引擎
✓ 定期报告PDF自动获取与文本提取 ✓ 单股经营摘要与行业综合判断 ✓ 需求/供给/库存/盈利多维度分析 ✓ Word报告与PPT演示材料自动生成
两个模块分别对应“结构化数据”与“非结构化文本”，底层采用“规则引擎 + 模板输出 + 大模型摘要增强”的组合方式，既保证数据口径严谨可复核，又利用大模型的推理能力提升报告生成效率。
? 创建背景：从手工拼表到流程资产
财报季，权益研究员需要在短时间内消化多家公司的盈利能力、经营质量并判断边际变化。单家公司拆解不难，真正的难点在于行业维度的批量化处理、跨公司对比和标准化输出。此外，传统模式下，分析师常常面临：
财务数据需要在多个表格间拼接核对，耗时且易错 从公告原文到研究底稿，大量机械性文字搬运工作 横向比较时口径不统一，结论表达不稳定
正是基于这一痛点，我们围绕“行业财报自动化分析”分拆出两个技能，将研究生产过程模块化封装，形成可重复调用的标准能力，从而把分析师从底层整理中解放出来，更快进入“解释差异”和“提炼结论”的阶段。
?️ 实现路径：规则引擎 + 大模型增强
两个技能并非简单脚本，而是面向研究生产流程的模块化设计。对于财务指标匹配、报告期映射、同比环比口径等确定性任务，采用显式规则和结构化计算，以保证结果可复核、可追踪；对于“经营现状”“未来展望”“关键风险”等文本理解任务，则引入大模型在限定上下文中的摘要能力，提升报告生成效率和表述完整度。
平台实现上，使用了VS Code + GitHub Copilot，模型主要采用GPT 5.4 Xhigh模式。同样方法构建的Skill也可在Openclaw、Claude Code、Cursor、Trae等各类AI辅助编程工具中调用，具有很强的跨平台迁移能力。
? 效果展示一：Excel财务分析Skill
以申万二级行业“通信设备”为例，该Skill一次性输出多张工作表：
- 指标明细表：
行业内所有个股指定财报季的营收、毛利、净利、净利润率等关键指标，支持快速检索。 - 同比/环比展开表：
主要指标及其变动一目了然，方便跨公司对比经营变化。 - 业绩驱动诊断表：
大模型根据现金利润比、资本开支强度、费用率变动等，自动打上收入驱动标签、利润驱动标签、增长质量得分、经营质量得分和异常标签。 - 分组总览：
按子行业汇总指标中位数，形成整体判断。 - 可视化图表：
分组营收/利润同比环比柱状图、业绩走势曲线图。
? 个股业绩驱动诊断（示意）
? 分组营收同比增速（模拟）
光模块+68%
基站设备+22%
光纤光缆+12%
▲ 通信设备子行业营收同比增速对比（示意数据）
当切换至房地产行业测试时，Skill输出的诊断结论与通信设备呈现出鲜明对比：大部分房企被标记为“深度承压”，增长质量评分普遍偏低。这表明该Skill确实能够通过经营指标的边际变化，对公司的财务健康状况做出差异化评判。
? 效果展示二：Word/PPT报告Skill
同样以通信设备行业为例，生成的Word报告和PPT包含以下标准化模块：
? 财报覆盖
已发布财报的公司清单
? 行业概况
整体财务特征与子行业差异
? 研究框架
需求/供给/库存/盈利/价格/风险
? 公司点评
逐家分析发展现状与前景
? 未来展望
1-2年行业预测与风险提示
在养殖业的测试中，Skill准确判断了生猪养殖行业的当前供需状态，并提炼出产能去化、成本中枢等关键线索。其核心优势在于：将财报中的管理层讨论文字喂入大模型，结合结构化财务数据综合推理，使得最终报告对行业和公司的判断明显更加准确和立体。
? 如何使用这两个Skill
目前各类AI工具普遍采用LLM+Agent架构，支持调用Skills和Tools。这两个Skill可在VS Code Copilot、Openclaw、Claude Code、Cursor、Trae等几乎所有主流AI编程平台运行。使用极为简单：
在提示词中明确告知：
「使用Excel财务分析Skill，分析白酒行业2026Q1财报」
→ 系统自动调用Skill，完成数据拉取、对比、图表和报告生成。
即便是非技术背景的分析师，只需按此规范描述需求，即可将原本3天的机械性工作压缩至几小时内完成，大幅提升研究产出效率。
⚠️ 风险提示
本文所述算法与模型均具有一定的随机性，虽然目前财务数据抓取与文本归纳基本准确，但仍可能出现幻觉或分析偏差。所有输出内容仅供研究参考，不构成任何投资建议。在使用过程中，务必结合人工复核与专业判断，不可完全依赖自动化输出做决策。
