最近我一直在做一件事：
把“读年报时先排除风险”的方法，做成一个可以反复运行的 AI Skill。
它不是用来回答“这家公司好不好”的。
也不是让 AI 写一篇漂亮的公司分析作文。
我更想让它做一件更前置、更枯燥、但也更重要的事：
在我真正研究一家公司之前，先帮我把财报里可能需要排除、验证、打折理解的地方扫一遍。
这就是我现在做的 AI 财报排雷 Skill。
先补一段背景。
为什么我会把“财报排雷”单独做成一个 Skill？
因为我越来越觉得，很多人读财报时跳得太快。
一上来就问：
这家公司是不是好公司？
估值贵不贵？
未来能不能涨？
但真正进入这些问题之前，还有一道更朴素的关卡：
这份财报本身，有没有值得先停下来验证的地方？
年报不是一篇商业故事，它是一组被会计规则组织起来的经营证据。
利润表告诉你公司赚了多少钱。
资产负债表告诉你这些利润、扩张、并购和投入最后沉淀成了什么资产和负债。
现金流量表告诉你账面利润有没有变成真金白银。
附注、审计意见、监管问询和关联交易，则负责告诉你：这些数字背后有没有更复杂的解释。
所以财报排雷不是为了制造恐慌。
它也不是为了给一家公司贴“好”或“坏”的标签。
它更像一套研究前置动作：
先把硬红灯、风险信号、正面反证和后续验证点分开。
如果没有硬红灯，可以继续研究。
如果有风险信号，不急着下结论，而是把它变成问题卡。
如果有正面反证，也要写出来，防止把排雷写成单向度的恐慌内容。
这也是我为什么不想只做一个“年报总结助手”。
总结助手会把材料变顺。
排雷助手要把问题变清楚。
一、为什么不是让 AI 总结年报
现在把一份年报丢给 AI，让它总结主营业务、营收利润、经营亮点，并不难。
难的是另一件事：
它能不能带着问题去读？
比如：
利润增长，现金流有没有跟上？
收入很好看，应收账款有没有异常堆高？
毛利率比同行高，是商业优势，还是口径差异？
商誉、存货、固定资产、在建工程这些科目，有没有把压力留在资产负债表里？
审计意见、监管问询、关联交易、受限资金这些地方，有没有需要先停下来看的信号？
普通的 AI 总结，往往会把年报整理得很顺。
但财报排雷不是把材料讲顺，而是把材料问穿。
所以我一开始就给这个 Skill 定了边界：
它不是建议器，是过滤器。
不估值。
不荐股。
不判断买入、卖出、持有。
它只回答一个更基础的问题：
这份财报里，有没有明显需要先排除、先验证、先打折理解的地方？
这一步有点像投研里的安检口。
不是告诉你要去哪里，而是先看包里有没有不该忽略的东西。
二、方法不是凭空来的
我不想做一个“凭感觉排雷”的提示词。
如果只是写一句“请严格分析财务风险”，AI 很容易给出一些看起来正确、但无法复核的泛泛判断。
所以我先做了一轮方法拆解。
我把几类财报分析和价值投资框架重新梳理了一遍。
这里面包括：
张新民《张新民教你读财报》；
肖星《一本书读懂财报》；
夏立军、李莫愁《价值投资者的财报分析》；
薛云奎《穿透财报，发现企业的秘密》；
叶金福《从报表看舞弊：财务报表分析与风险识别》；
郭永清《财务报表分析与股票估值》；
海马财经《上市公司财报分析与股票估值》；
邹佩轩《穿透财报：读懂财报中的逻辑与陷阱》；
唐朝《手把手教你读财报：财报是用来排除企业的》；
以及本地整理的《上市公司财务报表深度分析框架》。
但重点不是把书名列出来。
重点是把书里的判断方式拆成可执行的规则。
每套方法都会被拆成四类东西：
第一，核心问题。
这本书提醒我先问什么。
第二，判断规则。
什么情况算风险信号，什么情况只是行业差异或正常经营波动。
第三，证据位置。
这些问题应该去年报正文、财务附注、审计意见、公告、监管问询里的哪里找。
第四，输出动作。
最后应该形成评分、问题卡、后续清单，还是来源附录。
只有拆到这一步，AI 才不是在“理解一本书的大意”，而是在执行一套检查流程。
三、这个 Skill 具体怎么跑
目前这个 Skill 的底层结构，被我整理成了 10 层：
证据包、业务理解、三表勾稽、母合并穿透、盈利质量、资产质量、现金融资、舞弊和调节识别、综合评分、报告生成。
听起来有点重，但真正运行时，我希望它先做好 6 件事。
1. 硬伤检查
先看审计意见、监管问询、处罚、延迟披露、审计师变更。
这些不一定直接等于问题，但必须优先标出来。
2. 利润质量
看收入、毛利、费用、非经常性损益，判断利润是不是只停留在利润表里。
3. 资产排雷
看应收、存货、商誉、长期资产、受限资金、在建工程。
很多风险不是出现在利润表，而是先沉到资产负债表。
4. 现金流验证
经营现金流能不能支持净利润，销售收现和收入是否匹配。
如果利润很好看，但现金一直跟不上，就不能只看利润表讲故事。
5. 15 维评分
评分不是投资评级。
它只是把财报质量压缩成一个可解释的检查结果，方便后续跟踪。
6. 疑点清单
把重要风险拆成问题卡。
每个疑点都要写清楚：触发证据、正常解释、风险解释、现金流验证、后续怎么验。
四、为什么一定要三表一起看
财报里最容易被误读的地方，是单看一张表。
只看利润表，容易被增长吸引。
只看资产负债表，容易陷在科目细节里。
只看现金流量表，又可能忽略企业所处阶段和行业特征。
所以这个 Skill 的核心动作，是把三张表放在一起互相验证：
利润表负责提出故事。
资产负债表负责看这个故事落到了哪里。
现金流量表负责验收这个故事有没有现金支持。
比如利润增长，最后可能变成应收账款。
收入增长，最后可能变成存货压力。
扩产投入，最后可能变成固定资产、在建工程、折旧和后续资本开支。
这些东西单独看都不一定异常。
但放在一起看，才知道它们能不能互相解释。
五、我最看重的是问题卡
我不希望 AI 最后只给一句：
“公司财务风险较高，建议关注。”
这种话太容易写，也太难使用。
真正有用的排雷结果，应该是一张张问题卡。
每张问题卡至少要回答五件事：
触发证据是什么？
是哪个科目、哪个年份、哪个比例、哪条公告或哪段附注。
正常解释是什么？
有没有可能是行业特征、会计口径、业务阶段或一次性因素。
风险解释是什么？
如果不是正常波动，可能指向什么问题。
现金流怎么验证？
利润、收入、应收、存货和经营现金流之间能不能对上。
下一步怎么验？
后续看年报、季报、问询函、同行数据还是管理层解释。
有了问题卡，财报排雷就不会停留在情绪化判断上。
它会变成一组可以复核、可以追踪、可以下次继续验证的问题。
六、为什么我要把它做成 HTML 报告
一开始我也想过，直接生成 Word 或 Markdown 不就可以了吗？
后来发现，财报排雷不太适合只做成一篇线性文章。
因为它里面有结论、红灯、评分、问题卡、来源、后续跟踪清单。
这些信息不是一条线，而是一套证据系统。
如果只是把 Word 换成网页，本质还是旧逻辑。
我真正想改的不是排版，而是生成方式：
从年报 PDF 和官方披露开始，直接按 HTML 研究报告的结构生成。
第一屏先看到结论。
红灯状态一眼看见。
风险点变成问题卡。
评分有解释，不是投资评级。
来源和口径放在附录。
后续验证清单可以继续跟踪。
这样一来，HTML 只是呈现形式。
真正的核心，是让结论、证据、风险、反证和来源被清楚地组织起来。
七、一个真实样板：东山精密 HTML 财报排雷报告
上面讲的还是方法。
真正跑起来之后，它应该长什么样？
我拿东山精密做过一版 HTML 财报排雷报告。
这里不展开做个股分析，也不讨论任何买卖建议，只把它作为“报告形态”的样板。
这份报告，不是先铺一堆公司介绍。
而是先回答几个最关键的问题：
有没有触发财报硬红灯？
东山精密样板里的结论是：未触发硬红灯。
这句话很重要。
因为财报排雷不是看到风险词就否定公司，而是先判断有没有原则性排除项。
财务质量评分是多少？
样板里给出的评分是 69.5/100，等级 C。
但这个分数不是投资评级，也不是目标价暗示。
它只是把报表可信度、利润质量、资产质量、现金流质量、治理风险这些维度压缩成一个可解释的体检结果。
最高优先级问题是什么？
样板里不是笼统写“风险较高”，而是把存货、商誉、债务、现金转换列为后续重点。
这比一句“建议关注财务风险”有用得多。
因为它告诉读者下一期财报到底该看什么。
比如东山精密这个样板里，报告没有简单说“利润改善，所以变好”。
它同时保留了两面：
一面是正面反证：2025 年经营现金流表现较强，销售收现能够支持收入质量，不是典型“利润只在纸上”的情况。
另一面是继续验证：存货、商誉、债务和客户集中度同时抬升，说明后续不能只看利润表，还要看库存去化、现金流、并购资产表现和债务压力。
这就是我希望财报排雷 Skill 最终做到的状态：
不是把公司写成“好”或“坏”。
而是把研究问题拆清楚。
继续研究可以，但带着问题继续。
谨慎观察也可以，但说清楚为什么谨慎。
HTML 报告的好处也在这里。
它可以在同一份报告里放下：
结论区、评分卡、风险矩阵、三表主线、核心问题卡、后续跟踪清单、来源附录。
读者不用在几千字里找重点。
第一屏就知道结论。
往下看能看到证据。
再往下能看到每张问题卡怎么验证。
这才是我说的“证据系统”，而不只是“文章排版”。
八、它能做什么，也不能做什么
还没看过这个 Skill 的话，可以把它理解成一个“财报风险体检员”。
你上传年报 PDF，给一句指令：
用财报排雷 Skill，分析xxx公司.
它要做的是：
先做硬伤检查。
再看利润质量。
再看资产质量。
再用现金流交叉验证。
再生成评分和问题卡。
最后给出后续跟踪清单。
但边界必须写清楚：
它不是估值工具。
不是荐股工具。
不是买卖建议。
也不承诺收益。
它只做一件事：
帮我在真正研究一家公司之前，先把财报里的风险信号和待验证问题整理出来。
九、下一步
财报排雷解决的是“先别踩坑”。
但排雷之后，还要继续回答更大的问题：
这家公司商业模式是否清楚？
增长质量怎么样？
管理层有没有持续创造价值？
行业位置和护城河在哪里？
所以后面我会继续把这个流程往“企业深度分析”延伸。
财报排雷只是第一步。
AI 负责把最耗时、最容易漏掉的脏活累活先做一遍：
翻报表、算比率、找附注、做问题卡、留来源。
人要做的，是在这些证据基础上继续判断商业本质。
这也是我现在对 AI 投研工具最朴素的期待：
AI 负责证伪，人负责理解。
仅供学习研究，不构成投资建议。
