# FE Skills 框架对比与采用建议

> 制定日期 **2026-06-03** · 时间锚:`new/FE_Skills_Final_CN/` 是 Fundamental Edge (Brett Caughran) 2026-05 《SpaceX IPO Primer》研究报告的方法论提炼包(7 skill + 6 共享指南 + 配套 Excel)。本文档把它与我们 `agent/` 的现状逐项对比,给出 3 档 ROI 的采用建议与具体落地方案。
>
> **不构成投资建议**。FE 框架与 SpaceX 实战案例均为方法学示范。

---

## 0. 一句话定位

| 系统 | 角色 | 输出 |
|---|---|---|
| **satellite_agent**(我们) | **实时事件驱动监控** | 周报 / decision / debate / alerts |
| **FE Skills** | **深度静态基本面研究** | PM-ready primer / 证伪触发器 / 7 年模型 |

两者**互补**而非互斥。我们做"实时 → 主线评分 → 仓位信号",FE 做"尽调 → 质量打分 → 情景定价"。把 FE 的**证伪触发器 + 5 层隔离 + Red Flags 自查**借进来,可以让 decision 从"数据汇总"升级到"PM-ready 投资底稿"。

---

## 1. 一览对比表

| FE Skill | 中文名 | 我们当前有什么 | 我们缺什么 | ROI |
|---|---|---|---|:---:|
| `ramp-comprehensive` | 业务分部深度尽调 | companies 表扁平字段(thread / products / customers / orders) | **分部(segment)维度** / 单位经济 / 会计楔子 / 数据缺口跟踪 | ⭐⭐⭐ |
| `fe-key-drivers` | Focus Five 五要素质量评估 | 公司 `score` (单一浮点) | 5 维评级(有机增长 / 利润率 / 资本密集度 / 资本配置 / 终值)+ 趋势 + 升级/降级触发条件 | ⭐⭐ |
| `fe-number-one-thing` | #1 驱动变量 + 三元组叙事 | thread + main_drivers 列表 | **近期验证器 / 终值叙事 / 平台叙事** 3 层隔离;敏感度数学传导(每 5% 变动 → 估值波动) | ⭐⭐ |
| `management-evaluation` | 管理层三层蛋糕 | (无) | 信任 / 契合 / 执行 9 子维度打分,控制权归因 | ⭐ |
| `fe-scenarios` | 情景 + WYHTB + 证伪 + 定价 | valuation 给 PE 三档,position_signals 给加/减/持 | **WYHTB 假设清单** + 概率加权回报 PW + R/R + 入场价位阶梯 + **证伪触发器** | ⭐⭐⭐ |
| `fe-seven-year-model` | 7 年财务模型 + 估值热力图 | valuation.py 简单 PE 法,单年 base | 7 年勾稽 + 资本开支平滑 + 二维敏感度热力图 | ⭐⭐ |
| `fe-primer-agent` | 全流程编排 Agent | EH-1 jobs(单 action 串)+ debate orchestration | **统一 State Object** + skill chain 数据流约束 | ⭐ |

| 共享指南 | 我们 | 缺什么 | ROI |
|---|---|---|:---:|
| `output_style_guide` | render_*_view 已有 markdown 模板 | **5 层隔离(事实/计算/假设/研判/证伪)** + **5 步报告语法**(answer → math → **contradiction** → what to watch → **how it breaks**) | ⭐⭐⭐ |
| `source_and_reconciliation_rules` | events 有 source / url 字段 | 7 层证据等级 + **冲突对账机制**(同笔订单两渠道不同金额怎么办) | ⭐⭐ |
| `quality_rubric` | (无) | 1-5 分量规(PM-ready → unusable) | ⭐ |
| `universal_red_flags` | alerts 看事件信号 | **11 条 red flags 自查**(分析师 6 条 + 公司 5 条) | ⭐⭐ |
| `chart_library` | live.html SVG 自渲染 | 标准化"哪种图表表达哪类指标"清单 | ⭐ |
| `excel_model_blueprint` | (无 Excel) | 11 sheet 标签 + 蓝/黑/绿/红字体纪律 + 6 最低合规检查 | — |

---

## 2. 详细对比 · 各 skill 落地空间

### 2.1 ramp-comprehensive(业务分部尽调)

**FE 的做法**: 对每家公司每个分部回答 9 件事:商业模式 / 收入构成 / **单位经济模型(LTV + 回收期)** / 规模曲线 / 护城河 / 竞争格局 / **关键会计楔子** / **数据缺口**。

**我们现状**:
- `seed.py` 的 20 家公司是**扁平**:`name / thread / products[] / customers[] / orders[] / score / moat / risk / revenue`
- 例:"海格通信" 一刀切归 `thread=终端`,但它实际是**导航终端 + 北斗模块 + 通信芯片**三个分部,各有不同的 KPI 和护城河

**缺什么**:
1. `segments[]` 嵌套字段 — 每分部独立 KPI / 单位经济 / 护城河
2. `accounting_wedges[]` — 标"内部转拨 / 收入归属错配"(类 FE 案例里 SpaceX 122 次 Starlink 自用补星)
3. `data_gaps[]` — 显式标"分析所需但当前披露中缺失"的项,作为后续抓数优先级

**落地难度**: schema 改动中等。建议在下下下轮 P1 扩到 30 家时**一并改 schema**,避免二次迁移。

### 2.2 fe-key-drivers(Focus Five)

**FE 的做法**: 5 维评级 A+ 到 F + 趋势(↑/→/↓) + **明确的升级/降级触发条件**。如 "升 A 条件:连接分部用户同比 ≥100% 两年 + ARPU 企稳 ≥$65"。

**我们现状**: companies 表只有单一浮点 `score`(0.8 之类),既没多维也没趋势,也没触发条件。

**缺什么**: 5 维评级矩阵 + 阈值锚点(每维"上修到 A"和"下调到 C"的硬性触发器)。

**落地难度**: schema 加 `focus_five JSON` 字段。但**评级是手工录入**,自动化生成需要 LLM(可用 P2 的 LLMClient + 历史财务数据)。

### 2.3 fe-number-one-thing(#1 驱动变量)

**FE 的做法**: 3 层叙事:
1. **近期验证器**(每季度财报对账焦点,如 Starlink ARPU)
2. **终值叙事**(撑长期估值倍数的故事,如星舰商业发射)
3. **平台/重估叙事**(可比公司估值锚,如 xAI vs Anthropic/OpenAI)

加上**敏感度数学传导**:"ARPU 每动 5% → 4.5 亿美元年化利润 → 200-300 亿美元股权价值"。

**我们现状**: decision.py 输出 `main_drivers`(top-3,带 thread / dimension / strength / evidence),但**只有 1 层** — 没有近期/终值/平台的隔离。敏感度只有定性"上行/下行",**没有数学传导**。

**缺什么**: 3 层叙事字段 + 敏感度公式(`thread sentiment Δ1.0 → 隐含估值 Δ X 亿`)。

**落地难度**: decision.py 的 `_top_drivers` 改造中等,敏感度数学传导需要先有 valuation 模型(我们有 PE 法,够用)。

### 2.4 management-evaluation(三层蛋糕)

**FE 的做法**: 9 子维度(信任 3 / 契合 3 / 执行 3),0-5 分,满分 45 → 折百分制。重点是"控制权归因"(SpaceX 莫斯克 85.1% 投票权 → 50-60% Moat 归属个人特有)。

**我们现状**: **完全没有管理层维度**。companies 表无管理人字段。

**缺什么**: 管理层评分系统。

**落地难度**: 高 — A 股标的的管理层数据来源稀缺(创始人持股比例 / 利益绑定结构都需手工录入),工作量大且 ROI 低(我们的 thesis 模型主要看产业事件,管理层不是核心驱动)。

**建议**: **不做**。除非未来扩到"打造完整的公司画像"再说。

### 2.5 fe-scenarios(WYHTB + 证伪触发器)⭐⭐⭐

**FE 的做法**: 4 件事:
1. **WYHTB 清单**:"看牛要相信什么?"逐条写明(SpaceX 牛市需 7 条同时成立)
2. **概率加权回报 PW** = Σ(概率 × 回报);R/R = 牛涨 / 熊跌
3. **定价阶梯** — 不同入场价对应不同 PW + R/R + 仓位建议
4. **强制证伪触发器** — "Anthropic 提前 90 天终止合同 → 5 个交易日强行清仓"

**我们现状**:
- `valuation.py` 给 PE 法 conservative/base/optimistic 三档,**没概率权重 / 没 R/R / 没仓位建议**
- `alerts` 是**事后被动**(看到事件命中"风险维度"才告警),**不是事前主动设硬阈值**
- 缺 WYHTB 机制 — 我们的 thesis_state 表只有 `score / statement`,**没有"看牛/看熊必须成立的条件清单"**

**这是 FE 框架对我们启发最大的一条**。我们的"实时 + 告警"框架,加上 FE 的"WYHTB + 触发器",就能从"现在数据怎么样"升级到"现在数据相对预设触发器到没到边界"。

**落地难度**: 低 — thesis_state 表加 `triggers JSON` 字段,新模块 `triggers.py` 在每次 ingest / update_thesis_scores 之后检查,直接挂到现有 `/alerts` 端点。

### 2.6 fe-seven-year-model(7 年财务模型)

**FE 的做法**: 自下而上 7 年勾稽(分部营收 → EBITDA → EPS → FCF)+ 资本开支平滑(SpaceX Q1'26 一次性 77 亿 AI 算力**不能直接乘以 4 年化**)+ 二维敏感度热力图(营收 × 倍数)。

**我们现状**: `valuation.py` 单年 PE 法,**没 7 年滚动**。`market_model.py` 有 2025-2031 × 3 情景的 seed,但是 thread 维度而非公司维度。

**缺什么**: 7 年财务勾稽模型 + 二维敏感度。

**落地难度**: 中高 — 需要每家公司的 7 年财务历史 + 增长假设,数据成本高。

**建议**: 短期不做。先用 `market_model.py` 的 thread 维度 + valuation.py 的 PE 法凑合;真要做时,优先做"二维敏感度热力图"(用现有 PE 法 + 不同 net_margin × pe 二维网格)。

### 2.7 fe-primer-agent(全流程编排)

**FE 的做法**: 维护一个 **`primer_state.yaml` State Object**,各 skill 读上一步输出 / 写下一步输入,7 阶段串成 1 个完整 primer。

**我们现状**: EH-1 jobs 系统是**离散 action**(rss-fetch / decision / debate / decision-notify-feishu),每个独立跑,**没有 state 串联**。NEXT-STEPS 提到的"chain action"是 follow-up。

**落地难度**: 直接借 FE 的 state schema 设计,作为 EH-1 chain mode 的参考(`session_2026_06_03_eh1_eh3_delivery.md` 已记 follow-up)。

---

## 3. 共享指南的启发

### 3.1 output_style_guide ⭐⭐⭐

**FE 的"5 层隔离"**:**事实 / 计算 / 假设 / 研判 / 证伪**,在报告里严格区分。

**FE 的"5 步报告语法"**:
1. answer-first(首段结论)
2. math(数学传导)
3. **contradiction**(为什么显而易见的看多可能错)
4. what to watch(下个验证数据点)
5. **how it breaks**(具体哪些数据触发器会推翻研判)

**我们现状**: `render_ceo_view` / `render_investor_view` 当前是"主驱动 + 战略建议 + 评分表",**缺 contradiction + how it breaks 两段**。

**落地难度**: **零 schema 改动**。render 函数末尾加 2 段 markdown(从 thesis_state.triggers 自动拉)。

### 3.2 universal_red_flags ⭐⭐

**11 条 red flag** 分两类:
- **分析师红旗 6 条**:无效 KPI / 估值戏法 / 脱离常识概率 / 纸面 EBITDA / 亏损企业 EPS / 无视控制权
- **公司红旗 5 条**:小马拉大车 / 致命大客户依赖 / 非正常资本密集 / 独裁控制权 / 空中楼阁

**我们现状**: alerts 看事件信号,**没看"分析方法本身的红旗"**。

**落地难度**: 新 `quality_checks.py` 模块,每次 `decide()` 跑完后扫 11 条规则,在 markdown 末尾标"本期触发 N 条 red flag"。

### 3.3 source_and_reconciliation_rules ⭐⭐

**FE 的 7 层证据等级**:S-1 > 财报会议 > 政府合同 > 第三方数据库 > 调研 > 媒体 > 推论。

**FE 的冲突对账机制**:同笔订单两渠道说不同金额,必须填对账表,标"采信哪个 + 理由"。

**我们现状**: events 有 `source` / `url`,**没有冲突对账**。

**落地难度**: 加 `event_conflicts` 表 + 高冲突事件 decision 标"待核"。

### 3.4 quality_rubric ⭐

1-5 分量规(PM-ready → unusable),适合**self-check** decision 输出。

**落地难度**: 低 — `quality_checks.py` 顺便加一个 self-score 输出。

### 3.5 chart_library + excel_model_blueprint

- chart_library:推荐图表清单,可用作 live.html UI 升级时的参考
- excel_model_blueprint:11 sheet 标签 + 字体颜色纪律,**我们没有 Excel 模型,暂不适用**

---

## 4. 采用建议 · 按 ROI 排序

### 高 ROI(下下下轮最先做,~1 周)

**A. WYHTB + 证伪触发器**(对应 FE §2.5)
- thesis_state 表加 `triggers JSON` 字段(`{type, threshold, action, severity}`)
- 新 `triggers.py` 模块:`check_triggers(conn, thesis_state)` 每次 ingest 后跑
- 触发器命中 → alerts 表加一行 + 走 EH-3 飞书推送("**警示:核心网 thesis 触发证伪 — 连续 2 周 sentiment < -2.0,建议减仓 15%**")
- thesis_state 同时加 `wyhtb_bull JSON` / `wyhtb_bear JSON` 字段存"看牛/看熊必须成立的条件清单"
- **验收**: 跑一周 SpaceNews 触发至少 1 次 trigger;decision 输出里能看到"已触发 N / 设了 M 条"

**B. 5 层隔离 + 5 步报告语法**(对应 FE §3.1)
- `render_ceo_view` / `render_investor_view` 末尾加两段:
  - **"反方矛盾"** 段:从 thesis_state 的 wyhtb_bear 自动渲染
  - **"如何崩塌"** 段:从 thesis_state 的 triggers 渲染当前距离触发的距离(如"核心网 sentiment 现 -1.8,触发线 -2.0,距 0.2")
- 5 层隔离:在 decision JSON 输出里给每段标 `layer: "fact" | "calc" | "assumption" | "judgment" | "falsification"`
- **验收**: live.html 渲染 decision 时,5 层用不同颜色区分;markdown 输出包含 "反方矛盾" + "如何崩塌" 两段

**C. Red Flags 自查**(对应 FE §3.2)
- 新 `quality_checks.py` 模块,11 条规则的简单 rule-based 检查
  - 例:`check_single_segment_dependency` — 某 thread 单家公司订单 > 70% → 红旗"致命大客户依赖"
  - 例:`check_loss_company_using_pe` — valuation 用 PE 但公司 last_quarter_revenue < 0 → 红旗"亏损企业 EPS 游戏"
- `decide()` 跑完后调 `quality_checks(report)` 返回 `[{flag, evidence, severity}]`,挂到 `report["quality_flags"]`
- markdown 输出末尾"⚠️ 本期触发 N 条 red flag"
- **验收**: 灌入 8 条 samples + 跑 decide → quality_flags 列表非空(samples 里"小马拉大车"格式的事件应触发)

**总工期**: A 3-4 天 + B 1-2 天 + C 1-2 天 = **5-8 天**

---

### 中 ROI(下下下下轮考虑)

**D. 公司分部 (segment) 维度**(对应 FE §2.1)
- companies 表加 `segments JSON`(每分部:name / kpis / unit_economics / moat / accounting_wedges / data_gaps)
- decision 的 company_matrix 走 segment 维度
- **配套**:P1 扩 20→30 时一并改 schema,避免二次迁移
- **工期**: 5-7 天(schema 改 + 20 家×N 分部数据梳理)

**E. 3 层叙事 + 敏感度数学传导**(对应 FE §2.3)
- main_drivers 字段扩成 `{near_term_verifier, terminal_narrative, platform_re_rating}` 三层
- 加 `sensitivity_math` 字段:"thread sentiment Δ1.0 → 隐含估值 Δ X 亿"(用 valuation.py 的 PE 法 + thread 营收占比反推)
- **工期**: 3-4 天

**F. 数据来源 Ledger + 冲突对账**(对应 FE §3.3)
- 加 `event_conflicts` 表:`event_id_a / event_id_b / conflict_field / resolution / reasoning`
- ingest 时检测同 (companies, occurred_date) 但 order_amount_cny_yi 差异 > 20% → 标 conflict
- decision 标"高冲突事件待核 N 条"
- **工期**: 3-4 天

---

### 低 ROI / 不建议(避免反向同化)

**G. Focus Five 5 维评级 + 趋势**(对应 FE §2.2)
- 评级需手工录入或 LLM 生成,自动化成本高
- 我们的 thesis 模型是"周期 + 事件驱动",FE 的 Focus Five 是"长周期质量",时间尺度不匹配
- **建议**: 不做。或只用"thread 维度"做 Focus Five(给 4 主线各自 5 维评级),不给 20 家公司逐个打分

**H. management-evaluation 三层蛋糕**(对应 FE §2.4)
- A 股标的的管理层数据来源稀缺,且与我们"产业事件驱动"主线无关
- **建议**: 不做

**I. 7 年财务模型 + Excel 公式模板**(对应 FE §2.6)
- 我们 valuation.py 已有 PE 法的轻量版,够用
- 真要做时,**只做"二维敏感度热力图"**(用 PE 法 + net_margin × pe_base 二维网格输出 HTML 矩阵),不做完整 Excel
- **建议**: 长期方向,不在 6 个月内做

**J. fe-primer-agent State Object**(对应 FE §2.7)
- 我们 EH-1 jobs 已经做了 chain 的基础(job_runs.result JSON 可被下个 action 读),State Object 是 nice-to-have 而非 must-have
- **建议**: EH-1 加 chain action 时参考其设计,但不复制其复杂度

---

## 5. 具体落地方案 · 高 ROI 三件套详细设计

### 5.1 A · WYHTB + 证伪触发器

**Schema 改动**:

```sql
-- thesis_state 表加字段
ALTER TABLE thesis_state ADD COLUMN wyhtb_bull TEXT;     -- JSON: [{condition, current, threshold, met: bool}]
ALTER TABLE thesis_state ADD COLUMN wyhtb_bear TEXT;     -- JSON 同上
ALTER TABLE thesis_state ADD COLUMN triggers TEXT;       -- JSON: [{type, params, action, last_fired_at}]
```

`_POST_MIGRATION_INDEXES` 不动(新字段无索引需求)。

**`triggers.py` 模块设计**:

```python
TriggerCheck = Callable[[sqlite3.Connection, dict], Optional[dict]]
# 返回 None = 未触发, 返回 dict = 触发并产出 alert 内容

CHECKS: dict[str, TriggerCheck] = {}

def register_check(type_name: str, fn: TriggerCheck) -> None: ...

# 内置触发器
@register_check("thread_sentiment_below")
def _check_sentiment_below(conn, params):
    """params: {thread, threshold, weeks}. 连续 N 周 sentiment < threshold → 触发"""
    ...

@register_check("company_order_concentration")
def _check_concentration(conn, params):
    """params: {thread, top_n, ratio}. top N 公司订单占比 > ratio → 触发"""
    ...

@register_check("event_count_drop")
def _check_event_count_drop(conn, params):
    """params: {thread, vs_baseline_weeks, drop_pct}. 事件数较 baseline 跌 X% → 触发"""
    ...

def check_triggers(conn, *, end_date=None) -> list[dict]:
    """跑所有 thesis_state.triggers, 返回触发的 alert 列表"""
    ...
```

**集成点**:
- `update_thesis_scores()` 跑完后调 `check_triggers()` → 写 alerts 表 / 推飞书
- `compute_alerts()` 加 `include_triggers=True` 选项,把触发的 trigger 与事件类 alerts 合并
- decision 输出加 `wyhtb_status` 字段:`[{thread, bull_conditions_met: 3/7, bear_conditions_met: 1/5}]`

**测试**: `tests/test_triggers.py` 覆盖 3 个内置触发器 + 自定义触发器注册 + 触发器命中走 alerts。

---

### 5.2 B · 5 层隔离 + 5 步报告语法

**零 schema 改动**。改 `decision.py` 的 render 函数。

**5 步语法实施**:

```python
def render_ceo_view_v2(report: dict) -> str:
    """5 步语法版本:
    1. answer-first  ← 当前 ceo.main_drivers top-1 + 整体走势
    2. math          ← thread_scores 表 + 数学传导(sentiment Δ → 估值 Δ)
    3. contradiction ← 从 thesis_state.wyhtb_bear 渲染"为什么现在的多头逻辑可能错"
    4. what to watch ← next_indicators 列表(已有)
    5. how it breaks ← thesis_state.triggers 渲染"距离触发的距离"
    """
    ...
```

**5 层隔离实施**:

```python
# JSON 输出加 layer 字段
{
  "ceo": {
    "main_drivers": [
      {
        "thread": "核心网",
        "layer": "fact",         # ← 新增
        "evidence": [...],
      }
    ],
    "strategy_recommendations": [
      {
        "thread": "核心网",
        "action": "进入",
        "layer": "judgment",     # ← 新增, 标"这是研判,不是事实"
        ...
      }
    ],
    "falsification": {           # ← 新段
      "layer": "falsification",
      "triggers_armed": 3,
      "triggers_distance": [
        {"thread": "核心网", "type": "sentiment_below", "distance": 0.2}
      ]
    }
  }
}
```

**前端**:`live.html` 的 panel 渲染时,layer 不同用不同颜色(fact=灰 / calc=蓝 / assumption=黄 / judgment=橙 / falsification=红)。

**测试**: `tests/test_decision_render.py` 加测试 — 验证 contradiction + how-it-breaks 段总是出现,即使 thesis 无 triggers 也输出空占位"(本期未设置 trigger)"。

---

### 5.3 C · Red Flags 自查

**新 `quality_checks.py` 模块**:

```python
RedFlagCheck = Callable[[dict], Optional[dict]]
# 入: decision report
# 出: None 或 {flag_name, severity: "high|med|low", evidence: str}

ANALYST_FLAGS: dict[str, RedFlagCheck] = {}
COMPANY_FLAGS: dict[str, RedFlagCheck] = {}

# 分析师红旗 6 条
def _check_invalid_kpi(report): ...           # main_drivers 的 dimension 是否在 ontology 内
def _check_valuation_trick(report): ...       # bull/bear 是否只改了 multiplier 没改 underlying
def _check_unrealistic_probability(report): ... # WYHTB 概率分布是否极端
def _check_paper_ebitda(report): ...          # valuation 是否忽略 capex
def _check_loss_company_eps(report): ...      # 亏损公司用 PE
def _check_governance_blind(report): ...      # 管理层评级是否忽略控制权(我们没 mgmt, 暂跳过)

# 公司红旗 5 条
def _check_single_segment_dependency(report): ...  # 某 thread 单家公司订单 > 70%
def _check_customer_concentration(report): ...     # 单客户依赖度
def _check_capex_intensity(report): ...           # capex/revenue > 100%(我们没 capex 表, 后做)
def _check_dictator_governance(report): ...       # 同上
def _check_castle_in_air(report): ...             # 核心驱动是"未验证里程碑"

def quality_checks(report: dict) -> list[dict]:
    """跑所有 flag check, 返回触发的红旗列表(高 severity 在前)"""
    ...
```

**集成**: `decide()` 末尾调 `quality_checks(report)` → 挂到 `report["quality_flags"]`。

**markdown 输出**:

```
## ⚠️ Quality Check (red flags 自查)

本期触发 2 条红旗:
- 🔴 **HIGH** · 致命大客户依赖 — 核心网 thread top-1 烽火通信订单占 75%(> 70% 阈值)
- 🟡 **MED** · 空中楼阁 — main_drivers #1 "中国卫通 NTN 试验"为技术里程碑, 尚未商业化验证
```

**测试**: `tests/test_quality_checks.py` 覆盖每条 flag,用构造的 decision dict 验证。

---

## 6. 推荐执行顺序

按现有 NEXT-STEPS 已经规划的优先级,FE 集成插队哪里?

```
当前已完成:
  P0-P3(本轮)+ EH-1 调度 + EH-3 飞书 ✅

下一轮候选(NEXT-STEPS §3.1):
  Tier 1.2 LiteLLM 路由(1-2 天)
  P1 扩 20→30 公司(3-5 天)
  EH-1 follow-up(REST / token budget / APScheduler daemon)

FE 集成插入位置(推荐):
  Tier 1.2 LiteLLM 之后 →
    "FE 集成 Round 1" (高 ROI 三件套, 5-8 天)
      ├─ A WYHTB + 证伪触发器     ← 与 EH-3 飞书天然配套(触发器 → 推送)
      ├─ B 5 层隔离 + 5 步语法     ← 让 decision 输出更专业
      └─ C Red Flags 自查         ← 给 decision 加 self-audit

  之后 →
    P1 扩 20→30 + 一并改 segment schema(S1 + D 合并, 7-10 天)

  再之后 →
    Tier 2 Postgres + 其他长期方向
```

---

## 7. 不采用 / 边界划定

为避免框架反向同化(我们的"实时事件驱动"本质被 FE 的"静态深度研究"稀释),以下**明确不做**:

1. **不做 management-evaluation** — A 股管理层数据来源稀缺 + 与我们主线无关
2. **不做完整 7 年财务模型 + Excel** — valuation.py 的 PE 法够用
3. **不复制 FE 的 PDF Primer 渲染** — 我们的输出场景是 live.html 实时 dashboard + 飞书卡片,不是季度大报告
4. **不引入 Excel 工作流** — Python + SQLite + REST 的栈不应被 Excel 污染(用户要 Excel 可走 `/decision/weekly?format=docx`)
5. **不做 SpaceX 单标的的过度对齐** — FE 案例用 SpaceX 是因为该作者刚做完 SpaceX IPO,我们的标的是 A 股卫星互联网产业链,**框架借,案例不借**

---

## 8. 时间锚与下一步

- **本文档时间锚**: 2026-06-03,基于:
  - 本仓库 `agent/` 当前状态(commit `fd57ba8` EH-3 已交付)
  - `new/FE_Skills_Final_CN/` 是 2026-05 FE 团队产出
- **更新触发**: 任一"采用"项启动 / 完成 / 阻塞 · `new/` 包被替换或扩充时校对一遍
- **下次盘点**: 建议在"FE 集成 Round 1"(A+B+C 三件套)完成后,看是否要进 Round 2(D 分部 / E 3 层叙事 / F 数据来源 Ledger)

**等用户拍板**:
- 直接进 FE 集成 Round 1(A+B+C, 5-8 天)?
- 还是先做 Tier 1.2 LiteLLM(1-2 天)再做 Round 1?
- 还是把 FE Round 1 当 P3.5 写进 NEXT-STEPS §3.1 排期但不立即开干?

---

## 9. 免责声明

本对比文档与 `new/FE_Skills_Final_CN/` 包均为方法论研究用途,**不构成投资建议**。FE 框架方法论版权归 Fundamental Edge, LLC。SpaceX 案例数据来源于其 2026-05 S-1 文件,所列 SpaceX / 北斗产业链所有公司名及估值均为示范,真实使用前需独立核实。