satellite_agent 是"实时事件 → 主线评分 → 仓位信号"; FE Skills 是"深度尽调 → 质量打分 → 情景定价"。 两者互补。借 WYHTB + 证伪触发器、5 层隔离 + 5 步报告语法、Red Flags 自查 三件套, 0 schema 改动起 / 5-8 天就能拿到 PM 级输出。
我们和 FE Skills 不是对立关系也不是替代关系, 是两种时间尺度上的互补 — 我们处理的是周/月级的事件流, FE 处理的是季/年级的基本面深度研究。把 FE 的"先验设触发器 + 5 层叙事隔离 + 红旗自查"借过来, 正好填我们当前 alerts/decision 输出的几处真空。
ingest → classify(规则 + LLM) → extract(金额 / 时间) → enrich(公司主线) → store。周期性输出 decision 周报 + debate 裁决 + alerts。
来自 SpaceX IPO Primer 抽出的方法学包。每个 skill 各管一个分析视角, 由 fe-primer-agent 串成 PM-ready 决策报告。配套 Excel 公式模板 + 5 个共享指南。
下面两张表把 FE 的 13 个组件逐项映射到我们 agent 现状, 标出"我们有什么 / 缺什么 / 集成 ROI"。ROI 评级标准: ⭐⭐⭐ 高(下下下轮立即做)· ⭐⭐ 中(Round 2 考虑)· ⭐ 低(长期方向)· — 不做(明确边界)。
| FE Skill | 中文名 | 我们当前有什么 | 我们缺什么 | ROI |
|---|---|---|---|---|
| ramp-comprehensive | 业务分部尽调 | 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 | ⭐⭐⭐ |
| fe-key-drivers | Focus Five 五要素 | 公司 score 单一浮点 | 5 维评级 + 趋势 + 升/降级触发条件 | ⭐⭐ |
| fe-number-one-thing | #1 驱动变量 | thread + main_drivers 列表 (单层) | 近期验证器 / 终值叙事 / 平台叙事 3 层 + 敏感度数学传导 | ⭐⭐ |
| management-evaluation | 三层蛋糕 | (无管理层字段) | 信任 / 契合 / 执行 9 子维度 + 控制权归因 | ⭐ |
| fe-scenarios | 情景 + WYHTB | valuation PE 3 档 + position_signals 加/减/持 | WYHTB 假设清单 + 概率加权回报 + R/R + 入场价位阶梯 + 证伪触发器 | ⭐⭐⭐ |
| fe-seven-year-model | 7 年财务模型 | valuation.py 简单 PE 单年 | 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 | 我们当前有什么 | 我们缺什么 | ROI |
|---|---|---|---|
| output_style_guide | render_*_view 已有 md 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) | ⭐⭐⭐ |
| universal_red_flags | alerts 看事件信号 | 11 条红旗自查 (分析师 6 条 + 公司 5 条) | ⭐⭐ |
| source_and_reconciliation_rules | events 有 source / url | 7 层证据等级 + 冲突对账机制 | ⭐⭐ |
| quality_rubric | (无) | 1-5 分量规 (PM-ready → unusable) | ⭐ |
| chart_library | live.html SVG 自渲染 | 标准化图表清单 | ⭐ |
| excel_model_blueprint | (无 Excel) | 11 sheet + 字体颜色纪律 + 6 合规检查 | — |
不是所有 FE skill 都该照搬。下面把 13 个组件按 ROI 归到 3 档, 高 ROI 的 3 件套 (A · WYHTB 触发器 / B · 5 步语法 / C · Red Flags 自查) 是 最先做 的目标 — 0 schema 改动起、与 EH-3 飞书天然配套, 5-8 天能交付。
下面是 Round 1 三件套的具体落地方案 — 每张卡列出"现状 → 任务 → 关键代码 → 验收"。可独立验收, 但**推荐按 A → C → B 顺序**(A 是基础, C 是 self-audit, B 是把前两件成果可视化)。
把我们当前"事件命中风险维度才告警"的事后被动模式, 升级到"先设硬阈值 + 每次 ingest 后跑触发器检查"的事前主动模式。触发器命中直接挂到现有 /alerts 端点 + 走 EH-3 飞书推送。
alerts 是 事后被动 — 看到事件命中风险维度才告警thesis_state 表只有 score / statement, 无"看牛/看熊条件清单"wyhtb_bull / wyhtb_bear / triggers JSONtriggers.py: TriggerCheck 协议 + 3 个内置 (sentiment_below / order_concentration / event_drop)update_thesis_scores 跑完后调 check_triggers → 写 alertswyhtb_status (各 thread 牛/熊条件已满足 N/M)test_triggers.py 覆盖 3 内置 + 自定义注册 + 命中走 alertsTriggerCheck = Callable[
[sqlite3.Connection, dict],
Optional[dict]
]
CHECKS: dict[str, TriggerCheck] = {}
def register_check(name, fn): ...
@register_check("thread_sentiment_below")
def _below(conn, params):
"""params: {thread, threshold, weeks}"""
...
def check_triggers(conn, *, end_date=None):
"""返回触发的 alert 列表"""
...
FE 的报告语法要求每段 answer-first → math → contradiction → what to watch → how it breaks 5 步走, 输出严格区分 5 层 (事实 / 计算 / 假设 / 研判 / 证伪)。我们当前 decision 缺 contradiction 和 how it breaks 两段。
render_ceo_view / render_investor_view 当前有: 主驱动 + 战略建议 + 评分表 + next_indicatorslayer 字段: fact / calc / assumption / judgment / falsificationdef render_ceo_view_v2(report):
# 1. answer-first
# 2. math (thread_scores 表 + 数学传导)
# 3. contradiction (来自 wyhtb_bear)
# 4. what to watch (next_indicators, 已有)
# 5. how it breaks (来自 triggers 距离)
...
# JSON 加 layer 字段
{"main_drivers": [
{"layer": "fact", ...}
],
"strategy_recommendations": [
{"layer": "judgment", ...}
],
"falsification": {
"layer": "falsification",
"triggers_distance": [...]
}}
FE 的 11 条红旗 (分析师 6 + 公司 5) 是经验级 self-audit 清单。我们当前 alerts 只看事件信号, 不看分析方法本身的红旗。新 quality_checks.py 模块, 每次 decide() 跑完后扫一遍, 在 markdown 末尾标"本期触发 N 条 red flag"。
{flag, severity: high|med|low, evidence}ANALYST_FLAGS = {} # 6 条
COMPANY_FLAGS = {} # 5 条
def _check_loss_company_eps(report):
"""公司 last_quarter_revenue < 0
但 valuation 用 PE → red flag"""
...
def _check_customer_concentration(report):
"""top-1 公司订单 > 70%
→ 致命大客户依赖"""
...
def quality_checks(report) -> list[dict]:
"""跑所有 flag, severity 排序"""
...
不打乱现有路线图。推荐 Tier 1.2 LiteLLM 之后(1-2 天) → FE 集成 Round 1 (A + B + C)(5-8 天) → 然后 P1 扩 20→30 时合并 segment schema 改造 → Round 2 (D + E + F) 进入路线。
下面 4 项是 FE 包里有但我们明确不做的, 写下来是为了防止后续被"FE 也有这个"的论据带歪。我们的核心定位是"事件驱动实时监控", FE 的"静态深度研究"应被借鉴方法学, 不应被全盘接管。
评级需手工录入或 LLM 生成, 自动化成本高。我们的 thesis 是 周期/事件驱动, FE 的 Focus Five 是 长周期质量, 时间尺度不匹配。例外:只对 4 主线做 thread 维度评级, 不对 20 家公司逐个打分。
A 股标的的管理层数据(持股 / 利益绑定 / 控制权)来源稀缺, 且与我们 产业事件驱动主线无关。即使做了, 也只能产出"溢价 / 中性 / 折价"3 档定性, 对周报 decision 没有 actionable 影响。
valuation.py 的 PE 法 + market_model.py 的 2025-2031 × 3 情景已经够用。真要做时 只做二维敏感度热力图(net_margin × pe_base 网格 → HTML 矩阵), 不引 Excel 工作流。Python + SQLite + REST 的栈不应被 Excel 污染。
FE 案例用 SpaceX 是写作者(Brett Caughran)刚做完 IPO 的副产品。我们标的是 A 股卫星互联网产业链, 行业结构 / 监管环境 / 估值锚都不同。框架借, 案例不借 — 不直接套 SpaceX 的"7 条 WYHTB"到中国卫通。
下面三个选项是当前可推进的下一步, 按优先级排。等你拍板后, 我会直接开干 + 像之前一样按"3 件小活 → 1 个大 feature → push → 问下一步"的节奏推进。
先 1-2 天搞定 LiteLLM 路由 (顺便拿到 token tracking 为 EH-1 follow-up 铺路), 再起 FE Round 1 三件套 (5-8 天)
跳过 LiteLLM, 直接 5-8 天做完 A + B + C 三件套。Tier 1.2 留作后续, 反正现有 llm.py 双客户端已经够用
当前 FE 文档存档 + 排期, 不立即开发。先做 NEXT-STEPS §3.1 已有的 Tier 1.2 + P1 扩 30, 等下下下轮再做 FE Round 1