Codex adapter note
This skill is generated from skills/private-company-research.md so Claude Code and Codex users share one canonical workflow.
- Treat
$ARGUMENTSas the user's request in the current Codex thread. - When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.
- Use shared project tools from
tools/in this repository. Prefer running commands from the repository root with paths likepython3 tools/financial_rigor.py ...; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path. - Before starting research, run the
datecommand to confirm today's date; treat it as the baseline for "latest" data and state the data cutoff date in the report header. Never assume the current date from training data. - Preserve the research quality rules from
AGENTS.md: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.
未上市公司研究：多Agent并行深度研究框架
对 $ARGUMENTS 进行团队化深度研究分析。专为蚂蚁集团、小红书、SpaceX、Stripe 等未上市公司设计。
最终目标：在信息天然稀缺的条件下，尽可能还原这家公司的真实价值——不是市场给的估值，而是生意本身值多少钱。
框架特点
未上市公司 vs 上市公司研究的核心差异：
- 无标准化财报：需多源拼凑、交叉验证
- 估值锚定少：依赖融资轮次、可比公司法、情景推演
- 信息不对称大：需要更多"拼图式"研究方法
- 退出路径不确定：IPO/并购/二级转让均有可能
AI研究偏见自觉（本框架的核心前提）
未上市公司是AI研究偏见最严重的领域。必须时刻警惕以下陷阱：
核心矛盾：AI擅长结构化已有信息，但未上市公司的信息天然稀缺。这会导致：
1. 虚假保守：因为资料少，AI倾向给出保守/模糊的结论，但资料少≠公司不好
2. 虚假精确：为了填满报告模板，AI可能用"合理推测"伪装成"有据分析"
3. 对标陷阱：强行与上市公司对标时，会继承上市公司的估值逻辑，忽略未上市公司的独特价值
4. 幸存者偏差：网上能搜到的公司信息往往有正面偏向（公司主动传播的多是好消息）
应对原则：
- 宁可留白说"不知道"，也不要用推测填满表格伪装确定性
- 每个数据点必须标注置信度（🟢高/🟡中/🔴低），让读者自己判断
- 区分"可验证的事实"与"AI的推理"，用不同格式标注
- 对于信息极度稀缺的公司，切换为"第一性原理模式"——不追求报告完整，只回答几个核心问题：
1. 这门生意解决什么真实问题？需求是真需求还是伪需求？
2. 为什么是这个团队？他们有什么独特优势？
3. 如果成功
（为兼容发布已截断）
