报告数据审查
把“AI 报告数据审查方案”压缩成一条流水线：读报告 → 机器初筛 → 生成问题清单与人工核验清单 → 输出审查报告。不替代人工溯源，负责让该查的地方一个不漏。
何时使用
- 用户给出或上传一份分析报告，要求检查数据是否准确、来源是否真实
- 报告发布前自检、投决材料审阅、合规检查
- 怀疑 AI 编造数字、单位错位、口径混用、图表与正文不一致
不适用：纯文字润色；估值逻辑与结论合理性（本 skill 只做事实轨，判断轨需另行审查）。
一键流程
- 定位文件：优先用用户上传的路径，其次
/root/uploads、当前目录。找不到只问一句：“把文件路径发我，或直接上传。” - 定模式（不要追问，除非用户指定）：
- 含“评级 / 目标价 / 买入 / 卖出 / 增持 / 减持” →严格
- 中文字符少于 3000 →快审
- 其余 →标准 - 跑两条命令。基准日用
date +%F获取，不要凭记忆写：
bash cd <skill_dir> python3 scripts/audit_report.py "<报告>" --asof <YYYY-MM-DD> --out "<目录>/问题清单.csv" python3 scripts/make_review_pack.py "<报告>" --asof <YYYY-MM-DD> --mode <模式> \ --out "<目录>/审查报告.md" --csv "<目录>/问题清单.csv" - 读审查报告，在对话里先给三行结论：结论、阻断问题（最多 3 条，带行号）、覆盖率。然后附上文件。
- 询问是否代改：只改阻断项；改完必须重跑。未经同意不要编辑原文件。
判定规则
| 级别 | 典型情形 | 处理 |
|---|---|---|
| 阻断 | 结论段无源数字、量纲混用、合计/占比不符、增长率回算误差 >2%、跨章节数值冲突 | 必须清零才能发布 |
| 高 | 增长率误差 0.5–2%、数据超 2 个报告期、双源差异 >3% | 发布前处理 |
| 中 | 来源缺定位/日期、估算未披露假设、绝对化表述 | 尽量处理 |
| 低 | 过度精度、措辞 | 可批量处理 |
A/B/C 分级：A 类＝摘要、结论、评级、目标价、表格合计、增速、行业规模，100% 人工核验；B 类支撑数据抽 ≥30%；C 类背景抽 ≥10%。
阈值：可溯源覆盖率 ≥95% 通过，90–95% 需说明，<90% 不通过；双源差异 >3% 升级处理。
输出格式
make_review_pack.py 已按固定模板生成，不要自创结构。手工撰写时也必须包含七块：结论、总体指标、阻断清单、建议修复、A 类核验清单、覆盖范围与限制、下一步。
- 聊天里只报摘要，不粘贴整份审查报告。
- 每个问题必须带位置（行号/章节）和修复动作。
- 结论必须同时给出覆盖率，不能只说“通过/不通过”。
硬性纪律
- 不把“脚本通过”说成“数据真实”。必须说明只做了形式审查。
- 不虚构来源、页码、日期。无法核实就写“未核”。
- 脚本退出码
1表示审查不通过，是正常结果，不是执行失败。 .docx解析依赖python-docx；缺失时执行pip install python-docx，不要退回人工猜测。- 扫描版 PDF 不支持；请用户提供
.docx/.md，或先做 OCR。 - 覆盖率是正文近似值，表格数字未计入；行号基于解析文本，可能与 Word 页码不同。
资源
scripts/audit_report.py：8 项确定性检查，支持.md/.txt/.docx，可独立作为发布门禁scripts/make_review_pack.py：生成审查报告、A 类核验清单与问题 CSVreferences/rules.md：完整判定规则、九类错误、四步核验法、来源分级、冲突处理references/prompt-template.md：写作阶段的预防性提示词（用户说“以后别再错”时给）assets/数据审查工作簿.xlsx：数据台账、审查清单、问题登记、复盘看板assets/单份报告执行手册.pdf：2 页人工流程卡，可打印
常见请求的处理
- “帮我审这份报告” → 走完整流程。
- “只看看有没有编数据” → 跑初筛，重点汇报无源数字与无源结论，其余从简。
- “教我怎么用” → 给执行手册 + 两条命令，不要重讲方法论。
- “帮我把写作提示词改好” → 用
references/prompt-template.md，并结合用户报告类型做一处适配。 - “批量审多份” → 逐份执行，最后输出汇总表：文件名 / 结论 / 阻断数 / 覆盖率。
