筛选"自我定义型"身份品牌公司 —— Workflow 操作手册

本文档是给全新 agent 看的可执行手册：从零开始，读完即可独立完成"从 iFind 选股 CSV 中筛选出塑造自我、定义品类/世界的身份品牌公司"这项任务。 内容包含：判别标准、数据清洗、三层漏斗（subagent 编排）、可复用的 prompt 与 JSON Schema、输出格式、以及历次执行踩过的坑与必须遵守的规则。

一、任务是什么

用户提供一份同花顺 iFind 选股导出的美股 CSV（一般已带财务过滤：市值≥50亿美元、毛利率≥50%、ROIC≥15%），要求从其中筛出符合以下投资哲学的公司：

"从竞争的角度，没有什么是竞争优势——你做了什么，其他人也能做。唯有你自己是无法复制的。" 所以只找那些定义了自己、创造了一个世界/品类的公司，而不是"更便宜的 XX"或"更好的 XX"。 例：魔爪（酷、暗的极限运动能量）≠ 便宜的红牛；拉夫劳伦（美国梦绅士世界）≠ 高级衬衫。

判别核心一句话：它是"它自己"，不是"定位"出来的替代品。 定位可以被模仿，身份无法被复制。

二、判别标准：10 项文化身份信号

对每家公司打分时使用以下信号清单（命中越多分越高）：

评分锚点：

• 9-10：造世界型身份品牌（且经济上已验证）

• 7-8：强身份品牌/品类定义者

• 6：有明确身份倾向，弱于上述

• 3-5：有品牌知名度，但本质是运营/技术/渠道/规模优势（如 AutoZone、O'Reilly、半导体设备商）

• 0-2：无品牌身份（矿业、油气、B2B 组件、医院、保险等）

纪律：不得因"有名/市值大/技术强"给高分；不熟悉的公司给低分并注明"不熟悉"。

三、第0层：数据清洗（务必先做）

3.1 读取

• 用 glob 找 CSV（可能叫"美股选股.csv"之类），用 read 工具读取（它有行号）。

• 表头是多行的（iFind 导出格式：代码,名称,"销售毛利率\n[报告期]...），真正数据从第 ~12 行开始，末行可能是"数据来源：同花顺iFinD"。

3.2 清洗（用 python csv 模块，不要手工切分）

import csv, json
out, seen = [], set()
with open('美股选股.csv', encoding='utf-8-sig') as f:
    rows = list(csv.reader(f))
for row in rows:
    if len(row) < 5: continue
    t = row[0].strip()
    if not t or t == '代码' or '数据来源' in row[0]: continue
    if t in seen: continue          # 去重
    seen.add(t)
    # 数值列可能带千分位逗号（"1,167.7935"），必须 replace(',','') 再 float
    out.append([t, row[1].strip()])
print(json.dumps(out, ensure_ascii=False))

规则：

• 数值列去掉千分位逗号再转 float（否则 IBRX.O 这类 ROIC=1167.7935% 的行会解析失败被静默跳过——本次就差点漏掉它）。

• 同一公司多股票代码去重：如 GOOG.O / GOOGL.O 保留一个。

• 清洗后用 bash 校验 wc -l 与解析出的条数是否对得上，防止漏行。

3.3 已知数据陷阱（本次踩过，务必人工复核）

四、三层漏斗（subagent 编排总览）

CSV 全部公司（如 188 家）
   │  第2层：文化信号批量筛选（每批 ≤16 家，每批 1 个 subagent）
   ▼
≥6 分晋级（如 25 家）→ 取前 12 名
   │  第3层：身份深挖（每家 1 个 subagent）
   ▼
12 家深挖结果 → 按 identity_score 排序取前 6 家
   │  第4层：反向证伪（每家 1 个 subagent，只找空头证据）
   ▼
决赛圈最终分级 A/B/C + watch_items → 汇总报告

为什么必须开多个 subagent 而不是单 agent 走到底：188 家逐一深挖会撑爆上下文；且第4层"只找缺点"的立场与第2/3层"找优点"相反，必须换 fresh 视角。本次实际用 30 + 12 + 1 = 43 次 agent 调用（第2层 13 个、第3层 12 个、第4层 7 个、补跑 1 个）。

五、第2层：文化信号筛选（批量打分）

5.1 编排

• 把公司列表切成批次，每批 ≤16 家（多了打分质量下降）。

• 每批一个 subagent，并行跑（并发 5-6 个即可）。

• 给每个 agent 提供：完整 10 信号清单 + 评分锚点 + 本批公司清单 + 强制输出 schema。

5.2 Prompt 模板（可直接复用）

你是美股品牌身份研究员。判断标准是"公司定义了自己、创造了世界/品类"，而不是"份额大、技术强、名气大"。

【文化身份信号清单】
1. 语言测试：品牌成为动词/名词/梗（如"Google一下""Netflix and chill""Zoom会议"）
2. 纹身测试：有人把品牌logo纹在身上（哈雷、迪士尼、耐克）
3. 转售测试：二手/转售价格高于零售价（Air Jordan、YETI、Birkin、法拉利配额）
4. 黑粉测试：既有死忠也有黑粉，两极分化（Crocs、Tesla、魔爪）
5. 自发社群测试：用户自发组织社群/俱乐部（HOG俱乐部、Reddit社区、跑团）
6. CEO语言测试：股东信/发布会讲"我定义了XX品类/世界"而非"我抢了X%份额"
7. 定价纪律：从不打折、提价不掉量、不参与价格战
8. 品类创造：创造或独占一个新品类/子品类（魔爪=酷暗能量、lululemon=瑜伽生活方式、Yeti=高端冰桶）
9. 身份≠定位：它是"它自己"，不是"更便宜的XX"或"更好的XX"
10. 造世界：品牌创造了一个可沉浸的世界观（迪士尼=魔法、拉夫劳伦=美国梦绅士世界、Rockstar=GTA世界）

【分数锚点】
- 9-10：造世界型身份品牌（且经济上已验证）
- 7-8：强身份品牌/品类定义者
- 6：有明确身份倾向，弱于上述
- 3-5：有品牌知名度，但本质是运营/技术/渠道/规模优势（如AZO汽车地带、ORLY奥莱利、半导体设备商）
- 0-2：无品牌身份（矿业、油气、B2B组件、医院、保险等）

【纪律】
- 每家公司都必须打分，不得遗漏；不熟悉的公司给低分并在evidence注明"不熟悉"。
- 不要因为公司有名就给高分，身份必须来自上述具体信号。
- signals填命中的信号编号（如"信号4、信号8"），最多3个；evidence一句话；confidence填低/中/高。

【本批次公司清单】
1. TICKER 名称
2. ...

【输出】JSON对象：{"results":[{"ticker":"代码","score":分数,"signals":["信号编号"],"evidence":"一句话证据","confidence":"低|中|高"}]}，必须覆盖本批次所有公司。

5.3 输出 Schema（workflow 工具用）

{
  "type": "object",
  "properties": {
    "results": {
      "type": "array",
      "items": {
        "type": "object",
        "properties": {
          "ticker": {"type": "string"},
          "score": {"type": "number"},
          "signals": {"type": "array", "items": {"type": "string"}},
          "evidence": {"type": "string"},
          "confidence": {"type": "string", "enum": ["低", "中", "高"]}
        },
        "required": ["ticker", "score", "signals", "evidence", "confidence"],
        "additionalProperties": false
      }
    }
  },
  "required": ["results"],
  "additionalProperties": false
}

5.4 收尾校验

• 按 ticker 汇总所有批次结果，核对覆盖度：缺失的公司单独补跑一个小批次（不要整层重跑）。

• 晋级线：score ≥ 6；若晋级数 >12，取分数前 12 名进第3层。

六、第3层：身份深挖（逐家）

每家 1 个 subagent（可并行 5-6 个），输入第2层得分与证据，输出结构化深挖。

6.1 Prompt 模板

你是品牌战略研究员。TICKER（名称）已通过第2层文化信号筛选（得分X，证据：...）。请基于你的知识做身份深挖：
1. identity_statement：用一句话写出这家公司"定义自己是谁"（例：魔爪="酷、暗、极限运动的能量"；拉夫劳伦="美国梦的绅士世界"）。
2. world：它创造了什么可沉浸的世界/世界观？产品之外的世界是什么？
3. language_evidence（1-3条）：它的股东信/CEO语言是"品类定义"还是"份额竞争"？引用你记得的CEO名言或风格。
4. pricing_evidence（1-3条）：定价权证据（溢价、从不打折、提价不掉量、转售溢价、配额制）。
5. community_evidence（1-3条）：粉丝文化、自发社群、两极分化、纹身/转售/动词化证据。
6. degradation_risk：身份变质风险（潮流退去、变成"妈妈品牌"、模仿者稀释、创始人离去、文化丑闻）。
7. identity_score（0-10）：身份强度最终评分。
8. tier：A=身份与经济双强且可持续；B=身份强但有明显风险或经济兑现不足；C=身份在减弱或经济无法兑现。
只输出JSON。

6.2 Schema

{
  "type": "object",
  "properties": {
    "ticker": {"type": "string"},
    "identity_score": {"type": "number"},
    "identity_statement": {"type": "string"},
    "world": {"type": "string"},
    "language_evidence": {"type": "array", "items": {"type": "string"}},
    "pricing_evidence": {"type": "array", "items": {"type": "string"}},
    "community_evidence": {"type": "array", "items": {"type": "string"}},
    "degradation_risk": {"type": "string"},
    "tier": {"type": "string", "enum": ["A", "B", "C"]}
  },
  "required": ["ticker", "identity_score", "identity_statement", "world", "language_evidence", "pricing_evidence", "community_evidence", "degradation_risk", "tier"],
  "additionalProperties": false
}

6.3 决赛圈

按 identity_score 降序取前 6 名进第4层。

七、第4层：反向证伪（空头压力测试）

这是最值钱的一层：只找缺点。本次实例：魔爪 MNST 在第1-3层都是 A，第4层发现"Celsius 用另一套身份抢走了它的货架份额"——身份没有转化为不可复制的定价权，被降为 B。如果只做"找优点"就会漏掉这种裂缝。

每家 1 个 subagent，prompt 注入身份评分/暂定 tier/身份陈述。

7.1 Prompt 模板

你是美股空头研究员（反向证伪）。TICKER（名称）已通过前两层（身份评分X，暂定tier，身份陈述：...）。请站在最挑剔的空头立场输出：
1. bear_cases（2-3条）：最强的做空/看空逻辑，每条含risk（风险）+evidence（证据/论据）。
2. identity_economics：这个身份是否真正转化为单位经济学（定价权→毛利→自由现金流→股东回报）？还是"有身份没生意"或"有生意没身份"？
3. final_tier：最终分级（A/B/C）。
4. watch_items（1-3条）：未来12-24个月需要跟踪的证伪信号。
只输出JSON。

7.2 Schema

{
  "type": "object",
  "properties": {
    "ticker": {"type": "string"},
    "bear_cases": {
      "type": "array",
      "items": {
        "type": "object",
        "properties": {
          "risk": {"type": "string"},
          "evidence": {"type": "string"}
        },
        "required": ["risk", "evidence"],
        "additionalProperties": false
      }
    },
    "identity_economics": {"type": "string"},
    "final_tier": {"type": "string", "enum": ["A", "B", "C"]},
    "watch_items": {"type": "array", "items": {"type": "string"}}
  },
  "required": ["ticker", "bear_cases", "identity_economics", "final_tier", "watch_items"],
  "additionalProperties": false
}

八、输出与报告

1. 聊天回复：给出三层漏斗各层结果、最终 A/B 分级、每家的身份陈述一句话 + 关键风险 + 跟踪信号。

1. Markdown 报告：写入当前目录，命名如 美股身份品牌筛选报告.md，结构：
• 数据与方法（家数、subagent 数量、判别标准）
• 第2层晋级名单（分数表）
• 第3层身份陈述表（身份分/tier）
• 第4层最终分级 + 空头要点
• 观察名单
• 数据陷阱与局限性说明

1. 权限：所有 .md 文件写完后立即 chmod 644（本项目规则：Web 服务要读，600 会 404）。

九、执行经验与铁律（历次踩坑总结，务必遵守）

9.1 结果落盘与读取（最重要的教训）

1. spill 文件用 read 工具读，绝不用 bash：workflow 返回体超过阈值会被截断，工具会提示"Full formatted result stored at: /tmp/dsh-spill-/session-/xxxx-workflow.txt"。这个路径宿主文件系统上真实存在，read 工具能读到完整结果（第一行是 "workflow ... completed"，后面是完整 return value）。bash 沙箱的 /tmp 是隔离私有挂载，ls /tmp、wc 都看不到宿主文件——用 bash 找 = 误判"文件不存在"，本次就因此误判导致补跑浪费。

1. 每层返回后立刻落盘到工作区：把 workflow 返回的 JSON/Markdown 立即写入工作区 tmp/ 目录（工作区可写；.md 记着 chmod 644）。即使后续被截断，也有中间产物。

1. 紧凑返回：schema 字段限长（evidence/statement 每条 ≤100 字、数组 ≤3 条），必要时脚本里 slice 截断后再 return；分层单独跑，单次返回控制在 ~8KB 以内，从源头减少截断。

1. 校验清单：核对"返回条目数 == 预期条目数"；缺失的少量条目用单个 subagent 补跑，绝不整层重跑。

9.2 编排纪律

• 用 workflow 工具（可编排多阶段 + schema 校验 + 进度 phase），或分批 subagent 后台并行；不要一个 agent 走到底。

• 并发 5-6 个足够；总 agent 数会受部署上限约束，预算好：第2层批次数 + 第3层晋级数 + 第4层决赛数。

• agent 失败返回 null 要 .filter(Boolean) 兜底，并补跑缺失项。

9.3 数据与认知陷阱

• 见 §3.3：中文名误导（MICC"梦龙"实为 Millicom）、千分位逗号、同公司多代码去重、金融业 100% 毛利率。

• subagent 基于训练知识，估值与最新季度数据必须人工用财报/电话会复核；报告注明"非投资建议"。

9.4 权限与沙箱（如需更大权限时）

• 当前会话默认 workspace-write：只能写工作区根目录 + 平台临时区。

• 单次全盘权限：bash 命令被拒后，用 sandbox_permissions: "danger-full-access" 重试同一条命令并附 justification，GUI 会弹审批，用户批准后该命令以全盘权限执行。

• 会话级 yolo：用户在 GUI 权限预设选择器切到 danger-full-access（或 /permissionPresets danger-full-access），切回用 workspace-write；该切换写入会话日志、重启保留。

• 沙箱不限制网络与进程可见性，只限制文件影响。

9.5 汇报口径

• 明确报告 subagent 使用数量（如"共 43 次 agent 调用：第2层 13、第3层 12、第4层 7、补跑 1"），用户关心"不是单 agent 走到底"。

十、workflow 脚本骨架（JS，可直接改）

const stocks = args.stocks; // [[ticker, name], ...]

async function runPool(items, limit, fn) {
  const results = new Array(items.length);
  let i = 0;
  async function worker() {
    while (i < items.length) { const idx = i++; results[idx] = await fn(items[idx], idx); }
  }
  await Promise.all(Array.from({ length: Math.min(limit, items.length) }, worker));
  return results;
}

// ---- 第2层 ----
phase('第2层：文化信号筛选');
const BATCH = 16; const batches = [];
for (let i = 0; i < stocks.length; i += BATCH) batches.push(stocks.slice(i, i + BATCH));
const l2raw = await runPool(batches, 6, (batch, idx) =>
  agent(`【身份信号清单见 §5.2】...\n本批次：\n${batch.map((s,j)=>`${j+1}. ${s[0]} ${s[1]}`).join('\n')}\n输出JSON。`,
    { schema: L2_SCHEMA, label: `第2层·批次${idx+1}`, phase: '第2层：文化信号筛选' }));
// 合并、查缺补漏、晋级取前12（见 §5.4）

// ---- 第3层 ----
phase('第3层：身份深挖');
const deep = await runPool(survivors, 6, (s, idx) =>
  agent(`【深挖模板见 §6.1】...`, { schema: L3_SCHEMA, label: `第3层·${s.ticker}`, phase: '第3层：身份深挖' }));
const finalists = deep.filter(Boolean).sort((a,b)=>b.identity_score-a.identity_score).slice(0, 6);

// ---- 第4层 ----
phase('第4层：反向证伪');
const adv = await runPool(finalists, 6, (s, idx) =>
  agent(`【证伪模板见 §7.1】...`, { schema: L4_SCHEMA, label: `第4层·${s.ticker}`, phase: '第4层：反向证伪' }));

return { layer2: 全部打分, survivors, deep, adversarial: adv.filter(Boolean) };
// 返回后立即把 return 值写入工作区 tmp/ 落盘（见 §9.1.2）

要点：

• meta.phases 里的 phase 标题必须与脚本中 phase('...') 字符串逐字一致；

• schema 只允许 type/properties/required/additionalProperties/items/enum/const/oneOf，不要用 pattern/format；

• workflow 脚本内无文件系统/网络 API，落盘必须在 workflow 返回后由主 agent 做。

十一、验收清单（跑完自查）

• [ ] 清洗后条数 = CSV 数据行数 - 去重数，数值无解析失败

• [ ] 第2层覆盖度 100%（缺失项已补跑）

• [ ] 第3层 ≥6 分前 12 名全部深挖完成

• [ ] 第4层决赛圈 6 家全部有 final_tier + watch_items

• [ ] 每层结果已落盘到工作区 tmp/（.md 为 644）

• [ ] 报告含：数据与方法、各层结果、A/B 分级、身份陈述、风险与跟踪信号、数据陷阱说明、非投资建议声明