RQ 股票研究 - 首次覆盖

核心原则

所有内容必须遵循三阶段流程：数据采集 -> 报告生成 -> HTML 渲染
assets/template.md 是唯一报告模板来源；Python 只做数据归一化、指标计算、占位符填充和结构校验
Python 可以基于真实数据生成客户可读摘要，但不能硬写脱离数据的主观结论、固定公司故事或静态投资判断
当前实现不是 skills-reference 中 5 任务 DOCX 工程的逐任务复刻，而是将其压缩为单次自动化长篇报告；但研究深度、来源规范、图表替代表达和证据覆盖不得明显降级
最新财报季度必须从真实 historical_financials.json 中按 info_date <= report-date 自动识别
financial-indicator 必须使用 factor + start_date/end_date
peers 选择必须显式落盘为 peer_pool.json，不能在脚本里偷藏固定可比公司列表
research_reports.json 若提供 data_source 字段，应将 0 视为公司研报主样本；其他来源默认不进入最终正文
research_reports.json 若要进入最终报告，必须先在同一文件内回写 summaries.core_view 等客户可读摘要；最终报告不直接截断原始 summary
缺失数据时必须明确写“无数据 / 未提供 / 未验证”，不能留空

数据源分工

`RQData CLI` 负责

公司基础资料、行业口径、股本与十大股东
历史财务、ROE、估值、价格、换手率、分红
一致预期、目标价、卖方研报结构化字段
可比公司池、可比公司财务与估值

`web_search` 负责

管理层公开履历补充
行业规模、竞争格局、政策环境与监管变化
公司重大新闻、产能 / 产品 / 组织调整等实时定性背景
RQData 无法直接提供的竞争对手定性描述

`web_search` 禁止替代的内容

财务数据、估值指标、价格、换手率、分红与一致预期
可比公司筛选、peer 排名和量化定位
任何本应由 RQData 提供的结构化主数据

`web_search` 使用规则

详细字段、来源等级、落盘示例和 fallback 规则见 references/web_search.md。

允许补充的内容：

管理层履历、重要任职背景、治理事件
行业规模、竞争格局、政策动态和监管要求
公司近期产品、产能、组织或合作进展

落盘要求：

所有 web_search 结果必须先写入 web_search_findings.json
只写结构化记录，不把搜索草稿或碎片化笔记直接塞进报告
若未提供该文件，报告仍可交付，但相关定性背景必须保持“未验证”边界
即便提供了 web_search_findings.json，它也只能补充定性语境，不能改写量化结论

硬性规则

以下任一条违反，视为输出失败：

[MUST-1] 财务数据、估值数据、价格数据、分红数据和一致预期必须来自 RQData CLI
[MUST-2] web_search 只补充定性信息，不能替代结构化金融主数据
[MUST-3] 金额类字段在客户稿中必须换算为“亿元”等可读口径
[MUST-4] peers 必须来自显式落盘并可复核的可比公司池，不能在代码里写死
[MUST-5] 若使用卖方研报，最终报告必须优先消费 summaries.core_view 等客户可读摘要，不直接截断原始 summary
[MUST-6] 每个关键数据点或关键结论都要标 数据来源：XXX，置信度X
[MUST-7] 客户稿不得暴露 LLM、skill、文件名、JSON 字段名、workflow 术语或内部状态
[MUST-8] 低置信度网络搜索结果不得单独支撑核心投资结论
[MUST-9] 图表若未生成，必须由等价表格、趋势表或对比表完成降级，不得让关键分析断层

确信度评级

5：RQData CLI、交易所公告、上市公司官网、官方监管披露
4：政府 / 监管 / 行业协会 / 官方机构、权威财经媒体
3：一般媒体或二手整理，但来源清晰且与其他来源一致
2：单一来源、细节不完整、时点未充分验证
1：推断、估算窗口、未验证信息

使用规则：

混合结论的置信度取关键来源中的最低值
推断类文字不得标成高置信度
低置信度信息只能作为补充背景，不得单独推导出评级或估值判断

图表 / 图片需求

当前实现以表格和趋势事实完成最小可交付版本，但首次覆盖报告仍必须定义图表需求；若图表缺失，必须用等价结构化表达降级。

图表名称：收入与净利润五年轨迹
图表目的：展示 5 年历史财务变化和最新同口径趋势
使用的数据文件：historical_financials.json
关键字段：quarter、revenue、net_profit
建议图表类型：柱线组合图
回答问题：公司收入和利润的扩张节奏是否稳定
放置位置：## 历史财务轨迹
若图表缺失：保留同口径财务表和近 8 季趋势表
图表名称：盈利质量与现金流结构图
图表目的：展示毛利率、ROE、资产负债率和现金转化率变化
使用的数据文件：historical_financials.json、roe_history.json
关键字段：gross_profit、revenue、return_on_equity_weighted_average、cash_from_operating_activities、total_assets、total_liabilities
建议图表类型：折线图或分组柱图
回答问题：盈利质量是改善还是弱化，现金流是否跟得上利润
放置位置：## 盈利质量与现金流
若图表缺失：保留质量指标表和现金流对比表
图表名称：可比公司估值定位图
图表目的：比较目标公司与 peers 的市值、ROE、PE、PB、股息率定位
使用的数据文件：peer_pool.json、peer_*
关键字段：market_cap、return_on_equity_weighted_average、pe_ratio、pb_ratio、dividend_yield
建议图表类型：散点图、条形图或对比表
回答问题：公司当前估值在可比样本中偏高还是偏低
放置位置：## 可比公司与估值定位
若图表缺失：保留 peer 对比表与中位数偏离表
图表名称：股价与股东回报图
图表目的：展示目标公司相对基准的股价表现与历史分红
使用的数据文件：price_history.json、benchmark_price.json、dividend_history.json
关键字段：close、dividend_cash_before_tax、declaration_announcement_date
建议图表类型：收益曲线图 + 分红时间轴
回答问题：市场历史定价与股东回报特征如何
放置位置：## 交易表现与股东回报
若图表缺失：保留收益表、换手表和分红表

目标产出

报告长度：10-16 页
推荐中文字符数：3500-6000
输出文件：
- Markdown 报告
- HTML 报告（若本地已安装渲染器）
输出目录必须由 --data-dir / --output 指定，不能写死固定路径

目录结构

initiating-coverage/
├── SKILL.md
├── scripts/
│   └── generate_report.py
├── assets/
│   └── template.md
└── references/
    ├── data_contract.md
    └── web_search.md

输入文件契约

原始数据目录由 --data-dir 指定，脚本会按下列文件名查找输入：

company_info.json
industry.json
shares.json
shareholder_top10.json
historical_financials.json
roe_history.json
market_cap.json
pe_ratio.json
pb_ratio.json
dividend_yield.json
price_history.json
turnover_history.json
benchmark_price.json
dividend_history.json
consensus.json
research_reports.json
peer_pool.json
peer_company_info.json
peer_industry.json
peer_latest_financials.json
peer_roe.json
peer_market_cap.json
peer_pe_ratio.json
peer_pb_ratio.json
peer_dividend_yield.json
web_search_findings.json（可选）

完整字段说明见 references/data_contract.md。

工作流

步骤 1：准备参数

REPORT_DATE="${REPORT_DATE:-$(date +%F)}"
ORDER_BOOK_ID="${ORDER_BOOK_ID:-600519.XSHG}"
BENCHMARK_ORDER_BOOK_ID="${BENCHMARK_ORDER_BOOK_ID:-000300.XSHG}"
PRICE_START_DATE="$(python3 - <<PY
from datetime import date, timedelta
report_date = date.fromisoformat("${REPORT_DATE}")
print((report_date - timedelta(days=365 * 3 + 30)).isoformat())
PY
)"
CONSENSUS_START_DATE="$(python3 - <<PY
from datetime import date, timedelta
report_date = date.fromisoformat("${REPORT_DATE}")
print((report_date - timedelta(days=210)).isoformat())
PY
)"
HISTORY_START_QUARTER="$(python3 - <<PY
from datetime import date
report_date = date.fromisoformat("${REPORT_DATE}")
print(f"{report_date.year - 5}q1")
PY
)"
HISTORY_END_QUARTER="$(python3 - <<PY
from datetime import date
report_date = date.fromisoformat("${REPORT_DATE}")
print(f"{report_date.year}q4")
PY
)"
FACTOR_DATE="$(python3 - <<PY
import json
import subprocess
from datetime import date, timedelta

def has_non_empty_factor(day: str) -> bool:
    payload = json.dumps({
        "order_book_ids": ["${ORDER_BOOK_ID}"],
        "factor": "market_cap",
        "start_date": day,
        "end_date": day,
    }, ensure_ascii=False)
    rows = json.loads(subprocess.check_output(
        ["rqdata", "stock", "cn", "financial-indicator", "--payload", payload, "--format", "json"],
        text=True,
    ))
    return any(isinstance(row, dict) and row.get("market_cap") not in (None, "", "null") for row in rows)

cursor = date.fromisoformat("${REPORT_DATE}")
for _ in range(15):
    if has_non_empty_factor(cursor.isoformat()):
        print(cursor.isoformat())
        break
    cursor -= timedelta(days=1)
else:
    raise SystemExit("最近 15 个自然日都未找到非空 market_cap 因子日期")
PY
)"

DATA_DIR="${DATA_DIR:-$HOME/rq_equities_reports/initiating_coverage}"
OUTPUT_MD="${OUTPUT_MD:-$DATA_DIR/initiating_coverage_${ORDER_BOOK_ID}_${REPORT_DATE}.md}"
mkdir -p "$DATA_DIR"

步骤 2：采集目标公司基础数据

rqdata stock cn instruments --payload "{
  \"order_book_ids\": [\"$ORDER_BOOK_ID\"]
}" --format json > "$DATA_DIR/company_info.json"

rqdata stock cn industry --payload "{
  \"order_book_ids\": [\"$ORDER_BOOK_ID\"],
  \"date\": \"$REPORT_DATE\",
  \"level\": 0,
  \"source\": \"citics_2019\"
}" --format json > "$DATA_DIR/industry.json"

rqdata stock cn shares --payload "{
  \"order_book_ids\": [\"$ORDER_BOOK_ID\"],
  \"start_date\": \"$CONSENSUS_START_DATE\",
  \"end_date\": \"$REPORT_DATE\"
}" --format json > "$DATA_DIR/shares.json"

rqdata stock cn shareholder-top10 --payload "{
  \"order_book_ids\": [\"$ORDER_BOOK_ID\"],
  \"start_date\": \"$CONSENSUS_START_DATE\",
  \"end_date\": \"$REPORT_DATE\",
  \"start_rank\": 1,
  \"end_rank\": 10
}" --format json > "$DATA_DIR/shareholder_top10.json"

rqdata stock cn financial --payload "{
  \"order_book_ids\": [\"$ORDER_BOOK_ID\"],
  \"fields\": [
    \"revenue\",
    \"net_profit\",
    \"gross_profit\",
    \"total_assets\",
    \"total_liabilities\",
    \"total_equity\",
    \"cash_from_operating_activities\",
    \"cash_flow_from_investing_activities\",
    \"cash_flow_from_financing_activities\"
  ],
  \"start_quarter\": \"$HISTORY_START_QUARTER\",
  \"end_quarter\": \"$HISTORY_END_QUARTER\",
  \"statements\": \"all\"
}" --format json > "$DATA_DIR/historical_financials.json"

步骤 3：采集目标公司估值、交易、分红与卖方数据

rqdata stock cn financial-indicator --payload "{
  \"order_book_ids\": [\"$ORDER_BOOK_ID\"],
  \"factor\": \"return_on_equity_weighted_average\",
  \"start_date\": \"$PRICE_START_DATE\",
  \"end_date\": \"$FACTOR_DATE\"
}" --format json > "$DATA_DIR/roe_history.json"

for factor in market_cap pe_ratio pb_ratio dividend_yield; do
  rqdata stock cn financial-indicator --payload "{
    \"order_book_ids\": [\"$ORDER_BOOK_ID\"],
    \"factor\": \"$factor\",
    \"start_date\": \"$FACTOR_DATE\",
    \"end_date\": \"$FACTOR_DATE\"
  }" --format json > "$DATA_DIR/${factor}.json"
done

rqdata stock cn price --payload "{
  \"order_book_ids\": [\"$ORDER_BOOK_ID\"],
  \"start_date\": \"$PRICE_START_DATE\",
  \"end_date\": \"$REPORT_DATE\",
  \"fields\": [\"close\", \"volume\", \"total_turnover\", \"high\", \"low\"],
  \"adjust_type\": \"post\"
}" --format json > "$DATA_DIR/price_history.json"

rqdata stock cn turnover-rate --payload "{
  \"order_book_ids\": [\"$ORDER_BOOK_ID\"],
  \"start_date\": \"$PRICE_START_DATE\",
  \"end_date\": \"$REPORT_DATE\"
}" --format json > "$DATA_DIR/turnover_history.json"

rqdata index price --payload "{
  \"order_book_ids\": [\"$BENCHMARK_ORDER_BOOK_ID\"],
  \"start_date\": \"$PRICE_START_DATE\",
  \"end_date\": \"$REPORT_DATE\",
  \"fields\": [\"close\"]
}" --format json > "$DATA_DIR/benchmark_price.json"

rqdata stock cn dividend --payload "{
  \"order_book_ids\": [\"$ORDER_BOOK_ID\"],
  \"start_date\": \"$(python3 - <<PY
from datetime import date
report_date = date.fromisoformat("${REPORT_DATE}")
print(f\"{report_date.year - 5}-01-01\")
PY
)\",
  \"end_date\": \"$REPORT_DATE\"
}" --format json > "$DATA_DIR/dividend_history.json"

rqdata stock cn consensus --payload "{
  \"order_book_ids\": [\"$ORDER_BOOK_ID\"],
  \"start_date\": \"$CONSENSUS_START_DATE\",
  \"end_date\": \"$REPORT_DATE\",
  \"report_range\": 3
}" --format json > "$DATA_DIR/consensus.json"

先根据财务数据识别最新季度与预测年份：

read LATEST_QUARTER LATEST_YEAR NEXT_YEAR <<EOF
$(python3 - "$DATA_DIR/historical_financials.json" "$REPORT_DATE" <<'PY'
import json
import sys
from datetime import date

payload = json.load(open(sys.argv[1], "r", encoding="utf-8"))
report_date = date.fromisoformat(sys.argv[2])

records = payload if isinstance(payload, list) else payload.get("data", [])
best = None
for item in records:
    if not isinstance(item, dict):
        continue
    quarter = str(item.get("quarter") or "").lower()
    info_date = str(item.get("info_date") or "")[:10]
    if not quarter or not info_date:
        continue
    if info_date > report_date.isoformat():
        continue
    if best is None or quarter > best:
        best = quarter

if not best:
    raise SystemExit("未识别到最新财报季度")
year = int(best[:4])
print(best, year, year + 1)
PY
)
EOF

python3 - "$DATA_DIR" "$ORDER_BOOK_ID" "$LATEST_YEAR" "$NEXT_YEAR" "$CONSENSUS_START_DATE" "$REPORT_DATE" <<'PY'
import json
import subprocess
import sys
from pathlib import Path

data_dir = Path(sys.argv[1])
stock = sys.argv[2]
years = [sys.argv[3], sys.argv[4]]
start_date = sys.argv[5]
end_date = sys.argv[6]

rows = []
for year in years:
    payload = json.dumps({
        "order_book_ids": [stock],
        "fiscal_year": year,
        "start_date": start_date,
        "end_date": end_date,
        "date_rule": "create_tm",
    }, ensure_ascii=False)
    output = subprocess.check_output(
        ["rqdata", "stock", "cn", "research-reports", "--payload", payload, "--format", "json"],
        text=True,
    )
    data = json.loads(output)
    rows.extend(data if isinstance(data, list) else data.get("data", []))

data_dir.joinpath("research_reports.json").write_text(
    json.dumps(rows, ensure_ascii=False, indent=2),
    encoding="utf-8",
)
PY

若 research_reports.json 需要进入最终正文，应先在原记录内补齐客户可读摘要：

摘要输入位置：research_reports.json -> records[].summary
摘要回写位置：research_reports.json -> records[].summaries.core_view
仅 data_source=0 且公司直接相关的记录可以进入最终报告

步骤 3.5：可选的管理层 / 行业 / 竞争语境补充

当用户需要更完整的首次覆盖定性背景时，可执行该步骤。

使用 web_search 补充管理层、行业规模、政策环境、竞争格局或公司最新重大动态
结果必须写入 web_search_findings.json
这类结果只补充定性语境，不参与 Python 量化计算或 peer 排序

步骤 4：生成可比公司池并采集 peers 数据

先生成全市场股票列表和行业映射：

rqdata stock cn list --payload "{
  \"date\": \"$FACTOR_DATE\",
  \"type\": \"CS\"
}" --format json > "$DATA_DIR/stock_list.json"

python3 - "$DATA_DIR" "$ORDER_BOOK_ID" "$REPORT_DATE" "$FACTOR_DATE" <<'PY'
import json
import subprocess
import sys
from pathlib import Path

data_dir = Path(sys.argv[1])
target = sys.argv[2]
report_date = sys.argv[3]
factor_date = sys.argv[4]

target_industry = json.loads(data_dir.joinpath("industry.json").read_text(encoding="utf-8"))
target_rows = target_industry if isinstance(target_industry, list) else target_industry.get("data", [])
target_row = next(item for item in target_rows if isinstance(item, dict) and item.get("order_book_id") == target)
target_third = target_row.get("third_industry_name")
target_second = target_row.get("second_industry_name")

stock_list = json.loads(data_dir.joinpath("stock_list.json").read_text(encoding="utf-8"))
stock_rows = stock_list if isinstance(stock_list, list) else stock_list.get("data", [])
ids = [row["order_book_id"] for row in stock_rows if isinstance(row, dict) and row.get("order_book_id")]

industry_rows = []
for start in range(0, len(ids), 800):
    chunk = ids[start:start + 800]
    payload = json.dumps({
        "order_book_ids": chunk,
        "date": report_date,
        "level": 0,
        "source": "citics_2019",
    }, ensure_ascii=False)
    output = subprocess.check_output(
        ["rqdata", "stock", "cn", "industry", "--payload", payload, "--format", "json"],
        text=True,
    )
    batch = json.loads(output)
    industry_rows.extend(batch if isinstance(batch, list) else batch.get("data", []))

data_dir.joinpath("industry_universe.json").write_text(
    json.dumps(industry_rows, ensure_ascii=False, indent=2),
    encoding="utf-8",
)

third_matches = [row for row in industry_rows if isinstance(row, dict) and row.get("third_industry_name") == target_third]
second_matches = [row for row in industry_rows if isinstance(row, dict) and row.get("second_industry_name") == target_second]
selected = third_matches if len(third_matches) >= 6 else second_matches

candidate_ids = []
seen = set()
for row in selected:
    stock = row.get("order_book_id")
    if not stock or stock in seen:
        continue
    seen.add(stock)
    candidate_ids.append(stock)

payload = json.dumps({
    "order_book_ids": candidate_ids,
    "factor": "market_cap",
    "start_date": factor_date,
    "end_date": factor_date,
}, ensure_ascii=False)
output = subprocess.check_output(
    ["rqdata", "stock", "cn", "financial-indicator", "--payload", payload, "--format", "json"],
    text=True,
)
factor_rows = json.loads(output)

market_cap = {}
for row in factor_rows:
    if isinstance(row, dict) and row.get("order_book_id") and row.get("market_cap") not in (None, "", "null"):
        market_cap[row["order_book_id"]] = float(row["market_cap"])

peer_rows = []
for stock in candidate_ids:
    if stock not in market_cap:
        continue
    peer_rows.append({
        "order_book_id": stock,
        "selection_level": "third" if stock in {item.get("order_book_id") for item in third_matches} else "second",
        "market_cap": market_cap[stock],
    })

peer_rows.sort(key=lambda item: item["market_cap"], reverse=True)
peer_rows = peer_rows[:6]

if target not in {item["order_book_id"] for item in peer_rows} and target in market_cap:
    peer_rows = [{"order_book_id": target, "selection_level": "target", "market_cap": market_cap[target]}] + peer_rows[:5]

data_dir.joinpath("peer_pool.json").write_text(
    json.dumps(peer_rows, ensure_ascii=False, indent=2),
    encoding="utf-8",
)
PY

再采集 peers 元数据与最新快照：

PEER_IDS="$(python3 - "$DATA_DIR/peer_pool.json" <<'PY'
import json
import sys
rows = json.load(open(sys.argv[1], "r", encoding="utf-8"))
print(json.dumps([row["order_book_id"] for row in rows], ensure_ascii=False))
PY
)"

rqdata stock cn instruments --payload "{
  \"order_book_ids\": $PEER_IDS
}" --format json > "$DATA_DIR/peer_company_info.json"

rqdata stock cn industry --payload "{
  \"order_book_ids\": $PEER_IDS,
  \"date\": \"$REPORT_DATE\",
  \"level\": 0,
  \"source\": \"citics_2019\"
}" --format json > "$DATA_DIR/peer_industry.json"

rqdata stock cn financial --payload "{
  \"order_book_ids\": $PEER_IDS,
  \"fields\": [
    \"revenue\",
    \"net_profit\",
    \"gross_profit\",
    \"total_assets\",
    \"total_liabilities\",
    \"cash_from_operating_activities\"
  ],
  \"start_quarter\": \"$HISTORY_START_QUARTER\",
  \"end_quarter\": \"$HISTORY_END_QUARTER\",
  \"statements\": \"all\"
}" --format json > "$DATA_DIR/peer_latest_financials.json"

rqdata stock cn financial-indicator --payload "{
  \"order_book_ids\": $PEER_IDS,
  \"factor\": \"return_on_equity_weighted_average\",
  \"start_date\": \"$PRICE_START_DATE\",
  \"end_date\": \"$FACTOR_DATE\"
}" --format json > "$DATA_DIR/peer_roe.json"

for factor in market_cap pe_ratio pb_ratio dividend_yield; do
  rqdata stock cn financial-indicator --payload "{
    \"order_book_ids\": $PEER_IDS,
    \"factor\": \"$factor\",
    \"start_date\": \"$FACTOR_DATE\",
    \"end_date\": \"$FACTOR_DATE\"
  }" --format json > "$DATA_DIR/peer_${factor}.json"
done

步骤 5：生成 Markdown / HTML

python3 initiating-coverage/scripts/generate_report.py \
  --stock "$ORDER_BOOK_ID" \
  --data-dir "$DATA_DIR" \
  --report-date "$REPORT_DATE" \
  --output "$OUTPUT_MD"

阶段门控

Gate 1：公司与财务主数据齐备

已识别最新财报季度
价格历史、一致预期、peer 主数据齐全
公司、股东、财务、估值、分红、交易文件存在

Gate 2：卖方与可比样本整理完成

research_reports.json 已抓取且公司直接相关样本可识别
若需要进入最终报告，summaries.core_view 已补齐
peer_pool.json 已生成，且可比公司数量足以支撑对比

Gate 3：可选网络搜索结果完成

若启用定性补充，web_search_findings.json 已落盘
字段完整、来源等级可解释
网络搜索结果仅用于管理层 / 行业 / 政策 / 竞争背景，不替代量化主数据

Gate 4：成稿完成

Markdown 已生成
若本地渲染器存在，HTML 已生成
客户稿不暴露内部术语
长度、章节、来源标注和结构化对比均达标

模板规则

报告必须严格基于 template.md 生成
占位符采用 [[TOKEN]] 语法，不使用 Jinja
当前模板仅允许以下占位符：
- [[REPORT_DATE]]
- [[COMPANY_NAME]]
- [[STOCK_CODE]]
- [[EXEC_SUMMARY]]
- [[COMPANY_PROFILE]]
- [[OWNERSHIP_SECTION]]
- [[FINANCIAL_TRAJECTORY]]
- [[QUALITY_AND_CASHFLOW]]
- [[EXPECTATION_AND_SELLSIDE]]
- [[PEER_AND_VALUATION]]
- [[TRADING_AND_DIVIDEND]]
- [[RISK_SECTION]]
- [[APPENDIX]]

报告质量要求

报告必须包含模板中的所有一级章节
必须同时覆盖：
- 公司基本信息与股权结构
- 历史财务轨迹
- 现金流与资产负债表
- 市场预期与卖方摘录
- 可比公司与估值定位
- 交易表现与股东回报
- 风险提示与口径说明
报告必须达到首次覆盖的最低研究深度，不能退化成“财务 + peer 简表”
最低研究深度至少应回答 4 类问题：
- 公司是什么、处于什么行业位置、覆盖边界在哪里
- 近 5 年财务轨迹和最近单季度经营节奏如何变化
- 当前市场预期、卖方口径与可比估值把公司放在什么位置
- 后续持续跟踪时最需要盯住哪些风险与验证点
若启用了网络搜索结果补充，正文至少要出现“管理层 / 行业 / 政策 / 公司动态 / 竞争格局”中的一类实质信息，而不是只多一个 sidecar 文件
不允许残留 [[PLACEHOLDER]]
不允许在正文中暴露内部流程描述、文件名、字段名或脚本术语
Markdown 输出必须与模板章节和数据契约保持一致

阶段验收清单

Markdown 文件存在
若本地渲染器存在则 HTML 文件存在
模板占位符无残留
主章节完整
报告长度达到 10-16 页的最低可交付标准
关键数据点与关键结论带 数据来源：XXX，置信度X
peers 来自显式生成且可复核的可比公司池
若使用卖方摘要，正文消费的是客户可读摘要层
若使用 web_search，其内容已真正进入最终报告且未越权替代 RQData 主数据

常见错误

把 financial-indicator 返回字段错误地当成统一 value
在脚本里硬写固定 peers 或固定公司结论
把原始卖方 summary 直接截断贴进客户稿
把 web_search 结果写成主结论，反而压过 RQData 主数据
在正文里出现文件名、JSON 字段名或内部执行语言
使用固定日期、固定季度、固定输出路径

rq-initiating-coverage

RQ 股票研究 - 首次覆盖

核心原则

数据源分工

`RQData CLI` 负责

`web_search` 负责

`web_search` 禁止替代的内容

`web_search` 使用规则

硬性规则

确信度评级

图表 / 图片需求

目标产出

目录结构

输入文件契约

工作流

步骤 1：准备参数

步骤 2：采集目标公司基础数据

步骤 3：采集目标公司估值、交易、分红与卖方数据

步骤 3.5：可选的管理层 / 行业 / 竞争语境补充

步骤 4：生成可比公司池并采集 peers 数据

步骤 5：生成 Markdown / HTML

阶段门控

Gate 1：公司与财务主数据齐备

Gate 2：卖方与可比样本整理完成

Gate 3：可选网络搜索结果完成

Gate 4：成稿完成

模板规则

报告质量要求

阶段验收清单

常见错误

More from ricequant/ricequant-skills

rqdata-python

ricequant

rq-morning-note

rq-idea-generation

rq-earnings-preview

rq-sector-overview

rq-initiating-coverage

RQ 股票研究 - 首次覆盖

核心原则

数据源分工

RQData CLI 负责

web_search 负责

web_search 禁止替代的内容

web_search 使用规则

硬性规则

确信度评级

图表 / 图片需求

目标产出

目录结构

输入文件契约

工作流

步骤 1：准备参数

步骤 2：采集目标公司基础数据

步骤 3：采集目标公司估值、交易、分红与卖方数据

步骤 3.5：可选的管理层 / 行业 / 竞争语境补充

步骤 4：生成可比公司池并采集 peers 数据

步骤 5：生成 Markdown / HTML

阶段门控

Gate 1：公司与财务主数据齐备

Gate 2：卖方与可比样本整理完成

Gate 3：可选网络搜索结果完成

Gate 4：成稿完成

模板规则

报告质量要求

阶段验收清单

常见错误

More from ricequant/ricequant-skills

rqdata-python

ricequant

rq-morning-note

rq-idea-generation

rq-earnings-preview

rq-sector-overview

`RQData CLI` 负责

`web_search` 负责

`web_search` 禁止替代的内容

`web_search` 使用规则