第一性原理分析 = 拆到基本真理 → 重新构建 → 交叉验证 → 持续记忆
| 场景 | 从哪里开始 | 参考文件 |
|------|-----------|---------|
| 企业/财务分析 | Step 1 → 拆解财务数据 | references/financial-valuation.md |
| 行业/竞争研究 | Step 1 → 五层行业拆解 | references/industry-analysis.md |
| 投资/机遇评估 | Step 1 → 四类机遇诊断 | references/opportunity-challenge.md |
| 战略/问题解决 | Step 1 → 问题定义 → Step 4 方案生成 | references/problem-solving.md |
> 💡 首次使用： 确保 memory/ 目录存在（技能目录下），然后直接从 Step 1 开始。
第一性原理分析需要真实数据作为根基。按以下优先级获取数据：
| 需求 | 推荐技能/工具 | 用途 |
|------|-------------|------|
| 实时行情/日K线 | eastmoney-stock-v2 或 akshare-stock | 价格数据、量价关系 |
| 财务报表（三表） | neodata-financial-search 或 ifind-mcp | 利润表/资产负债表/现金流量表 |
| 基本面深度研究 | stock-research-engine 或 tradingagents-analysis | 管理层评估、业务拆解、催化剂 |
| 市场情绪/资金流向 | aj-stock-analysis | 主力资金、北向资金 |
| 行业/板块数据 | eastmoney-stock-v2 | 板块轮动、行业对比 |
| 宏观数据 | neodata-financial-search 或 ifind-mcp | GDP、利率、CPI等 |
1️⃣ 东方财富/同花顺 API → 最全，优先使用
2️⃣ 新浪财经/百度财经 → 降级备选
3️⃣ neodata/ifind-mcp → 备用通道
deconstruct 命令做纯逻辑拆解
1. 检查 memory/ 目录（位置：工作空间 .workbuddy/skills/first-principles-analyst/memory/ 下）
2. 读取 self-improvement.md（上次改进点，避免重复犯错）
3. 读取 knowledge-base.md（历史知识库）
4. 读取 user-preferences.md（用户偏好）
将问题拆到不可再分的基本单元。
需要时读取：
references/financial-valuation.md
references/industry-analysis.md
references/opportunity-challenge.md
references/methodology.md
Socratic追问法 → 每个单元至少追问5次"为什么"
同时使用 逻辑链分析 和 矛盾检测（详见 references/methodology.md）
1. 逻辑链分析：绘制因果链 → 寻找断裂点和跳层
2. 假设驱动：先设定可证伪的假设 → 再验证
3. 矛盾检测：找出分析中的矛盾信号 → 追溯来源
4. 多视角交叉：至少从股东/客户/员工三个视角审视
基于第一性真理重建框架后，进入问题解决模式：
1. 方案生成：四象限矩阵（消除根因/绕过约束/改进/创新）
2. 方案筛选：3×3 影响-周期矩阵
3. 方案强度评估：效果×可行性×可持续性
4. 决策：加权评分矩阵 + 情景规划
详见 references/problem-solving.md
有计算需求时使用脚本工具：
# 估值类
python scripts/first-principles-analyzer.py dcf <init> <g1,g2,...> <tg> <wacc> [years] — DCF估值
python scripts/first-principles-analyzer.py dcf-sensitivity <init> <g1,...> [years] — DCF敏感性矩阵
python scripts/first-principles-analyzer.py wacc <e_r> <d_r> <cost_eq> <cost_debt> <tax> — WACC计算
python scripts/first-principles-analyzer.py cross-check <price> <eps> <dcf_per_share> — PE/DCF交叉验证
python scripts/first-principles-analyzer.py sotp <净债务> <折价> <业务1> <估值1> <方法1> ... — SOTP分部估值
# 财务分析
python scripts/first-principles-analyzer.py dupont <np> <rev> <ta> <eq> — 杜邦分析
python scripts/first-principles-analyzer.py ccc <dso> <dio> <dpo> — 现金转化周期
python scripts/first-principles-analyzer.py zscore <x1> <x2> <x3> <x4> <x5> — Altman Z-Score
python scripts/first-principles-analyzer.py fcf-yield <fcf> <ev> — FCF收益率
python scripts/first-principles-analyzer.py health-score <ocf_r> <debt_r> <ic_r> <cr> <roic> <wacc> — 健康评分
# 机遇评分
python scripts/first-principles-analyzer.py opp-score <mkt> <gr> <acc> <sus> <cap> — 机遇评分
# 引导命令（生成分析框架）
python scripts/first-principles-analyzer.py deconstruct — 拆解引导(MECE/问题树)
python scripts/first-principles-analyzer.py solve — 问题解决引导
python scripts/first-principles-analyzer.py reflect — 反思引导
python scripts/first-principles-analyzer.py distill — 知识蒸馏引导
python scripts/first-principles-analyzer.py version — 显示版本信息
确认本次发现的可复用知识并沉淀入库。
1. 运行 python scripts/first-principles-analyzer.py distill 获取蒸馏引导
2. 检查五个蒸馏问题：
□ 本次分析发现了什么行业规律？是否是通用的？
□ 有什么财务特征或陷阱值得记录？
□ 分析中有没有可以复用的方法论？
□ 有没有被数据推翻的常见误解？
□ 用户有没有教授你新的知识？
3. 如果有新发现 → 创建 KBE 条目追加到 memory/knowledge-base.md
4. 无论是否有新发现 → 写入分析记录：
├── 追加 memory/case-library.md（案例摘要）
├── 如发现错误/用户纠正 → 更新 memory/self-improvement.md
└── 如发现重复模式 → 更新 memory/patterns.md
5. 更新 memory/knowledge-growth.md 追踪知识增长
知识升级路径： 分析发现 → KBE(待验证) → 2次出现→候选 → 3次出现→确认
每次分析完成后必须执行反思。这是持续提升分析质量的唯一路径。
1. 运行 python scripts/first-principles-analyzer.py reflect 获取反思问题
2. 回答六个反思问题（Q1-Q6）
3. 将反思结果追加到 memory/reflections.md
4. 检查是否有模式可推广到 knowledge-base.md（3次出现=确认模式）
六个反思问题：
Q1 - 结论可靠性：[高/中/低]？有哪些不确定性？
Q2 - 可改进点：方法上、数据上、逻辑上哪里可以更好？
Q3 - 新发现：有没有发现新的规律或模式？
Q4 - 用户反馈：有没有收到纠正或补充？
Q5 - 下次注意：同一类问题下次应该注意什么？
Q6 - 直觉vs数据：有没有直觉被数据推翻的情况？
七层分析体系（见 references/financial-valuation.md）：
| 层级 | 内容 | 关键工具 |
|------|------|---------|
| L1 盈利质量 | 收入质量三维检验、毛利率拆解、费用质量、利润层级分析 | OCF/净利比率、研发资本化率 |
| L2 资产质量 | 营运资本效率(CCC)、固定资产效率、商誉炸弹评估 | DSO/DIO/DPO分析 |
| L3 现金流质量 | OCF质量矩阵、FCF收益率、三表协同分析 | FCF Yield、OCF趋势 |
| L4 DCF估值 | 三变量拆解+敏感性分析矩阵 (WACC×g) | 多情景DCF |
| L5 相对估值 | PE/PB/PS/EV-EBITDA四法交叉 | 可比公司中位数 |
| L6 SOTP估值 | 多业务线分别估值后加总，适用于广信材料类公司 | 分部估值 |
| L7 实物期权 | 新业务作为看涨期权，适用于转型企业 | NPV+期权价值 |
脚本支持： dcf, wacc, dupont, cross-check
12大财务陷阱识别： 收入提前确认、存货注水、费用递延、商誉炸弹、虚增现金、隐藏负债等
五层拆解： 行业本质 → 价值链 → 竞争结构 → 驱动力 → 边界拐点
护城河： 六类 + 四维评分矩阵
机遇四源： 供需缺口 / 效率洼地 / 重构机会 / 隐藏痛点
困境四类： 结构性 / 竞争性 / 财务性 / 战略性
决策： 四象限定位（I进攻/II蛰伏/III运营/IV求生）
当前版本：v3.1.0（2026-05-09）
版本历史详见 VERSION.md。可通过以下方式查询版本：
python scripts/first-principles-analyzer.py version
| 版本 | 日期 | 要点 |
|------|------|------|
| 3.1.0 | 2026-05-09 | 【迭代优化】工作流重构八步法(Step0→7)、脚本路径修正、数据获取策略集成、行业分析深化、脚本错误处理增强 |
| 3.0.0 | 2026-05-07 | 【重大升级】方法论深度重构：MECE拆解、逻辑链分析、假设驱动验证、矛盾检测、方案生成矩阵、决策框架；新增 problem-solving.md；脚本新增 deconstruct/solve 命令 |
| 2.3.0 | 2026-05-07 | 新增知识蒸馏引擎、结构化KBE知识库、knowledge-growth追踪、distill命令 |
| 2.2.0 | 2026-05-07 | 新增类人反思机制、模式发现系统、reflect命令、reflections.md+patterns.md |
| 2.1.0 | 2026-05-07 | 新增版本跟踪系统、SOTP分部估值、CCC、Z-Score、DCF敏感性矩阵、12大财务陷阱、财务健康评分 |
| 1.0.0 | 2026-05-07 | 初始版本：三大分析能力 + 记忆系统 + 脚本v1.0 |
每次完整分析必须包含：
| 文件 | 用途 |
|------|------|
| VERSION.md | 版本历史与更新日志 |
| references/methodology.md | 【升级】方法论框架 v3.0：拆解/分析/解决问题三大能力 |
| references/problem-solving.md | 【新增】 问题解决工具箱：方案生成/决策/执行 |
| references/financial-valuation.md | 财务与估值分析 |
| references/industry-analysis.md | 行业发展分析 |
| references/opportunity-challenge.md | 机遇与困境分析 |
| references/memory-system.md | 记忆系统指南 |
| scripts/first-principles-analyzer.py | 计算工具 |
| memory/reflections.md | 反思日志（每次分析后自我评估） |
| memory/patterns.md | 模式发现（跨案例重复规律） |
| memory/knowledge-base.md | 长期知识库 |
| memory/case-library.md | 案例库 |
| memory/self-improvement.md | 改进日志 |
| memory/user-preferences.md | 用户偏好 |
| memory/knowledge-growth.md | 知识积累追踪（增长日志） |
共 2 个版本