IPO NotebookLM Screen: 一个 Agent 可执行的 A 股打新尽调 Skill

NotebookLM 的核心能力不是"生成播客"，而是长上下文下的 source-grounded 问答——上传一组材料后，AI 基于材料内容回答问题并标注引用来源。这个能力天然适合金融尽调：招股书几百页、同行财报几十份、政策文件若干，人类读完需要数小时，而 NotebookLM 可以在分钟级别回答"这家公司的收入结构是什么""同行毛利率对比如何""风险因素有哪些"这类具体问题。

在 X 上看到了一个手动 workflow：把 IPO 相关材料上传到 NotebookLM，设计一组标准问题，让 AI 逐一回答，最后汇总成投资决策。这个 workflow 的价值在于结构化——不是泛泛地问"这家公司怎么样"，而是围绕收入结构、同行对比、发行结构、风险因素、融资历史、盈利质量、关联交易这八个维度，逐个获取 source-grounded 的回答。

但手动 workflow 的瓶颈也很明显：材料收集、PDF 上传、问题改写、答案整理，每一步都需要人工介入。当 screening 对象从一个变成十个，这个 workflow 的边际成本不会下降。

我的目标是把这套方法转化为agent 可执行的 skill：agent 自动完成材料收集、目录整理、backend 交互、问题改写、最终汇总。用户只需要提供发行人名称，剩下的由 agent 执行。

最初的设计

最初版本的架构分为六步，核心是一套结构化问题驱动的尽调框架。

标准八问

这套 workflow 的价值在于问题设计。不是泛泛地问"这家公司怎么样"，而是围绕八个维度，逐个获取 source-grounded 的回答：

1. 核心业务

请基于<发行人>的招股书和最新披露材料，说明公司的核心产品、核心业务线是什么；按业务线拆分近3年收入结构如何变化；前五大客户集中度如何变化，是否存在单一大客户依赖。

为什么问这个：打新是两层决策。第一层是"能不能碰"——有没有雷？第二层才是"会不会炒"——首日涨多少？八问解决的是第一层。必须先看清楚卖什么、卖给谁、收入结构是否健康。单一大客户依赖是 IPO 后业绩暴雷的高频原因。

2. 同行对比

请仅围绕<业务线>业务，将<发行人>与<同行1>、<同行2>、<同行3>对比，说明毛利率、营收增速、研发费用率的主要差异，以及这些差异来自产品结构、价格周期、成本曲线还是客户结构。

为什么问这个：发行人的自我描述总是乐观的。同行对比是唯一的客观锚点。毛利率比同行高 10 个百分点，要么是真的有护城河，要么是会计处理不同，要么是不可持续的。

3. 发行结构（A股版）

此次发行是否存在战略配售投资者？分别是谁、获配规模多少、限售期多久？是否包含产业资本、关键客户、关键供应商或具有定价指示意义的机构？

为什么问这个：战略配售名单是市场对发行人的"投票"。产业资本参与说明产业链认可，知名机构参与说明估值有锚。没有战略配售或全是财务投资者，需要警惕。

4. 募资用途与稀释

请拆分<发行人>本次募资用途，各项目占比多少，最大募投项目是什么；发行完成后控股股东和实际控制人持股比例分别稀释到多少。

为什么问这个：募资用途决定钱会不会被浪费。扩产项目要看产能利用率，研发项目要看历史研发转化率。控股股东稀释比例关系到上市后控制权稳定性。

5. 风险因素

请把<发行人>招股书风险因素拆成两类：行业共性风险与公司特有风险，并说明哪些可以通过同行对照部分打折看，哪些必须单独警惕。

为什么问这个：招股书风险章节往往写几十条，但大部分是每个行业都有的套话。真正需要警惕的是公司特有的、同行没有的、或者比同行严重得多的风险。

6. 融资历史与估值

请根据<发行人>历史融资、股权变化和招股书披露，估算上一轮重要融资估值与本次IPO估值的跳涨倍数；如果信息不足，请明确缺口。

为什么问这个：Pre-IPO 轮融资估值到 IPO 估值的跳涨倍数，直接决定了打新的安全边际。跳涨 3 倍和跳涨 10 倍，风险完全不同。

7. 盈利质量

请检查<发行人>过去3年及最新一期利润中，是否存在政府补助、资产处置、公允价值变动、汇兑收益等一次性项目明显抬高利润；同时比较经营现金流净额与净利润是否匹配。

为什么问这个：IPO 前公司有很强的动机美化利润。经营现金流与净利润的匹配度，是识别"纸面利润"的最可靠指标。

8. 关联交易

请说明<发行人>关联交易占营收和采购的比例，前五大客户与前五大供应商中是否存在关联方，是否存在交易公允性或独立性风险。

为什么问这个：关联交易是 A 股 IPO 的雷区。发行前把利润做高、上市后利润回落的经典套路，往往通过关联交易实现。

最终决策问题

八个维度回答完毕后，最后问：

如果目标是判断是否参与<发行人>本次打新，请基于前述材料给出支持参与的3-5条核心理由、反对参与的3-5条核心理由，并按"参与 / 观察 / 放弃"给出结论。

这八问的逻辑：为什么是这八个维度？

这八问不是拍脑袋凑的。它们覆盖了基本面尽调的核心链条，从"公司值不值得买"到"以什么价格买"到"买完之后可能出什么事"：

这八问构成一条从业务理解到估值验证到风险排查的完整链条。但不是全部——它们解决的是"能不能碰"，不是"会不会炒"。

两层决策框架

为什么先解决第一层

"以正合，以奇胜"——先保证不踩雷，再谈收益。

IPO 首日收益高度随机。学界研究了几十年，"IPO underpricing puzzle" 至今没有统一解释。预测首日涨幅几乎不可能，但识别明显雷区是可行的：

• 关联交易占比 80% 的公司，破发概率是否更高？直觉上是的，但需要数据验证
• 经营现金流持续为负的公司，是否更容易在上市后业绩变脸？需要验证
• 估值跳涨 10 倍的公司，安全边际是否比跳涨 3 倍的更差？需要验证

八问的价值不在于预测收益，而在于排雷——在情绪高涨时避免碰不该碰的标的。

有意省略的情绪层

框架的真正价值

不是"覆盖所有投资者关心的事"，而是：

1. 排雷优先：先识别"绝对不能碰"的标的，再考虑"要不要参与"
2. 结构化：把"这家公司怎么样"拆解为可独立回答的子问题
3. 可验证：每个问题都有明确的材料来源（招股书、财报、公告）
4. 可比较：同行对比提供了客观锚点
5. 可复现：同一个框架适用于不同发行人，结果可比

六步执行架构

围绕这八个问题，最初版本的执行分为六步：

1. Scope 固定：确定发行人、上市市场（A 股）、当前阶段（已申报/已过会/已定价）、业务线、同行组。
2. 材料收集：招股书/招股意向书、发行安排公告、风险公告、管理层访谈、历史融资记录、相关政策文件。
3. 目录构建：按角色分组（发行人核心、同行 A、同行 B、政策、访谈），每份文件配 manifest 记录来源 URL。
4. Backend 交互：可选推给 NotebookLM，或保留在本地 manifest_only。
5. 问题改写：把标准八问替换为发行人专属版本（公司名、同行名、市场结构、当前财报周期）。
6. 决策表输出：markdown 格式，包含业务摘要、同行视角、正面信号、红旗、最终结论（Participate/Watch/Skip）、置信度说明。

这个架构本身没有问题。但在实际使用中暴露了六个结构性缺陷。

从痛点到实现：六项重构

问题一：同行财报的收集效率

同行财报此前全靠 agent 自行上网检索。Agent 会打开浏览器、搜索、下载，过程慢、来源杂、容易下到摘要版而非完整 PDF。更根本的问题是，巨潮资讯网（cninfo.com.cn）作为 A 股信息披露的官方平台，有完整的 API 和标准化的报告下载路径，agent 却绕过了这个最优解，去走更慢、更不可靠的通用搜索路径。

实现：对接巨潮资讯网

新增 scripts/cninfo_fetch.py，直接对接巨潮资讯网的披露 API。输入 stock code + org_id，自动定位并下载最新定期报告或年报，生成 manifest.json。Agent 不再需要自行搜索和下载。

问题二：Agent 兼容性

最初版本的 SKILL.md 和 README 中大量出现 "Codex needs to...""Codex should..."。这个表述在 Codex 环境下没有问题，但对于 Hermes Agent 或其他 agent 框架，会产生明显的违和感——文档预设了一个特定的执行者，而不是描述一个通用的工作流。

实现：文档重写

SKILL.md 和 README 全部改为 agent-agnostic 表述。"the agent (Codex, Hermes, or other)" 替代了所有 "Codex"。

问题三：Backend 选择的主观性

最初版本有两个 backend：

• manifest_only：只收集材料、写 manifest，不调用任何外部 client。稳定、可复现、不依赖网络。
• notebooklm：把材料推给 NotebookLM，做问答。功能更强，但依赖第三方 client 的稳定性。

此前 agent 对"是否升级到 notebooklm"做主观判断。标准不统一——有时材料明明很多，agent 却觉得"好像本地分析也行"而跳过 NotebookLM，导致长上下文问答被遗漏；有时材料不多，agent 反而想推给 NotebookLM，造成配额浪费。这种不确定性在自动化流程中不可接受：要么该用的没用（遗漏关键分析），要么不该用的用了（资源浪费）。

实现：硬规则替代主观判断

引入 backend_policy，三种模式：

• forbid：始终使用 manifest_only。排除不确定性，适合对 NotebookLM 稳定性存疑的环境。
• auto：默认。按规则升级——notebook ≥2、source ≥10、同行报告 ≥3、或目标字段明确提及 NotebookLM 关键词且材料规模达标。只在边际收益为正时触发。
• required：强制使用 NotebookLM。避免 agent 因"嫌麻烦"而跳过。

auto 的触发条件写死，agent 不再做主观判断。

问题四：notebooklm-client 的启动成本

NotebookLM 没有官方 API。社区维护了一个逆向 client（notebooklm-client），需要 git clone、npm install、npm run build，然后 export 三个环境变量才能使用。每次新环境都要重复这套流程，启动成本高到 agent 可能干脆放弃使用 NotebookLM。

实现：自动探测 + 自动克隆

scripts/notebooklm_adapter.py 现在自动探测常见路径下的 notebooklm-client，找不到就自动 git clone + npm build。环境变量变成 optional override，不是必要条件。

问题五：同行识别过于依赖招股书

对接 CNInfo 后，agent 可以直接下载同行财报了。但"同行是谁"这个问题，答案仍然来自招股书。

A股招股书都有一个固定章节："与同行业可比公司的比较情况"。发行人通常会精心挑选几家财务指标好看、业务模式相近的公司作为对比基准。问题是：这个名单是发行人写的。如果发行人的毛利率显著高于行业平均，他们可能会选择毛利率同样偏高的公司作为可比对象，从而"合理化"自己的高毛利。如果某家真正的直接竞争对手业绩太差，发行人可能干脆不把它放进可比名单。

这意味着 agent 的分析框架在第一步就被发行人设定了。

实现：三层启发式同行发现

新增 peer_discovery.py，采用三个独立来源交叉验证：

Layer 1：招股书正则提取

不盲信，但也不忽视。用正则从招股书"同行业可比公司"段落提取显式名单。这是发行人官方表态，至少说明他们认为这些公司值得被比较。

Layer 2：LLM / 知识库推荐

agent 或用户基于对行业的理解，提供候选名单。例如嘉德利做 BOPP 电工膜，LLM 可以推荐东材科技、铜峰电子、大东南等。这一层引入了外部视角，打破发行人设定的框架。

Layer 3：用户指定覆盖

如果用户明确知道某家公司是竞争对手但招股书没提，可以直接指定加入分析。

三层结果自动去重，按置信度排序（招股书提取 = high，LLM推荐 = medium，用户指定 = high）。最终产出带 org_id 的可交易代码列表，直接喂给 cninfo_fetch.py。

验证案例：嘉德利（603435）

招股书可比公司：铜峰电子、大东南、龙辰科技、海伟电子。

peer_discovery.py 提取结果：

• 铜峰电子 ✓（A股，代码 600237）
• 大东南 ✓（A股，代码 002263）
• 龙辰科技 ✗（新三板，无法自动解析）
• 海伟电子 ✗（未上市，无法解析）

同时 LLM 层推荐了东材科技（601208），虽然招股书说东材科技"收入占比较低，未作为可比公司"，但东材科技确实是国内电子材料龙头，值得纳入观察。

问题六：org_id 是隐形门槛

cninfo_fetch.py 要求用户提供 6 个参数：

1--stock "000333,9900005965,szse,美的集团,10_peer_segment_a,latest"

其中 9900005965 就是 org_id——巨潮资讯网的内部组织编码。它不是股票代码，不是统一社会信用代码，普通投资者根本不知道这个值是什么。查这个值需要打开 cninfo.com.cn、搜索股票、查看页面源码或网络请求、找到 orgId 字段。门槛极高，而且完全无意义——机器可以自动做这件事。

实现：orgid_resolver.py

通过 CNInfo 公开搜索 API，输入股票代码或公司名称，返回 org_id + market：

1$ python3 scripts/orgid_resolver.py 东材科技
2{
3  "code": "601208",
4  "org_id": "9900019705",
5  "market": "shj",
6  "zwjc": "东材科技"
7}

cninfo_fetch.py 现在支持 4 参数模式：

1--stock "铜峰电子,铜峰电子,10_peer_segment_a,latest"

org_id 和 market 自动填充。如果自动解析失败，才回退到 6 参数模式。

重构总结

这次重构的核心思路是：减少人工卡点，让 agent 能自主完成全流程。

• 数据源：从 agent 自行搜索变成直接对接巨潮资讯网 API
• Agent 兼容：从 Codex-only 变成 agent-agnostic
• Backend 选择：从 agent 主观判断变成硬规则（forbid/auto/required）
• 依赖管理：从"手动 clone + export 三个环境变量"变成"自动探测 + 自动克隆"
• 同行发现：从"招股书说了算"变成三层交叉验证
• org_id：从"手动查"变成"自动解析"

验证：排雷框架是否有效？

八问框架解决的是"能不能碰"——排雷。但排雷的有效性不能靠直觉，需要数据验证。

通过对 2020-2025 年 A 股 IPO 样本的梳理，基本面指标与破发概率之间存在显著相关性：

基本面指标与破发概率的相关性

关键发现

• 2020-2024 年，>30% 的新股上市次年业绩下滑 50% 以上，相当比例存在高额关联交易
• 2022 年破发大年：高发行价、高市盈率、高超募的"三高"企业是破发主力
• 熊市中基本面筛选边际价值最高——流动性枯竭时，任何财务瑕疵都被放大
• 牛市（如 2024-2025 紧供给期）基本面筛选边际价值降低——"无差别上涨"掩盖了风险

结论

八问框架不是心理安慰。在熊市和震荡市中，排雷的有效性有数据支撑。但在极端牛市（如 2024-2025 年的紧供给环境），制度性溢价会掩盖基本面风险，此时八问的价值是"避免在情绪高点接盘基本面烂标的"，而非"预测涨幅"。

下一步

情绪层：会不会炒（权重降低，观察为主）

在第一层排雷过关的基础上，可以叠加情绪指标辅助参与决策，但权重应显著低于基本面层：

• 申购倍数：可获取，反映市场情绪热度
• 发行定价合理性：市盈率 vs 行业平均，是否过高？
• 流通盘大小：影响首日炒作空间
• 宏观流动性窗口：利率、资金面是否支持新股溢价

但这里有一个根本问题：IPO underpricing puzzle 学界几十年没解。预测首日涨幅几乎不可能。情绪层的价值更多是"在已知不能碰的标的上节省申购资金"，而非"预测能赚多少"。

实际打新时观察市场情绪即可，不需要像基本面层那样系统性地纳入 skill 框架。