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

Sun, 10 May 2026 00:28:00 +0800

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。

NotebookLM on ⅃umaeon 博客

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

最初的设计

标准八问