Vibe-Trading 私有公司深度研究框架：六视角并行与交叉验证的未上市企业估值方法论

本文讲解 Vibe-Trading 中 private-company-research 技能（位于 agent/src/skills/private-company-research/SKILL.md）提供的私有公司（Pre-IPO / 未上市公司）深度研究框架。读者将掌握：在信息稀缺环境下如何以六个分析师视角并行拆解一家未上市企业、如何给每个数据点打置信度标签、如何区分事实与推断、如何交叉验证信号一致性，最终产出包含公允价值区间、退出路径分析与信息缺口地图的完整研究报告。

框架定位：面对信息稀缺，恢复企业的"真实价值"

私有公司研究（针对如蚂蚁集团、字节跳动、SpaceX、Stripe 等未上市公司）与上市公司研究存在本质差异。该技能的核心终极目标是：在信息稀缺条件下，恢复公司的真实价值（true value）——不是市场估值，而是这家业务实际值多少钱。

框架明确对比了私有 vs 公开研究的四大差异：

维度	私有公司研究	上市公司研究
财务数据	无标准化财报，需要多源拼凑 + 交叉验证	有标准化定期财报
估值锚点	稀少（融资轮次、可比公司、情景假设）	丰富（市价、分析师一致预期）
信息不对称	巨大，"拼图式"研究（jigsaw research）	相对有限
退出路径	不确定（IPO / 并购 / 二级市场）	明确（二级市场交易）

AI 研究偏差自检（核心前提）

私有公司是 AI 偏差最严重的领域。框架要求执行前先进行四类偏差自检：

• 虚假保守（False conservatism）——数据少时，AI 倾向给出保守、模糊的结论，但数据稀缺 ≠ 公司差。
• 虚假精确（False precision）——为了填满模板，AI 把"合理猜测"伪装成"有出处的分析"。
• 可比公司陷阱（Comparables trap）——强行套用上市公司可比框架，会继承公开市场的逻辑，错过私有公司特有的价值。
• 幸存者偏差（Survivorship bias）——网上能搜到的信息大多是公司自己传播的好消息。

应对机制：宁可留白（"我不知道"），也不要用猜测填充表格以制造虚假确定性；给每个数据点打置信度标签（🟢高 / 🟡中 / 🔴低）；把可验证的事实与推断严格分开；当信息极度稀缺时，切换到第一性原理模式（first-principles mode），只回答四个问题：

1. 这家公司真正解决的是什么现实问题？
2. 为什么是这个团队？
3. 如果成功天花板在哪 / 如果失败会怎么死？
4. 这个阶段的关键验证节点是什么？

框架还点出一个逆向视角：市场对私有公司知之甚少 → 定价无效 → 这恰恰是 alpha 可能存在的区域。

执行方式：六视角并行（run_swarm）或串行（web_search）

六个视角（lens）推荐并行运行：通过 run_swarm 每个视角分配一个 worker；也可以串行使用 web_search。你（作为 team-lead）负责整合、补全拼图、交叉验证并输出最终报告。

角色	视角
business-decoder	商业模式 + 产品/用户分析："这个业务的本质是什么"
financial-detective	财务拼图 + 估值："在数据缺失下恢复真实财务面貌"
competitive-mapper	行业 + 竞争 + 替代："谁在竞争，谁能颠覆"
risk-governance-analyst	风险全景 + 管理层/治理/投资人："什么会出问题，谁在掌舵"
tech-ip-analyst	技术栈 / 专利 / 研发 / 护城河："技术壁垒是否真实且持久"
signal-miner	另类数据（招聘 / 专利 / 诉讼 / App / 供应链）："常规来源之外的线索"

run_swarm 的底层实现

从源码看，run_swarm 由 agent/src/tools/swarm_tool.py 中的 SwarmTool 实现：用户提供自然语言 prompt，工具自动匹配最优预设（_match_preset 基于关键词打分路由，默认回退到 equity_research_team），抽取模板变量后同步阻塞等待 swarm 运行完成，返回包含 final_report、各 task 摘要与 token 用量的 JSON。私有公司研究这类任务正是其典型用法——六个 worker 并行执行，符合该工具"一个 preset 对应一个多 Agent 团队、任务间可定义 DAG 依赖"的设计（可参考 agent/src/swarm/presets/value_investing_committee.yaml 中四个视角并行、chair 汇总依赖四个上游任务的范式，以及 agent/src/swarm/presets/equity_research_team.yaml 中宏观→行业→个股三层级联加编辑整合的结构）。

视角 1：商业模式与用户（business-decoder）

• 核心业务定义：一句话说清（段永平风格：用大白话讲给聪明的外行听）。解决什么问题？为谁服务？如果公司不存在，用户会怎么做？需求是否刚性（经济下行期会被削减吗）？
• 收入模式：广告 / 佣金 / 订阅 / 抽成 / 金融 / SaaS / 硬件；构成与趋势；变现效率（ARPU / take rate / 转化率）；经常性 vs 一次性收入；集中度；可预测性。
• 单位经济模型：CAC（付费 vs 自然增长，分渠道，趋势）、LTV、LTV/CAC、回本周期、边际成本、规模拐点。
• 产品矩阵与飞轮：核心 + 延伸 + 孵化；网络 / 数据 / 规模飞轮；迭代速度。
• 用户：MAU/DAU（参考 QuestMobile / Sensor Tower / SimilarWeb）、S 曲线阶段、粘性（DAU/MAU、留存）、画像、口碑（App Store 趋势、社媒情绪）。
• 护城河（6 个维度，★1-5）：网络效应、转换成本、品牌心智、数据壁垒、监管牌照、规模经济——每个维度都要给出证据 + 趋势（增强/稳定/收窄）+ 持久性。总体评级：宽 / 窄 / 无。

视角 2：财务侦探（financial-detective）

私有公司没有标准财报，只能多源拼凑 + 交叉验证。每个数据点都必须标注：来源、时间、置信度、推导过程。

来源优先级：🟢 招股书/监管申报、母公司年报披露、监管处罚、债券/ABS 发行文件 → 🟡 工商注册信息、融资新闻、第三方报告、深度媒体（晚点 LatePost / The Information / 36氪 / Bloomberg）→ 🔴 行业推算、前员工爆料。

核心指标：收入（规模 / 增速 / 结构 / 数量×价格）、成本（毛利率 / 研发 / 销售 / 管理费用率，与同行对比）、利润（EBITDA / 净利润 / 盈利时间线）、现金流（经营 / 烧钱率 / runway 跑道）、效率（人均收入、资本效率）。

交叉验证：列出同一指标的所有来源；检查不同方法是否收敛；标记单来源（"孤立证据"）数据。

融资历史：完整时间线（轮次 / 金额 / 估值 / 领投方）；曲线健康度、间隔、是否 down-round（估值下调轮）、老股东是否持续跟投；最新一轮条款（清算优先权 / 反稀释 / 棘轮条款）及其对普通股价值的影响。

估值（多方法）：

1. 最后一轮估值法——调整清算优先权后，打 20-40% 折扣；
2. 可比上市公司——选 3-5 家，PS / PE / EV-EBITDA，流动性折价 20-30%；
3. DCF 情景法——bear/base/bull 三情景，每个假设都要有依据；
4. 终值倒推法——5/10 年后终值状态 → 隐含 IRR；
5. 交易可比法——近期并购 / 融资倍数。

估值综合：各方法是否收敛？如果发散要解释原因。区分"公允价值"与"保守价值（安全边际价值）"。

视角 3：竞争格局（competitive-mapper）

• 市场：TAM/SAM/SOM、渗透率、所处阶段（萌芽 / 成长 / 成熟 / 衰退）、增长驱动。
• 价值链（文字地图）：上游 → 公司所在环节（利润池占比）→ 下游；议价能力；结构性变化。
• 波特五力（★1-5）：行业内竞争、新进入者、替代品、供应商议价力、买方议价力。
• 竞争对手扫描：直接 / 间接 / 替代 / 潜在进入者（巨头）——份额、融资、优势、劣势、威胁等级。与 2-3 家最接近的竞品做多维度对比。
• 动态变化：过去 12 个月的变化；从招聘 / 专利 / 产品推断竞对战略；技术（尤其 AI）与监管的影响；赢家通吃 vs 寡头格局。
• 情景推演：公司胜出 / 共存 / 被颠覆——各自的条件与概率。
• 全球对标：海外类似公司、路径、估值、上市后表现，以及对标的局限性。

视角 4：风险与治理（risk-governance-analyst）

• 创始人/CEO：背景、前瞻性（3 年预测准确度）、执行力（承诺兑现）、价值观、争议。★1-5。
• 核心团队：背景、2 年人才流动（谁走谁进、净流入流出）、互补性、文化信号（Glassdoor 趋势）、关键人物依赖。
• 股权与治理：创始人控制权（AB 股 / 一致行动人 / VIE 架构）、稀释趋势、员工股权；董事会、关联交易、同业竞争、大股东与中小股东冲突。
• 投资人名单：领投方品牌、战略资本协同、退出压力（基金存续期 / 老股转让 / 棘轮到期）、红旗信号。
• 风险矩阵：监管 / 竞争 / 技术 / 人才 / 融资 / IPO / 地缘政治 / 变现 / 治理 / 合规 / 宏观 / ESG——每个维度都要评估概率 × 影响 × 严重度 × 可对冲性 × 监控方式。
• 退出路径：A股 / 港股 / 美股 IPO、并购、老股转让、SPAC、保持私有——概率、窗口期、估值、前提条件、障碍。
• 最坏情形（芒格逆向思维）：3 条具体的失败路径 + 概率；清算价值；聪明钱不投的至少 5 个理由（why smart money doesn't invest ≥5 reasons）；类似失败案例；"论点被打破"的信号。

该视角与仓库中的 agent/src/skills/management-deep-dive/SKILL.md（"买股票就是买人"的管理层深度尽调：关键人物识别、CEO 能力圈、承诺-兑现追踪、艰难时期行为、利益相关者待遇）高度互补，可交叉调用加深治理分析。

视角 5：技术与知识产权（tech-ip-analyst）

• 技术栈：从招聘 / 博客 / 开源 / 技术分享推断；技术债信号（重构招聘、技术栈切换、宕机投诉）。
• 专利（Google Patents / CNIPA / USPTO）：总数 / 申请中 / 近 2 年新增 / 领域分布 / 引用 / 国际化；质量（是否核心专利？与业务是否一致？有无诉讼？）；趋势；与竞对对比。
• 研发：投入（人数 / 费用率 vs 同行）、产出（论文 / 会议 / 开源 / 博客）、效率（研发到产品的转化、商业化）。
• 技术人才：核心带头人背景、密度（顶尖机构出身占比）、薪酬竞争力、流失信号、招聘方向（→ 战略解读）。
• 技术护城河（★1-5）：算法 / 模型、数据、工程、人才、生态——每个维度都要评估持久性（AI 时代技术半衰期可能很短）。
• AI / 新技术影响：这家公司是受益者还是被颠覆对象？

视角 6：另类数据信号（signal-miner）

私有公司的常规信息有限；另类数据（alt-data）往往比新闻更接近真相。

• 招聘（LinkedIn / BOSS直聘 / Indeed）：规模与趋势；结构（研发 / 产品 / 销售 / 数据 / 国际化 / 合规 / IR——IR 招聘 = IPO 信号；合规招聘 = 监管压力或备战 IPO；JD 技术栈 = 战略方向）。
• App / 产品（App Store / 七麦 / SimilarWeb）：排名、评分趋势、下载量、更新频率、投诉主题、网页流量。
• 社媒情绪（微博 / 知乎 / 小红书 / X / Reddit）：官方运营活跃度、自然讨论、KOL 观点、负面事件、内部人爆料。
• 工商 / 法务（天眼查 / 企查查）：注册资本 / 实缴 / 股权变更 / 子公司（新设子公司 = 新业务；注销 = 收缩）/ 经营范围变更；诉讼 / 仲裁 / 处罚 / 被执行信息。
• 供应链：已知供应商（若为上市公司，查其申报文件）、采购、合作伙伴评价。
• 数字足迹：已注册域名（新域名 = 新业务）、子域名（api/pay 等 → 架构信息）、商标（新品牌）。
• 行业曝光：高管演讲、获奖、政府 / 协会互动、媒体报道频率与质量。
• 二级市场信号（若有）：SharesPost / EquityZen，隐含估值 vs 上一轮估值，员工是否在卖老股。

异常清单（最重要）：与公司叙事不一致的信息；与行业惯例不一致的信息；突然的变化（招聘冻结 / 高管离职）；无法解释的现象。

交叉验证（team-lead 强制步骤）

综合成稿前，team-lead 必须完成四步：

1. 数据冲突仲裁：同一指标多个来源——全部列出，说明采纳哪一个及理由。
2. 信号一致性矩阵：业务增长信号 vs 招聘趋势？技术领先叙事 vs 专利 / 人才数据？估值水平 vs 竞争地位？管理层叙事 vs 行动信号？（矛盾必须解释）
3. 信息拼图：白区（已知）/ 灰区（有线索但不确定）/ 黑区（未知）。
4. 偏差检查：正面信息是否详尽而负面信息是否简略？每个正面判断是否都有反向检查？

最终报告结构（14 项模板）

1. 一句话结论（50-100 词）：值多少，为什么。
2. 公司快照（带置信度列）。
3. 六视角记分卡（★1-5 + 核心判断 + 置信度 + 完整度），总评分。
4. 关键数据拼图（仅交叉验证过的，带来源数 + 置信度）。
5. 信号一致性矩阵。
6. 逐视角摘要（每个视角 3-5 条核心发现）。
7. 公允价值评估：业务本质 + 7 维度护城河卡 + 5 方法估值 + 公允价值区间（保守 / 合理 / 乐观 + 当前市场估值 + 安全边际 %）。
8. 投资论点：看多 5-7 条（带来源）vs 看空 5-7 条（带来源），哪边更强。
9. 风险矩阵（Top 3 + 缓解措施）。
10. 退出路径评估。
11. 投资决策表（一页纸：核心逻辑 3 句话 + 价值区间 + 关键假设与验证节点 + 致命风险与"论点被打破"信号 + 结论 + 预期回报 / 时间线）。
12. 信息缺口地图（维度 / 已知 / 缺失 / 缺失影响 / 如何获取）：缺口是否影响核心结论？若影响，须写明"在缺失 X 的情况下，结论置信度为 Y"。
13. 追踪清单（项目 / 频率 / 来源 / 指标 / 预警阈值）。
14. 总结段（150-250 词）。

落盘与质量门

报告通过 write_file 保存到 reports/{company}/{company}-private-{YYYYMMDD}.md。随后必须对报告中的数字运行 report_audit 作为质量门。

从源码看，report_audit（agent/src/tools/report_audit_tool.py）是一个两阶段审计工具：extract 命令解析 Markdown 报告，抽取其中的财务数据点（支持多列表格与 标签: 数值 单位 行，覆盖 亿 / 万亿 / x / 倍 / % 等单位），按默认 15% 比例随机抽样（下限 3、上限 30 个点）；verdict 命令把每个抽样点的报告值与一个或两个权威来源的抓取值在 1% 容差内比对，任何一个点失败即整份报告 FAIL（fail-closed 设计：零验证点也判 FAIL，防止未审计报告通过门禁）。典型工作流是"read 报告 → extract 抽样 → 用市场数据 / 财报工具逐个抓取验证 → verdict 判定"，与技能中"对数字做质量门"的要求完全对应。

数据标注标准（严格）

• 每个关键数据点必须包含：来源（具体到媒体 + 文章）、时间（年月）、置信度（🟢 招股书 / 官方 / 🟡 可信媒体 / 🔴 估计或传闻）。
• 冲突数据：全部列出 + 说明差异与采纳结果。
• 事实与推断分离：事实用正文；推断用斜体并附推导过程。
• 缺失信息：明确标注"数据缺失"，绝不编造。

十大关键原则

1. 6 视角并行（run_swarm，或串行）。
2. 推导透明——展示计算过程与假设，不拍脑袋给数字。
3. 交叉验证——关键数据 ≥2 个来源；冲突全部列出。
4. 信号一致性检查——综合阶段强制跨视角检查。
5. 结论明确——不回避投 / 观察 / 回避，并给出置信度。
6. 中英文双语搜索——私有公司信息分布在中英文两个语料中。
7. 诚实的留白——区分"有出处的分析"与"猜测性填充"；"此维度缺乏数据，无法得出有意义结论"是可接受的输出。
8. 另类数据不是噪音——招聘 / 专利 / 诉讼 / App 数据可能比新闻更接近真相。
9. 聚焦真实价值——目标是这家业务值多少钱，而不是一份漂亮的报告；如果信息不足以支撑可靠估值，就直接说出来。
10. 稀缺数据 ≠ 差公司——AI 输出短 ≠ 确定性低；极端稀缺时切换到第一性原理模式。

与相邻技能的配合

该框架在 Vibe-Trading 的分析类技能栈中处于"单家公司深度研究"生态位：输出侧可衔接 agent/src/skills/deep-company-series/SKILL.md（八部分长篇系列：认知重置 / 护城河 / 利润引擎 / 隐藏资产 / 时代变量 / 财务 / 管理层 / 估值与红线），其事实核查清单（pseudo-precision 陷阱、7 项强制修订检查、跨篇数字一致性）与本技能"事实与推断分离、诚实留白"的要求一脉相承；治理与创始人评估可调用 agent/src/skills/management-deep-dive/SKILL.md；报告排版与写作规范可参考 report-generate 技能；而 run_swarm 与 report_audit 则分别是并行执行引擎与数字质量门，构成"研究—审计—成稿"的完整闭环。