ECC investor-materials 技能实战:用单一事实源构建一致、可信、可辩护的融资材料
在 Agent 驱动的文档生产流程中,"多个融资材料各自为政、数字互相打架"是最常见的翻车点。ECC 的 investor-materials 技能(SKILL.md)把 pitch deck、one-pager、投资人备忘录、财务模型、加速营申请材料等 investor-facing 文档的生成纳入一套统一方法论:先锁定单一事实源(single source of truth),再按资产类型起草,最后用质量门禁逐项核验。读完本文,你将掌握该技能的激活时机、五步核心工作流、四类融资资产的起草规范,以及交付前的红旗检查与质量门禁清单,并了解它在 ECC 技能体系中的挂载方式(OpenAI Agent 配置)。
技能定位与激活时机
investor-materials 是 ECC 通用业务/内容技能家族的一员,与 article-writing、content-engine、market-research、investor-outreach 同批引入,其定位在 README.md 中被明确列为 "5 new generic business/content skills" 之一,仓库目录结构注释也给出了一句话说明:"Pitch decks, one-pagers, memos, and financial models"。
技能的目标一句话概括为:构建一致(consistent)、可信(credible)、易于辩护(easy to defend)的投资者材料。它的触发场景(When to Activate)在技能文档中列为五类:
- 创建或修改 pitch deck(融资演示稿);
- 撰写投资人备忘录(investor memo)或 one-pager(单页摘要);
- 搭建财务模型、里程碑计划(milestone plan)或资金用途表(use of funds table);
- 回答加速营(accelerator)或孵化器申请表中的问题;
- 让多份融资文档围绕同一事实源保持一致。
从仓库中的技能元数据看,该技能同时维护两份 SKILL.md:面向当前 harness 的规范版本 skills/investor-materials/SKILL.md(带 metadata.origin: ECC),以及面向 OpenAI Agent 格式的 .agents/skills/investor-materials/SKILL.md。后者配套的 openai.yaml 定义了其在 Agent 界面中的呈现:
display_name:"Investor Materials";short_description:"Investor decks, memos, and financial materials";brand_color:#7C3AED;default_prompt:"Use $investor-materials to draft consistent investor-facing fundraising assets.";allow_implicit_invocation: true——允许在会话中被隐式触发,即当用户请求明显落入上述五类场景时,Agent 无需用户显式点名即可激活该技能。
技能名 investor-materials 还出现在 agent.yaml 的 skills 目录中(ECC 2.2.1 版本的共享技能目录导出面),并作为安装模块的组成部分被登记在 manifests/install-modules.json 中(条目 "skills/investor-materials"),说明它可通过 ECC 的安装体系按需装到目标项目中。
Golden Rule:所有融资材料必须互相一致
整个技能的第一原则(Golden Rule)只有一条:All investor materials must agree with each other. 所有对外材料必须彼此对齐。
该原则的落地方式是:在动笔之前,先创建或确认一份单一事实源(single source of truth),覆盖六类规范事实(canonical facts):
| 事实类别 | 说明 |
|---|---|
| traction metrics | 牵引指标:收入、用户数、增长等已被验证的数据 |
| pricing and revenue assumptions | 定价与收入假设:客单价、续费率、单位经济模型 |
| raise size and instrument | 融资规模与工具:融多少、用什么结构(equity、SAFE 等) |
| use of funds | 资金用途:钱花在哪里、怎么分配 |
| team bios and titles | 团队简介与头衔:谁在什么岗位,各材料间必须一致 |
| milestones and timelines | 里程碑与时间表:拿到钱之后做什么、什么时间点做到 |
规则的关键约束在最后一条:一旦发现数字冲突,立即停下(stop)并先解决冲突,再继续起草(resolve them before drafting)。这条硬性中断规则是"防打架"的核心机制——冲突不解决就不进入写作阶段,从流程上杜绝"deck 里写 A 轮融 200 万、memo 里写融 500 万"这类低级但致命的事故。
核心工作流:五步闭环
技能定义了五步核心工作流(Core Workflow),从事实盘点到终检闭环:
- inventory the canonical facts(盘点规范事实):把上表六类事实逐项收集齐,形成事实源。对应 Golden Rule 中"创建或确认单一事实源"的动作。
- identify missing assumptions(识别缺失的假设):找出事实源中尚未明确、但成文必须依赖的假设(例如续费率、获客成本),显式补全而不是留白默填。
- choose the asset type(选择资产类型):判断本次要产出的是 pitch deck、one-pager、财务模型还是加速营申请——不同类型走不同的资产指引(见下节)。
- draft the asset with explicit logic(以显式逻辑起草资产):起草时每个数字、每个论断都要带着可追溯的推导逻辑,而不是"看起来合理"。
- cross-check every number against the source of truth(用事实源逐项核对每个数字):交付前把文档中出现的每一个数字回查事实源,确保零偏差。
从源码结构看,这个工作流本质上是把"文档生成"从一次性 prompt 变成了可复核的流水线:第 1、2 步建立输入契约,第 3 步做路由,第 4 步执行生成,第 5 步做回归校验——其中第 5 步与后文的 Quality Gate 一起构成该技能的"验证环",与 ECC 整体的 research-first、verification 优先的设计取向一致。
四类融资资产的起草指引
Pitch Deck:推荐的 12 页叙事流
技能为融资演示稿给出了明确的推荐叙事顺序(Recommended flow):
- company + wedge(公司与切入楔点)
- problem(问题)
- solution(解决方案)
- product / demo(产品/演示)
- market(市场)
- business model(商业模式)
- traction(牵引数据)
- team(团队)
- competition / differentiation(竞争/差异化)
- ask(融资诉求)
- use of funds / milestones(资金用途/里程碑)
- appendix(附录)
这个顺序体现了两条叙事原则:前半程讲"为什么是我们、为什么是现在",后半程才落到"要多少钱、怎么花";traction 放在 market 与 business model 之后、team 之前,让数据先建立可信度再谈团队背书。
如果用户需要的是 web-native deck(网页原生演示稿),技能文档明确指引:将该技能与 ECC 的 frontend-slides 技能配对使用。frontend-slides(SKILL.md)负责把内容渲染为零依赖、单文件、动效丰富的 HTML 演示稿,并强制执行视口适配(每页 100dvh 不内滚)、密度上限(内容页 1 标题 + 4~6 条 bullet)与多分辨率校验(1920x1080 / 1280x720 / 768x1024 / 375x667 / 667x375)。分工边界很清楚:investor-materials 管"内容对不对、数字一致不一致",frontend-slides 管"页面呈现得好不好看、能不能在任意屏幕上完整显示"。
One-Pager / Memo:单页摘要与备忘录
- 用一句干净的话(one clean sentence)说清楚公司是做什么的;
- 展示 why now(为什么是现在);
- 尽早(early)给出 traction 与证明点(proof points);
- 让 ask(融资诉求)足够精确;
- 所有论断(claims)保持易于验证。
单页材料的约束本质是"在信息密度受限的前提下,把最需要被核验的证据前置"。
Financial Model:财务模型
模型必须包含五个要素:
- explicit assumptions(显式假设):所有假设写在明处,不藏在公式里;
- bear / base / bull cases(悲观/基准/乐观三档情景):在有用的场合给出三档,避免单一数字误导判断;
- clean layer-by-layer revenue logic(分层清晰的收入逻辑):收入按层拆解,每一层的加减都能对得上账;
- milestone-linked spending(与里程碑挂钩的支出):花钱的节奏绑定里程碑,而不是拍脑袋按月摊销;
- sensitivity analysis(敏感性分析):当决策取决于某个脆弱假设时,必须做敏感性分析,展示该假设波动对结论的影响幅度。
其中"分层收入逻辑"直接对应 Quality Gate 里的 "revenue layers sum correctly"——即每一层的收入加总必须精确成立,不允许出现"约等于"。
Accelerator Applications:加速营申请
- answer the exact question asked:只回答被问到的问题,不答非所问、不额外发挥;
- 优先呈现 traction、insight(洞察)与 team advantage(团队优势)三类证据;
- avoid puffery:避免吹捧式、空泛的形容词;
- 申请中的内部指标(internal metrics)必须与 deck 和 model 保持一致——这条把加速营申请也纳入了同一事实源的管辖范围。
Red Flags:必须规避的五类红旗
技能文档列出了五类典型红旗(Red Flags to Avoid),它们是起草与审阅阶段共同的负面清单:
- unverifiable claims——不可验证的论断;
- fuzzy market sizing without assumptions——没有假设支撑的模糊市场估算;
- inconsistent team roles or titles——团队角色或头衔在不同材料间不一致;
- revenue math that does not sum cleanly——收入算式加总不干净(对不上账);
- inflated certainty where assumptions are fragile——在假设脆弱的地方却表现出过度的确定性。
这五条与前文 Golden Rule 形成呼应:第 3 条正是"单一事实源"机制要防的问题,第 4、5 条则由财务模型的"分层收入逻辑"和"敏感性分析"要求来对冲。
Quality Gate:交付前质量门禁
技能把交付(delivering)前设了一道显式门禁,交付物必须同时满足:
- every number matches the current source of truth——文中每个数字与当前事实源一致(注意是 current,强调事实源本身更新后所有材料要跟着更新);
- use of funds and revenue layers sum correctly——资金用途表与收入分层加总正确;
- assumptions are visible, not buried——假设是可见的,而不是被埋进细节里;
- the story is clear without hype language——叙事清晰且不含炒作性语言;
- the final asset is defensible in a partner meeting——最终材料在投资合伙人会议(partner meeting)上经得起追问辩护。
最后一条 "defensible in a partner meeting" 是整个技能的验收锚点:一份融资材料的合格标准不是"写得好",而是"被专业投资人当面质询时站得住"。
在 ECC 体系中的挂载方式
从仓库配置看,该技能的挂载与分发路径有三条证据:
- 技能目录:规范实现位于 skills/investor-materials/SKILL.md,遵循 ECC 统一的 SKILL.md 结构(frontmatter 定义
name/description/metadata,正文按 When to Activate → 规则 → 工作流 → 资产指引 → 红旗 → 质量门禁组织);.agents/skills/investor-materials/下则是面向 OpenAI Agent 规范的适配版本,通过openai.yaml的allow_implicit_invocation: true支持隐式调用; - 目录登记:技能名被 agent.yaml 的 skills 列表收录,作为 ECC 2.2.1 共享技能目录的一部分导出;
- 安装模块:manifests/install-modules.json 中包含
"skills/investor-materials"条目,意味着该技能可以随 ECC 的安装模块被选择性安装到目标工作区。
小结
investor-materials 技能的技术价值不在"帮用户写出融资文档",而在于把一致性这一最容易失控的维度工程化:以六类规范事实构成单一事实源、以"冲突即停"作为流程中断点、以五步工作流把生成变成可复核的流水线、以红旗清单与五条质量门禁作为交付前的双重校验,并明确与 frontend-slides 技能在"内容正确性 vs 视觉呈现"上的分工边界。对于需要在多份对外材料(deck、memo、模型、申请表)之间保持数字零偏差的团队,这套"先锁事实源、后动笔、交付前全量回查"的模式是一个可以直接借鉴的 Agent 技能设计范例。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0622
Hy4-previewHy4 preview 是由腾讯混元团队研发的新一代混合专家(MoE)旗舰模型。模型总参数量 770B,每个 token 激活 49B,主干共包含78层,第一层采用标准 FFN,其余 77 层均为 MoE 结构,每层包含 256 个路由专家与 1 个共享专家,每个 token 激活 top-8 路由专家及共享专家。主干之外原生内置 1 层 MTP(总参数量 10B,激活 0.7B)以支持投机解码。Python00
GLM-5.3GLM-5.3 与 GLM-5.2 使用相同的基座模型——所有提升均来自后训练。与 GLM-5.2 相比,它在复杂编程和长程任务上的表现显著提升。Jinja00
GLM-5.3-FlashGLM-5.3-Flash (320B-A18B),是GLM-5系列的首个原生多模态模型。320B总参数,能力超过GLM-5.2Jinja00
Spark-X2.5-4BSpark-X2.5-4B 旨在让强大的 AI 更实用、更高效、更易获得。在广泛日常任务中表现强劲,涵盖对话、写作、翻译、推理、编码、工具调用以及智能体工作流,并在同等规模的开源模型中取得领先成绩。Spark-X2.5 将面向效率的架构与最高 1M tokens 的原生上下文窗口相结合,并支持 200 多种语言。Python00
Spark-X2.5-1.7BSpark-X2.5-1.7B 旨在让强大的 AI 更加实用、高效且易于获取。这些模型在广泛的日常任务中表现出色,涵盖对话、写作、翻译、推理、编程、工具调用和智能体工作流,并在同等规模的开源模型中取得领先结果。Spark-X2.5 将面向效率的架构与最高 1M tokens 的原生上下文窗口相结合,并支持 200 多种语言。Python00