基于 FinRobot 的私募股权 Deal Screening 技能：从 CIM 拆解到一页式筛选备忘录的实战指南

导读

本文围绕 FinRobot 桌面版内置的 deal-screening 技能（SKILL.md），完整讲解如何在收到 CIM（保密信息备忘录）、Teaser 或券商推介材料时，由 AI Agent 快速提取交易关键要素、对照基金投资标准执行 pass/fail 筛选，并输出一份可供合伙人与投委会快速浏览的一页式筛选备忘录。读完本文，你将掌握该技能的四步工作流、前后端配置结构，以及它在 FinRobot 技能注册与加载机制中的底层实现方式，可直接在桌面端或 CLI 场景中复现同等的筛选流程。

技能定位：面向私募股权投前漏斗的第一道闸

deal-screening 是 FinRobot 桌面版 skills/private-equity 域下的十个私募股权技能之一，定位于"投前漏斗的第一道闸"：在 deal-sourcing（项目挖掘）之后、dd-checklist（尽调清单）与 ic-memo（投委会备忘录）之前，用分钟级速度完成对一个入池项目的初筛。其前端 YAML 元数据（frontmatter）定义如下：

id: deal-screening
name: Deal Screening
version: 1.0.0
author: anthropic
domain: private-equity
description: Quickly screen inbound deal flow — CIMs, teasers, and broker materials
  — against the fund's investment criteria. Extracts key deal metrics, runs a pass/fail
  framework, and outputs a one-page screening memo. Use when reviewing new deal flow,
  triaging inbound materials, or deciding whether to take ...
triggers:
- screen this deal
- review this CIM
- should we look at this
- triage this teaser
- deal screening
requires_data: []
requires_tools: []
requires_skills: []
compatible_models: []

这份元数据在 FinRobot 中不是装饰：finrobot_desktop/finrobot/engine/skills/spec.py 中的 Skill Pydantic 模型将 id、name、version、author、domain、description、triggers、requires_data、requires_tools、requires_skills、compatible_models、full_content、source_path 全部建模为字段；finrobot_desktop/finrobot/engine/skills/loader.py 中的 load_skill() 则负责从 --- 分隔的 YAML 头部中解析这些字段，并校验 id 与 name 为必填项。因此，触发器（triggers）并非普通的自然语言描述，而是后续被 SkillRegistry.search() 用作关键词匹配打分的关键索引。

该技能与同域其他技能的最大区别在于：它明确标注 requires_data: [] 与 requires_tools: []，即不依赖任何外部数据源或工具，纯靠 Agent 对入站材料（CIM / Teaser / 描述文本）的内容理解即可完成，这与 DCF、LBO 等依赖确定性数据管线的计算型技能有本质不同。

四步工作流全景

SKILL.md 将完整筛选流程定义为四个步骤，构成"提取事实 → 对照标准 → 快速评估 → 成文输出"的漏斗闭环。

Step 1：提取交易事实（Extract Deal Facts）

第一步的目标是从给定的 CIM、Teaser 或公司描述中抽取结构化事实清单，共九项：

• Company：公司名称、所在地、行业/子行业；
• Description：业务简介（1～2 句话）；
• Financials：营收、EBITDA、利润率、增长率；
• Deal type：平台型（Platform）、并购补强型（Add-on）、资本重组（Recap）、少数股权（Minority）、分拆（Carve-out）；
• Asking price / valuation：估值倍数、企业价值（EV，若材料中给出）；
• Seller motivation：卖方当下出售的动因；
• Management：管理层留任（Rolling）还是退出（Exiting）；
• Key customers：客户集中度风险；
• Key risks：明显的红旗（red flags）。

这九项字段直接映射筛选决策所需的最小信息集：财务体量决定是否在营收/EBITDA区间内，交易类型决定结构复杂度与投后动作，卖方动机与管理层去留决定交易确定性，客户集中度与风险清单决定能否快速否决。

Step 2：对照投资标准执行筛选（Screen Against Criteria）

在事实提取完成后，将各项指标填入基金投资标准对照表。若首次筛选时基金标准未知，SKILL.md 明确要求先向用户询问投资标准，而不是凭空假设：

Criterion	Target	Actual	Pass/Fail
Revenue range
EBITDA range
EBITDA margin
Growth profile
Sector fit
Geography
Deal size / EV
Valuation (x EBITDA)
Customer concentration
Management continuity

该表覆盖了十个关键筛选维度：三个财务规模指标（营收区间、EBITDA 区间、EBITDA 利润率）、一个成长画像、两个定位指标（行业契合、地域）、两个交易结构指标（交易规模/EV、EBITDA 倍数估值）、两个风险指标（客户集中度、管理层连续性）。每个维度由 Target 与 Actual 对比后给出明确的 Pass/Fail 判定，为下一步的快速评估提供结构化证据。

Step 3：快速评估（Quick Assessment）

第三步输出三部分评估结论：

1. Verdict（结论）：三档定性——通过（Pass）/ 进一步尽调（Further Diligence）/ 硬性否决（Hard Pass）；
2. Bull case（利多论点，2～3 条要点）：为什么这可能是一笔好交易；
3. Bear case（利空论点，2～3 条要点）：关键风险与担忧；
4. Key questions（关键问题）：首次电话会议（first call）需要落实的问题清单。

Verdict 作为最终输出中最先被合伙人/IC 阅读的元素，必须建立在 Step 2 的 Pass/Fail 矩阵之上，避免凭感觉下结论。

Step 4：输出一页式筛选备忘录（Output）

最终产出是一页式筛选备忘录（one-page screening memo），可直接与合伙人分享或作为 IC 快速筛查材料。一页式的约束决定了内容组织必须精炼：事实摘要、标准对照表结论、Verdict、Bull/Bear case 与 Key questions 按固定版式排列，压缩在单页内。

实操要点：速度、直白与显式标记

SKILL.md 的 "Important Notes" 部分给出了五项影响执行质量的行为准则，这是技能能在真实交易团队中使用的前提：

• 速度优先——筛选应耗时分钟而非小时。这决定了 Agent 不应在筛选阶段发起外部数据拉取、长流程尽调或深挖财务模型；
• 直白暴露红旗——不要掩埋担忧（"Be direct about red flags. Don't bury concerns"），筛选备忘录的价值恰恰在于快速否定；
• 显式标记不一致——若财务数据看起来不一致或不完整，必须显式标注（flag it explicitly），而不是擅自补齐或忽略；
• 首次筛选先问清标准——如果是基金的第一次筛选，必须先询问基金投资标准；
• 标准沉淀进记忆——确认后的筛选标准应存入记忆（save screening criteria in memory），供后续交易复用，避免每笔交易都重复询问。

最后一条"标准入记忆"正是 Agent 化筛选与人工筛选的本质差异：基金的投资标准是跨交易复用的资产，沉淀后筛选效率会随着交易笔数积累而提升。

源码级解析：Deal Screening 在 FinRobot 技能体系中的运作机制

技能目录结构与加载

Deal Screening 技能的物理位置遵循 FinRobot 统一的技能目录规范 skills/{domain}/{skill-id}/SKILL.md。finrobot_desktop/finrobot/engine/skills/registry.py 的 SkillRegistry 通过 skills_dir.glob("**/SKILL.md") 递归发现全部技能，并按 (domain, id) 排序索引；解析失败的技能仅记录 warning 并跳过，不会导致整个注册表崩溃。技能目录的运行时路径由 finrobot_desktop/finrobot/paths.py 中的 default_skills_dir() 解析——开发/源码环境下为仓库根目录下的 skills 目录，PyInstaller 冻结的桌面 sidecar 场景下则为 sys._MEIPASS 下的打包资源目录，从而保证"cwd 必须是仓库根目录"的隐式假设不再成立。

触发与检索：trigger 的真实作用

当用户对 Agent 说出 "screen this deal"、"review this CIM"、"should we look at this"、"triage this teaser" 或 "deal screening" 时，这些关键词通过 SkillRegistry.search() 的加权匹配命中本技能。匹配计分规则为：名称命中 +3、触发器命中 +2、描述命中 +1，按总分降序返回。也就是说，SKILL.md 中列出的五个 triggers 是技能可发现性（discoverability）的第一优先级索引，而非可有可无的装饰字段。在命令行环境中，可用 finrobot skill search "screen this deal" 或 finrobot skill list（按域分组列出全部技能）验证索引是否生效，详见 CLI 实现。

两种调用形态：对话激活与管线渲染

Deal Screening 属于交互式技能（interactive skill），主要通过 Mode A 对话中的 activate_skill 工具激活：finrobot_desktop/finrobot/engine/orchestrator.py 中 activate_skill(ctx, skill_id) 从 skill_runtime 注册表按 id 取技能后，交由 render_pipeline_methodology() 渲染。这里有一个值得注意的细节：finrobot_desktop/finrobot/engine/skills/pipeline_methodology.py 维护了一张"管线安全方法论"白名单（competitive-analysis、dcf-model、ic-memo 等），白名单内的技能在无人值守的报告管线中会被蒸馏为仅叙事、无交互检查点的安全版本；而 deal-screening 不在该白名单中，因此其渲染会回退到 full_content（原始 SKILL.md 正文）——这从源码结构上印证了该技能被设计为面向交互式聊天场景（Mode A）使用，而非接入自动化报告管线（Mode B）。对应地，管线化的 IC 备忘录由 ic_memo.py 承担，其 IRR 门槛闸门（IRR < 15% 强制 PASS）等确定性逻辑是纯代码职责，与 LLM 驱动的筛选技能职责边界清晰。

与同域技能的衔接

从技能目录可以清楚看到 private-equity 域的完整漏斗：deal-sourcing（挖掘与筛选目标清单）→ deal-screening（本技能，入站项目初筛）→ dd-checklist / dd-meeting-prep（尽调准备）→ ic-memo（投委会议事备忘录），后续还有 portfolio-monitoring、returns-analysis、unit-economics、value-creation-plan 等投后技能。Deal Screening 正处在这个漏斗中承上启下的位置：它既不负责寻找项目，也不负责终局估值，而是用最少的动作成本回答"这笔交易值不值得花时间"这一决策问题。

实战使用指引

在 FinRobot 桌面端（Tauri 客户端 + Python sidecar）中启用该技能的前提是技能目录已正确解析（skills_dir 在 finrobot_desktop/finrobot/config.py 中于运行时解析为绝对路径，参考 test_config.py 的断言），随后即可在对话中直接说：

"Screen this deal" + 粘贴 CIM / Teaser 文本或文件内容

Agent 将按本文所述四步流程执行：先输出九项事实提取，再询问或复用已记忆的基金标准并填充对照表，给出三档 Verdict 与 Bull/Bear case，最终形成一页式备忘录。对于首次使用，建议在触发前主动提供基金的投资标准（营收/EBITDA 区间、行业与地理偏好、估值上限、客户集中度红线等），并将确认后的标准沉淀到记忆中以加速后续交易。

结语

Deal Screening 技能的价值不在于替代投行团队的判断，而在于把"快速提取事实 → 对照标准 → 直白结论"这一可复用流程固化进 Agent：它以分钟级耗时、显式红旗标注和标准记忆复用三个机制，保证了入站项目漏斗的效率与纪律性。结合 FinRobot 的技能注册、加权检索与管线安全渲染机制，团队可以低成本地把这套方法论复制到其他领域，让每一笔入站交易都在同一条标准线下接受检验。