核心用法
fanli-analyzer 是一套完整的投资事件分析方法论 Skill，采用"采集→选择→判定→分析"四步心法，帮助用户系统性地研判重要商业事件。
采集阶段：专注于三类核心信号——闸门（法规生效、技术定型、产能锁定）、管道（关键工业原料库存、价格指数、企业注册量等量化指标）、背离（售价与成本剪刀差、估值与基本面背离等矛盾信号）。严格执行"无来源不入库，非一手不轻信"原则，所有数据必须标注原始出处和 URL。
选择阶段：运用三把独立尺子进行筛选。不可逆性决定分析深度（9分必拆完整四层，3分仅浅拆），影响半径决定仓位配置（9分重仓全产业链，3分轻仓细分龙头），认知时差决定赔率判断（9分左侧高赔率建仓，0分利好出尽反向操作）。三者独立决策，非加权算分。
判定阶段：对数据源进行 A/B/C/D 四级评级，从来源一手性、统计口径清晰度、数据时效性、利益冲突、历史一致性五个维度判定数据可信度。A级直接用于核心判断，D级直接丢弃。
分析阶段：四层递进拆解——望气（定格局，分析利益流向与供需断裂）、走卒（定营生，挖掘痛点变现与信息套利机会）、商贾实业（定卡位，预判赛道爆发与上下游截流）、商贾操盘（定买卖，确定价格锚定与建仓节奏）。
显著优点
方法论体系完整：融合范蠡商圣智慧与现投资框架，从信息筛选到执行落地形成闭环，而非碎片化建议。量化决策清晰：三把尺子将模糊判断转化为可操作的评分体系，大幅降低主观随意性。数据质量严苛：一手来源强制要求、URL 可追溯、多源交叉验证，有效过滤市场噪音。执行颗粒度高：每层分析都输出具体标的、仓位比例、价格区间、止损止盈线，可直接指导操作。适配性强：既能处理模糊请求（"最近有什么值得关注"），也能深度分析指定事件，支持单事件、周度、追踪多种模式。
潜在缺点与局限性
依赖用户执行：作为方法论文档，Skill 本身不执行数据采集，需要用户手动提供或配合工具获取来源信息。时效性挑战：要求数据时效≤1个月，但用户输入的信息可能滞后，导致研判结论失真。认知时差主观：9分"市场完全未定价"的判断需要较强市场敏感度，新手易误判。四层分析门槛高：望气、走卒、实业、操盘四层框架需要一定商业与金融知识储备，纯新手理解成本较高。无回测验证：方法论基于历史经验总结，未提供量化回测数据验证策略有效性。中文语境特化：范蠡典故、"走卒"等表述对非中文用户或文化背景差异者存在理解障碍。
适合的目标群体
进阶个人投资者：已具备基础投资知识，希望建立系统化事件分析框架，摆脱情绪化决策。基金经理与分析师：需要结构化研报输出模板，快速评估事件影响半径与仓位配置。产业研究人员：关注政策闸门、产能变化对产业链上下游的传导效应，需预判赛道爆发时点。商业套利者：希望挖掘时间差、地域差、认知差带来的信息套利机会，寻找最小可行性启动路径。量化策略开发者：可将三把尺子评分体系转化为因子，构建事件驱动型量化策略。
常规风险
性能风险：纯 Markdown 文档型 Skill，无代码执行，理论上无性能瓶颈，但分析深度依赖用户输入数据质量。依赖项风险：零外部依赖，无第三方包或 API，不存在供应链攻击或版本兼容问题。数据时效风险："口径不清不下注，时效超月不重仓"铁律可能被用户忽视，导致基于过期信息决策。过度拟合风险：四层分析框架在复杂事件中可能产生过度解读，将噪声信号误判为有效背离。执行偏差风险：方法论输出的具体仓位、价格区间建议，用户可能因心理账户偏差无法严格执行。来源可信度局限：T3 级别个人开发者作品，虽代码完全透明可审计，但长期维护与更新依赖社区贡献。