企业官网建设流程全解析

• 人工智能
• AI Agent
• 金融科技
• AI 应用
• 大模型
• RAG

导读

Model Update（模型更新）是 FinRobot 开源 AI Agent 平台中equity-research领域的核心技能之一，用于在季度财报、管理层指引、宏观数据或分析师假设发生变化后，系统化地更新财务模型、修订前瞻估计、重算估值并标注实质性变化。本指南以 model-update/SKILL.md 为骨架，结合仓库中技能加载、注册与编排的源码实现，完整还原该技能定义的六步工作流、数据表结构与专业注意事项，让读者既能直接照表操作，也能理解 SKILL.md 在 FinRobot 技能系统中如何被解析、检索和调用。

一、认识 SKILL.md：FinRobot 技能的原子载体

在 FinRobot 中，每个技能都是一个独立目录下的SKILL.md文件，采用"YAML Frontmatter + Markdown 正文"的标准结构。model-update/SKILL.md 的头部元数据完整定义了该技能的标识与调用方式：

--- id: model-update name: Model Update version: 1.0.0 author: anthropic domain: equity-research description: Update financial models with new data — quarterly earnings, management guidance, macro changes, or revised assumptions... triggers: - update model - plug earnings - refresh estimates - update numbers for [company] - new guidance - revise estimates requires_data: [] requires_tools: [] requires_skills: [] compatible_models: [] ---

这些字段并非装饰，而是被 FinRobot 技能系统逐项解析。在 engine/skills/spec.py 中，Skill数据模型严格对应这些字段：id、name、version、author、domain用于标识与归类；triggers是触发词列表（如 "update model"、"plug earnings"、"refresh estimates"）；requires_data、requires_tools、requires_skills、compatible_models声明依赖（当前均置空，表示该技能可独立运行）；full_content保存 Frontmatter 之后的完整 Markdown 正文，source_path记录文件系统路径。

解析逻辑位于 engine/skills/loader.py：_parse_frontmatter通过首行---定位 YAML 块并用yaml.safe_load解析，id与name为必填字段，缺失即抛出SkillLoadError；description优先取 Frontmatter，否则回退到正文第一段非标题段落。这一设计保证了即使上游来源格式不完整，技能仍能加载。而 scripts/convert_skills.py 则是从上游"Anthropic 金融服务插件"批量转换技能格式的官方脚本，支持无 Frontmatter（Format A）与 YAML Frontmatter（Format B）两种源格式，自动抽取 description 中的引号短语作为triggers，并从目录结构推断domain。

技能如何被检索与激活

engine/skills/registry.py 中的SkillRegistry会递归扫描技能目录下所有**/SKILL.md文件，逐个加载并建立id → Skill索引。其search(query)方法采用三级打分排序：技能名命中得 3 分、触发词命中得 2 分、描述命中得 1 分，得分相同的按 id 排序。这意味着当用户说出 "update model"、"refresh estimates" 等triggers中的短语时，Model Update 技能会以较高优先级被召回。

在 CLI 侧，cli.py 提供了skills list与skills search <keyword>两个管理命令；技能目录位置由配置项skills_dir控制，可通过环境变量FINROBOT_SKILLS_DIR覆盖，默认值在 paths.py 的default_skills_dir()中按打包环境解析（见 config.py 的运行时解析逻辑）。

二、Step 1：识别变化来源（Identify What Changed）

任何模型更新都始于"明确什么变了"。SKILL.md 将更新触发器归纳为五类，这决定了后续数据接入与估计修订的方向：

在 FinRobot 的自动化流水线中，这一步骤对应 engine/skills/pipeline_methodology.py 所强调的纪律：没有当前业绩上下文就不要推断季度变动或一致预期差异。对 Model Update 这类交互式技能，由于未被收录进_PIPELINE_SAFE_METHODOLOGY白名单，流水线渲染时按render_pipeline_methodology的兜底逻辑直接使用原始full_content正文（见pipeline_methodology.py#L184-L186），因此交互环境中的完整工作流原样可用。

三、Step 2：接入新数据（Plug New Data）

财报发布后的实际值接入

以季度实际数替换模型中的当期估计，SKILL.md 给出了标准对照表，务必逐行填写：

表中Delta应量化呈现（例如 "营收超预期 120M 或 3%"），Notes记录差异归因——这与同一领域 earnings-analysis/SKILL.md 中"beat/miss 分析必须先量化差异再解释原因"的要求一脉相承。

分部明细（Segment Detail）

• 逐分部更新收入与利润率
• 记录分部结构（mix）的迁移——即使总盘不变，产品/地区占比变化也会改变整体利润率与估值

资产负债表与现金流量表更新

• 现金与债务余额
• 股本数（回购、稀释）
• 资本开支（Capex）实际值 vs. 估计值
• 营运资本变动

实操提示：在 FinRobot 生态中，此类财务数据的抽取可借助同仓库的 XBRL/SEC 解析管线（见 finrobot/data_source/ 下 providers 与 normalize 模块），将历史财务事实以确定性方式注入模型，避免从模型记忆凭空生成数字。

四、Step 3：修订前瞻估计（Revise Forward Estimates）

基于新数据调整未来各期估计，SKILL.md 提供"当年 + 下一年"的双期对照框架：

关键假设变更记录（Key Assumption Changes）：

• 明确"改了什么假设、为什么改"
• 收入增长率：old → new（附原因）
• 利润率假设：old → new（附原因）
• 新增项目：重组费用、一次性收益等非经常性项目

修订时必须先与公司已披露数据对账（reconcile），再外推未来——这与仓库中 audit 测试族所验证的"财务数据必须与权威口径（SEC/财报）对账"的工程化理念一致，例如test_canonical_contract_traceability.py对口径可追溯性的强制约束。

五、Step 4：估值影响测算（Valuation Impact）

用修订后的估计重算估值，SKILL.md 要求至少覆盖三种方法并显式给出变化：

值得强调的是，估值重算必须基于确定性模型输出。FinRobot 仓库中engine下存在完整的 DCF、comps、DDM 等计算模块（对应测试如 test_dcf.py、test_comps_pipeline.py），而 pipeline_methodology.py 对dcf-model、comps-analysis的流水线安全版均明确要求："所有 DCF 输入、WACC、终值、敏感性及隐含价格数字必须来自确定性财务建模输出，禁止在 LLM 步骤中计算公式"。因此，交互式更新时可以自行演算敏感性，但在自动化报告中应引用上游确定性数据，避免模型幻觉。

六、Step 5：总结与行动（Summary & Action）

估计变更摘要（Estimate Change Summary）：

• 用一段话说明：什么变了、为什么变、对股票意味着什么
• 判断这是论点级变化（thesis-changing）还是噪音（noise）

评级 / 目标价：

• 维持还是调整评级？
• 新目标价（如有变化）及其方法论
• 相对现价的上行/下行空间

这一判断纪律与仓库中 skills/equity-research/thesis-tracker/SKILL.md 的思路一致：将催化剂与能够证实或证伪论点支柱的证据点绑定，把风险表述为"论点失效条件"，用说服力语言（strengthening / neutral / weakening / under review）标记信心变化。

七、Step 6：交付物（Output）

SKILL.md 规定更新完成后应产出三类交付物：

1. 更新后的 Excel 模型（当用户提供了既有模型文件时）
2. 估计变更摘要（Markdown 或 Word）
3. 更新后的目标价推导（updated price target derivation）

在 FinRobot 的技能体系中，输出环节还可与其他技能联动：报告撰写可复用 initiating-coverage/SKILL.md 中的 DOCX 组装规范，图表生成参照其 Task 4 的 300 DPI 出图标准；若用户需要的是完整财报点评，则切换至 earnings-analysis/SKILL.md 所定义的 8-12 页、3000-5000 字的快速更新报告流程（其与 initiation 报告在篇幅、表格数、图表数、周转时间的差异对照表见该文档）。

八、重要注意事项（Important Notes）

SKILL.md 在结尾列出六条专业纪律，这是该技能区别于普通数据处理脚本的核心价值：

1. 先对账再外推：向前预测前，务必把估计与公司已报告数字核对一致；
2. 标注口径：识别非经常性项目，明确估计是 GAAP 口径还是调整后（adjusted）口径；
3. 保留修订历史：记录估计修订轨迹，它体现分析的演进逻辑；
4. 区分信号与噪音：季度数据嘈杂时，要在估计变更中剥离一次性因素；
5. 对照一致预期：更新后检查你的估计与 Street 共识的偏差；
6. 股本数至关重要：股票薪酬、可转债、回购带来的稀释会实质影响 EPS。

最后一条在 FinRobot 的工程实现中有直接呼应：仓库 unit 测试 中test_market_cap_consistency.py、test_share_count相关用例验证了股本口径在估值链路中的一致性，任何对 share count 的修订都会被估值模块忠实传导。

九、在 FinRobot 中使用 Model Update 技能

触发方式

直接使用triggers中的短语与 Agent 对话即可唤醒技能，例如：

• "update model for [公司]"
• "plug earnings for [公司]"
• "refresh estimates for [公司]"
• "revise estimates after new guidance"

也可显式指定：Use model-update skill for [Company] after Q3 earnings。

前提与限制

• 该技能用于已覆盖公司的定期更新；若公司尚未覆盖，应先行使用 initiating-coverage 建立首次覆盖模型；
• 若仅需快速财报点评而非模型更新，应使用 earnings-analysis；
• 技能声明requires_data: []、requires_tools: []，即无硬性外部依赖，但最佳实践是让用户提供既有 Excel 模型与最新财报/指引数据，模型更新的质量上限取决于输入数据的完整性。

技能管理命令

• 查看全部可用技能：finrobot skills list
• 关键字检索技能（如model update）：finrobot skills search <keyword>
• 技能目录未找到时会提示先运行convert_skills.py完成转换（参见 cli.py 与 scripts/convert_skills.py）。

结语

Model Update 技能回答了投研中一个高频问题：财报/指引/宏观数据变了，模型该怎样系统化地更新？它的六步工作流（识别变化 → 接入数据 → 修订前瞻 → 重算估值 → 总结行动 → 交付产物）既是一份可直接照做的操作清单，也是检验更新质量的自检框架。在 FinRobot 中，它以标准化 SKILL.md 形式被 loader、registry 加载注册，可通过触发词被检索召回，并能在流水线模式下与确定性财务计算、审计测试共同构成"先对账、后外推、再估值"的完整闭环——这正是开源 AI Agent 平台将投研方法论工程化的具体体现。读者可直接对照仓库中的 model-update/SKILL.md 原文、测试用例 与相关技能文档，进一步验证并扩展这套更新流程。

• 人工智能
• AI Agent
• 金融科技
• AI 应用
• 大模型
• RAG