Към всички skills

bottleneck-hunter

xbtlin · Инструменти

AI Berkshire skill: 供应链瓶颈猎手:AI驱动的全球产业链瓶颈套利. Source: skills/bottleneck-hunter.md.

Оригинален текст · няма потвърден превод на български

Теми: ai · ai-agent · anthropic · berkshire-hathaway · charlie-munger · china-stock · claude · claude-code · financial-analysis · fintech · fundamental-analysis · investment · investment-research · llm · mcp

Първо прочетете инструкцията.

Файлът се зарежда от посочения източник само по ваше действие. Можете да го прочетете тук, да го копирате или да го запазите като .md.

Оригинален SKILL.md
GitHub хранилище
Звезди на репото
16 508
Лиценз
MIT
Последна проверка на записа
20.09.2026 г.

Добавете в своя инструмент.

Командата отваря избора на skills от репозитория. Прочетете файла и условията на автора преди изпълнение.

npx skills add xbtlin/ai-berkshire

Страницата копира текст. Не инсталира и не изпълнява нищо на устройството ви.

Откъс от SKILL.md

Началото на файла на автора, без превод.

Codex adapter note

This skill is generated from skills/bottleneck-hunter.md so Claude Code and Codex users share one canonical workflow.

  • Treat $ARGUMENTS as the user's request in the current Codex thread.
  • When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.
  • Use shared project tools from tools/ in this repository. Prefer running commands from the repository root with paths like python3 tools/financial_rigor.py ...; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.
  • Before starting research, run the date command to confirm today's date; treat it as the baseline for "latest" data and state the data cutoff date in the report header. Never assume the current date from training data.
  • Preserve the research quality rules from AGENTS.md: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.

供应链瓶颈猎手:AI驱动的全球产业链瓶颈套利

对 $ARGUMENTS 超级趋势执行供应链瓶颈扫描与套利机会挖掘。

核心理念

不问"AI推荐什么股票",问"如果这个趋势继续扩张,哪一环会先不够用?"

传统投研盯龙头、盯已知赛道。这个系统反过来:从物理供应链的咽喉位置出发,找那些没人注意但一旦断货整个行业都得停下来等的公司。

超额收益来源:第一层瓶颈(GPU、HBM、电力)已被充分定价。真正的alpha在第二层、第三层——光模块、激光器、InP衬底、SOI晶圆、外延设备、晶圆级测试、IC载板、特殊玻纤等。


第一步:超级趋势确认

1.1 趋势筛选标准

不在小风口里找幻觉,只追符合以下全部条件的超级趋势:

标准要求验证方法
持续性至少3-5年确定性增长搜索行业预测、资本开支计划
物理性需要实际硬件/材料/设备建设区分"软件升级"和"物理扩建"
规模性全球资本开支>500亿美元/年搜索头部玩家capex指引
加速性需求增速>供给扩产速度对比需求增长率vs产能扩张计划

1.2 当前跟踪的超级趋势清单

每次运行时更新,初始清单:

  1. AI基础设施建设 — 数据中心、GPU集群、网络互联、电力
  2. 能源转型 — 核电重启、电网升级、储能
  3. 国防现代化 — 西方军费上升周期、供应链重构
  4. 半导体再工业化 — 美欧日补贴建厂、设备/材料瓶颈
  5. 太空经济 — 卫星互联网、发射频次激增

如果用户指定了具体趋势(如"AI基础设施"),只聚焦该趋势。

1.3 趋势验证输出

趋势名称:
核心驱动力:(一句话)
已发生的验证事件(至少3个):
  1. [日期] [事件] [来源]
  2.
  3.
资本开支规模:全球约 $XX 亿/年,增速 YY%
供需缺口判断:需求增速 > 供给扩产速度?是/否/不确定
趋势确认:✅ 可追踪 / ❌ 证据不足,暂不追踪

第二步:供应链物理拆解

2.1 分层拆解框架

不停留在概念层,拆到物理实体。

Layer 0(终端):最终产品/服务
    │
Layer 1(核心组件):已被市场充分关注的核心硬件
    │                 ⬆ 定价充分,alpha有限
    │─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─
    │                 ⬇ 关注度低,alpha集中区
    │
Layer 2(子组件/材料):支撑核心组件的零部件和材料
    │
Layer 3(上游设备/原料):制造子组件所需的设备和原材料
    │
Layer 4(基础设施):电力、冷却、土地、人才、认证

Целият SKILL.md в GitHub