在本文中，我们围绕“行业财报自动化分析”构建了两个互相协同的研究技能（skill）。第一个skill是“ Excel 财务分析Skill”，主要解决行业样本财务数据的标准化拉取、同比环比计算、分组比较和图表化展示问题；第二个skill是“行业财报 Word/PPT 报告技能”，主要解决定期报告原文获取、重点内容抽取、单股摘要生成、行业综合判断以及文档和演示材料自动生成问题。两个模块分别对应“结构化数据分析”和“非结构化文本归纳”两类研究任务，共同形成从数据到底稿、从底稿到客户材料的闭环。在具体实现路径上，我们采用了“规则引擎 + 模板输出 + 大模型摘要增强”的组合方式。平台使用VS Code叠加Github Copilot，使用该方法构建的Skill同样可以在各类AI平台使用，包括Openclaw等Claw类工具、Claude Code、Trae、Cursor等各类辅助编程工具。从两个Skill的输出结果来看，借助于现在大模型强大的逻辑推理、文本理解能力，其财务数据抓取、本文内容梳理和判断基本准确无误。投研人员在财报季可借助两个Skills快速梳理所跟踪行业的财务情况，了解当前状态、主要矛盾、供需结构及未来展望。风险提示：本文所述算法与模型均具有一定的随机性，无法完全保证数据提取和分析判断完全准确，仍有幻觉出现的可能性，在使用中需要多加甄别。
在过往的权益主动投研工作中，其中一项相对比较耗时的重要工作便是在财报季快速梳理、总结、分析自己所关注的上市公司最新财报。这项工作对于及时性和准确性都有极高的要求，研究员必须第一时间消化整理公司的盈利能力、经营质量等内容，进而判断其边际变化并影响到最终投资决策。此外在财报季，权益研究的核心矛盾并不只是“数据获取”，而是“如何把分散的数据、公告和观点快速组织成可复用的研究产出”。传统流程下，分析师往往需要在财务数据库、公告原文、Excel 模型、Word 纪要和PPT路演材料之间反复切换，既消耗大量机械性时间，也容易造成口径不统一、结论表达不稳定、横向比较效率低等问题。尤其对于二级行业覆盖而言，单家公司财务拆解并不难，真正困难的是在较短时间内完成行业维度的批量化处理、跨公司对比、重点差异提炼以及面向客户的标准化输出。基于这一现实需求，我们围绕“行业财报自动化分析”构建了两个互相协同的研究技能（skill）。第一个skill是“二级行业财务对比Excel 技能”，主要解决行业样本财务数据的标准化拉取、同比环比计算、分组比较和图表化展示问题；第二个skill是“行业财报 Word/PPT报告技能”，主要解决定期报告原文获取、重点内容抽取、单股摘要生成、行业综合判断以及文档和演示材料自动生成问题。两个模块分别对应“结构化数据分析”和“非结构化文本归纳”两类研究任务，共同形成从数据到底稿、从底稿到客户材料的闭环。（二）创建过程与系统思路
从设计思路看，这两个技能并不是简单的脚本集合，而是面向研究生产流程拆解后的模块化能力封装。Excel 技能以同花顺API财务数据为底层输入，围绕行业股票池、报告期映射、财务指标清洗、同比环比计算、分组聚合和图表输出逐层展开，其目标是把原本需要人工在多个表格中拼接和核对的工作，压缩为统一口径下的一次性批处理。Word/PPT 技能则进一步向上游和下游延伸：上游直接对接定期报告 PDF 获取与文本提取，下游对接研究表达层，将财务事实、经营表述和行业归纳组织成可直接用于客户服务的报告和演示材料。在具体实现路径上，我们采用了“规则引擎 + 模板输出 + 大模型摘要增强”的组合方式。对财务指标、报告期匹配、同比环比口径、公告标题识别等高度确定性的任务，优先使用显式规则和结构化计算，以保证结果可复核、可解释、可追踪；对“经营现状”“未来展望”“关键风险”“主要压力”等偏文本理解和归纳的问题，则引入大模型在限定上下文中的摘要能力，以提升报告生成效率和表述完整度。这种设计本质上是把量化框架的稳定性与大模型的表达能力结合起来，使研究产出既保留报告所需的严谨口径，又具备较高的自动化程度。值得注意的是，在工具演化过程中，系统也根据实际数据环境做了若干适配。例如，在公告下载环节，考虑到外部接口额度约束，报告技能将定期报告来源切换至巨潮资讯网，从而保证 A 股定期报告 PDF 的稳定获取；在图表层面，则根据当前分析口径从“多期历史展示”调整为“当前季度同比、环比与盈利能力为主”的展示框架，使图表表达更贴近财报季客户最关心的问题。这些调整说明，该工具体系不是静态脚本，而是可以随着研究口径与数据可得性变化持续迭代的研究基础设施。从功能上看，Excel 技能的核心价值在于将“行业横向比较”标准化。它能够围绕目标行业自动生成股票池、抓取关键财务指标、形成统一的同比环比口径，并输出宽表、驱动诊断表、分组总览和图表总览等多个工作表。对于行业研究员而言，这意味着财报季最耗时的底层整理工作可以显著压缩，分析师可以更快进入“解释差异”和“提炼结论”的阶段。尤其是在二级行业内部公司数量较多、分组特征较强的场景下，该技能能够帮助研究员迅速识别哪些子方向在营收端改善、哪些子方向在利润端承压、哪些公司在经营质量上出现分化。Word/PPT 报告技能的核心价值则在于将“文本研究输出”流程化。它不仅能够自动获取指定报告期的公司定期报告，还可以对报告全文进行文本提取和上下文压缩，进一步完成单股报告点评、行业综合判断、重点公司梳理和图文报告生成。对行研而言，这一模块最有意义的地方，不是替代分析师的最终判断，而是显著降低“从原始公告到研究底稿”的时间成本。换言之，它把大量低附加值但必须完成的机械劳动前置自动化，把分析师的精力释放到估值、比较和观点框架搭建上。从更高层次看，这两个技能共同体现出研究生产的三方面升级。第一，是从“单次分析”走向“流程资产”，即研究结论不再完全依赖个人手工整理，而是沉淀为可重复调用的标准能力。第二，是从“数据处理”走向“内容生产”，系统不只给出数据表，还能继续向 Word 和 PPT 等客户输出材料延伸。第三，是从“静态底稿”走向“动态迭代”，随着指标口径、图表样式、报告来源的调整，整个工具体系能够持续贴合研究框架演化。目前众多AI平台都可以实现各类Skills技能的创建和应用，在本文中我们使用VS Code Github Copilot来实现技能的创建，模型主要使用GPT 5.4的Xhigh模式。作为Github官方推出的AI辅助编程工具，Copilot有不同场景下的丰富应用，它通过大模型对海量代码进行学习，在开发者编写代码时提供实时补全、函数生成甚至整段逻辑建议，从而显著降低编码成本、提升开发效率。随着产品不断迭代，Copilot的Agent模式已经向Claude Code或者Openclaw等各类Claw类工具对齐，能够调用Skills，Tools和指定不同的Agent进行交互。（二）提示词设计
对于本次财务指标分析的任务，我们提供了充足、详尽的背景知识，数据接口的使用文档和具体所需财务指标及其计算方式。采用首先完成任务、不断修正优化、最终封装skill的过程。即便现在大模型本身的理解能力、代码能力已经相当完善，但其第一次的输出结果往往会与我们最初设想有一定差异。因此创建过程需要不断针对其输出提出修正建议，经过反复修改，方能达到我们最终要求的财务分析Excel和对应文档。（一）Excel财务分析Skill
我们首先以申万二级行业通信设备为例，展示其Excel财务分析skill的输出结果：可以看到，Excel财务分析Skill输出主要包括以下内容：1. 用户指定行业所有个股的指定财报季的主要财务指标数据，用于让用户快速检索。2. 主要指标及其同比、环比的展开表格（包括应收、毛利、净利、净利润率等），用于方便用户快速对比不同公司经营状况的变化情况。3. 部分大模型判断认为必要的财务指标（包括现金利润比、资本开支强度、费用率合计一年变动等），以及针对这些指标对比得到的收入驱动标签、利润驱动标签、增长质量得分、经营质量得分、异常标签与诊断结论。4. 分组业绩驱动总览：对于细分的子行业所有上市公司求出指标中位数，得到针对该子行业的整体判断。5. 分组应收、利润指标的同比、环比柱状图，以及分组的业绩走势曲线图。此外我们以房地产行业举例，观察其skill的财务分析输出。从“个股业绩驱动诊断”来看，大模型对于房地产行业的经营质量有着比较清晰的判断，基本都给出了“深度承压”的标签，与上文中通信设备行业的判断有着明显区别。证明该Skill在一定程度上，能够通过主要经营指标的边际变化来对公司的财务经营情况进行比较和评判。同样以通信设备为例，我们观察其输出的报告和PPT：可以看到，Word/PPT财务分析Skill输出主要包括以下内容：1. 财报覆盖情况：考虑到用户调用时点不确定，此处首先展示哪些上市公司已经发布了指定季度财报。2. 行业概况：对于行业当前整体财务状况的概括，每个子行业之间的差异，部分典型公司的订单、盈利情况等。3. 行业研究框架：从需求端、供给端、库存端、盈利端、价格端、风险端等维度分析的行业当前状态。4. 行业分组统计分析：对于每个子行业的当前情况、未来展望和判断依据进行概括分析。5. 公司逐一点评：对于每家上市公司进行简要业绩点评，分析发展现状、未来前景、收入驱动、利润驱动、需求线索、价格线索、库存线索、供给线索、主要压力、主要风险等内容。6. 行业未来展望与风险提示：主要从上市公司财报中读取文字部分内容，结合大模型的世界知识和推理能力，提出对于行业未来1-2年的展望。并对每个子行业的资本开支、原材料供给等因素进行简要预测。PPT部分则主要为Word文档内容的平移，方便用户展示行业财务基本情况。此外我们以养殖业举例，看skill的报告输出内容：可以看出，skill对于生猪养殖行业的当前状态判断基本正确。这个skill的核心优势在于能够将财报中的上市公司文字表述喂入LLM，结合结构化的财务数据综合判断。有了充足的背景知识后，最终输出报告对于行业和上市公司的判断明显更加准确。现在各类AI工具普遍使用LLM+Agent的架构，支持各类Tools、Skills调用。我们所创建的两个Skill可以在不同平台使用，包括Openclaw等各类Claw工具，Cursor、Trae、VSCode各类IDE软件。只要在提示词输入时明确告知其需要使用的skill名称、对应的行业名称和财报季，目前主流的大模型一般就可以成功找到并调用Skill完成最终任务。本文所述算法与模型均具有一定的随机性，无法完全保证数据提取和分析判断完全准确，仍有幻觉出现的可能性，在使用中需要多加甄别。法律声明：
本微信号推送内容仅供广发证券股份有限公司（下称“广发证券”）客户参考，其他的任何读者在订阅本微信号前，请自行评估接收相关推送内容的适当性，广发证券不会因订阅本微信号的行为或者收到、阅读本微信号推送内容而视相关人员为客户。
完整的投资观点应以广发证券研究所发布的完整报告为准。完整报告所载资料的来源及观点的出处皆被广发证券认为可靠，但广发证券不对其准确性或完整性做出任何保证，报告内容亦仅供参考。
在任何情况下，本微信号所推送信息或所表述的意见并不构成对任何人的投资建议。除非法律法规有明确规定，在任何情况下广发证券不对因使用本微信号的内容而引致的任何损失承担任何责任。读者不应以本微信号推送内容取代其独立判断或仅根据本微信号推送内容做出决策。
本微信号推送内容仅反映广发证券研究人员于发出完整报告当日的判断，可随时更改且不予通告。
本微信号及其推送内容的版权归广发证券所有，广发证券对本微信号及其推送内容保留一切法律权利。未经广发证券事先书面许可，任何机构或个人不得以任何形式翻版、复制、刊登、转载和引用，否则由此造成的一切不良后果及法律责任由私自翻版、复制、刊登、转载和引用者承担。
立即咨询 JOTO
JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。 联系 JOTO 获取 AI 落地咨询
