一个行业几百家公司，怎么收敛到值得细看的那三家

你对某个方向来了兴趣——比如你觉得未来几年某类设备的需求会起来。于是你打开对话框问：「这个行业哪几家公司值得投？」

十几秒后，你拿到三家公司的名字，每家配一段像模像样的分析。你盯着屏幕，一个问题冒出来：凭什么是这三家？

这个问题你答不上来，AI 也答不上来。它没告诉你它考虑过多少家、砍掉了谁、为什么砍。它更像是把「这个行业最常被提起的名字」直接吐给了你。而最常被提起，跟最值得研究，是两件毫不相干的事。

这篇讲的就是怎么补上中间那一大段：从「整个行业」到「值得深度研究的三家」，中间应该经过哪几道关，每道关砍掉什么、留多少、淘汰理由记在哪。

先说边界：这是一套整理研究材料的流程，产出的是「值得继续看的名单」，不是买入名单。任何一层的输出都只是候选，都要人工复核。

先说一件跟股票无关的事

假设你要招一个人，收到三百份简历。

有一种做法是：从第一份开始，认真读，每份读十五分钟，读完打个分。三百份读完要七十五小时——将近两个工作周，而且你读到第两百份的时候，标准早就跟第一份不一样了。

真实的做法你其实见过：先用几个死板的条件过一遍。学历、年限、有没有做过相关的活儿，不满足的直接不看，五分钟砍掉两百四十份。剩下六十份，每份花两分钟扫一眼，挑出十五份。这十五份，每份认真读半小时。最后约五个人面试，每人一小时。

两种做法的总耗时差了一个数量级，但更关键的是第二种做法做得更准。因为你把最贵的注意力（认真读、面试）全花在了最可能有结果的人身上，而不是均匀地摊给三百个人。

这里藏着一个反直觉的地方：筛掉一个人，比挑中一个人容易得多。 判断「这个人不符合硬条件」只需要看一眼；判断「这个人是不是我要的那个人」需要一小时。所以理性的流程一定是先做那些一眼就能下结论的判断，把候选池缩小，再动用昂贵的判断。

漏斗就是这么回事。它不是把筛选流程复杂化，它是把昂贵的判断往后推。

放到选公司上，这个道理更狠

一个行业里，从沾边到纯正，几百家公司是常事。你不可能每家都深看。

而深看一家公司的成本比读一份简历高得多：你要读它几年的年报，要看它的现金流跟利润对不对得上，要弄明白它靠什么赚钱、这个赚钱方式会不会被抢走，还要判断管理层说的话能不能当真。一家公司认真做完，几天时间就没了。

所以问题不是「怎么找到最好的公司」，问题是：你有限的深度研究配额，该发给谁？

这就把选股问题改写成了一个分配问题。而分配问题有个非常朴素的解法：先用便宜的标准排除掉明显不合格的，让贵的判断只落在幸存者身上。

这里要说清一个容易搞混的事。「排除」和「挑选」是两种不同的动作，需要的证据强度完全不一样。

排除一家公司，你只需要一个足够硬的否定证据：常年赚不到现金、负债高到随时可能出事、主业跟这个行业根本不沾边。有一条命中，直接出局，不用继续看。

挑中一家公司，你需要一整套互相印证的肯定证据：生意好、护城河（就是让对手抢不走你生意的那些结构性优势）在、财务干净、管理层靠谱、价格还不贵。缺一样你都得犹豫。

一个否定证据 vs 一整套肯定证据——成本差着好几倍。所以先排除后挑选，不是懒，是把力气用在对的地方。这一层的具体做法我在 去劣筛选 里单讲，那篇讲的是「用哪几条指标能最快把明显不行的排掉」，这篇讲的是「整个漏斗有几层、每层怎么衔接」。

还有一个附带好处，很多人没意识到：漏斗天然是可复盘的。 半年后你回头看，如果当初被砍掉的某家公司涨了很多，你能立刻查到它是在第几层、因为哪条标准被砍的。是标准定错了，还是当时那条数据就是难看、后来变了？这两种情况的教训完全不同。没有漏斗记录，你只能得出「我错过了」这种毫无信息量的结论。

所以有一条纪律必须写死：每一层被砍掉的公司，都要留名字和淘汰理由，不能黑箱。 一个只吐出结果不吐出淘汰记录的流程，你没法改进它。

我实际在用的四层漏斗

下面是我自己流程里的层级设计。数量是我自己定的当前取值，不是什么标准答案——行业大小差别很大，你完全可以按自己的情况调，但层数和每层的性质别动。

第一层，全市场扫描。 目标不是筛选，是不漏。这一层唯一的任务是把候选池铺开，宁可多不可少。我用三类来源取并集：成交活跃的、近期涨得多的、市值靠前的。三类合起来通常是几十家的规模。

为什么用三类而不是一类？因为每一类都有各自的盲区。只看市值，会漏掉正在长大的中小公司；只看涨幅，会捡回一堆纯炒作的东西；只看成交额，会偏向流动性好的大票。三类取并集，是拿三种偏差互相补，谁也别想一家说了算。

第二层，硬指标粗筛。 用一组不需要动脑的财务条件过一遍，几十家砍到十家以内。我用的是五条：估值是否离谱、资本回报水平、经营现金流跟利润的比例、负债率、护城河快评。前四条是数字，一查便知；第五条是定性的，但也只做粗判，给个强弱档次，不展开论证。

这一层的关键是标准要死板。你一旦开始为某家公司找例外理由（「它是重资产行业所以负债高点正常」），漏斗就漏了。合理的做法是：例外条件事先写死在标准里（比如「重资产行业阈值放宽多少」），而不是筛的时候临时通融。事先写死的叫规则，临时通融的叫找借口。

留多少家？我的口径是十家以内。如果一轮筛下来剩了十几家，说明标准太松，把定性那条的门槛提一档再筛一遍——不要靠感觉挑掉几家来凑数，那等于把没写下来的标准偷偷塞进流程里。

第三层，结构化精细分析。 剩下的十家以内，每家写几百字的结构化分析：一句话说清商业模式、财务质量的关键变化、护城河类型和具体证据、前三大风险、估值的历史位置。

注意这一层的定位——它不是深度研究，是为了排序而做的中等深度扫描。控制篇幅是有意的：篇幅一放开，AI 就会对资料多的大公司写得又长又漂亮，你会不自觉地被篇幅骗了。统一字数，就是强迫每家公司在同一个尺子上被量。

第四层，深度研究，只给三家。 到这一层才动用那套多角色对抗的重家伙——分角色的具体做法在这篇，每个角色该看到什么、不该看到什么在这篇。每家几千字，四个互不通气的视角各跑一遍，最后看它们在哪儿吵起来。

选这三家的方式，是整个漏斗里最容易做错的一步。

终选三家：不是按分数取前三

直觉的做法是把第三层的十家打个总分，取前三。这个做法有问题。

问题在于：打分排序会让你选出三家高度相似的公司。 因为总分高的公司往往在同一类特征上得分高——都是确定性强、增速平稳、资料齐全的那一类。你以为你选了三家，其实你选了同一家的三个版本。三家一起赢或者一起输，你没有分散任何东西。

我用的规则是按互补性选，不是按分数选：

• 至少一家确定性高、弹性小的——生意看得清楚，涨幅可能有限，但它是压舱石；
• 至少一家确定性中等、弹性中等的——成长的故事还没走完，需要持续验证；
• 可以有一家高弹性高风险的——赔率大，但你要明确知道它可能归零。

这三类要各自去深度研究，因为你要验证的东西完全不同。第一类要验的是「护城河会不会被慢慢磨掉」，第二类要验的是「增长的驱动力还在不在」，第三类要验的是「最坏情况下会亏成什么样」。三个不同的问题，用三份不同的深度研究去回答，比三份雷同的研究有用得多。

还有一条必须守住：某个方向找不出三家够格的，就写「终选两家 + 一家观察」，不许凑数。 凑数是漏斗最常见的自毁方式——你辛辛苦苦砍了三层，最后为了填满「三家」这个格子，把一家本该被砍掉的公司放进了深度研究。前面的功夫白费了。

数字是给流程用的，不是流程要满足的目标。

可以直接抄走的三份提示词

下面三份分别对应第一、二、三层。第四层的提示词在分角色那篇里，这里不重复。

用法：三层要开在三个不同的会话里，一层跑完、你人工看过一遍、再把结果带进下一层。不要让 AI 一口气跑完三层——一次问到底会把中间的淘汰记录全部省略，你拿到的又是一个没有过程的结论。

占位符只有两个：【行业】 填你要研究的方向，【N】 填你希望的候选池规模。

第一层：全市场扫描（成功标准 = 不漏，不是选出好的）

你负责【行业】方向的全市场候选池扫描。
你的唯一任务是「不遗漏」，不是「挑出好公司」。
本层禁止做任何优劣判断、禁止排序、禁止推荐。出现推荐即为越界。

请分别从以下三个入口取名单，最后取并集：
A. 近期成交活跃度靠前的公司（A股 / 港股 / 美股 各自单独取）
B. 近期涨幅靠前的公司（分别取较短周期与较长周期两份，再取并集）
C. 行业内市值靠前的公司（无论涨跌）

覆盖范围硬要求：
- A股、港股、美股必须分别扫，不许只给其中一个市场。
- 日韩台欧的相关公司不许漏，尤其是制造与电子类环节。
- 未上市公司单列一节，注明最新公开估值与可能的上市时间窗（查不到就写「未查到」）。

输出一张表，每行包含：公司名 / 上市地 / 大致市值 / 主业一句话 /
该业务占公司收入的大致比重 / 它是从 A、B、C 哪个入口进来的。

纪律：
- 该业务占比明显偏低的公司，保留但标注「非纯正标的」，不要直接删掉。
- 任何数据都要写来源；查不到写「未查到」，禁止估算后当事实写。
- 不许因为某家公司资料少就不列它。资料多少不是入选标准。
- 名单规模明显不足【N】家时，说明你的搜索还不够，请补充说明你查了哪些来源。

第二层：硬指标粗筛（成功标准 = 砍得干净，且每个被砍的都有理由）

下面是【行业】方向的候选公司名单。

【粘贴第一层输出的表格】

请对每一家逐一应用以下硬指标，判定留或弃。
本层禁止做深度分析，每家公司的判定说明不超过两行。

硬指标（阈值为本次设定值，可按行业调整，但一旦设定就不许中途通融）：
1. 估值是否处于明显偏离历史区间与同业的位置
2. 资本回报水平（近几年趋势比单年数值更重要）
3. 经营活动现金流与净利润的比值
4. 资产负债率
5. 护城河快评：品牌定价权 / 转换成本 / 网络效应 / 规模效应 / 牌照技术壁垒
   五类逐一判定「存在且在变宽 / 存在但在变窄 / 不存在」，每项判定必须附一个可验证的事实

判定规则：
- 前四条全部及格且护城河至少有一项「存在且在变宽」→ 留
- 有一条不及格但接近临界 → 留，标注「待复核」并写明是哪一条
- 两条及以上不及格 → 弃

输出两张表，缺一不可：
表一「保留」：公司 / 五项各自取值 / 保留理由一句话
表二「淘汰」：公司 / 命中哪条淘汰标准 / 具体数据 / 数据来源
淘汰表不许省略，也不许合并成一句「其余公司均不达标」。

纪律：
- 任何数据必须来自两个互相独立的来源；对不上就两个都列出来并标注冲突，
  不许自己挑一个顺眼的写。
- 一切除法与比值请用计算工具算，不许心算后直接写结论。
- 拿不到数据的公司归入「数据不足」单列一档，不许用同行数据代替，
  也不许因为数据缺失就默认它合格或不合格。
- 保留数量明显超出预期时，把护城河标准提高一档重筛一遍，
  不许靠主观挑选来减少数量。

第三层：结构化精细分析（成功标准 = 同一把尺子量每一家）

下面是通过粗筛的公司名单。请对每一家写一份结构化分析。

【粘贴第二层的保留表】

硬性要求：每家公司的篇幅必须大致相同，不许因为某家资料多就写得更长。
篇幅差异会让读者误以为资料多的公司更好，这是本层最需要防的错误。

每家按以下固定结构写：

## 公司名
**一句话商业模式**：卖什么、卖给谁、怎么收钱。说不清就写「说不清」。
**财务质量**：收入与利润增速、毛利率、资本回报、现金流；
  并指出近一两年最重要的一个财务转折点是什么。
**护城河**：主要类型 + 具体证据 + 判断它几年后是否还在（附理由）。
**前三大风险**：每条必须具体到「怎么发生、有什么可观察的早期信号」。
  「宏观波动」「竞争加剧」这类不算风险，写了等于没写。
**估值位置**：当前水平处在自身历史区间的什么位置、与同业比如何。
**是否进入深度研究**：是 / 否 + 一句话理由。

最后单独给一节「终选建议」，按互补性而非总分排序推荐三家：
- 一家确定性高、弹性小
- 一家确定性中等、弹性中等
- 可选一家高弹性高风险
如果某一类找不到够格的，明确写「该类无合适标的」，禁止凑数。

纪律：
- 禁止给出买入卖出建议，禁止给目标价。
- 每个判断附来源；查不到写「未查到」，不许用「通常来说」代替事实。
- 结尾列出「本次分析中你最没把握的三个数据点」，这份清单是给人工复核用的。

漏斗第一层，AI 最容易漏掉这五类

漏斗有个残酷的性质：第一层漏掉的，后面永远补不回来。 后面三层再严谨，也只是在一个残缺的池子里做优选。所以第一层的质量决定了整件事的上限。

而 AI 做第一层扫描时，有五个稳定的盲区。我把它们和对应的追问一起列在这儿——发现名单可疑时，直接把追问贴回去。

一是偏爱大公司。 大公司资料多，AI 写起来顺，名单里自然占比高。追问：「请单独列出市值排名靠后但该业务占比很高的公司，至少若干家。」

二是偏爱英文资料。 美股公司的资料密度远高于 A 股港股，AI 对英文语料的处理也更顺，结果就是中国和亚洲的公司被系统性低估。追问：「请用中文再搜一遍 A 股和港股，并说明你这次用了哪些中文来源。」

三是偏爱有故事的。 涨得多、媒体热度高的公司，看起来就是「更好的标的」。这里要分清一件事：某项业务在收入里的真实占比，和它在新闻稿里的占比，是两个东西。 追问：「对名单里每家公司，分别写出该业务的实际收入占比、以及公司公开表述中提及该业务的频率，并标出两者差距最大的几家。」这一问经常能把纯概念的公司挑出来。

四是偏爱当下好看的。 当期财务漂亮的容易入选，正处在转型阵痛期、数字难看但趋势在改善的容易被砍。所以第二层的标准里我明确写了「趋势改善」可以作为放宽条件——不然漏斗会系统性地只留下已经被验证过的公司，而那些通常也已经贵了。

五是只看上市公司。 有些赛道最强的玩家还没上市，漏掉它们你会误判整个行业的竞争格局——你以为某家上市公司是龙头，其实真正的对手在场外。所以第一层的提示词里我硬性要求单列一节未上市候选。

这五条还有一个共同的深层问题值得点一句：涨幅榜和活跃榜本身就是幸存者偏差的产物——你看到的是已经涨上来的，那些早就跌没了的公司不会出现在任何榜单上。所以用三类入口取并集，其中市值那一类的作用就是把「涨得不好但还活着的大公司」拉回来做对照。

每层交界处，必须由人来把一次关

漏斗最危险的地方不在层内，在层与层的交界。因为交界处发生的是「删除」，而删除是不可逆的。

我给自己定了三个必须人工过一遍的检查点：

第一层交出去之前：数一下名单里有没有你事先就知道该在里面、结果没出现的公司。有一家没出现，就说明扫描有系统性缺口，别急着往下走，先把缺口补上。这是最便宜的一次质量检查——花两分钟，能救整条流程。

第二层交出去之前：翻一遍淘汰表，不看保留表。重点看两种情况：一是同一条标准砍掉了特别多家，那可能是这条标准的阈值定得不合理；二是有没有哪家的淘汰理由写得含糊（「财务质量一般」这种），含糊就等于没理由，退回去要具体数据。

第三层交出去之前：把三家终选的类型标一遍，确认它们真的互补，而不是同一类的三个版本。如果三家都是「确定性高弹性小」，退回去重选。

还有一件事，每一层都要做：核对数字。 AI 在做这种批量表格时，最常见的错不是编造公司，而是把某家公司的数据填到另一家的行里，或者除法算错。这类错误在表格里几乎看不出来——格式完美、单位正确、量级也合理。方法只有一个笨办法：随机抽几家，回原始财报核一遍。抽到的错了，整张表都得重来。这套核对动作具体嵌在哪一步，核验动作那篇里讲得更细。

小结

• 深度研究一家公司的成本远高于排除一家，所以流程要先用便宜的标准砍，再用贵的判断挑。排除只需一个否定证据，挑中需要一整套肯定证据。
• 四层：全市场扫描（求不漏）→ 硬指标粗筛（求砍得干净）→ 结构化分析（求同一把尺子）→ 深度研究（只给三家）。
• 每层被砍掉的公司都要留名字和理由。没有淘汰记录的流程无法复盘，也无法改进。
• 终选按互补性选，不按总分排序选——按分数取前三会让你选出同一类公司的三个版本。找不到够格的就少选一家，不许凑数。
• 第一层漏掉的后面补不回来。AI 的五个盲区：偏爱大公司、偏爱英文资料、偏爱有故事的、偏爱当下好看的、只看上市公司。
• 每层交界必须人工把关，尤其要翻淘汰表而不是保留表。

最后用一句不带术语的话说清这篇：与其一开始就问「哪家最好」，不如先把所有人都请进屋，再一道一道地请出去，并且每请走一个都写清楚为什么——这样最后剩下的那几个，你才真的知道自己为什么在看他们。