企业官网建设流程全解析

如何在AI产业链里找"卡脖子"环节？Chokepoint Atlas瓶颈思维终极讲解

【免费下载链接】chokepoint-atlas项目地址: https://gitcode.com/gh_mirrors/ch/chokepoint-atlas

Chokepoint Atlas是一个专门用来找"AI 产业链里谁在卡脖子"的研究工具：你给它一个方向（算力、光通信、先进封装、数据中心供电……），它帮你把产业链拆成上下游、找出真正容易堵车的瓶颈层，再拉证据、整理出候选公司清单。本文完整讲解这套"瓶颈思维"的底层逻辑和使用方法，帮你在 AI 供应链研究中少追热门、多找真相。

为什么要找"卡脖子"，而不是问"谁要涨"

大多数人的研究顺序是反的：先听热点，再找股票。而 Chokepoint Atlas 的核心思路正好相反——

先把"热门叙事"翻译成"供应链研究"。

它的默认顺序是：

1. 先定一个真实系统（比如 AI 工厂、TPU 集群，而不是空谈"AI 会涨"）
2. 再拆供应链上下游
3. 再找瓶颈：如果需求继续放大，哪一层会先卡住？
4. 再拉证据验证
5. 最后才给方向、给候选公司

这套顺序的价值在于：价值往往藏在第二层、第三层瓶颈，而不是人人都在追的龙头。一个市值很小的供应商，如果能让整个需求波次延迟，错定价空间可能非常大。

这套方法的完整定义见 SKILL.md 中的ai-supply-chain-bottleneck-hunter技能，中文产品说明在 docs/PRODUCT_CN.md 中。

瓶颈思维四步法：核心工作流详解

第一步：锁定一个真实系统

不要从"AI 概念"入手，而是从一台真实部署的机器入手，例如：

• NVIDIA DSX AI Factory（AI 工厂整机）
• TPU pod
• 机器人执行器链条
• 数据中心供电与液冷系统

先有机器，后有供应链。真实系统会自动帮你过滤掉大量伪概念。

第二步：把系统拆成 6-9 层"栈"

把一个系统从下游需求一直拆到上游材料，典型分层如下：

每一层都要问三个问题：这里在出货什么？谁在这里拿到钱？如果这个供应商明天消失，下游要等多久才有可信替代？

第三步：强制回答"哪里先堵"

需求翻倍时，最先出问题的是哪种约束？Chokepoint Atlas 会检查 7 类瓶颈：

• 物理原料短缺
• 长交付期的设备 / 产能
• 认证与可靠性延迟
• 良率瓶颈
• 散热 / 功耗极限
• 地缘或单一区域依赖
• 单一客户依赖

然后用五个维度给瓶颈打分（见下文评分框架），并判断市场是否已经充分定价。

第四步：用证据链验证，而不是靠一张图一个帖子

工具明确区分三类证据来源：公司证据（财报、电话会）、行业证据（媒体、产能与交期新闻）、跨链条证据（多家公司从不同位置描述同一个压力点——这是质量最高的信号）。

完整的问答式提问模板可以参考 references/question-ladder.md。

证据阶梯：四档分级区分"传闻"和"事实"

这是 Chokepoint Atlas 最值得新手学习的机制之一。它把所有证据分成 4 档（详见 references/evidence-ladder.md）：

关键规则：每个重要判断都必须贴标签，并且明确写出"最强的证据"和"最弱的假设"分别是什么。这样你的研究结论才经得起推翻检验。

评分框架：5 个维度量化研究优先级

当瓶颈候选不止一个时，怎么排优先级？Chokepoint Atlas 用 5 个维度（1-5 分）打分（定义见 references/scoring-framework.md）：

1. 约束分（Constraint）：瓶颈有多真？看供应集中度、替代难度、交付周期
2. 证据分（Evidence）：证明有多硬？看一手来源质量、交叉验证数量
3. 共识分（Consensus）：市场是否已经充分关注？越冷门的正确判断越有价值
4. 错定价分（Mispricing）：公司在系统中的作用是否大于其受关注度
5. 催化分（Catalyst）：近期有没有财报、认证完成、量产启动等事件可能触发重估

⚠️ 注意：评分的目的是比较优先级，不是假装成交易信号。工具明确拒绝"评分 = 买入代码"。

快速上手：3 种用法与示例输入

项目通过 3 个脚本提供入口（均在 scripts/ 目录）：

用法一：单条研究线生成研究包—— 已经知道想研究哪条线

• 脚本：scripts/build_research_pack.py
• 示例输入：examples/ai_factory_lane_input.json（内置 NVIDIA DSX AI Factory 的 HBM 测试与先进封装演示线）

用法二：多条研究线横向比较—— 还没决定先研究哪条线

• 脚本：scripts/compare_lanes.py
• 示例输入：examples/lane_compare_input.json

用法三：原始材料一键整理成研究包—— 手里已经有一堆新闻、财报、研报

• 脚本：scripts/run_source_pipeline.py
• 示例输入：examples/source_bundle_input.json

如果想本地运行，可以获取仓库后直接用 Python 执行对应脚本：

git clone https://gitcode.com/gh_mirrors/ch/chokepoint-atlas

最终交付物：一套可复用的研究包

每条研究线最后会落成一整套结构化文件，而不是一段文字：

• quick_scan.md—— 快速扫描结论
• evidence_memo.md/evidence_trace.md—— 证据备忘录与证据追踪
• graph.json/graph_mermaid.md—— 产业链关系图谱
• scorecard.json—— 评分卡
• catalyst_watch.md—— 催化剂观察清单（后续跟踪什么能验证/证伪你的判断）

输出模板定义在 references/output-formats-v2.md，图谱结构定义在 references/graph-schema.md，催化剂跟踪方法在 references/catalyst-watch.md。

它适合谁？不适合谁？

✅适合：

• 想研究 AI 产业链、但不想只看热门大票的人
• 想找第二层、第三层瓶颈这种更有弹性方向的人
• 手里有散乱新闻/财报/研报，想整理成结构化结论的人
• 想让 Agent 做研究、而不只是帮你写摘要的人

❌不适合：

• 只想问一句"现在买哪只最猛"的人
• 只看情绪和热度、不想看证据链的人
• 想让 AI 替自己做短线决策的人

总结：一句话记住瓶颈思维

不要先问哪只票会涨，先问：如果需求继续放大，哪一层会先卡住？

Chokepoint Atlas 就是把这个顺序固化的工具：定系统 → 拆栈 → 找瓶颈 → 拉证据 → 排优先级 → 最后才给候选公司。按照 references/product-manual.md 中的完整手册操作，任何人都能把一条 AI 热点传闻，变成一份有证据、有图谱、可复用的研究包。

【免费下载链接】chokepoint-atlas项目地址: https://gitcode.com/gh_mirrors/ch/chokepoint-atlas