企业官网建设流程全解析

做产业研究这几年，我最大的体会是：找数据从来不是难事，难的是知道该盯哪里。一份行业报告拿到手，产业链上下游动辄二三十个环节，每个环节又有产能、出货、价格、库存、技术路线、客户认证一大堆指标，网上的公开信息多到看不过来。但真到做判断的时候，大部分人还是只能拍脑袋——因为链条上不是每个环节都值得同等关注，真正的胜负手往往藏在一两个“卡点”里。

我这两年摸索出一套叫Serenity-skill的工作方法，简单说就是借用AI大模型把“产业链卡点识别”从一门玄学变成一条可复现、可打分、可跟踪的流水线。这篇文章我会把整条流水线的原理、提示词方案、数据源选择和踩坑记录全部摊开来讲，适合产业分析师、一级市场投资人、企业战略规划的人，以及所有想用AI做深度研究但不知道怎么下手的人。

1. 产业链研究真正的痛点：不是信息少，而是抓不住“卡点”

1.1 为什么直接问AI“哪个环节有机会”完全不靠谱

很多人拿到AI第一件事就是问：帮我看看人形机器人产业链哪个环节最值得投资？或者直接问：新能源赛道还有什么机会？这种问法得到的答案几乎一定是正确的废话——技术壁垒高、国产替代空间大、下游需求旺盛。序列跟网上免费研报的摘要没什么区别。

原因不复杂。大模型训练用的公开资料本身就是滞后且平均化的，它对“当前时点哪个环节最紧缺”没有实时感知，对“产业链上谁在赚钱谁在被压价”的理解也来自一堆过期研报的共识。你问得越宽泛，它就越倾向于给你一个四平八稳的安全答案。

但这不是AI的问题，是提问方式的问题。AI的价值不在直接告诉你答案，而在帮你把复杂系统的结构拆出来、把分散的信息聚合成可比较的维度。你要做的，是给它一个足够具体的工作流，而不是一个空泛的提问。

1.2 卡点的准确定义：它不是“热门环节”，是“结构性瓶颈”

先说清楚什么是卡点。我理解的卡点是：在一个产业链里，由于供需紧张、技术门槛高、验证周期长、产能扩建慢等原因，导致某个环节成为整个链条产能或利润分配中枢的那几个环节。

判断一个环节是不是卡点，通常看几个特征：

• 供需缺口：需求增长速度快于供给释放速度，产能利用率长期处于高位。
• 技术壁垒：少数厂商掌握核心工艺，后进者短期内难以追赶。
• 认证与客户粘性：下游客户验证周期长，一旦进入供应链就不容易替换。
• 议价权强：体现在毛利率显著高于上下游平均水平，或者回款条件好、价格有刚性。
• 扩产周期长：即使现在开始扩产，也要两三年才能形成有效供给。

一个环节占的“卡点”特征越多，它就越可能在整个产业链里获得超额利润和确定性增长。投资机会的本质，就是提前找到这一类环节，然后顺着它往上下游看谁受益、谁受损。

1.3 传统研究方式为什么搞不定这件事

传统做产业链分析，普遍要面对三座大山。

第一座是信息碎片化。一个环节的供需数据可能散落在上市公司年报、行业协会统计、海关出口数据、招投标网站、头部企业的招聘信息里，靠人工一个个翻，一个产业链研究下来至少一两周，而且容易漏。

第二座是链条传导关系复杂。卡点不是一个孤立的点，它有上游、下游，还有替代路径。比如一个材料环节卡住了，可能利好做回收的企业，也可能倒逼下游切换技术路线。这个传导关系没有积累过两三个周期很难有体感。

第三座是时效性差。纸质研报从调研到发布往往滞后一个季度以上，等你看到“供需紧张”的结论时，相关公司的股价或者估值往往已经提前反应了。

Serenity-skill这条流水线要解决的，就是这三座大山。它不是要替代研究员的判断，而是把“收集信息、结构化拆解、量化比较、动态跟踪”这些以前靠人和Excel做的活，交给AI去加速。

2. Serenity-skill的核心流水线：五步把产业链拆成可打分模块

2.1 第一步：用AI搭建产业链结构图谱

万事第一步，先把产业链长什么样搞出来。这一步用AI效率极高。

我通常会给AI这样一条指令（以人形机器人为例）：

你是资深产业分析师。请把“人形机器人产业链”从上游原材料到中游核心部件再到下游整机与应用场景，拆解成尽可能完整的环节列表。每个环节需要包含：主要产品/服务、代表性参与者类型（非具体公司）、当前主流技术路线。输出为Markdown表格。

这个步骤的关键是“分工明确、要求结构化”。你不用AI自己编一个宏大叙事，而是让它把链条铺开。第一次生成的结果往往会有遗漏，比如把“精密减速器”只写成一个词，而没有拆成谐波减速器和RV减速器。这时候你要继续追问：这个环节是不是还能再往下拆？有没有跟它平行的技术路线？

实测下来，经过两三轮追问，AI搭出来的产业链图谱已经能覆盖七成以上我平时要花大量时间从各种报告里拼凑的内容。剩下三成需要靠人的行业经验补充——但这已经省了很大力气。

2.2 第二步：定义每个环节的关键量化指标

图谱建完之后，真正拉开差距的一步来了：给每个环节定义可量化的观察指标。

我常用的一套指标包括：

• 市场规模（当前+预测复合增速）
• 主要参与者数量与集中度（CR3/CR5）
• 技术路线成熟度（实验室/中试/规模化）
• 扩产周期（从立项到量产的时间）
• 下游验证周期与转换成本
• 进口依赖度与国产化率
• 毛利率中枢区间

这一步可以让AI先把粗数据填上，但不要求它准确——它的作用是生成一个“数据框架”。然后你拿这个框架，去公告、数据库和行业访谈里逐个校准。这一步的本质，是把你脑子里模糊的“哪个环节重要”变成可以横向比较的字段。

2.3 第三步：卡点打分卡——把主观经验变成量化模型

我对这个环节最满意的一套设计，是一张“卡点打分卡”。每个维度按1到5分打分，最后加权求和。我的默认权重如下：

每个环节五项都打一遍分，加权重算出综合分。综合分在3.8分以上的，我才会把它列为“重点关注卡点”。

这个打分卡的价值，不是让你得到一个“精确的真理”，而是强迫你用同一个尺子量所有环节，避免被单一信息带偏。比如某环节热度很高，但一看扩产周期只有半年、技术壁垒也不高，打分就会自然降下来。

2.4 第四步：传导链条推演与机会排序

找到卡点之后，别停在那。卡点真正的价值，在于它能把产业链的利润结构重新洗牌。

举个例子，如果上游某个材料环节因为技术壁垒成为卡点，往往意味着：

• 拥有该材料产能的厂商，未来两年盈利确定性极强（第一受益）；
• 为该材料提供设备或核心原料的厂商，会拿到扩产订单（第二受益）；
• 下游以该材料为主要成本的企业，毛利率会被挤压（受损）；
• 做该材料回收或替代路线的早期项目，会获得资本关注（期权价值）。

我会让AI针对每个高分红卡点，推演一遍“上游、下游、替代路线、配套服务”的传导影响，然后按“影响方向和强度”排出清单。这一步做完，机会和风险都很清楚了。

2.5 第五步：动态跟踪与风险标记

产业链卡点不是一成不变的。原先是卡点的环节，可能因为大规模扩产变成过剩；原先不起眼的环节，可能因为技术突变变成新卡点。所以Serenity-skill的最后一步，是为每个盯住的环节设定动态跟踪指标。

我会让AI帮我生成一张“月度跟踪表”，指标包括：产品价格、头部厂商扩产公告、新进入者数量、技术路线的重大事件、下游需求侧的边际变化。一旦指标触发阈值（比如产品价格开始下跌），就提醒自己重新打分。

我常跟人说，这套方法本质上像一个软件系统——卡点识别是扫描漏洞，打分是评估漏洞严重性，传导推演是预测利用漏洞会影响哪些模块，动态跟踪则是打补丁和更新基线。

3. 调教AI的关键工序：提示词工程与多轮交叉验证

3.1 给AI立人设，让它先说清边界、再给结论

很多人在用AI做研究时得到垃圾结果，核心原因是没给AI设置“回答约束”。如果你只是说“帮我分析XX环节”，它会默认用最舒服的方式回答：罗列优点缺点，然后给一个模糊的展望。

我的做法是强制它在人设和工作边界内回答。一个常用的模板：

你是一位覆盖硬科技领域的一线产业分析师。你的特点是：结论必须有数据或事实支撑，无法确认的信息要明确说“当前信息不足以确认”，禁止使用“有望、可能、预计”等模糊词汇。现在请分析[环节名称]的供需格局。输出结构如下：

1. 需求端的主要驱动与增长中枢
2. 供给端的产能存量、在建产能与释放节奏
3. 当前供需缺口估算及假设
4. 该环节的卡点特征强弱（基于打分卡逐项说明）
5. 以上结论中哪些来自公开数据、哪些来自推断

这套约束最大的杀伤力在于“不确定就没法滑过去”。AI没法再用“有望突破”这种话来蒙混，它必须告诉你哪些是数据、哪些是推测。有了这个边界，它输出的内容才能被当作研究原料使用。

3.2 多轮追问：把模糊结论拆成颗粒度更细的信息

第一轮AI给的回答通常不够细。比如它说“技术壁垒较高”，你要追问：“高在哪里？是工艺know-how，是设备精度，还是材料配方？目前全球范围内真正实现稳定量产的企业大概有几家？国内有没有在验证阶段的玩家？”

不要怕多轮对话麻烦。每一轮追问，都是在逼AI把你熟悉的行业常识和它从海量资料里学到的信息做交叉映射。很多有用的细节，比如“某环节头部企业毛利率能到40%，但二线企业只有10%出头”“当前新增产能要2027年才能释放”，都是在追问中浮出来的。

有一点要注意：多轮追问不等于让AI顺着你说话。我会故意反向提问，比如“有没有理由怀疑这个环节未来两年不再是卡点？”如果它能给出几个合理的反方逻辑，我对这个结论的置信度会提高；如果它一味附和你，那这条信息就存疑。

3.3 多模型交叉验证与置信度标注

单一模型给出的结论，无论多详细，我都只当成“初稿”。正式一点的研究目标，我会做交叉验证：同一个问题分别抛给两到三个不同风格的模型——一个通用对话模型、一个擅长推测的思维链模型、一个检索增强型模型。

这三个模型答案的“共识部分”可信度较高；分歧部分，恰好就是需要人工做功的地方。比如通用模型说某环节供需平衡，检索模型发现有多个新产线开工，这个分歧就提示你：该环节的产能释放速度可能比预期快，卡点强度在下降。

我还会要求模型给自己每个回答打一个置信度。这不是让AI真的拥有自我认知，而是逼它把“信息充分程度”暴露出来。一个高置信度但有明确数据来源的回答，和一个低置信度但听起来很专业的回答，对研究的指导意义完全不同。

3.4 本地部署与API调用的取舍

做产业链分析会涉及不少非公开或者敏感的数据材料，比如自己收集的调研纪要、草根数据、内部框架，这些我不太倾向丢给云端公开接口。

我的方案是分两层：日常的公开信息梳理用云端大模型，便捷高效；涉及自采数据和阶段性研究结论的，我会用开源模型做本地部署，保证数据不出内网。

本地部署没有想象中那么玄乎。现在主流开源模型的量化版本，一张24GB显存的卡就能跑起来，配合一个简单的知识库脚本，足够完成“把调研纪要喂进去、按产业链环节归档、做初步信息抽取”这类操作。性能上虽然比云端顶配模型弱一些，但对于做结构化和信息召回来说完全够用。

关于API调用，我最常用的是“批量短任务”模式：把一份PDF年报丢给AI，让它抽取某环节的产能、开工率、毛利率等字段，输出成JSON。这种任务对推理能力要求不高，但对信息抽取和格式遵循有要求，用API跑最合适。跑完以后我人工核对一遍，准确率能到90%以上。

4. 数据源与专利视角：让AI从非结构化信息里挖出卡点证据

4.1 传统结构化数据的快速获取

产业链研究不能只靠AI的“记忆”，必须有真实数据做锚点。我日常使用的数据源比较杂，但基本可以归成几类：

• 上市公司公告与年报：产能、在建工程、毛利率、前五大客户信息；
• 行业统计年鉴与协会数据：整体市场规模、产量、开工率；
• 海关进出口数据：特定设备的进口量、进口国别，能间接反映国产替代进程；
• 招投标信息平台：设备采购量能比券商研报更早反映扩产节奏；
• 招聘平台：目标环节的岗位数量、薪资变化，可以侧面观察企业扩张意愿。

以前这些数据要靠人逐份看。现在AI可以把这些非结构化文件批量吃掉，抽取关键字段落到表格里。我一般会先让AI把近三年某产业链上市公司的“资本开支增速”和“在建工程/固定资产比”拉出来，这两个指标能很快告诉我哪些环节正在扩产、哪些环节还在憋产能。

4.2 专利数据：AI识别技术路线卡点最顺手的抓手

这里我想重点展开专利数据，因为它是最容易被低估、但对识别技术壁垒类卡点最有效的数据源。

技术壁垒这种东西，听头部厂商讲得再好，都不如看专利数据来得真实。具体做法是：从公开的专利检索数据库，按产业链环节检索“近三年新增专利数量”“发明专利占比”“专利申请人集中度”，然后用AI去读专利公开文本的摘要与权利要求，判断这些专利主要围绕什么技术路线展开。

这套操作的价值体现在两个方面：

第一，专利集中度说明技术垄断程度。如果某环节近三年新增专利高度集中在两三家手里，说明技术路线已经收敛，后进入者很难绕过去，这是一个典型的“技术型卡点”信号。反过来，如果专利在十几家企业间分散，说明技术还没有定型，当前看起来赚钱的环节随时可能被新路线颠覆。

第二，专利主题的变化可以提前揭示技术路线切换。比如某材料体系A现在是主流，但从专利文本看，近两年围绕体系B的专利数量大幅增加，那你就要警惕A体系的长期价值。AI读专利摘要比人快得多，我常用提示词让它把某环节近一年的专利按“技术主题”聚成几类，然后看各类专利的数量变化趋势。

这里可以顺手用一个思路：把卡点识别当成“产业链漏洞挖掘”。传统网络安全里，扫描器会先枚举网络中的每个节点，再逐个探测弱口令和未修复漏洞。Serenity-skill做的事情也一样——枚举环节，探测技术壁垒和供需缺口，找出最容易被“利用”的那几个点。专利数据就是这个扫描器里最锐利的探针。

4.3 招聘数据、招投标信息与产能变化的交叉验证

光看专利还不够，要确认一个环节是不是真的要爆发，还需要交叉验证。我的习惯是把三组信息放在一起看：

• 设备招投标数据是不是在放量；
• 相关企业招聘岗位数量和薪酬是不是在上调；
• 工业用地的出让/环评公示是不是变多。

如果这三组数据同时向上，那基本可以确认该环节处于“扩产周期前夜”——这对投资时点判断非常关键。因为卡点投资的最佳窗口期，往往不是“已经紧缺到所有人知道”的时候，而是“从数据上即将变紧、但共识还没形成”的时候。

这三组数据的挖掘，AI能发挥的作用是信息抽取和交叉整理。我会把招投标文件的PDF批量喂给它，让它提取“设备类型、采购方、数量、金额、中标方”；再把招聘网站的样本岗位信息整理成“岗位名、薪资区间、招聘人数变化”。这些工作以前靠实习生做要两三天，现在大概一个下午能跑完。

5. 一套实操演示：从产业链图谱到投资机会排序的完整过程

5.1 本次演示的标的设定与检索条件

下面用一个具体的演示，把整套流程串起来。这个演示为方便起见用的是人形机器人产业链，时间基准设定为近期公开数据，信息来源全部为公开资料。需要说明的是，这只是一个方法演示，不构成任何投资建议，不推荐任何标的。

我给AI的初始条件是：

• 领域：人形机器人
• 覆盖范围：从核心零部件到整机
• 研究目标：识别当前最突出的卡点环节，并说明传导逻辑

5.2 AI输出的初始图谱与关键环节提取

AI第一轮生成的产业链图谱，经过人工修正后大约包含二十多个环节。我挑了其中的核心环节列出来，包括减速器、行星滚柱丝杠、无框力矩电机、空心杯电机、六维力传感器、编码器、灵巧手、电池系统、算力芯片、操作系统、整机制造等。

接下来让AI对每个环节按打分卡打分。我要求它每个分数都必须附一条“依据描述”，没有依据的不得分。最终表现比较突出的环节有几个：行星滚柱丝杠、六维力传感器、谐波减速器，以及灵巧手（尤其是触觉传感器部分）。为了可读性，下表只展示打分卡比较突出的五个环节：

5.3 打分结果的解读与卡点判定

行星滚柱丝杠的分数最高，核心逻辑是技术壁垒和供需紧张度同时拉满。当前具备稳定量产能力的企业极少，而行星滚柱丝杠作为人形机器人腿部关节的核心传动件，单台用量大，对精度和寿命要求极高，后进入者要在材料、热处理、螺纹磨削工艺上持续积累。所以它同时满足“技术型卡点”和“产能型卡点”的特征。

六维力传感器分数紧随其后。这个东西的价值在于，人形机器人要做精细操作，必须在手腕和脚踝处感知六维力和力矩，量产难点在于结构设计、应变片贴片工艺和标定。它虽然市场规模当前还不大，但增速预期非常可观。这个环节比较像“卡点中的卡点”——因为整机要起量，传感器必须先降本放量。

谐波减速器的认知度最高，打分高主要靠认证转换成本和供需格局。但坦白说，谐波减速器的总体技术格局已经相对清晰，头部几家企业的规模效应已经显现，新进入者的窗口在收窄。所以它在我的打分系统里排第三，属于“确认度较高但预期差变小”的环节。

灵巧手打分靠后一点不是因为不重要，而是因为技术路线还在快速演化，当前不同方案（腱绳驱动、连杆驱动、气动驱动）还没有收敛，此时下注单一技术路线有路径风险。它的投资逻辑更偏向“等格局清晰再进”。

5.4 传导推演：卡点如何扩散为利润再分配

确定了丝杠、力矩传感器为卡点之后，下一步推传导。以行星滚柱丝杠为例子，AI结合我的约束条件给出的传导链路大致是这样：

• 上游：丝杠的材料与热处理设备、螺纹磨床会成为间接受益环节，因为这些设备的供应商有限，丝杠扩产必然带动对其需求；
• 中游：丝杠价格高企会显著推高整机BOM成本，人形机器人整机厂为了降本，会加大力度扶持二供、三供，同时寻求以工艺创新降低丝杠加工成本；
• 下游：整机定价空间受限，最先倒逼的是整机厂商对部分核心零部件的自研，或者通过入股、绑定产能等方式锁定供给——这也是为什么近两年能看到整机厂密集投资核心零部件公司的现象。

这个传导推演看起来很顺滑，但我通常不会直接采信AI的第一次推演。我会反过来再问一轮：“以上逻辑中，哪些环节即使丝杠紧缺也不会受益？”这一步能防止自己陷入单一线性思维。AI给的答案是“现有丝杠产能但不具备量产良率的边缘玩家”，因为这类公司就算有概念产能，也吃不到主流订单。这就是交叉验证的价值。

6. 这套方法会踩的坑：幻觉、时效、周期反转与人工校验清单

6.1 AI幻觉：产业链数据错一处，结论全偏移

用AI做产业链研究，最大的风险永远是幻觉。它不是故意骗你，而是会在信息缺失时用“最合理的想象”补全数据。

我踩过的最典型的一次坑是：让AI整理某细分环节的产能数据，它把“规划产能”和“实际可用产能”混为一谈，导致供需缺口被明显高估。如果当时不做交叉验证，按那个结果做研究，方向会偏得非常远。

现在我的规矩是：AI输出的所有数值都必须能指出原始出处，不给出处就当未经验证。它给出的估算，我会在提示词里要求标“假设”，并写明估算方法。凡是无法追溯来源的数据，在后续分析里只作为参考区间，不作为计算基准。

6.2 时效性陷阱：AI回答的是“过去”，而投资看的是“未来”

大模型训练数据存在明显的截止时间，它知道的信息最多到训练集覆盖的时间点。而产业链研究的难点恰恰在于前瞻——当前的数据只能验证过去的格局，未来的变化要靠对扩产周期和需求曲线的推导。

用Serenity-skill做研究时，对模型的“记忆型回答”和“推断型回答”要分层处理。记忆型回答，比如某公司主业是什么、某个环节通常有哪些玩家，可以信任；推断型回答，比如“明年供需是否紧张”，AI也只是基于历史模式的外推，必须结合最新数据和行业调研修正。

我通常把AI当成“最聪明的研究员助理”，而不是“预知未来的分析师”。所有关于“未来”的判断，都要回来自己用数据推一遍。

6.3 卡点反转：供需再平衡后，曾经的“卡点”会变成“过剩环节”

这是我最想强调的一点。产业链卡点有一个天然宿命——高利润会吸引大量资本涌入扩产，而扩产到落地往往需要一两年。等新产能真正投出来，原先的卡点就会变成过剩环节，价格战开启，毛利率回归平均水平。

在应用Serenity-skill时，打分卡里的“供需紧张度”一定要结合在建产能动态调整。如果一个环节的扩产公告明显加速，哪怕当前数据还是紧张的，我也会把供需紧张度的分数往下调。宁可错过鱼尾，不要套在周期顶上。

实操中我常用一个简单规则：头部厂商资本开支增速连续两个季度超过30%时，开始警惕该环节未来两年的过剩风险。这个指标比价格信息要领先，它反映的是正在发生的供给变化。

6.4 人工校验清单：每次研究之前必须过一遍

最后分享一个我自己的校验清单，所有用Serenity-skill完成的产业链研究，在下结论前都会过一遍：

• 关键数值是否都有原始出处？没有的全部退回重查；
• AI的结论是否经过了至少两个不同思路的模型交叉验证？
• 打分卡的权重设置是否匹配当前行业阶段？（早期赛道加重技术壁垒和认证周期，成熟赛道加重供需格局）
• 有没有对结论做过“反向挑战”？即主动找推翻卡点判断的证据；
• 传导推演中，有没有分辨出“受益”和“实际业绩兑现”之间的时滞？
• 是否清楚标记了动态跟踪指标，以及触发重新评估的条件？

老实说，这套清单并不能保证每次判断都正确，它能做的是把“系统性失误”的概率压下来。产业研究本身就是概率游戏，没必要追求每个结论都对，但方法论和校验机制一定要闭环。

我个人在使用中还有一个习惯：每个月固定留半天，把之前盯着的几个环节重新打一次分。分数变化往往比任何一篇研报都能更快地告诉我“产业逻辑是不是正在松动”。Serenity-skill说到底是一种“把信息变成结构，把结构变成判断”的杠杆，判断还得由人来下。希望这套框架对你有用，也欢迎在实践后和我交流修正。