风险情绪扫描器

对目标企业进行公开舆情信息抓取 + LLM 驱动信用风险评级，输出结构化 JSON 报告。

工作流程

步骤 1 — 接收企业列表

支持三种输入方式：

方式 A（对话直接提供）：

蚂蚁集团
贵州茅台
碧桂园

方式 B（上传文件）：
读取用户上传的 .txt 或 .csv 文件，每行一个企业名称，自动去重。

方式 C（Cron 定时触发）：
从 memory/risk-watchlist.md 读取企业名单（可由用户提前维护）。

步骤 2 — 舆情信息抓取

对每个企业执行以下操作：

bash

搜索近6个月相关舆情（多关键词组合）

使用 batchwebsearch 工具，每个企业最多抓取 8 条搜索结果。

重点来源优先级：

1. 1. 证券时报 (stcn.com)
2. 21财经 (21jingji.com)
3. 新浪财经 (finance.sina.com.cn)
4. 腾讯新闻 (news.qq.com)
5. 东方财富网 (eastmoney.com)

步骤 3 — 正文提取

对每家企业，取搜索结果中 最新且相关的 3 条 URL，使用 extractcontentfrom_websites 提取正文内容。

提取策略：

• - 每篇正文最多读 2000 字（截断后半部分）
• 保留：标题、时间、风险相关段落
• 丢弃：广告、评论区、导航内容

步骤 4 — LLM 风险评级

将整理后的舆情文本发给 LLM，按以下结构输出（每家企业独立评分）：

json
{
company: 企业名称,
risk_level: R1-低风险 | R2-中低风险 | R3-中高风险 | R4-高风险,
risk_score: 0-100,
risk_trend: 上升 | 稳定 | 下降,
keypositivefactors: [利好因素1, 利好因素2],
keynegativefactors: [风险因素1, 风险因素2],
red_flags: [需重点关注信号1, 信号2],
news_summary: 近6月舆情摘要（100字内）,
recommended_action: 业务合作建议,
review_frequency: 月度 | 季度 | 半年度,
data_sources: [来源1 URL, 来源2 URL],
last_updated: YYYY-MM-DD
}

步骤 5 — 风险评分模型（参考）

最终等级：

• - R1（0–25分）：低风险，舆情正面
• R2（26–50分）：中低风险，有可管理风险敞口
• R3（51–75分）：中高风险，偿债能力承压
• R4（76–100分）：高风险，业务可持续性存疑

步骤 6 — 输出与推送

输出内容（JSON 格式）：

json
{
report_date: 2026-03-18,
total_companies: 3,
summary: {
R1_count: 0,
R2_count: 1,
R3_count: 1,
R4_count: 1,
highriskcompanies: [碧桂园, 贵州茅台]
},
companies: [ / 每家企业的完整评级 JSON / ]
}

输出位置（按用户偏好）：

• - 默认：直接输出到当前对话
• 可选：保存至 memory/risk-reports/YYYY-MM-DD.md
• 可选：推送至飞书文档（通过 Feishu Skill 接口）

步骤 7 — 异常告警

若扫描结果中出现 R4 级企业，自动在报告顶部输出红色告警：

🚨 【高风险预警】碧桂园 — R4(78分)
触发原因：177亿美元债务重组仅支付2%本金，净资产极度薄弱
建议动作：建议回避新增敞口，存量业务降级处理

维护企业监控名单

用户可通过以下方式管理要跟踪的企业列表：

1. 1. 对话更新：直接告诉我把 XXX 公司加入监控列表
2. 文件维护：编辑 memory/risk-watchlist.md，每行一个企业名称+备注

格式示例：

风险监控名单

注意事项

• - 本 Skill 仅基于公开信息，不构成正式信用评级
• 风险评分为 LLM 判断结果，供参考，不当作为唯一决策依据
• 涉及投资、信贷等重大决策前，建议咨询专业金融顾问