fin-brief-generator
根据用户输入或已有研究输出（文献综述/想法报告/新颖性报告），自动生成或更新FIN_BRIEF.md，减少用户填写负担。
触发条件
- 关键词:
生成简报FIN_BRIEFbrief研究简报简报研究概要 - Skill语法:
Skill: fin-brief-generator - 前置条件: 可选 — 已有研究输出文件
三种工作模式
模式一：推理模式 (Inference Mode)
当项目中已有研究输出文件时，从现有文件中自动推断字段值。
输入文件优先级:
1. output/fin-literature/LIT_REVIEW.md → 提取研究领域、方法、文献缺口 2. output/fin-ideas/IDEA_REPORT.md → 提取候选想法、评分 3. output/fin-novelty/NOVELTY_REPORT.md → 提取定位策略 4. output/fin-refinement/REFINED_DESIGN.md → 提取研究设计细节
执行流程:
pythonfrom scripts.brief_generator import BriefGenerator, InferenceMode generator = BriefGenerator(project_root=".") # 推理模式：从现有文件推断 brief = generator.generate_from_outputs(mode=InferenceMode) # 仅向用户展示未知字段 unknown_fields = brief.get_unknown_fields() print(f"需要您补充 {len(unknown_fields)} 个字段:") for field in unknown_fields: print(f" - {field}")
示例:
已推断字段: 12/17 - 研究主题: 碳排放权交易对企业绿色创新的影响 ✅ - 因果推断方法: 双重差分法 (DID) ✅ - 目标期刊: 经济研究 ✅ 需补充字段: 5/17 - 主要作者: ? - 协作者: ? - 资助机构: ? - 文献综述截止日期: ? - 初稿截止日期: ?
模式二：问卷模式 (Questionnaire Mode)
当有部分信息时，通过结构化问卷收集缺失信息。
问卷流程:
pythonfrom scripts.brief_generator import QuestionnaireMode generator = BriefGenerator(project_root=".") # 运行问卷 answers = generator.run_questionnaire( questions=[ { "id": "topic", "question": "研究主题是什么？请用一句话描述", "type": "text", "required": True, }, { "id": "journal", "question": "目标期刊是哪个？", "type": "choice", "options": ["JF", "JFE", "RFS", "经济研究", "金融研究", "管理世界", "其他"], "required": True, }, { "id": "data_source", "question": "主要数据来源是什么？", "type": "choice", "options": ["Tushare/A股", "CSMAR", "Wind", "Yfinance/美股", "手动收集", "其他"], "required": True, }, { "id": "method", "question": "有偏好的研究方法吗？", "type": "choice", "options": ["DID", "IV/2SLS", "RDD", "合成控制", "PSM", "面板GMM", "无偏好"], "required": False, }, ], interactive=True, # 对话式问卷 )
问卷示例对话:
问: 研究主题是什么？请用一句话描述 答: 碳排放权交易试点对企业绿色创新的影响 问: 目标期刊是哪个？ 答: 经济研究 问: 主要数据来源是什么？ 答: Tushare/A股 问: 有偏好的研究方法吗？ 答: DID
模式三：快速问答模式 (Quick Q&A Mode)
从零开始，单次对话收集最基本信息，立即生成简报。
pythonfrom scripts.brief_generator import QuickQAMode # 快速问答 — 仅3个核心问题 generator = QuickQAMode() brief = generator.generate( topic="碳排放权交易对企业绿色创新的影响", journal="经济研究", authors="张三", )
FIN_BRIEF.md 结构
生成的文件结构如下：
markdown# 研究简报 (FIN_BRIEF) > 生成时间: 2026-06-13 > 版本: 1.0.0 > 状态: draft | in_progress | completed --- ## 基本信息 - **研究主题**: [topic] - **目标期刊**: [journal] - **研究类型**: [实证研究/综述/方法论/案例研究] - **语言**: [中文/英文/双语] - **预估字数**: [字数] 字 ## 研究团队 - **主要作者**: [name] - **协作者**: [names] - **资助机构**: [funding] - **伦理审批**: [IRB approval if applicable] ## 研究设计 - **因果推断方法**: [DID/IV/RDD/合成控制/PSM/面板GMM/其他] - **识别策略**: [描述识别策略] - **样本期间**: [start_year] - [end_year] - **样本量**: [N firms/observations] - **数据来源**: - [source_1]: [description] - [source_2]: [description] ## 变量定义 ### 因变量 | 变量名 | 定义 | 数据来源 | |--------|------|----------| | [var_1] | [definition] | [source] | ### 自变量/核心解释变量 | 变量名 | 定义 | 数据来源 | |--------|------|----------| | [var_1] | [definition] | [source] | ### 控制变量 | 变量名 | 定义 | 数据来源 | |--------|------|----------| | [var_1] | [definition] | [source] | ## 实证方法 - **基准模型**: [模型描述] - **固定效应**: [FE combination] - **标准误**: [Clustering] - **稳健性检验**: [list] - **异质性分析**: [list] - **机制分析**: [list] ## 行为控制 ```yaml AUTO_PROCEED: false # 强制交互checkpoint HUMAN_CHECKPOINT: true # 每阶段暂停 REVIEWER_DIFFICULTY: strict # standard/strict/nightmare LANGUAGE: zh # zh/en/both FALLBACK_SIMULATED_DATA: false # 禁止静默使用模拟数据
时间线
| 阶段 | 截止日期 | 状态 |
|---|---|---|
| 文献综述 | [date] | pending |
| 新颖性验证 | [date] | pending |
| 实证设计 | [date] | pending |
| 数据获取 | [date] | pending |
| 论文写作 | [date] | pending |
| 初稿完成 | [date] | pending |
| 投稿目标 | [date] | pending |
里程碑
- [ ] [date] 阶段1完成
- [ ] [date] 阶段2完成
- [ ] [date] 初稿完成
备注
[Any additional notes]
元数据
yamlgenerated_by: fin-brief-generator version: 1.0.0 created: 2026-06-13 updated: 2026-06-13 parent_outputs: - LIT_REVIEW.md - IDEA_REPORT.md - NOVELTY_REPORT.md - REFINED_DESIGN.md
## 增强工具 (2026-06) ```python from scripts.research_framework import ( PolicyDatabase, # 23个中国准自然实验政策数据库 AShareVariableFetcher, # 8个A股特殊变量 FinancialChartFactory, # 20个图表模板 ) # ============ 政策数据库 ============ pd = PolicyDatabase() # 按领域搜索政策 carbon_policies = pd.get_policies(domain="carbon") # 返回: [Policy(id=..., name=..., year=..., description=...)] # 按关键词搜索 matching = pd.search("绿色创新") # 返回: [Policy(...), ...] # 获取政策详情 detail = pd.get_policy_detail("carbon_trading_pilot") # 返回: PolicyDetail(start_year=..., provinces=[...], intensity=...) # ============ A股特殊变量 ============ f = AShareVariableFetcher() # 获取研发投入强度 rd = f.get_rd_intensity(["000001.SZ", "600000.SH"], years=["2018-2022"]) # 获取ESG评分 esg = f.get_esg_rating(["000001.SZ"], source="华证") # 获取分析师覆盖 coverage = f.get_analyst_coverage(["000001.SZ"]) # ============ 图表工厂 ============ factory = FinancialChartFactory(output_dir="figures/") # 预设图表 fig = factory.plot("parallel_trends", df, time_var="year", treat_var="treat", y_var="innovation", save_path="figures/parallel_trends.pdf") # 自定义图表 fig = factory.plot_custom( chart_type="scatter", data=df, x="size", y="roa", color="treat", title="企业规模与盈利能力", xlabel="企业规模 (对数)", ylabel="ROA", )
交互流程
[模式检测] 检测到项目已有研究输出文件 检测到的文件: ✅ output/fin-literature/LIT_REVIEW.md ✅ output/fin-ideas/IDEA_REPORT.md ✅ output/fin-novelty/NOVELTY_REPORT.md [推理模式] 正在从现有文件推断字段... 推断结果: - 研究主题: 碳排放权交易对企业绿色创新的影响 - 目标期刊: 经济研究 - 因果推断方法: 双重差分法 (DID) - 样本期间: 2012-2022 - 数据来源: Tushare + 手动整理碳交易数据 需要您补充: 1. 主要作者: [请输入] 2. 协作者: [请输入] (可选) 3. 资助机构: [请输入] (可选) 4. 文献综述截止日期: [请输入] 5. 初稿截止日期: [请输入] 6. 投稿目标日期: [请输入] 请回答以上问题，或输入"跳过"使用默认值。
输出文件
FIN_BRIEF.md— 研究简报主文件 (项目根目录)FIN_BRIEF_BACKUP_v{n}.md— 每次更新的备份
依赖项
scripts/brief_generator.py— 简报生成器核心scripts/research_framework/policy_database.py— 政策数据库scripts/research_framework/asvare_variable_fetcher.py— A股变量获取scripts/research_framework/fin_charts.py— 图表工厂
约束
- 推理优先 — 有现有输出时，自动推断而非重复询问
- 最小输入 — 问卷只问必要信息，其他自动推断
- 版本备份 — 每次更新前备份旧版本
- 字段验证 — 期刊名必须匹配已知列表
- 行为控制必填 — AUTO_PROCEED 等字段不能留空
