Claim verification
人机投研闭环：你出方向，AI 帮你查证/选股/记账，决策权归人。A human-agent investment-research operating model as an installable skill suite.
npx -y skills add realnaka/alphaloop --skill claim-verificationAssembled from the repository path, not quoted from the project. Check it against their README if it does not work.
One thing to look at
- 16 stars16 stars. Stars are a popularity signal and not a quality one, but at this level it is likely that nobody has read this closely except its author, and you would be relying on your own review.
What its author says it does
Copied from the file, not written here
核实二手信息真伪的方法论——把推文/小作文/新闻/研报/其他 AI 的结论降级为"假设"，拆成原子声明，用一手源逐条验真并打标签。当用户提到 "核实/查证/验证一下"、"这个人说的对吗"、"哪些需要验证"、"小作文"、"推文/X/Twitter 说"、"别的 AI 说"、"fact-check"、"多头/空头 thesis 核验"、"消息靠谱吗"、转发一段新闻/研报/截图让你判断真假时使用。也用于投资/公司关系/技术声明的真伪判断。
SKILL.md
6.2 KB, as published. Nobody here has run it
Claim Verification（二手信息核实方法论）
核心原则：任何二手信息（推文 / 小作文 / 新闻 / 研报 / 其他 AI 的结论）默认是假设（hypothesis），不是事实。验真前不引用、不写入知识库、不驱动决策。
姊妹 skill：
agent-tool-escalation管"工具怎么用"；本 skill 管"信息怎么验真"。投资场景配合openorder落档。
5 步工作流
1. 拆解（DECOMPOSE） 把长 thesis / 一段话拆成「原子声明」，每条只含一个可独立验证的事实
2. 定级（TRIAGE） 给每条声明标来源可信度 + 优先级（影响大 + 易错 = 先查）
3. 查源（VERIFY） 用「证据梯度」溯源到一手；量级类必须找到数字出处
4. 判定（LABEL） 给每条打 ✅ / 🟡 / 🔴 / ⚠️ 标签 + 写出一手源
5. 落档（LOG） 输出核验矩阵；投资场景同步纠正知识库 + 记 log（含纠错痕迹）
证据可信度梯度（高 → 低）
| 级 | 来源 | 用法 |
|---|---|---|
| S | SEC/EDGAR、SEDAR+、公司 IR / 官方 PR、8-K/10-Q/年报、标准文本（如 MSA 规范）、公司官网产品页、实时行情 API | 唯一可作"事实"的源 |
| A | 一线行业媒体、券商研报（署名）、原始论文 | 可作旁证，需标"分析师估/媒体口径" |
| B | 博客、substack、雪球/Stocktwits、转述新闻 | 仅作线索，必须回溯到 S/A |
| C | 匿名推文 / 小作文 / 群消息 / 其他 AI 的输出 | 只能当"待查线索清单"，本身不是证据 |
"其他 AI 给的结论"= C 级。把它当成一份待核实的 leads，逐条降级查源，绝不能因为"AI 也这么说"就当佐证。
8 类常见失真模式（查到任一 → 标 🔴/⚠️）
- 张冠李戴 / 误归属：把 A 公司的订单/合作安到 B 头上。→ 查原始 PR 的主体到底是谁。
- 循环引用：媒体甲引媒体乙、乙又引当事人本人。→ 顺着引用链找最初出处，看是否独立。
- 推断升级成事实："未具名客户"被脑补成具体公司；"潜在"被说成"已落地"。→ 区分披露事实 vs 社区推断。
- 选择性取利好/利空：只讲一个事实的有利面（如"被收购=利好"，隐藏"订单被取消"）。→ 同一事实强制双向看。
- 过时数据：拿 N 年前的 PR / 旧估值当现状。→ 检查日期；找最新一手覆盖。
- 营销展示 ≠ 商业事实（双向）：官网 logo 墙 ≠ 供货合同；logo 撤了也 ≠ 关系归零。→ 用合同/财报判断，不靠营销页；缺失是弱证据，不过度解读（"搜不到≠不存在"）。
- 量级未证实：涨幅/估值/出货量/市值等数字没出处。→ 找财报/行情 API 实测；对不上就标 ⚠️。
- 概念混淆：把同名不同义、同公司不同产品线、相近标准混为一谈。→ 回到定义/规格书逐项对齐。
判定标签
| 标签 | 含义 | 必须附 |
|---|---|---|
| ✅ 证实 | S 级一手源确认 | 源链接/出处 + 关键数字 |
| 🟡 部分/需 nuance | 方向对但有偏差或前提 | 说明偏在哪 |
| 🔴 错误/误导 | 与一手源冲突 / 张冠李戴 | 正确事实 + 源 |
| ⚠️ 未证实 | 找不到一手源 | 注明"已查 X 未果，存疑" |
关系强度分级（判断"A 和 B 有没有关系"时）
合同/8-K ＞ 入股 ＞ 战略合作 PR ＞ demo/样品/qual ＞ 论坛传闻。
不能把弱级别说成强级别（如把"OFC demo"写成"量产收入"）。
下"没有关系"结论前，先穷尽 vector 路径（见 agent-tool-escalation Case 6）。
下结论前的自检三问
- 我现在要采信/反驳的这条，源是 S/A 还是 B/C？ C 级没回溯到 S/A → 只能标 ⚠️，不能下定论。
- 这是披露的事实，还是别人的推断/口径？量级类有没有数字出处？
- 我是不是因为"听起来合理 / 用户这么说 / 别的 AI 也这么说"就想认同？plausible ≠ correct——验了再说。
输出模板（核验矩阵）
| 声明 | 判定 | 一手源 / 说明 |
|---|---|---|
| 〔原子声明 1〕 | ✅ | 〔S 级源 + 数字〕 |
| 〔原子声明 2〕 | 🔴 | 〔正确事实 + 源〕 |
| 〔原子声明 3〕 | ⚠️ | 已查〔X〕未果，存疑 |
先给"总评"（骨架真/假比例 + 最大风险点），再给逐条矩阵。
真实案例（2026-05 SIVE / ENA / Ayar 核验，供模式识别）
- 🔴 张冠李戴：多头称"POET $500M 订单 SIVE 供光源" → 实为 Lumilens→POET 的光引擎订单，全文无 Sivers。
- 🔴 过时数据：自己一度说"Ayar 明确双源 Lumentum" → 2022 旧 PR；2026 实况是 Lumentum 转竞争对手（自家 ELSFP-350 + NVDA $2B 直供）。修正时连自己的旧结论一起纠。
- 🔴 量级未证实：散户称 ENA"单日 +70% / 估值 <$50M / 10M+ 芯片" → 实测 +25%、市值 CAD 91M、无芯片数源；还顺手发现自己 wiki 把 ENA 指引写成 $12M（实为 $8M）。
- 🔴 概念混淆：用户把 CW-WDM MSA 当 20nm CWDM、把 LITE UHP-CPO 当长距相干 → 对照标准文本（cw-wdm.org）与 Lumentum 产品页逐项纠正。
- ✅ 真的也要认：SIVE×O-Net×Enablence 三方 8 通道 ELS = 官方 PR + SIVE Q1 财报点名 → 置信度高于其他 vector。
→ 核心教训：长 thesis 往往骨架真 + 细节假掺在一起；不能整体接受或整体否定，必须拆条验真。连自己之前写的结论也适用同一标准（推翻门槛 > 补充门槛，见 agent-tool-escalation Case 3）。