企业官网建设流程全解析

• 人工智能
• AI 应用
• AI 技能/插件
• AI Agent
• 金融科技

本指南聚焦开源仓库 financial-services 中 financial-analysis 垂直插件所提供的能力：通过/lbo斜杠命令触发、由lbo-modelSkill 驱动的杠杆收购（Leveraged Buyout, LBO）模型构建流程。你将掌握该插件如何以模板为核心、以"公式优先"为铁律、按章节逐步与用户校验，最终产出投资银行级别质量的 Excel LBO 模型（Sources & Uses、Operating Model、Debt Schedule、Returns Analysis、Sensitivity Tables），以及从源码层面理解其底层实现约束与验证清单。

一、从命令到技能：/lbo的定位与触发方式

在 financial-services 仓库中，命令（Commands）是用户显式触发的斜杠动作，而技能（Skills）是模型在任务相关时自动调用的领域知识包。/lbo命令位于 commands/lbo.md，其 Frontmatter 明确声明了命令的契约：

• description：Build an LBO model for a PE acquisition（为私募股权收购构建 LBO 模型）；
• argument-hint：[company name or deal details]（参数提示为"公司名或交易细节"）。

命令正文非常简洁，却定义了完整的执行语义：

Load thelbo-modelskill and build a leveraged buyout model for the specified company or deal. If a company name is provided as an argument, use it. Otherwise ask the user for the target company and deal parameters.

也就是说，/lbo本身是一个路由入口：它不直接写建模逻辑，而是把控制权交给lbo-modelSkill。这与同目录下其他命令的设计一脉相承——例如 dcf.md 会先加载comps-analysis再用comps信息校准dcf-model的终值倍数，3-statement-model.md 同样只负责把用户提供的模板路径转交给3-statement-modelSkill。这一"命令薄、技能厚"的分层，使同一套 Skill 可以被多个命令、多个 Agent 复用。

从安装方式看（见仓库根目录 README.md），financial-analysis是承载共享建模技能与全部数据连接器的核心插件：

claude plugin marketplace add anthropics/financial-services claude plugin install financial-analysis@claude-for-financial-services

安装后，/lbo便可在会话中直接使用。若要深入了解该命令在 Agent 场景中的调用链，可参考 model-builder.md：Model Builder Agent 的职责清单中明确包含LBO —— sources & uses, debt schedule, returns waterfall, IRR/MOIC sensitivities，其工作流为"拉取输入（CapIQ/Daloopa MCP）→ 调用lbo-modelSkill → 调用audit-xls审计 → 构建敏感性表 → 交由用户复核"，与/lbo命令共享同一套lbo-modelSkill 源码。

二、模板优先：LBO 模型的起点不是白纸

lbo-modelSkill（SKILL.md）开篇即声明TEMPLATE REQUIREMENT（模板要求），这是整个 Skill 的第一原则：

1. 若用户附加/提供了模板文件：严格沿用该模板的结构，复制它并用用户数据填充，绝不从零新建；
2. 若未提供模板：主动询问用户"Do you have a specific LBO template you'd like me to use? If not, I can use the standard template which includes Sources & Uses, Operating Model, Debt Schedule, and Returns Analysis."；
3. 若使用标准模板：以examples/LBO_Model.xlsx为起点，用用户假设填充。

Skill 特别强调：即使模板看起来复杂、功能超出当前所需，也必须"复制并适配"，永远不要在已有模板的情况下决定"从零构建"。这一约束的工程动机在于：模板承载了公司内部的版式约定、科目口径与配色规范，从零重建会丢失这些隐性知识，也更容易引入结构偏差。

在动笔填充任何公式之前，Skill 要求先完成模板分析阶段（TEMPLATE ANALYSIS PHASE），共六步：

• 映射结构：识别每个 Section（Sources & Uses、Operating Model、Debt Schedule、Returns Analysis）的位置及相互间的数据流向；
• 理解时间轴：哪些列代表哪些期间？是否存在 "Closing" 或 "Pro Forma" 列？预测期从哪一列开始？
• 区分输入格与公式格：模板常用颜色编码、边框或底纹提示哪些格需要输入、哪些需要公式，必须尊重这些约定；
• 仔细阅读行标签：行标签本身即"预期计算"的说明书，不要臆测；
• 检查既有公式：部分模板已部分填充，除非用户明确要求，不得覆盖可用的公式；
• 记录模板特有约定：符号惯例、小计结构、分页（Tab）组织方式等。

只有完成了上述分析，才进入公式填充环节。这与 DCF Skill 中"先展示原始输入块、逐章节确认"的做法一致，体现了"建模即沟通"的工程文化。

三、公式优先：全动态模型的非协商铁律

Skill 的Core Principles（核心原则）是理解整个建模方法论的关键，其中第一条即为不可妥协的约束：

Every calculation must be an Excel formula— NEVER compute values in Python and hardcode results into cells.

具体到 openpyxl 场景，正确写法是写入公式字符串：

ws["D20"] = "=B5*B6" # ✅ 公式字符串，模型可随输入动态更新 ws["D20"] = 1250 # ❌ 硬编码计算结果，模型失去动态性

• 使用模板结构：遵循examples/LBO_Model.xlsx或用户模板的组织方式，不自行发明版式；
• 使用正确的单元格引用：所有公式引用相应单元格，凡是"应来自其他单元格"的数字一律不得手输；
• 保持符号惯例一致：沿用模板的符号体系（有的用负数表流出、有的用正数），全程保持一致；
• 逐章节构建并与用户校验：每完成一个 Section 就展示、运行该章节的校验并取得确认，再进入下一章节——严禁端到端建完再一次性展示，因为后续章节依赖前面章节，若 Sources & Uses 出错而 Returns 已建成，返工成本是全局性的。

3.1 双环境适配：Office JS 与 Python/openpyxl

Skill 依据运行环境给出两套并行实现路径（源码见 SKILL.md 的 "Environment: Office JS vs Python" 一节）：

在 Excel 内（Office Add-in / Office JS 环境）运行时：

• 直接用 Office JS（Excel.run(async (context) => {...})），不要用 Python/openpyxl；
• 通过range.formulas = [["=B5*B6"]]写入公式——Office JS 公式会在活动工作簿中原生重算，无需单独 recalc 步骤；
• 同样的"公式优于硬编码"规则适用：对任何应为计算的单元格设置range.formulas，绝不设置range.values；
• 用range.format.font.color/range.format.fill.color落实蓝/黑/紫/绿字体配色约定；
• 合并单元格陷阱：不要先.merge()再对合并区域设置.values（会抛出InvalidArgument——range 仍报告原始尺寸）。正确做法是先单独向左上角单元格写入值，再对完整区域执行合并与格式化：

  ws.getRange("A7").values = [["SOURCES & USES"]]; // 先写左上角 ws.getRange("A7:F7").merge(); // 再合并 ws.getRange("A7:F7").format.fill.color = "#1F4E79"; // 最后格式化

生成独立 .xlsx 文件（无活动 Excel 会话）时：

• 使用 Python/openpyxl，写入公式字符串（ws["D20"] = "=B5*B6"）；
• 交付前必须运行recalc.py完成重算。

四、视觉规范：字体配色与填充色板

LBO 模型的可读性依赖一套严格的视觉编码体系，Skill 将其拆分为两个正交维度：

4.1 字体颜色（公式类型信号）

4.2 填充颜色（专业蓝灰调色板）

除非用户或模板另有规定，默认填充色板遵循"克制"原则——只用蓝与灰，不引入绿、黄、红或多重强调色：

• 章节标题（Sources & Uses、Operating Model 等）：深蓝#1F4E79+ 白色加粗文字；
• 列标题（Year 1、Year 2 等）：浅蓝#D9E1F2+ 黑色加粗文字；
• 输入格：浅灰#F2F2F2（或白色）——蓝色字体才是信号，填充色是次要的；
• 公式/计算格：白色，无填充；
• 关键输出（IRR、MOIC、Exit Equity）：中蓝#BDD7EE+ 黑色加粗文字。

"整个色板就这么多：3 种蓝 + 1 种灰 + 白色。"若模板自带配色，则跟随模板。

4.3 数字格式标准

• 货币：$#,##0;($#,##0);"-"或$#,##0.0（视模板而定）；
• 百分比：0.0%（保留一位小数）；
• 倍数：0.0"x"（保留一位小数）；
• MOIC/精细比率：0.00"x"（保留两位小数以确保精度）；
• 所有数值单元格：右对齐。

五、五大高危计算区：常见问题与标准解法

Skill 明确列出 LBO 模型中反复出错的五类计算模式，每一类都给出了工程解法：

5.1 平衡区段（Balancing Sections）

当两个 Section 必须相等时（如 Sources = Uses），通常有一个科目充当plug（平衡项）。应识别哪个科目是 plug，并以"差额"方式计算它。

5.2 税项计算（Tax Calculations）

税公式只能引用相关的收入行与税率，不得引用无关区段（如债务时间表）；同时要考虑亏损是形成税盾还是被简单忽略。

5.3 利息与循环引用（Interest and Circular References）

利息计算若引用了受现金流影响的余额就会产生循环。标准解法是**使用期初余额（Beginning Balance）**而非平均或期末余额打破循环。典型模式为：

利息 → 现金流 → 还款 → 期末余额 （若利息使用期末余额，将回环成循环引用）

5.4 债务偿还 / 现金清扫（Debt Paydown / Cash Sweeps）

存在多个债务档位（tranches）时通常有优先级顺序，现金清扫必须遵循waterfall（瀑布式优先级）；余额不能为负，应恰当使用MAX或MIN函数。

5.5 收益计算（Returns: IRR / MOIC）

• 现金流的符号必须正确：投资 = 负、收益 = 正；
• 使用XIRR需配套日期序列；使用IRR则现金流应在连续期间内；
• MOIC = Total Proceeds / Total Investment。

5.6 敏感性表（Sensitivity Tables）

敏感性表是 LBO 模型收尾的"证明性输出"，Skill 给出了非常具体的构造规范：

• 必须使用奇数维度（5×5 或 7×7），绝不用 4×4 或 6×6——奇数维度保证存在真正的中心单元格；
• 中心单元格 = 基准情形：行列轴值围绕模型真实假设对称构建（例如基准买入倍数 10.0x，则轴为[8.0x, 9.0x, 10.0x, 11.0x, 12.0x]）。中心单元格的 IRR/MOIC必须等于模型实际输出——这是表格接线正确的证明；
• 高亮中心单元格：中蓝填充#BDD7EE+ 加粗字体，视觉锚定基准情形；
• Excel 的 DATA TABLE 函数在 openpyxl 下可能失效，应改用手写显式公式引用行列表头；
• 每个单元格应呈现不同的值——若全部相同，说明公式未随输入变化；
• 使用混合引用（如行输入用$A5、列输入用B$4）。

六、验证清单：交付前的九道关卡

Skill 的VERIFICATION CHECKLIST是模型交付前的强制质量门，逐项覆盖：

公式校验：运行

python /mnt/skills/public/xlsx/recalc.py model.xlsx

必须返回成功且零错误。

区段平衡：需要平衡的区段（Sources/Uses、Assets/Liabilities）精确相等；plug 项作为平衡数计算正确；跨区段一致项保持一致。

损益/经营预测：营收自驱动项或增长率正确构建；成本费用项计算合理；小计与合计加总正确；利润率与比率合理；与假设的链接正确。

资产负债表（如适用）：资产 = 负债 + 权益；所有项目正确链接对应明细表或滚动表（roll-forwards）；期初余额 = 上期期末余额；Check 行存在且显示为零。

现金流量表（如适用）：从正确的收益数字起步；非现金项目加减得当；营运资本变动符号正确；期末现金 = 期初现金 + 净现金流；现金余额在三表间一致。

辅助明细表：滚动表平衡（期初 + 变动 = 期末）；正确链接主表；计算项使用恰当驱动项；所有期间计算一致。

债务/融资时间表（如适用）：期初余额衔接 Sources 或上期；利息按恰当余额计算（通常为期初）；还款受制于现金可用性与优先级；期末余额不得为负；各档位加总正确。

收益/输出分析：退出/终值计算正确；包含所有相关调整；现金流符号正确（投资为负、收益为正）；IRR/MOIC 公式引用完整范围；结果在场景下合理。

敏感性表：网格维度为奇数；行/列轴值围绕基准对称；中心格输出等于模型实际 IRR/MOIC；中心格高亮；行列表头为恰当输入值；每个数据格为公式而非硬编码；每个数据格呈现不同值；数值按预期方向变化（退出倍数越高 → IRR 越高）。

格式：硬编码输入蓝色、计算公式黑色、同页链接紫色、跨页链接绿色；所有数字右对齐；全表数字格式恰当；无错误值单元格（#REF!、#DIV/0!、#VALUE!、#NAME?）。

逻辑合理性：数值量级合理；趋势符合预期（增长、下滑、稳定）；无明显错误值（本应为正却为负、不可能出现的百分比等）；关键输出处于该类分析的经验区间内。

七、常见错误速查表

Skill 将高频错误整理为表格，供建模者对照排查：

八、协作式构建：逐章节检查点工作流

Skill 将"与用户分章节校验"固化为工作流规范，这是投行级模型质量的流程保障：

• 模板结构不清 →先问再动手；
• 用户需求与模板冲突 →确认用户偏好；
• 每完成一个主要章节，停下并与用户核对：
  • Sources & Uses 之后→ 展示平衡表，确认 plug 正确，签署后再建经营模型；
  • Operating Model / 预测之后→ 展示预测损益，确认增长率与利润率合理，签署后再进债务表；
  • Debt Schedule 之后→ 展示期初/期末余额与利息，确认 waterfall 逻辑，签署后再算收益；
  • Returns（IRR/MOIC）之后→ 展示现金流序列与输出，确认符号与范围，签署后再建敏感性表；
  • Sensitivity Tables 之后→ 展示每个单元格的数值变化，确认基准情形落在预期位置；
• 校验中发现错误 →修复后再进入下一章节；
• 主动展示工作过程——在必要时解释关键公式与假设；
• 绝不在未逐章节确认的情况下交付完整模型——在源头捕捉一个错误的单元格引用，远比从坏掉的 IRR 倒推排查快得多。

九、在 Agent 体系中的完整落地路径

/lbo命令并非孤立存在，它在仓库中有完整的生态位。若要理解它在实际工作流中的位置，可从三个层面观察：

1. 垂直插件层：financial-analysis插件（目录）承载lbo-modelSkill 源版本，同时配套comps-analysis、3-statement-model、dcf-model、audit-xls等姊妹技能，共同构成完整的建模工具箱；
2. Agent 插件层：model-builder.md 明确将 LBO 列为四大建模交付物之一，其工作流是"从 CapIQ/Daloopa MCP 拉取历史数据与一致预期 → 调用lbo-modelSkill →audit-xls审计 → 构建敏感性表 → 停步交由用户复核"，并附有硬性护栏：每个输出都是公式、每个输入都标注来源或标记[ASSUMPTION]、构建与审计后各停一次交给用户审批；
3. Agent 打包层：pitch-agent 同样打包了lbo-modelSkill 的同步副本，支撑"Comps → Precedents → LBO → 品牌化路演 PPT"的端到端流程（见仓库根目录 README.md 的 Agent 一览表）。

Skill 本身同样存在于上述两处同步副本中（pitch-agent 副本 与 model-builder 副本），内容与 vertical 源保持一致；新增或修改技能内容后，仓库通过 sync-agent-skills.py 将 vertical 源同步到打包 Agent，并由 check.py 校验任何捆绑技能是否与源发生漂移。这一"单一来源、多副本同步"的机制保证了/lbo命令、Model Builder Agent、Pitch Agent 三处调用的lbo-model行为完全一致。

十、适用边界与正确使用方式

需要强调的是，/lbo与lbo-modelSkill 产出的是供合格专业人士复核的分析草稿，而非投资建议或交易执行。仓库根目录 README.md 的免责声明明确指出：这些 Agent 草拟分析师工作成果（模型、备忘录、研究报告、对账），不做投资推荐、不执行交易、不承担风险、不记账、不批准入职——每一份输出都留待人工签署。你仍需自行验证输出，并遵守所在机构的合规要求。

使用建议：

• 先备好模板：公司若有标准 LBO 模板，直接随命令附加，模型将严格沿用其结构、科目与配色，产出最贴近内部口径；
• 无模板时说明需求：提供目标公司名称或交易细节（买入倍数、融资结构、退出年期等），Skill 会以标准模板（Sources & Uses、Operating Model、Debt Schedule、Returns Analysis）起步；
• 按章节逐步确认：配合第五节介绍的检查点流程，在每一章节签署后再推进，可显著降低返工成本；
• 交付前必跑校验：独立 .xlsx 场景下务必执行recalc.py并通过验证清单，随后可用audit-xls（/debug-model命令）做公式追踪、硬编码检测与平衡检查的二次审计。

结语

从 lbo.md 这个不足十行的命令入口出发，/lbo背后是一整套工程化的投行级 LBO 建模方法论：模板优先的结构继承、公式优先的动态建模铁律、双环境（Office JS / openpyxl）适配、严格的视觉编码体系、五大高危计算区的标准解法、九道验证关卡与逐章节协作检查点。理解这套设计，不仅能让你用好/lbo命令，更能为自定义财务建模技能提供可直接复用的工程范式。

• 人工智能
• AI 应用
• AI 技能/插件
• AI Agent
• 金融科技