56 个路演项目，一个人，一晚上：
我怎么用 Claude Skill + 7 路 AI 调研团跑完了一份投资级 DD

一面墙 / 一篇文章 / 22 张截图

2026 年 6 月 7 日下午，奇绩创坛 2026 春季路演日。

展厅里一面巨大的墙，被切成四个色块：

• A 区：前沿科技，11 个项目 —— 核聚变、重力储能、EDA Agent、AI4Science 化学引擎
• B 区：具身智能与硬件，19 个 —— 机器人灵巧手、智能眼镜、群体机器人 OS
• E 区：Agent toB，12 个 —— 企业级 SaaS、出海销冠 Agent、工业 RaaS
• F 区：Agent toC，12 个 —— AI 心理陪伴、二次元硬件、AI 视频生产

每张卡片贴着项目名、创始人、一句话定位，还有一个小程序二维码。扫进去能看到完整的团队 bio、融资金额、出让股权。

走完一圈，我手机里有了：22 张项目卡截图、1 张全景的展区墙照片、1 篇官方微信公众号长文（陆奇博士开场分享 + 56 个项目介绍）。

然后问题来了：

这 56 个项目，怎么一个个搞清楚？

如果我是 VC，应该派 5 个分析师，每人花一周做 DD。如果我是一个手作研究的好奇之人，按一个项目 30 分钟算（看官网、查创始人、找竞品、估个估值），56 个项目大概 28 小时。

但我想做的是另一件事：

把这 56 个项目，今晚就做完一份 DD。

不是粗扫，是带 8 维度、有估值锚定、有竞品分析、有推荐度的、可发布的投资级别 DD。

听上去不可能。但 AI 让"不可能"变成了"30 分钟"。

这件事，本质上是一个调度问题

为什么一个人对 56 个项目无解？

因为人是串行的。你看一个项目、做完、再看下一个。28 小时是串行结构强加的下限。

但如果有 7 个分析师同时干呢？56 ÷ 7 ≈ 8 个项目每人，每人 30 分钟做完，总共还是 30 分钟。

VC 派 5 个分析师就是这个道理。问题是我没有 5 个分析师。

但我有 Claude。

Claude Code 的一个关键特性：你可以在一条消息里同时发起多个 sub-agent 调用，它们真的并发执行。这意味着：

• 我可以一次性派 7 个 AI 调研员（subagents）出去
• 每个 AI 调研员都拿着同一份 SOP、同一份估值对标表、同一份 Prompt 模板
• 30 分钟后，7 份 JSON 同时回收
• 我作为 Lead，合并、互链、出报告

等于在我的笔记本里塞了一个 7 人调研团。

剩下的问题只有一个：怎么把这套流程标准化，让它下次也能跑？

答案叫 Claude Code Skill。

Skill 不是 prompt 模板，是 AI 的 SOP

很多人对"提示词模板"很熟悉 —— 你写一段 prompt，下次复制粘贴改改参数。

Skill 是给 AI 用的 SOP。它打包了：

我把这套流程封装成了一个叫 demo-day-dossier 的 Skill。它的"职位描述"是：

给定一个工作目录，里面有项目卡截图、展区现场照、和/或官方文章 URL，自动产出全景式可交互 HTML 落地页、可排序 / 可筛选的 DD 表（由 7 路并行调研 agent 驱动）、Word 深度报告、CSV、并一键部署到 Cloudflare Pages。

关键特性：写一次，下次 YC 路演、红杉 demo day、经纬路演 —— 同一个命令搞定。AI 自己理解流程、自己拆任务、自己调度 agent。输出一致：所有跑出来的项目卷宗结构都相同，可比对、可归档。

下面是这个 skill 5 个阶段的展开。

PHASE 0
盘点 —— 在素材堆里找路线图

每次跑 skill，第一步是清点你给了它什么。skill 会找三类东西：

① 展区墙照片 —— 这是骨架。一张宽角度照片，上面写着 A11、B19、E12、F12 字样的 ID 和粗略项目名。AI 用 Read 工具直接读图，把 ID-名映射抽出来，作为后续的"主索引"。

② 官方文章 —— 通常是微信公众号 / Substack / 加速器博客的长文，里面有完整的团队介绍段。命名规范化时以文章为准，因为图片 OCR 有错。

③ 项目卡截图 —— 加速器的小程序截图是金矿。每张卡片包含创始人姓名、学历、前雇主、融资意向、出让股权 —— 整齐的中文表单。

这里有个小坑值得说：微信公众号 mp.weixin.qq.com 用默认 User-Agent 抓回来的是「环境异常」验证页。需要伪装成 iPhone 微信浏览器才能拿到正文：

curl -sL "https://mp.weixin.qq.com/s/..." \
  -H "User-Agent: Mozilla/5.0 (iPhone; CPU iPhone OS 17_0 like Mac OS X) ... \
      MicroMessenger/8.0.49 ..."

skill 把这个常见陷阱写进了 SOP，下次跑 YC 的 Substack 文章时不会再栽。

PHASE 1
抽取 —— 把图片堆变成一个 JSON

skill 把所有抽出来的项目数据合并成一个规范化 JSON：

{
  "id": "A01",
  "name": "VibeChip",
  "tagline": "AI 让 EDA 像写代码一样简单",
  "founder": "李 X · 清华 EE / 前 Cadence 高级工程师",
  "company": "VibeChip 北京",
  "site": "https://vibechip.ai",
  "github": "https://github.com/...",
  "funding": "种子轮 150 万美元",
  "star": true
}

JSON Schema 跟着 skill 走，确保每次产出的字段一致。

关键决策：命名优先级。当三个来源（展区墙、项目卡、文章）冲突时，永远以官方文章为准。比如：

这听上去像小事，但 56 个项目里有 5-8 个会踩到名字错配。一次性写进 SOP 之后，下次再跑就不用再想。

PHASE 2
全景页 + 首份 Word 报告

JSON 装好之后，灌进一个 950 行的 HTML 模板，生成全景落地页：

• 4 色分区 Tab（蓝 A / 绿 B / 橙 E / 紫 F）
• 创始人金色卡片框，TOP 推荐打星
• 顶部 sticky 导航 + 一键跳转 DD 表
• 移动端响应式

同时跑 build_panoramic.py → 输出 markdown → pandoc 转 Word，首版报告 v1.0 生成完毕。

到这里，已经超出了"普通展厅笔记"的 95%。但只是热身 —— 重头戏在下一步。

PHASE 3
7 路 AI 调研团出发

这是整个 skill 最关键的一步。

调度

把 56 个项目按分区切成 7 批：

A:  A01-A11   (11 个)
B1: B01-B10   (10 个)
B2: B11-B19   (9 个)
E1: E01-E06   (6 个)
E2: E07-E12   (6 个)
F1: F01-F06   (6 个)
F2: F07-F12   (6 个)

每个 batch 的项目子集写到 /tmp/dd_batch_<id>.json，agent 通过 Read 读取。

发车

一条消息里发 7 个 Agent 调用。这是关键 —— 一条消息发 7 个，就是并发；7 条消息每条 1 个，就是串行。

每个 agent 都拿到同一份 prompt 模板，模板里告诉它：

• 你是 2026 年 xx 路演项目的 DD 研究员
• 本批负责以下 N 个项目（列表）
• 输入数据在 /tmp/dd_batch_X.json
• 输出请写到 /tmp/dd_results_X.json
• 8 维度框架（下一节展开）
• 预算：30 分钟、25 次 WebSearch、15 次 Bash（curl）
• 估值要参考下面这张对标表（注入 prompt）

等待 + 回收

harness 会在每个 agent 完成时主动通知 —— 我不需要轮询。等待期间我可以开始搭 DD 表的 HTML 骨架，结果一到就能填进去。当 7 份 JSON 都回来，merge 成一个 dd_data.json，进入阶段 4。

DD 是怎么填出来的：8 维度框架

每个 agent 对每个项目要填这 8 个字段。每一项都有可验证的方法。

1. 站点状态 —— curl -sI -L --max-time 8 <url>，查 HTTP 状态码和重定向链。结果像「200 OK / 站点活跃，标题 X」、「站点离线」、「无公开站点」。

2. Repo 活跃度 —— curl -s https://api.github.com/repos/<owner>/<repo>。GitHub API 不需要 token（注意速率），拿到 stars / forks / pushed_at，判断代码是否活跃。

3. 团队评分 1-5 —— 综合学历 + 前雇主 + 经验深度 + 角色覆盖度。

4. 技术护城河 ≤40 字 —— 一句话：网络效应？数据壁垒？专利？客户合同？

5. 竞品 3-5 个 —— 结构化 [{name, stage, note}]。stage 用 WebSearch 核实融资轮次。

6. 市场 TAM —— TAM + CAGR，一句话写完。

7. 估值区间 —— pre-money USD 区间 + 类比 X 项目做依据。

8. 风险 / 优势 / 推荐度 / 一句话判断 —— 风险 3 条、优势 3 条、推荐度 1-5、verdict ≤30 字。

最重要的小动作：估值不能让 agent 在真空里报价

所以 skill 把一张"按行业的 Pre-money 估值对标表"作为 prompt 的一部分注入：

Agent 报价时必须类比表里的某个邻居，不能凭空。这一个细节，把 hallucination 概率压低了一大半。

还有一条铁律

不要捏造创始人姓名、融资金额、客户证言。证据不明时写「未公开」「待核实」。

skill 把这条写进 SKILL.md 的"语气与文风约束"。Agent 出错的时候，宁可空着，不要瞎编。

PHASE 4
合并 + DD 表 + Word + CSV

7 份 JSON 回到本地，merge 成一个 dd_data.json。然后跑：

• build_dd_html.py → 生成 DD 表页面（8 列可排序 + 顶部搜索框 + 分区筛选 + 推荐度筛选 + 行点开右侧抽屉详情）
• build_dd_csv.py → 生成 CSV（21 列，Excel/Numbers 可打开）
• build_dd_report_md.py → 生成 markdown 报告（按分区分组、带执行摘要表、推荐度分布、TOP5、高风险预警）
• pandoc → markdown 转 docx，89KB 的 DD Word 深度报告

54 个项目（剩下 2 个信息不足未入 DD）的推荐度分布最终是：

这是一个健康的金字塔：11 个强烈推荐 + 20 个关注 = 31 个上层意向，占比 57%。剩下 43% 落到可观察或更低 —— 不是粉丝信，是诚实的画像。如果 56 个项目全部 rec=5，那就不是 DD，是软文。

PHASE 5
发布 —— 先 git push，再让 Cloudflare 自动接管

最初我用 wrangler 直接从本地推 Cloudflare Pages，部署很快。

但后来约定了一条新流程：先推 GitHub → Cloudflare 自动监听 → 触发部署。

理由很简单 —— git commit 是 source of truth，每个上线版本都对应一个 commit SHA。本地直推没有审计点，协作者推 PR 也不能预览。

接线只需要一次：

1. CF Dashboard 进 qiji-roadshow-2026 项目 → Settings → Builds & deployments → Connect to Git
2. 选 GitHub 仓库 zhanglunet/demo-day-dossier
3. Build output directory 填 output（注意：默认是 repo 根，必须改成 output）

之后 git push 就直接触发自动 build & deploy，30-60 秒内上线，连 GitHub Actions 都不需要。

要让这个设置自动化，我直接把 wrangler.toml 提交到 repo 里：

name = "qiji-roadshow-2026"
pages_build_output_dir = "output"
compatibility_date = "2026-06-07"

之后任何人 fork 这个 repo，连上 CF Pages，配置自动生效，不用再点 Dashboard 选选项。

最终产出清单

这件事的意义

1. 让一个人具备一个调研团的产能

这套流程之前需要：1 个 PM 负责盘点、5 个分析师做 DD、1 个总编排报告、1 周。

现在需要：1 个人 + Claude Code、30 分钟。

不是减员增效那种话术。是让以前不可能的事变成日常。

2. 把"项目选择"从凭感觉变成凭数据

如果你是一个想关注早期 AI 创业的人，传统做法是：看朋友圈推荐、看 PR 稿、凭印象。

新做法是：跑一遍 demo-day-dossier、看推荐度排序的 TOP10、翻每一个 verdict 一句话、决定要不要深聊。

3. 模板化的 DD 可复用

这套 skill 不只是为奇绩准备的。下一次 YC W26 demo day、红杉 Pioneer Day、经纬创享会 —— 拿到项目卡和官方文章，命令一行：

/demo-day-dossier ~/Downloads/yc-w26 https://www.ycombinator.com/blog/yc-winter-2026

skill 自己跑完五个阶段。

4. 开源 = 共建

仓库已经在 GitHub 公开。里面包括：完整 skill（SKILL.md、templates/、scripts/）、奇绩 2026 春的首跑参考数据（projects.json + dd_data.json）、真实产出（HTML、CSV、Word 报告）。

clone 下来，拷贝到 ~/.claude/skills/demo-day-dossier，就能用在自己的 demo day 上。

下一次 demo day，你不必再蹲展区

把项目卡照片扔进 skill。

30 分钟后，所有项目都摆在你面前 —— 一句话定位、创始人简介、估值区间、推荐度、风险摘要、官网状态、GitHub 活跃度，都在一个表里。

你只需要做一件事：看完 TOP10 的 verdict，决定下周想约谁喝咖啡。

这是 AI 真正改变工作方式的方式 —— 不是替你思考，是把"思考前必须先做的脏活"全部接走。