Market Sizing Skill V2

专业级市场规模测算工具，支持 Fermi 估算、Monte Carlo 模拟和多数据源集成。

核心能力

| 能力 | 描述 | |------|------| | Fermi 估算 | 5 种分解模式，结构化计算 | | Monte Carlo | 输出置信区间，而非单点估计 | | 数据 API | 6 个免费数据源 (AkShare, FRED, World Bank 等) | | 专业报告 | Markdown + HTML 交互图表 |

触发条件

当用户提到以下内容时触发：

「市场规模」「市场有多大」「market size」
「TAM」「SAM」「SOM」
「估算市场」「市场测算」
明确的市场定义请求

工作流程

Phase 1: 信息收集 (必须先完成)

在开始任何计算之前，必须收集以下信息:

## 🎯 Clarifying Questions

1. **市场定义**
   - 产品/服务的边界是什么？
   - 包含什么？排除什么？
   - 是否包含售后服务/MRO？

2. **客户画像**
   - 目标客户是谁？B2B 还是 B2C？
   - 企业规模/人口特征要求？

3. **地域范围**
   - 全球/区域/单一国家？
   - 是否含港澳台？

4. **时间范围**
   - 当前年份还是预测期？
   - 需要几年预测？

5. **数据可得性**
   - 用户有现成资料吗？
   - 是否有竞品信息？

只有在收集完必要信息后，才能进入计算阶段。

Phase 2: 方法选择

根据数据可得性选择方法：

graph TD
    A[有直接市场数据?] -->|是| B[Top-Down 方法]
    A -->|否| C{目标客户类型?}
    C -->|B2C 消费者| D[人口基数法]
    C -->|B2B 企业| E[机构基数法]
    C -->|替代现有方案| F[替代法]
    C -->|产业链环节| G[价值链法]
    C -->|无法归类| H[价值基础法]

详细方法说明见 fermi_patterns.md。如果已知行业类型 (SaaS/Marketplace/Consumer/B2B/Hardware)，优先参考 industry_templates.md。

Phase 3: 数据获取

使用 data_fetcher.py 获取真实数据支撑假设：

from scripts.data_fetcher import DataFetcher

df = DataFetcher()

# 中国 GDP
gdp = df.get_china_gdp()

# 行业数据
industry = df.search_akshare_functions("汽车")

详细 API 说明见 data_sources.md。

Phase 4: Fermi 计算

🚨 数据三原则 (强制): 每一个数字只能是以下三种之一，不允许凭空出现任何数据: | 类型 | 标记 | 要求 | |------|------|------| | 引用 | 📚 | 来自可靠报告/公开数据，必须标注具体来源 (报告名+页码/URL) | | 计算 | 🧮 | 由已有数据推导得出，必须写出完整计算公式 | | 假设 | ⚠️ | 无法获取的合理估计，必须说明估计依据并给出范围 |

使用 fermi_calculator.py 执行结构化计算：

from scripts.fermi_calculator import FermiCalculator

calc = FermiCalculator()

result = calc.population_based(
    base_population=1.4e9,
    filters=[
        ("城市人口", 0.65),
        ("20-50岁", 0.45),
        ("目标用户", 0.20),
    ],
    penetration_rate=0.8,
    average_spend=100,
    frequency=12,
    unit="元"
)

print(result)

Phase 5: Monte Carlo 模拟

使用 monte_carlo.py 量化不确定性：

from scripts.monte_carlo import MonteCarloSimulator, Assumption

sim = MonteCarloSimulator(seed=42)

result = sim.run(
    assumptions={
        "市场基数(亿)": Assumption(min=20, max=35, most_likely=25),
        "目标占比": Assumption(min=0.35, max=0.55, most_likely=0.45),
        "市占率": Assumption(min=0.10, max=0.20, most_likely=0.15),
    },
    formula=lambda **k: k["市场基数(亿)"] * k["目标占比"] * k["市占率"],
    n_simulations=10000,
    unit="亿元"
)

print(result)
# 输出 90% 置信区间和敏感性分析

Phase 6: 生成报告

使用 report_generator.py 输出专业报告。报告格式选择见 presentation_guide.md。

from scripts.report_generator import ReportGenerator, MarketSizingData

gen = ReportGenerator()

data = MarketSizingData(
    market_name="中国航空活塞发动机 (200-500HP)",
    geography="中国大陆",
    base_year=2024,
    forecast_years=5,
    tam=25.5,
    sam=11.5,
    som=1.7,
    unit="亿元",
    cagr=0.08,
    monte_carlo_result=result.to_dict(),
)

gen.generate(data, output_dir="./output", formats=["md", "html", "xlsx"])

[!IMPORTANT] Excel 公式链依赖 assumptions 中的 key 字段命名。必须遵循以下规范，否则 Excel 将降级为静态值。

Assumption Key 命名规范 (强制)

Excel 引擎通过 key 名自动检测 Fermi 分解模式并构建公式链。

模式 1: 机构基数法 (institution_based)

每个分段使用 {prefix}_count + {prefix}_adopt + {prefix}_price 三件套：

# 段前缀可自由命名 (ka/mid/smb/enterprise/startup...)
# 引擎自动检测 *_count/*_vol + *_adopt/*_rate + *_price
{"key": "ka_count",  "numeric_value": 5000,   ...},
{"key": "ka_adopt",  "numeric_value": 0.85,   ...},
{"key": "ka_price",  "numeric_value": 150,    ...},

模式 2: 人口基数法 (population_based) — 使用固定 key 名：

| key | 含义 | 示例 | |-----|------|------| | base_pop | 基础人口 (亿人) | 9.3 | | core_pop_pct | 核心人群占比 | 0.45 | | pene_rate | 渗透率 | 0.65 | | freq | 消费频次 | 45 | | price | 单价 (元) | 5.5 |

模式 3: 替代法 (substitution_based):

| key | 含义 | |-----|------| | existing_market | 现有市场规模 | | substitution_rate | 替代率 | | price_premium | 价格系数 (可选, 默认 1.0) |

模式 4: 价值链法 (value_chain_based):

| key | 含义 | |-----|------| | end_market | 终端市场规模 | | value_share | 环节价值占比 |

模式 5: 价值基础法 (value_based):

| key | 含义 | |-----|------| | target_count | 目标客户数 | | prob_freq | 问题频率 (可选) | | prob_cost | 单次问题成本 | | wtp_ratio | 愿付比例 |

通用 key (所有模式都需要):

| key | 含义 | Excel 用途 | |-----|------|-----------| | sam_ratio | SAM/TAM 比例 | SAM = TAM × sam_ratio | | som_share | 目标市占率 | SOM = SAM × som_share | | cagr | 复合增长率 | Growth Forecast 公式 |

numeric_value 规则: 百分比/比率填小数 (0.85=85%)，金额单位与计算模型一致。

Assumption 字段模板 (每项必填)

{
    "key": "ka_count",           # 🔴 必填 — 引擎用此构建公式
    "name": "KA机构数量",         # 🔴 必填 — 显示名
    "numeric_value": 5000,        # 🔴 必填 — 用于 Excel 计算
    "value": "5000家",            # 用于 MD/HTML 展示
    "source": "⚠️ 假设: ...",     # 🔴 必填 — 📚/🧮/⚠️ + 依据
    "type": "⚠️",                 # 🔴 必填 — 📚/🧮/⚠️
    "used_in": "Bottom-Up KA",    # 可选 — 标注使用环节
}

输出规范

交付物清单

Markdown 报告 - 包含 Mermaid 图表，适合分享和存档
HTML 报告 - 包含 Plotly 交互图表 (可选)，适合演示
Excel 分析模型 - 5 个 Sheet (核心假设/TAM_SAM_SOM/Monte Carlo/竞争格局/增长预测)
假设清单 - 每个假设必须标注类型 (📚/🧮/⚠️) 和来源

报告必含章节 (12 项)

[ ] 执行摘要: TAM/SAM/SOM/CAGR 卡片 + 核心洞察
[ ] 市场边界定义: 产品/地理/渠道/时间 4 维含排除表
[ ] 核心假设清单: 每项标注 📚引用/🧮计算/⚠️假设
[ ] Bottom-Up 分解: 多层 Fermi 分解树 + 分层计算表
[ ] Top-Down 验证: 行业报告→筛选→结果
[ ] 交叉验证对比表: 方法/结果/偏差
[ ] 增长预测: 年度预测表 + CAGR + 驱动力与风险
[ ] Monte Carlo 置信区间: 假设分布表 + P5/P50/P95
[ ] 敏感性分析: Tornado 排序 + 解读与行动建议
[ ] 竞争格局: 主要玩家 + 市占率 + CR3集中度
[ ] 风险与局限性
[ ] 数据来源汇总

质量检查 (Sanity Check)

在完成分析后，必须进行以下检查：

🔴 强制项：交叉验证

任何市场规模估算都必须使用至少两种方法进行交叉验证：

| 方法组合 | 适用场景 | |----------|----------| | Top-Down + Bottom-Up | 最常用，大多数 B2C 市场 | | 人口基数 + 机构基数 | 同时覆盖 B2C 和 B2B | | 替代法 + 价值链法 | 新品类进入成熟市场 |

验证标准：

偏差 <20%: 合理，取加权平均或说明差异原因即可
偏差 20-50%: 需分析差异原因（口径不同？假设偏差？），调整后重新验证
偏差 >50%: 必须检查关键假设，可能存在根本性问题

⚠️ 禁止为了凑近偏差者而恶意调整假设。偏差本身是信号，不是错误。如果两种方法差异很大，应该诚实报告并分析原因，而不是修改数字让它们“看起来一致”。

其他检查

数量级验证: 结果是否在合理范围内？
对标检查: 与已知类似市场相比是否合理？
假设敏感性: 哪些假设对结果影响最大？

常见错误

错误 1: 混淆 TAM 和 SAM

✘ 用整个市场作为自己的可触达市场
✔ TAM 是理论上限，SAM 要包含产品/地域/客群筛选

错误 2: SOM 过于激进

✘ 新进入者 5 年内声称能拿 10%+ 市场
✔ 新进入者通常 3 年 2-3%，5 年 5%，有网络效应的行业可更高

错误 3: 只用 Top-Down

✘ 仅引用行业报告数字，不做 Bottom-Up 验证
✔ Top-Down 只是起点，必须用 Bottom-Up 交叉验证

错误 4: 樱桃挑选数据

✘ 混用不同年份、不同口径的数据
✔ 保持数据源一致，明确标注年份和口径

错误 5: 忽视市场动态

✘ 把市场规模当作静态数字
✔ 必须考虑 CAGR、竞争格局变化、政策影响

文件结构

market-sizing/
├── SKILL.md                         # 本文件
├── references/
│   ├── methodology.md               # 方法论详解
│   ├── fermi_patterns.md            # Fermi 分解模式库 (含深度指南)
│   ├── industry_templates.md        # 行业特化模板 (SaaS/Marketplace/Consumer/B2B/Hardware)
│   ├── presentation_guide.md        # 呈现策略指南 (投资人 vs 战略)
│   ├── data_sources.md              # 数据源使用指南
│   └── prompts.md                   # 后续分析提示库
├── examples/
│   ├── tech_ai_dev_tools.md         # 完整案例: 科技 (AI 开发工具)
│   ├── consumer_prefab_food.md      # 完整案例: 消费 (预制菜)
│   └── software_finance_saas.md     # 完整案例: 软件 (财务 SaaS)
├── scripts/
│   ├── data_fetcher.py              # 数据 API 封装
│   ├── fermi_calculator.py          # Fermi 计算引擎
│   ├── monte_carlo.py               # Monte Carlo 模拟
│   └── report_generator.py          # 报告生成器
└── templates/
    ├── market_sizing_report.md      # Markdown 模板
    └── market_sizing_template.xlsx  # Excel 模板

依赖安装

pip install pandas numpy akshare baostock yfinance pytrends plotly openpyxl

# FRED 需要注册 API Key
pip install fredapi
# 设置环境变量 FRED_API_KEY

# World Bank
pip install wbdata

示例用法

用户: 估算中国咖啡市场规模

AI 响应:

首先收集信息:
- 市场定义: 现磨咖啡 + 即饮咖啡 + 速溶咖啡？
- 地域: 中国大陆？
- 时间: 2024 年现状？
确认后选择人口基数法
获取数据支撑假设
执行 Fermi 计算 + Monte Carlo
输出完整报告

Market Sizing Skill V2

专业级市场规模测算工具，支持 Fermi 估算、Monte Carlo 模拟和多数据源集成。

核心能力

触发条件

当用户提到以下内容时触发：

「市场规模」「市场有多大」「market size」
「TAM」「SAM」「SOM」
「估算市场」「市场测算」
明确的市场定义请求

工作流程

Phase 1: 信息收集 (必须先完成)

在开始任何计算之前，必须收集以下信息:

## 🎯 Clarifying Questions

1. **市场定义**
   - 产品/服务的边界是什么？
   - 包含什么？排除什么？
   - 是否包含售后服务/MRO？

2. **客户画像**
   - 目标客户是谁？B2B 还是 B2C？
   - 企业规模/人口特征要求？

3. **地域范围**
   - 全球/区域/单一国家？
   - 是否含港澳台？

4. **时间范围**
   - 当前年份还是预测期？
   - 需要几年预测？

5. **数据可得性**
   - 用户有现成资料吗？
   - 是否有竞品信息？

只有在收集完必要信息后，才能进入计算阶段。

Phase 2: 方法选择

根据数据可得性选择方法：

graph TD
    A[有直接市场数据?] -->|是| B[Top-Down 方法]
    A -->|否| C{目标客户类型?}
    C -->|B2C 消费者| D[人口基数法]
    C -->|B2B 企业| E[机构基数法]
    C -->|替代现有方案| F[替代法]
    C -->|产业链环节| G[价值链法]
    C -->|无法归类| H[价值基础法]

详细方法说明见 fermi_patterns.md。如果已知行业类型 (SaaS/Marketplace/Consumer/B2B/Hardware)，优先参考 industry_templates.md。

Phase 3: 数据获取

使用 data_fetcher.py 获取真实数据支撑假设：

from scripts.data_fetcher import DataFetcher

df = DataFetcher()

# 中国 GDP
gdp = df.get_china_gdp()

# 行业数据
industry = df.search_akshare_functions("汽车")

详细 API 说明见 data_sources.md。

Phase 4: Fermi 计算

🚨 数据三原则 (强制): 每一个数字只能是以下三种之一，不允许凭空出现任何数据: | 类型 | 标记 | 要求 | |------|------|------| | 引用 | 📚 | 来自可靠报告/公开数据，必须标注具体来源 (报告名+页码/URL) | | 计算 | 🧮 | 由已有数据推导得出，必须写出完整计算公式 | | 假设 | ⚠️ | 无法获取的合理估计，必须说明估计依据并给出范围 |

使用 fermi_calculator.py 执行结构化计算：

from scripts.fermi_calculator import FermiCalculator

calc = FermiCalculator()

result = calc.population_based(
    base_population=1.4e9,
    filters=[
        ("城市人口", 0.65),
        ("20-50岁", 0.45),
        ("目标用户", 0.20),
    ],
    penetration_rate=0.8,
    average_spend=100,
    frequency=12,
    unit="元"
)

print(result)

Phase 5: Monte Carlo 模拟

使用 monte_carlo.py 量化不确定性：

from scripts.monte_carlo import MonteCarloSimulator, Assumption

sim = MonteCarloSimulator(seed=42)

result = sim.run(
    assumptions={
        "市场基数(亿)": Assumption(min=20, max=35, most_likely=25),
        "目标占比": Assumption(min=0.35, max=0.55, most_likely=0.45),
        "市占率": Assumption(min=0.10, max=0.20, most_likely=0.15),
    },
    formula=lambda **k: k["市场基数(亿)"] * k["目标占比"] * k["市占率"],
    n_simulations=10000,
    unit="亿元"
)

print(result)
# 输出 90% 置信区间和敏感性分析

Phase 6: 生成报告

使用 report_generator.py 输出专业报告。报告格式选择见 presentation_guide.md。

from scripts.report_generator import ReportGenerator, MarketSizingData

gen = ReportGenerator()

data = MarketSizingData(
    market_name="中国航空活塞发动机 (200-500HP)",
    geography="中国大陆",
    base_year=2024,
    forecast_years=5,
    tam=25.5,
    sam=11.5,
    som=1.7,
    unit="亿元",
    cagr=0.08,
    monte_carlo_result=result.to_dict(),
)

gen.generate(data, output_dir="./output", formats=["md", "html", "xlsx"])

[!IMPORTANT] Excel 公式链依赖 assumptions 中的 key 字段命名。必须遵循以下规范，否则 Excel 将降级为静态值。

Assumption Key 命名规范 (强制)

Excel 引擎通过 key 名自动检测 Fermi 分解模式并构建公式链。

模式 1: 机构基数法 (institution_based)

每个分段使用 {prefix}_count + {prefix}_adopt + {prefix}_price 三件套：

# 段前缀可自由命名 (ka/mid/smb/enterprise/startup...)
# 引擎自动检测 *_count/*_vol + *_adopt/*_rate + *_price
{"key": "ka_count",  "numeric_value": 5000,   ...},
{"key": "ka_adopt",  "numeric_value": 0.85,   ...},
{"key": "ka_price",  "numeric_value": 150,    ...},

模式 2: 人口基数法 (population_based) — 使用固定 key 名：

模式 3: 替代法 (substitution_based):

| key | 含义 | |-----|------| | existing_market | 现有市场规模 | | substitution_rate | 替代率 | | price_premium | 价格系数 (可选, 默认 1.0) |

模式 4: 价值链法 (value_chain_based):

| key | 含义 | |-----|------| | end_market | 终端市场规模 | | value_share | 环节价值占比 |

模式 5: 价值基础法 (value_based):

| key | 含义 | |-----|------| | target_count | 目标客户数 | | prob_freq | 问题频率 (可选) | | prob_cost | 单次问题成本 | | wtp_ratio | 愿付比例 |

通用 key (所有模式都需要):

numeric_value 规则: 百分比/比率填小数 (0.85=85%)，金额单位与计算模型一致。

Assumption 字段模板 (每项必填)

{
    "key": "ka_count",           # 🔴 必填 — 引擎用此构建公式
    "name": "KA机构数量",         # 🔴 必填 — 显示名
    "numeric_value": 5000,        # 🔴 必填 — 用于 Excel 计算
    "value": "5000家",            # 用于 MD/HTML 展示
    "source": "⚠️ 假设: ...",     # 🔴 必填 — 📚/🧮/⚠️ + 依据
    "type": "⚠️",                 # 🔴 必填 — 📚/🧮/⚠️
    "used_in": "Bottom-Up KA",    # 可选 — 标注使用环节
}

输出规范

交付物清单

Markdown 报告 - 包含 Mermaid 图表，适合分享和存档
HTML 报告 - 包含 Plotly 交互图表 (可选)，适合演示
Excel 分析模型 - 5 个 Sheet (核心假设/TAM_SAM_SOM/Monte Carlo/竞争格局/增长预测)
假设清单 - 每个假设必须标注类型 (📚/🧮/⚠️) 和来源

报告必含章节 (12 项)

[ ] 执行摘要: TAM/SAM/SOM/CAGR 卡片 + 核心洞察
[ ] 市场边界定义: 产品/地理/渠道/时间 4 维含排除表
[ ] 核心假设清单: 每项标注 📚引用/🧮计算/⚠️假设
[ ] Bottom-Up 分解: 多层 Fermi 分解树 + 分层计算表
[ ] Top-Down 验证: 行业报告→筛选→结果
[ ] 交叉验证对比表: 方法/结果/偏差
[ ] 增长预测: 年度预测表 + CAGR + 驱动力与风险
[ ] Monte Carlo 置信区间: 假设分布表 + P5/P50/P95
[ ] 敏感性分析: Tornado 排序 + 解读与行动建议
[ ] 竞争格局: 主要玩家 + 市占率 + CR3集中度
[ ] 风险与局限性
[ ] 数据来源汇总

质量检查 (Sanity Check)

在完成分析后，必须进行以下检查：

🔴 强制项：交叉验证

任何市场规模估算都必须使用至少两种方法进行交叉验证：

验证标准：

偏差 <20%: 合理，取加权平均或说明差异原因即可
偏差 20-50%: 需分析差异原因（口径不同？假设偏差？），调整后重新验证
偏差 >50%: 必须检查关键假设，可能存在根本性问题

⚠️ 禁止为了凑近偏差者而恶意调整假设。偏差本身是信号，不是错误。如果两种方法差异很大，应该诚实报告并分析原因，而不是修改数字让它们“看起来一致”。

其他检查

数量级验证: 结果是否在合理范围内？
对标检查: 与已知类似市场相比是否合理？
假设敏感性: 哪些假设对结果影响最大？

常见错误

错误 1: 混淆 TAM 和 SAM

✘ 用整个市场作为自己的可触达市场
✔ TAM 是理论上限，SAM 要包含产品/地域/客群筛选

错误 2: SOM 过于激进

✘ 新进入者 5 年内声称能拿 10%+ 市场
✔ 新进入者通常 3 年 2-3%，5 年 5%，有网络效应的行业可更高

错误 3: 只用 Top-Down

✘ 仅引用行业报告数字，不做 Bottom-Up 验证
✔ Top-Down 只是起点，必须用 Bottom-Up 交叉验证

错误 4: 樱桃挑选数据

✘ 混用不同年份、不同口径的数据
✔ 保持数据源一致，明确标注年份和口径

错误 5: 忽视市场动态

✘ 把市场规模当作静态数字
✔ 必须考虑 CAGR、竞争格局变化、政策影响

文件结构

market-sizing/
├── SKILL.md                         # 本文件
├── references/
│   ├── methodology.md               # 方法论详解
│   ├── fermi_patterns.md            # Fermi 分解模式库 (含深度指南)
│   ├── industry_templates.md        # 行业特化模板 (SaaS/Marketplace/Consumer/B2B/Hardware)
│   ├── presentation_guide.md        # 呈现策略指南 (投资人 vs 战略)
│   ├── data_sources.md              # 数据源使用指南
│   └── prompts.md                   # 后续分析提示库
├── examples/
│   ├── tech_ai_dev_tools.md         # 完整案例: 科技 (AI 开发工具)
│   ├── consumer_prefab_food.md      # 完整案例: 消费 (预制菜)
│   └── software_finance_saas.md     # 完整案例: 软件 (财务 SaaS)
├── scripts/
│   ├── data_fetcher.py              # 数据 API 封装
│   ├── fermi_calculator.py          # Fermi 计算引擎
│   ├── monte_carlo.py               # Monte Carlo 模拟
│   └── report_generator.py          # 报告生成器
└── templates/
    ├── market_sizing_report.md      # Markdown 模板
    └── market_sizing_template.xlsx  # Excel 模板

依赖安装

pip install pandas numpy akshare baostock yfinance pytrends plotly openpyxl

# FRED 需要注册 API Key
pip install fredapi
# 设置环境变量 FRED_API_KEY

# World Bank
pip install wbdata

示例用法

用户: 估算中国咖啡市场规模

AI 响应:

首先收集信息:
- 市场定义: 现磨咖啡 + 即饮咖啡 + 速溶咖啡？
- 地域: 中国大陆？
- 时间: 2024 年现状？
确认后选择人口基数法
获取数据支撑假设
执行 Fermi 计算 + Monte Carlo
输出完整报告

Adoption

pinkpixel-dev/market-sizing

$ install --global

Security Scan Results

SKILL.md

Market Sizing Skill V2

核心能力

触发条件

工作流程

Phase 1: 信息收集 (必须先完成)

Phase 2: 方法选择

Phase 3: 数据获取

Phase 4: Fermi 计算

Phase 5: Monte Carlo 模拟

Phase 6: 生成报告

Assumption Key 命名规范 (强制)

Assumption 字段模板 (每项必填)

输出规范

交付物清单

报告必含章节 (12 项)

质量检查 (Sanity Check)

🔴 强制项：交叉验证

其他检查

常见错误

错误 1: 混淆 TAM 和 SAM

错误 2: SOM 过于激进

错误 3: 只用 Top-Down

错误 4: 樱桃挑选数据

错误 5: 忽视市场动态

文件结构

依赖安装

示例用法

Related Skills

pinkpixel-dev/performing-cryptographic-audit-of-application

pinkpixel-dev/performing-credential-access-with-lazagne

pinkpixel-dev/performing-content-security-policy-bypass

pinkpixel-dev/performing-container-security-scanning-with-trivy

pinkpixel-dev/market-sizing

$ install --global

Security Scan Results

SKILL.md

Market Sizing Skill V2

核心能力

触发条件

工作流程

Phase 1: 信息收集 (必须先完成)

Phase 2: 方法选择

Phase 3: 数据获取

Phase 4: Fermi 计算

Phase 5: Monte Carlo 模拟

Phase 6: 生成报告

Assumption Key 命名规范 (强制)

Assumption 字段模板 (每项必填)

输出规范

交付物清单

报告必含章节 (12 项)

质量检查 (Sanity Check)

🔴 强制项：交叉验证

其他检查

常见错误

错误 1: 混淆 TAM 和 SAM

错误 2: SOM 过于激进

错误 3: 只用 Top-Down

错误 4: 樱桃挑选数据

错误 5: 忽视市场动态

文件结构

依赖安装

示例用法

Related Skills

pinkpixel-dev/performing-cryptographic-audit-of-application

pinkpixel-dev/performing-credential-access-with-lazagne

pinkpixel-dev/performing-content-security-policy-bypass

pinkpixel-dev/performing-container-security-scanning-with-trivy