用途：在任何投资研究任务（股票筛选、行业研究、公司深度分析）开始时运行，用约 60 秒做一次偏差自检，减少 AI 生成研究中的系统性偏差。
主要能力：列出五类偏差及其表现与纠正方式。领导者偏差：搜索结果被大盘股主导，应主动搜索中小盘与供应商，在查询中加入 small cap / mid cap / supply chain，并自问“谁不在前十但应该在这里”。英语偏差：英文来源对日本、韩国、台湾、欧洲公司覆盖不足，涉及硬件或供应链时应以当地语言搜索 JP/KR/TW 市场。叙事偏差：被“AI 股票”“新能源”等概念标签带偏，应忽略标签，查看实际产品、单位经济与财务报表。确认偏差：论点形成后只找支持证据，应做 Munger 式反演，对每个看多理由主动搜索看空理由（如 X risks / problems / bear case），每个结论至少引用一个反证数据点。近因偏差：依赖搜索排名靠前的过时数据，任何重要数字都应核对日期，优先最近 30 天，超过一年标记为可能过时。
使用方式：首次搜索前阅读上述条目；用一句话写下论点，逐条自问是否会落入该偏差；有意识地扩展查询计划，覆盖中小盘、非英语市场、看空理由与最新数据；研究完成后、写结论前复查是否引用了反证、是否遗漏非英语参与者、关键数字是否过时。
适用场景：股票筛选、行业研究、公司深度分析等投资研究流程的思考层。
限制：资料未提供具体安装命令、平台支持、收费方式或与其他技能的集成细节；该技能与 financial_rigor cross_validate（数据层）、report_audit（输出层）配合使用，分别验证数字与最终报告。