源文件：https://github.com/lennonli/licheng-skills/blob/main/ipo-kb/SKILL.md
一键安装：复制下面的提示词发给你的智能体
请为我安装法律 skill「ipo-kb」： 1. 从 GitHub 仓库 lennonli/licheng-skills 的 ipo-kb/ 目录获取全部文件（SKILL.md 及 references/、scripts/ 等子目录，保持相对结构）； 2. 将skill安装到正在使用的ai智能体； 3. 完成后用两三句话告诉我这个 skill 的用途和触发方式。
IPO问询案例库检索
来源目录：ipo-kb/SKILL.md
纯 Markdown 知识库，本地克隆 + 按年度子目录（与 GitHub 主仓 lennonli/ipo-inquiry-kb 同源，一司一文），网页版 https://ai.licheng.uk/kb/。 结构固定：frontmatter（公司/代码/板块/律所/tags）→ 一、概况 → 二、法律问题总览表 → 三、重点法律问题详述（每问含问询要点/回复与核查要点/执业提示）。
知识库根目录解析顺序：环境变量 IPO_KB_ROOT → ~/Documents/Macbook-pro项目/19-IPO问询案例知识库 → ~/ipo-inquiry-kb。未有克隆时执行：git clone https://github.com/lennonli/ipo-inquiry-kb.git ~/ipo-inquiry-kb。
| kb | monorepo 子目录 | 规模 |
|---|---|---|
| ipo（2026年度） | 2026 | 242份 |
| ipo2025 | 2025 | 430份 |
| ipo2024 | 2024 | 386份 |
| ipo2023 | 2023 | 570份 |
检索方法（首选本地脚本 kb_search.py，无需 MCP）
脚本位置：~/.agents/skills/ipo-kb/kb_search.py（下称 $S）。MCP legal-knowledge 可用时结果等价，但本地脚本无配额、离线可用，日常直接用它。
bash
S=~/.agents/skills/ipo-kb/kb_search.py
# 0. 先拉新保持同源（四仓 git pull）
python3 $S update
# 1. 统一检索：元数据+正文加权排序，带命中摘录（对应 MCP search）
python3 $S search "股权代持 还原" --board 北交所 --limit 8
# 2. 按元数据筛案例（对应 MCP search_kb）
python3 $S meta --tag 同业竞争 --board 北交所 --year 2024
python3 $S meta --lawyer 国枫 --kb ipo2025
# 3. 正文全文检索，多关键词须同文命中（对应 MCP search_fulltext）
python3 $S full "未批先建 处罚" --kb ipo2023
# 4. 读命中案例原文（对应 MCP read_source；path 用检索结果给的 cases/xxx.md）
python3 $S read ipo2023 "cases/301373-凌玮科技.md"
# 5. 兜底：直接 grep（结构未变时等价；$KB 为知识库根目录）
grep -l "竞业禁止" $KB/20*/cases/*.md检索策略建议：先用 search 试 2-4 个同义词关键词（如"股权代持 股权清晰 还原"）， 命中过多时加 --board/--year 收窄；需要全库穷尽某一问题时用 full（注意多关键词 是 AND 关系，可拆开各查一次再取交集）。
输出要求
- 命中案例逐个给出：公司（代码·板块·上市日期）→ 相关问题的问询要点摘录 → 回复论证思路（证据链构成）→ 执业提示，注明来源 kb 与文件名；
- 多案例命中时优先同板块、问题同类的，并对比论证口径差异；
- 用户起草问询回复/核查计划时，把命中案例的"回复与核查要点"转成可迁移的论证框架 与证据清单，并提示用户补充本项目事实。
纪律
- 案例内容基于公开披露文件提炼；对外文件正式援引问询回复口径前，须回见微数据 或交易所官网核对公告原文，不得仅凭本库转述；
- "执业提示"系个人心得，仅供内部参考；
- 库中 lawyer 字段为空 = 原文未载明律所，不得推测填充；
- 新案例入库流程见仓库 README（模板在 templates/）；GitHub 更新后本地跑
python3 $S update即同步，无需重克隆。
