Cascade Capital Advisors 是一家中型投资公司，分析师端到端负责五年期 DCF 经营模型。Mercer 的团队从 SEC EDGAR filings 获取财务数据，并向投资委员会交付包含 NPV 和 IRR 输出的 Excel 工作簿，且越来越多地需要在 48 小时内完成交付。
在每次 10-K 模型构建之前，都要先进行数小时的分类检索
每一个新的申报文件模型都从同样的流程开始：下载 SEC company-facts JSON，打开一个空白模板，然后花上几个小时手动将 EDGAR taxonomy tags 与六个建模类别进行匹配——收入、EBIT、D&A、capex、有效税率和营运资本。D&A 会出现在利润表、现金流量表以及补充脚注中——而且常常是重复出现。Capex 则需要确认该 tag 不包含并购相关支出。
瓶颈落在高级分析师身上。判断哪些 EDGAR tags 在经济意义上可用，需要基于具体申报文件做出判断，而这不是初级团队成员能够提供的。交易时间表从一周压缩到 48 小时。财报季意味着同一周内会有多份申报文件同时到来。手工方式无法扩展。
Energent.ai 成为了建模前的数据层
分析师上传原始的 SEC company-facts JSON——无需格式转换，也无需预处理。这个 agent 在一次会话中完成五个结构化步骤：
- 审计 schema 和覆盖范围——在开始任何建模承诺之前，确认可用财年并标记历史缺口
- 映射 taxonomy，覆盖全部六个类别，识别候选 tags，并评估其在各报告期间的覆盖情况
- 梳理经营驱动项——将可用行项目与缺失或在经济上具有误导性的 tags 分离
- 识别出两种可行的 UFCF 架构，并基于实际申报文件覆盖范围明确列出权衡
- 构建 Excel 工作簿——五年经营预测、UFCF waterfall、NPV 和 IRR 输出，以及可直接提交委员会的可视化图表
无需手动寻找 tags。无需在理解数据之前打开模板。无需把架构决策拖到单元格填充阶段才做。
先做架构决策，并明确申报文件特定的权衡
- 在任何输出之前先给出两条 UFCF 构建路径。 这个 agent 识别出与这份特定 10-K 实际披露内容相匹配的竞争性架构——而不是套用通用模板——因此结构选择在填入任何一个单元格之前就已完成。
- 同步进行跨报表分析。 收入、EBIT、D&A、capex、税项和营运资本一次性评估，并交叉参考利润表、资产负债表和现金流量表中的缺口与重叠。
- 对误导性 tags 进行明确标记。 缺失的营运资本变动 tags 以及包含并购的 capex 项目在进入单元格之前就已浮现，而不是在后续对账时才被发现。
- 将高级分析师能力重新用于判断。 架构选择以结构化决策的形式呈现，且权衡已提前说明——因此分析师时间用于选择和假设设定，而不是数据整理。
David Mercer 的日常使用方式
- 将 SEC company-facts JSON 上传到 Energent.ai 会话中。
- 查看 schema 和覆盖范围审计；确认建模年份及任何历史缺口。
- 根据模型的预期用途评估两种 UFCF 架构选项。
- 选择一种架构；agent 会在 Excel 中构建五年预测、UFCF waterfall 和 DCF 输出。
- 在向委员会汇报前，检查 NPV 和 IRR 输出以确保假设一致。
分类映射从数小时任务变成了一次会话
- 所有六个建模类别都在一次会话中从原始 JSON 完成映射——消除了每次新文件模型构建前都要进行的手动 taxonomy 检索。
- 在分析师接触模板之前，就已浮现出两种可行的 UFCF 架构及其权衡。
- 在任何单元格被填充之前，架构决策点就已到达，消除了手工构建过程中往往到中途才暴露的隐藏对账风险。
- 最终的 Excel 工作簿包含一个结构化 DCF 模型，以及 NPV 和 IRR 输出和可直接提交委员会的可视化图表。
"这个 agent 生成的 taxonomy map——覆盖的 tags、缺失的 tags、以及在全部六个类别中被标记的项目——取代了我在多年 EDGAR 经验中形成的心智检查清单。现在，在我们开始构建任何东西之前，它就是架构讨论所使用的工作文档。" — David Mercer, Senior Analyst at Cascade Capital Advisors