在AI狂潮席卷全球的今天，太多人盯着英伟达、微软这些明星股追涨杀跌，却忽略了真正决定技术落地速度的“隐形关卡”——那些藏在芯片封装、光模块测试、液冷材料、EDA工具链里的关键环节。Chokepoint Atlas（卡点图谱）正是为此而生：它不是荐股工具，而是一套用工程思维做美股产业研究的开源系统，专治“只知概念、不识链条”的投资盲区。
核心功能
- 系统级拆解能力：支持对NVIDIA DSX AI工厂、TPU Pod、机器人执行器、数据中心液冷等真实AI系统进行端到端产业链分解，从终端需求一直追溯到材料、设备和IP工具层
- 瓶颈动态识别：不预设结论，而是基于产能扩张节奏、资本开支趋势、技术代际差和客户集中度等维度，自动推演“哪一层最先堵车”，识别真正难以绕过的结构性卡点
- 证据驱动的研究包生成：一键整合财报电话会纪要、官网技术白皮书、行业研报、新闻线索，输出含逻辑链、证据溯源、图表化图谱（Mermaid可渲染）的完整研究文档
- 多赛道横向比价：输入多个候选方向（如“HBM3封装”vs“硅光收发模块”vs“AI服务器液冷管路”），自动生成优先级排序表与瓶颈强度评分卡，帮你在信息过载中快速聚焦
- 原始资料智能结构化：支持直接导入PDF研报、网页截图、Excel数据等非结构化材料，自动提取关键实体、关系与时间线索，构建可复用的知识图谱
- 完全本地化+可审计：所有分析逻辑开源、所有数据源可追溯、所有中间产物（graph.json/scorecard.json等）开放查看，拒绝黑箱模型，适合严肃研究者深度调优
适合哪些人用
如果你是以下任一角色，Chokepoint Atlas会成为你研究流程中的“第二大脑”：
✅ 美股科技投资者，厌倦了“故事驱动型”交易，渴望用供应链视角穿透AI泡沫；
✅ 卖方/买方分析师，手握大量碎片化信息但缺乏结构化整理工具；
✅ 硬科技创业者或BD负责人，需快速摸清海外竞对的技术依赖路径；
✅ 对冲基金量化研究员，希望将产业瓶颈指标转化为可回测的另类因子；
✅ 高校科研团队，用于绘制关键技术演化图谱或政策卡点评估。
⚠️ 注意：它不提供买卖建议，不预测股价，也不适配“三秒问代码”的投机需求——它服务的是愿意花3小时拆一条产线、而不是3分钟抄一个票的人。
快速上手
项目纯Python开发，零GPU依赖，笔记本即可运行：
- 克隆仓库：
git clone https://github.com/qiuqiubuchongle-cloud/chokepoint-atlas.git - 安装依赖：
pip install -r requirements.txt - 选择模式启动：
- 单线深度研究 → 运行
python scripts/build_research_pack.py --input examples/ai_factory_lane_input.json - 多线优先级对比 → 运行
python scripts/compare_lanes.py --input examples/lane_compare_input.json - 原始资料整理 → 运行
python scripts/run_source_pipeline.py --bundle examples/source_bundle
- 单线深度研究 → 运行
- 所有输出（Markdown报告、JSON图谱、评分表）均生成于
output/目录，开箱即用
项目信息
⭐
548
548
Stars
🔀
118
Forks
118
Forks
Python
📄
—
—
编程语言：Python｜GitHub Star 数：548｜开源协议：暂未声明（建议使用前查阅最新LICENSE）｜GitHub 项目地址
它把华尔街的“叙事投资”拉回工程师的“瓶颈思维”，让每一份AI研报都有可验证的供应链锚点。
