用商业地产专业视角，穿透公开披露数据，判断 REITs 底层资产的经营质量、分派可持续性与投资价值。

投资者真正需要回答的问题

投资 REITs，关注的不只是收益分派，也包括二级市场价格变化带来的潜在收益。关键在于：底层资产的经营状况处于什么水平？能否持续创造现金流并支撑未来分派？分派是否具备可持续性？当前市场价格是否值得进一步关注？

红绿灯如何提供帮助

红绿灯是一款由商业地产专业人士参与设计、基于专业分析框架构建的 AI 助手，并形成一套《五维商业不动产分析框架》，帮助投资者看懂分派背后的经营逻辑。它不只告诉你指标表现如何，更重要的是帮助你理解指标背后的原因，识别经营表现、增长潜力与潜在风险。

通过公开数据进行经营判断

我们从商业地产专业人士的视角出发，系统梳理并交叉分析公开披露文件中的财务数据、经营指标和运营信息。从看得见的数据出发，识别指标之间的关联与变化，理解购物中心的经营策略、运营表现及潜在风险，并进一步分析这些因素对未来现金流、收益分派和投资价值的影响。

所有分析均基于分析时最新可获得的公开披露数据及相应分析依据，旨在为个人投资研究与决策提供参考。

技术主要解决的是信息过载与研究效率的矛盾。

系统采用LLM+自研 Python Pipeline的组合方式，将原本分散在招募说明书、年报、评估报告等专业文件中的信息，转化为结构化研究数据。

AI、程序与人工分别处理自己擅长的事情。

商业地产的专业知识分散在项目资料、技术标准、行业报告、运营案例与公开披露文件中，传统检索难以建立资料间关联。Tickle 围绕开发、设计管理、运营推广、投资及资产管理等场景，将行业知识库、数据处理流程与大语言模型结合，把专业资料组织、信息检索、任务拆解与结果生成连接成可复用的工作流，而不只是自然语言问答。

针对 PDF 文本页、扫描件、表格与跨期数据，自研 Python Pipeline 贯通文档解析→信息抽取→数据校验→数据库存储→指标派生全链路。文档解析采用 MinerU 双引擎：本地 Pipeline 解析文本页，云端 VLM 识别扫描页，并以 PyMuPDF 做页级校验；多阶段质量门控（页码连续性、文本回收率、表格完整性等）降低遗漏、错位与识别错误。

抽取环节以统一 Prompt、指标数据字典与契约式 JSON 输出约束，任务按指标包分批下发。大模型主要提取事实、原样搬运原文数值与期间，不承担单位换算、比率计算等财务运算；结果经 normalizer 统一解析后，还需通过可比性闸门，拦截集团口径与项目口径错配、报告期间不一致、非目标业态混入等情形，不能比的数据显式标出而非强行并排。

结构化数据存储于 PostgreSQL 16，以 psycopg2 事务写入，每条事实绑定来源文档、页码与逐字原文。派生指标（同比、利润率、坪效、隐含资本化率等）由独立 Python 脚本计算，记录计算公式与输入事实编号，并按 VALID（严格由原文值计算）、代理、约算三档标注；配合 Golden Set 快照 diff 与回归测试，使每个结论可逐级回溯到原始披露。

系统按 RAG、Workflow、Agent 分工：RAG 负责资料检索，Workflow 组织多步任务，Agent 承担相对明确的专业任务；同时区分事实提取、数据计算与专业判断——模型辅助识别整理，确定性程序做标准化与指标计算，专业分析框架解释经营质量与风险，AI 提供辅助但不替代最终决策。

两条产品线并行：商业地产 AI 助手覆盖行业研究、案例、技术规范、内容创意、运营推广与投资资管；REITs 红绿灯以消费基础设施及商业地产 REITs 为对象，从租约（lease）、财务（finance）、投资（invest）、运营（ops）、持续竞争力（sustain）与风险（risk）六个维度，辅助判断资产经营质量、分派可持续性与二级市场投资价值。最终输出结构化分析、指标、来源依据与专业解释，按场景生成 Web、Excel 与 Word。

行情数据接入腾讯与东方财富两个公开源交叉校验；对话式助手基于 Dify 编排与 RAG 知识库，目前线上以演示模式运行。站点前端为零依赖静态页面，部署于阿里云轻量服务器，以宝塔面板运维。