龙虎斗官网核心文章
8篇核心原创文章：每篇解决一个真实的ESG风险或绿色金融问题
8篇文章结构完全不同：Evidence Ladder、News-to-Event Funnel、Litigation State Machine、Supplier Risk Transmission Map、Green Finance Eligibility Stack、Climate-to-Finance Translation、Green Bond Evidence Lifecycle、Score Change Attribution。所有情景数字均为示意，所有主体均为虚拟。
ESG风险预警2026年9月4日 · 龙虎斗ESG风险
一家公司一天突然出现20篇负面新闻以后，为什么龙虎斗ESG风险第一步不应该是给它的ESG Score直接扣20分？
公司名字突然出现在二十篇负面报道里很吓人。把URL逐条展开，你可能会发现十四篇在转载同一份稿件，三篇引用的是一个NGO两周前的声明，两篇把一家同名公司的旧处罚安到了它头上，只有一篇是真正新的东西：监管机构昨天公告对它的一家子公司立案调查。二十篇是情景示意，但几乎所有ESG风险监测团队都会遇到这种日常。如果系统的第一反应是“负面信息二十条，扣二十分”，那么它从第一步就错了。
龙虎斗ESG风险处理这种情况的顺序是先回答三个问题，再谈分数。这些报道描述了什么事件？证据处于什么阶段？事件是否真的属于这家公司？第一个问题靠Event Extraction与Event Deduplication，把二十篇按主体、时间窗口、事实相似度和来源聚类压缩成一两个Event。第二个问题靠Event Status：Reported、Alleged、Under Investigation还是Penalty Issued。第三个问题靠Entity Resolution：报道里写的是集团简称、子公司、旧公司名还是同名企业。三个问题回答完，二十篇报道可能只剩一条“子公司被立案调查”的开放事件与一条“NGO指控”的Alleged信号。
负面新闻里最容易混淆的是五个词：Report是媒体说发生了什么，Allegation是某一方指控企业做了什么，Investigation是监管或司法机关开始核查，Finding是有权机关作出事实认定，Penalty是基于认定的处罚或判决。它们在证据等级上完全不是一回事。某NGO指控企业污染可以成为Risk Signal，但系统不能自动写成“企业已经违法污染”。文章为此设计了ESG Evidence Ladder：Web Mention、Media Report、Multiple Independent Sources、Official Investigation、Regulatory Finding、Penalty / Judgment、Resolved Status七级，二十篇报道大多停留在前两级，如果全部转载同一篇稿件，甚至连第三级都没到。Source Reliability决定一条信息能爬到阶梯的哪一级，但官方来源也需要Context：处罚可能被复议撤销，公司公告可能有意淡化。
把Mention Count直接换成分数会产生可预期的失败：Article Syndication放大事件、大公司因报道多被系统性惩罚、Allegation Treated as Fact、Wrong Entity、Old News Resurfacing、Alert Fatigue。每一种都让分数看起来精确，实际上却在制造并不存在的风险变化。ESG事件系统最重要的不是“负面信息越多分越低”，而是识别这些报道究竟描述了什么事件、证据处于什么阶段，以及是否真的属于这家公司。分数是最后一步，而且每一次变动都要能被追溯与解释。
阅读完整文章：龙虎斗ESG风险与Evidence Ladder →
龙虎斗检测2026年9月2日 · Event Deduplication
同一张环保罚单被50家网站转载以后，为什么龙虎斗检测如果显示“50个重大事件”，这个AI系统基本已经从第一步就错了？
风险面板上突然跳出“Company A：50个重大环境事件”。把这50条展开，标题几乎一样，正文几乎一样，发布时间集中在36小时内，最早那条来自监管机构官网，后面49条是通讯社稿、地方门户、财经聚合站和几十个行业自媒体的转载。这是一张罚单，不是50张。50是示意，但一个把它数成50个事件的系统，问题不在评分模型，而在它根本没有“事件”这个概念，只有“文章”。
Article Syndication是新闻生态的常态：通讯社稿件天然被大量采用，监管公告被财经媒体整理转发，热点被自媒体二次加工。如果AI只统计Mention Count，它测量的是传播广度而不是风险数量，而传播广度与企业规模高度相关，大公司的任何事情都被转载更多，小公司的严重事件可能只有一两篇报道。以Mention Count为核心的系统会系统性地惩罚知名企业、放过不知名企业，这就是News Coverage Bias最直接的来源。
龙虎斗检测判断两篇文章是否描述同一事件，依赖四个条件：Entity Match（主体是否相同，含简称、子公司、旧名映射）、Time Match（事件时间是否落在同一窗口，注意是事件时间而非发布时间）、Event Similarity（事件类型、涉及方、处罚机关、金额、地点是否一致）、Source Cluster（是否存在转载关系）。四个条件同时满足才归入同一个Event ID。文章用News-to-Event Funnel展示这个过程：50篇进入，Entity Match后剩38篇，Time Match后剩35篇，Event Similarity后剩33篇，Source Cluster后发现只有3篇是原发报道。最终输出1个ESG Event、3条原发Evidence、30条转载记录，以及被剔除的17篇各自的去向。时间戳同样参与判断：Event Date、Publish Date与Crawl Date分开记录，旧罚单的新转载先与已存在的Event匹配，它是一条新证据，不是一次新处罚。
去重的产物不是“删掉49篇”，而是建立Event ID，把50篇按角色挂在它下面：原发报道是核心Evidence，转载记录保留但标记“无信息增量”，包含企业回应或新细节的转载升级为独立Evidence。Mention Count不应被丢弃，而应被放到正确位置：它是Event的属性，可以度量传播热度、辅助Alert Prioritization，但不能决定Severity，不能决定事件数量，不能直接进入风险分数。媒体数量可以反映传播范围，却不能直接代表事件数量；专业风险监测首先应该把几十篇报道还原成一个拥有多条Evidence的真实Event。
阅读完整文章：龙虎斗检测与News-to-Event Funnel →
法律与治理风险2026年8月31日 · 龙虎斗风险预警
企业被法院起诉信息刷进风险系统以后，为什么龙虎斗风险预警绝对不能立刻把“被起诉”写成“已经违法”？
一条“Company A被起诉”进入系统，最省事的处理是创建一条Governance Risk事件，标成高风险，然后再也不碰它。两年后用户打开这家公司的风险页面，那条事件还在，红色的，即便案件早在一年前就被法院驳回。这不是极端假设，而是只保存“第一次出现的新闻”的系统的必然结果。龙虎斗风险预警对法律事件的原则只有一句话：Legal Event真正有价值的是状态机，而不是标题。
被起诉（Filed）意味着有人向法院提交诉状、法院受理，它证明的是“存在一个诉讼程序”，不证明诉状里的任何主张成立。原告可以是竞争对手、前雇员、股东或NGO，诉讼请求可以是赔偿、停止侵害或程序性事项。把Filed写成“已经违法”，是Allegation Treated as Fact在法律领域最典型的版本。文章设计的Litigation State Machine包括Filed、Response、Hearing、Dismissed / Settled / Judgment、Appeal、Closed；判决之后可以进入Appeal，Appeal之后可能发回重审，Settlement可能在任何阶段发生。每一次状态变化都写入同一个Event ID的Timeline，而不是生成一条新的负面事件。
原告的Claim与企业的Response应该一起展示，这是Right to Context：如果只保存指控不保存回应，风险画像天然偏负。当原告说A、企业说B、法院尚未审理时，系统应该显示Conflict，而不是替用户选一个真相。Dismissed通常应让事件关闭但要记录原因；Settlement不等于承认违法但和解条款可能包含值得跟踪的整改承诺；Judgment是第一次出现真正的Finding但可能对企业有利也可能不利且可能被上诉；Appeal意味着结果尚未最终确定，事件应重新回到开放状态。
诉讼监测最常见的失败不是漏掉起诉，而是漏掉结局：起诉往往有新闻，驳回往往没有新闻。依赖媒体报道作为唯一来源的系统会系统性地保留开放状态、错过关闭状态。龙虎斗风险预警对每条Filed事件设置Follow-up，定期回到法院公开信息、企业公告和权威报道核查状态；长期没有更新则标记“状态未确认”，而不是默认“仍在进行”。旧案的新转载必须先做Event Match，它是一条新Evidence，不是一条新Event。只保存案件第一次出现的新闻，会让已经撤诉的旧风险永远挂在企业头上，也会让用户把程序状态误认为最终事实。
阅读完整文章：龙虎斗风险预警与Litigation State Machine →
供应链ESG2026年8月29日 · 龙虎斗供应链
一个关键Supplier发生严重劳动争议以后，为什么龙虎斗供应链既不能假装与买方企业完全无关，也不能把全部风险100%算到买方头上？
Supplier B的工厂爆发劳动争议，当地媒体报道工人集体停工，劳工组织发布声明，监管部门表示介入。Supplier B是Company A某关键零部件的供应商。这条消息进入Company A的风险系统之后，有两种同样错误的处理：“这是供应商的事，与我们无关”，或者“供应商出了严重Social事件，Company A的Social风险同步升高”。前者忽视了责任链与运营链的真实关联，后者把供应商的风险机械复制给买方。龙虎斗供应链的原则是判断传导，而不是假设传导或否认传导。
传导分析之前，事件本身先经过龙虎斗检测的标准流程：Supplier Entity Resolution确认报道里的工厂是不是Supplier B、是哪家法律实体哪个厂区；Event Status是Reported、Alleged还是Under Investigation；Severity看涉及人数、持续时间、是否有安全问题、是否重复；Source Reliability区分地方媒体、劳工组织与监管表态。如果事件主体不能确认为Company A的供应商，传导分析根本不应该开始。
文章设计的Supplier Risk Transmission Map有六层：Severity（事件多严重）、Relationship（直接合同、间接供应、合资还是参股）、Dependency（采购占比、是否Single-source）、Criticality（该零部件对产品与营收的重要性）、Alternative Source（有没有已认证的替代供应商、切换需要多久），最终得到Buyer Exposure。Relationship与Control决定责任链暴露：直接合同关系下买方通常有行为准则、审核权与整改要求权，责任链暴露较高；Tier 2关系下影响力有限但在某些目的地市场的尽职调查规则下仍可能被要求关注。Dependency与Criticality决定运营链暴露：三家替代供应商且切换只需两周，与Single-source且认证需要一年，是完全不同的情况。文章用一个示意框架提醒用户四个维度缺一不可：Supplier ESG Severity × Dependency × Business Criticality × Substitutability，任何一项显著偏低都会改变结论。
运营暴露与ESG暴露是两个问题：劳动争议本身是Social风险，停产是Operational风险，龙虎斗供应链分别记录、分别展示，不合成一个数字。Tier 1没事不代表Tier 2没事，很多劳工与环境问题发生在更上游，Knowledge Graph沿供应关系向上追溯并标注“间接暴露”。Company A是否启动供应商审核、要求整改、公告应对，这些都与事件一起记录。供应链ESG风险不是简单的“连坐”，真正需要判断的是企业对Supplier的依赖、控制能力、替代性和事件对业务与责任链的实际关联。
阅读完整文章：龙虎斗供应链与Supplier Risk Transmission Map →
绿色金融2026年8月27日 · 龙虎斗金融
一家制造企业绝对碳排非常高以后，为什么龙虎斗金融仍然不能只凭这个数字宣布它“不适合绿色融资”？
一家钢铁或水泥企业的年度绝对碳排在整个行业里都排得上号。它提出一笔融资申请，用途是把一条产线的燃料系统改造为低碳工艺并配套余热回收。风险系统如果只看“绝对碳排高”这一个数字，会直接给出“不适合绿色融资”的结论。这个结论在逻辑上是错的：它把企业当前的排放水平和融资用途的性质混成了一个问题。
龙虎斗金融把绿色融资分析拆成明确的层级。企业层面是Company Profile：行业、绝对碳排、Carbon Intensity、ESG Risk Profile、转型计划是否存在。项目层面是Project与Use of Proceeds：这笔钱具体用于什么、边界在哪里、预期环境效益是什么。资格层面是Eligibility Criteria：项目是否符合特定绿色贷款框架或分类标准的活动级条件。三个层级各自独立回答，才能得到有意义的结论。绝对碳排在不同行业之间没有可比性，Steel、Cement与Software的Absolute Emissions差几个数量级，说明的是行业性质而非ESG表现；Carbon Intensity按Revenue、Production或Output计算提供行业内相对位置，但不同Metric结果不同，必须标注口径。更关键的是，高排放行业恰恰是减排潜力最大、转型融资需求最真实的领域。
文章设计的Green Finance Eligibility Stack有八层：Company Profile、Project、Use of Proceeds、Eligibility Criteria、Carbon / Climate Impact、Evidence、Risk、Finance Review。绝对碳排只出现在第一层。项目边界、资金去向、标准符合性、减排口径与Baseline、证据完整性、借款人与项目风险、人工复核，每一层都可能改变结论。一个高排放企业的改造项目如果无法证明资金可以隔离、没有Baseline、缺乏外部核查，它可能确实不满足绿色融资条件，但原因是证据不足，而不是“碳排高”。EU Taxonomy的判断是Activity-level的，“新能源公司=100%对齐”与“钢铁公司=0%对齐”都是错误读法，具体条款以官方当前生效文本为准。
高排放企业申请绿色融资时Greenwashing风险确实更高，但风险的形态是具体的：项目边界被放大、减排量没有Baseline、资金实际流向一般营运、转型目标没有Scope与基准年。这些可以通过Claim-Evidence Gap检查发现并标记为Evidence Gap，而不是直接判定欺诈。绿色金融不能把企业当前碳排和融资用途混成一个问题。高排放企业可能拥有真正的减排项目，低排放企业也不代表任何融资用途都天然属于绿色。龙虎斗金融的输出最后一行永远是：绿色融资条件初步筛选，需要人工复核。
阅读完整文章：龙虎斗金融与Green Finance Eligibility Stack →
气候金融2026年8月25日 · 龙虎斗绿色金融
AI把一家工厂未来Flood Risk标成High以后，为什么龙虎斗绿色金融不能直接把它转换成“高违约风险企业”？
气候模型输出：Company A主要工厂所在地未来洪水风险等级High。风险面板于是把Company A标成红色，信用团队看到的结论是“高违约风险”。从High Flood Risk到High Default Risk之间，其实隔着至少五个问题，每一个都可能让结论完全不同。
Physical Climate Risk分析的起点是Hazard：某地区在某情景下发生洪水的可能性与强度。但Hazard只描述外部环境，不描述企业会受到什么影响。从Hazard到Financial Impact需要经过Exposure（企业哪些资产、供应商、运营环节位于风险区域）、Vulnerability（防护水平、设计标准、韧性）、Operational Impact（停产多久、有没有替代产能）、Financial Exposure（对现金流与资产负债表的影响），以及Mitigation与Insurance（保险覆盖、适应投资、应急预案）。龙虎斗绿色金融把这条链路称为Climate-to-Finance Translation。两家工厂面临同样的Hazard，一家有充足保险、完成防洪改造且集团有其他产能，另一家没有保险、设施老旧且是唯一产能，它们的Financial Exposure天差地别。
Physical与Transition必须分开：Flood Risk属于Physical Risk，同一家企业还可能面临碳价、监管、客户偏好带来的Transition Risk，两类风险的机制、时间尺度与应对方式完全不同，不能合成一个“气候分”。Scenario不是预测：洪水风险等级通常来自特定气候情景下的模型输出，情景是“如果世界这样发展会怎样”的分析工具，NGFS等机构的情景用于压力测试与研究，其2026至2027年战略强调物理风险、适应与自然相关风险的实践落地。把某个情景下的High直接读成“很可能发生”，是Climate Score Misuse最常见的形式。短期Extreme Event与长期Physical Change也应分开。
信用分析有自己的框架：现金流、杠杆、行业周期、担保、管理质量。Physical Climate Risk为这个框架增加了一个需要评估的压力因素，它的正确位置是信用分析师的输入清单，而不是信用结论本身。AI在这里的价值是把链路上的信息整理出来：识别哪些资产位于风险区域，检索企业披露中的防洪投资与保险安排，标注哪些环节信息缺失，生成带引用的Climate Exposure说明。它不应输出“高违约风险”，因为它没有完成、也不应独自完成信用分析。Physical Climate Risk是信用分析的一项输入，而不是违约概率本身。真正的金融影响还取决于资产韧性、现金流、保险、替代产能和企业适应能力。
阅读完整文章：龙虎斗绿色金融与Climate-to-Finance Translation →
绿色债券2026年8月23日 · 龙虎斗绿色债券
绿色债券发行文件已经写清楚“募集资金用于绿色项目”以后，为什么龙虎斗绿色债券真正的监测工作反而才刚刚开始？
发行文件写得很完整：框架参照国际原则，Use of Proceeds列出三类合格项目，有独立机构出具的SPO，发行当天媒体报道也很正面。很多人的直觉是这只债券的“绿色”已经验证完毕，剩下的只是信用问题。龙虎斗绿色债券的看法相反：发行前的一切都是承诺与计划，证据要在发行之后才开始产生。
Framework、Eligibility标准、SPO回答的问题是“这个发行人打算怎么做，这个计划是否符合标准”。SPO是对框架与标准一致性的独立意见，通常在发行前出具，它不能证明资金后来真的按计划分配、项目真的建成、环境效益真的产生。把发行前的审查当作全部验证，等于把计划书当作竣工报告。文章设计的Green Bond Evidence Lifecycle有八个节点：Framework、Eligibility、Issuance、Proceeds Allocation、Project、Post-issuance Reporting、Impact Evidence、External Review。前三个是发行前，后五个是发行后，真正需要持续监测的是后五个。
Allocation：Use of Proceeds在发行文件里是类别与比例，在发行后是具体项目与金额，分配报告应说明资金分配到哪些项目、再融资比例、未分配余额及其管理方式。Project Eligibility是动态的：项目可能变更技术路线、延期、出现环境事件或因标准更新而不再满足条件，龙虎斗绿色债券把项目作为独立Entity纳入事件监测。Impact：Energy Saved、Renewable Capacity、Emissions Avoided等指标必须说明Baseline、计算方法、边界、是估算还是实测、是否经过核查，没有真实数据不生成任何影响数字。发行后的External Review可以核证分配报告或影响指标，EuGB框架下External Reviewer需在ESMA注册，龙虎斗AI可以检查审查覆盖范围但本身不是审查机构。
Controversy贯穿全程：发行人在存续期内可能出现处罚、劳工争议或治理事件，它们作为Issuer Risk关联到债券，是否影响债券的“绿色”属性取决于事件是否涉及募投项目本身，这正是投资研究页面把Issuer Risk与Project Eligibility分开显示的原因。发行后的证据会反馈到发行人的框架更新与下一次发行的评估中。绿色融资的可信度不仅来自发行时说了什么，还来自资金后来去了哪里、项目有没有持续符合框架，以及发行人有没有提供可追溯的后续报告。
阅读完整文章：龙虎斗绿色债券与Green Bond Evidence Lifecycle →
ESG模型2026年8月21日 · 龙虎斗大模型
龙虎斗大模型把一家公司的ESG风险分从72调整到61以后，为什么用户第一件事不应该问“公司发生了什么”，而应该先问“到底是谁变了”？
一个ESG风险分从72掉到61很醒目。用户的第一反应几乎总是“公司出什么事了”，然后去翻新闻。但真正应该先查的是：模型今天有没有换权重。72与61是示意，情形却是所有评分系统的日常：分数变了，原因可能是企业，也可能是评分本身。
龙虎斗大模型把评分变化的来源分为六类。New Event：企业发生了新的风险事件或既有事件状态升级。Data Update：数据源更新。Source Correction：既有事件被更正，例如主体归属纠错、旧案更新为Dismissed。Methodology：评分方法升级，例如Time Decay曲线或Recurrence规则变化。Weight：某些维度权重调整。Model Version：Entity Resolution或Event Classification模型更新导致事件归属或分类变化。前三类是企业侧或数据侧变化，后三类是评分侧变化，两者含义完全不同。示意中的11分变化里，New Event贡献4分、Source Correction回补1分、Methodology贡献5分、Weight贡献3分：企业侧净变化3分，评分侧变化8分。只看到61的用户会以为企业出了大问题，看到Attribution之后才知道大部分变化来自评分方法升级。
评分方法持续改进是正常的，问题在于改进带来的分数变化如果不被标记，就会被误读为企业变化，这叫Methodology Drift造成的Score Drift。龙虎斗大模型的规则是：Methodology变更必须版本化，生效时对所有企业重算并标记“Methodology Change”，不同版本的分数不做跨版本比较，历史分数保留版本标签。用户看到的应该是“v3.2下72分，v4.0下61分”。Model Version的影响更隐蔽：Entity Resolution模型升级可能改变某些事件的主体归属，Event Classification模型升级可能把事件从Social改为Governance，这些不涉及企业行为却会改变分数。
Attribution数据由Score Engine生成，Change Explanation由龙虎斗大模型基于Attribution生成自然语言说明，LLM在这里解释引擎输出而不重新计算分数；引擎没有提供Attribution时，LLM应说明“无法归因”而不是猜测。Attribution能告诉用户变化来自哪里，但不能替用户判断变化重要与否，两侧都需要Human Review。一个看似精确的数字如果不能解释自己为什么变化，就会制造并不存在的风险变化。评分变化可能来自企业真实风险，也可能来自Methodology升级或数据修正；没有Score Attribution，一个看似精确的数字很容易制造并不存在的风险变化。龙虎斗官网不宣传“绝对正确的ESG分”，只承诺每一次变化都可以被拆解。
阅读完整文章：龙虎斗大模型与Score Change Attribution →
