每天收盘后把自己钉在电脑前，翻公告、扒财报、对数据的日子，做投研的朋友应该都不陌生。我自己的工作时间被大量重复动作吃掉之后，终于下决心把整套流程做成了一套 AI skill。这里说的 skill，不是一句聪明的提示词，而是能在 Claude Code、Cursor 这类编程助手里被自动加载、按固定流程执行的可复用技能包。这篇文章就把我这个投研 skill 的完整设计思路、目录结构、模板和踩过的坑都摊开来讲，希望对同样在折腾 AI 投研工具的人有点帮助。

1. 投研流程里真正值得固化的部分：为什么做成 skill 而不是万能 prompt

我先说一个自己的真实感受：直接用 prompt 让大模型"帮我分析某家公司"，十次里有八次会得到一个看似全面、实则空泛的结论。模型会把营收、利润、估值这些词轮番抛出来，但当你追问"数据是哪来的""和上年同期比到底差在哪"的时候，它就开始含糊了。问题不在于模型笨，而在于投研本身是一套强流程的活儿，流程没被固化，模型自然只能自由发挥。

1.1 skill 和普通提示词的本质区别

普通提示词是"一次性对话"，每次都要重新描述背景、格式、数据口径；skill 则是一个目录，里面装着模型需要遵守的指令、可执行的脚本、预先设计好的模板。模型一旦识别到当前任务匹配某个 skill，就会自动读取目录里的说明，按说明一步步执行。

用一个生活类比：普通 prompt 像你临时指挥一个实习生"去查一下这家公司"，对方可能东一榔头西一棒槌；skill 则像你交给这位实习生一份标准作业手册，手册上写着先做什么、后做什么、数据从哪个库拿、报告按什么结构写、哪些风险项必须核对。同样的实习生，拿到手册之后产出的质量会稳定非常多。

1.2 投研场景的天然优势：流程固定、数据公开、输出有章法

投研这件事天生适合做成 skill，原因有三个。

第一，流程高度固定。不管是分析个股还是行业，总是先拉数据、再看财务、然后估值、最后给风险结论，这个线性流程不太依赖灵感。第二，数据源相对公开。财报、公告、行情数据都有约定俗成的获取渠道，只要把脚本写好，模型可以自己拉取，不必每次从零开始。第三，输出结构可预期。投研报告有固定的框架，读者在乎的是数字准确、逻辑清晰，而不是文采飞扬。

所以我把"基本面分析""财务指标对比""风险检查""持仓跟踪"这些固定动作全部拆成了 skill 子模块。模型负责调用工具、读取数据、生成报告，我负责审核结论。这比让它自由回答可靠得多。

2. 从 0 到 1 搭建投研 skill：目录、声明文件与运行机制

先看一个最简目录结构。以 Claude Code 的 skill 机制为例，我会在~/.claude/skills/下建一个名为finance_research的目录：

~/.claude/skills/finance_research/ ├─ SKILL.md ├─ scripts/ │ ├─ fetch_quotes.py # 拉行情K线 │ ├─ fetch_financials.py # 拉财务摘要 │ └─ parse_report.py # 解析年报PDF ├─ templates/ │ ├─ company_analysis.md # 个股分析模板 │ ├─ industry_analysis.md # 行业分析模板 │ └─ risk_checklist.md # 风险检查清单 └─ references/ └─ data_sources.md # 数据源说明

SKILL.md是这个技能包的核心说明文件，它决定了模型在什么情况下调用该 skill、以及调用后执行的规则。用 YAML frontmatter 开头，正文用自然语言描述操作流程，直接给出一份可以抄作业的版本：

--- name: finance_research description: 投资研究分析，覆盖公司基本面分析、行业对比、财务指标体检、估值判断、风险清单梳理。当用户询问某家公司的投资价值、财务状况、行业前景，或者要求生成投研报告时，优先使用该技能。 allowed-tools: bash, python, web_search --- # 投研分析执行流程 1. 先判断任务类型：个股分析 / 行业对比 / 风险检查 / 财报解读。 2. 使用 scripts/fetch_financials.py 获取财务数据，优先使用本地缓存。 3. 若用户提供年报PDF，使用 scripts/parse_report.py 提取文本。 4. 所有关键财务数字必须标注数据来源和截止日期。 5. 按 templates/company_analysis.md 的结构生成报告，不得跳过风险清单。 6. 报告结尾必须给出"数据局限性说明"，包括数据滞后性和模型可能存在的理解偏差。

2.1 description 怎么写才能让模型准时命中

很多人在这一步随手写一句"帮我做投研"，结果模型经常不触发 skill。关键规则是：description 要描述"用户的需求场景"，而不是"你的功能"。

比如你写"本技能用于股票分析"，当用户问"帮我看看这家公司值不值得买"时，模型可能觉得这不是"股票分析"而不敢触发。但如果你写"当用户询问某公司投资价值、财务健康状况、行业前景，或要求生成投研报告时使用"，模型就能更准确地匹配。

我还会刻意在 description 里加一些"触发词"：比如"财报""估值""基本面""仓位建议""减持""商誉"。这些词在不同模型上的命中率略有差异，实测多写几类场景能明显提高触发率。

2.2 数据脚本的边界：抓什么、缓存什么、不碰什么

写脚本时最容易犯的错是把所有数据源都塞进去。我的原则是：行情和财务摘要走脚本，深度内容走人工提供文件。

fetch_quotes.py我一般这样写，用 akshare 拉日线数据并缓存到本地 CSV：

import akshare as ak import pandas as pd import os from datetime import datetime def fetch_daily(symbol: str, start: str = "20200101", end: str = None): """拉取日线行情，缓存到本地 data/ 目录。 symbol 格式：sh600000 或 sz000001。""" end = end or datetime.now().strftime("%Y%m%d") cache_path = f"data/{symbol}_{start}_{end}.csv" if os.path.exists(cache_path): return pd.read_csv(cache_path) df = ak.stock_zh_a_hist(symbol=symbol.split("sh|sz")[1], period="daily", start_date=start, end_date=end, adjust="qfq") df.to_csv(cache_path, index=False) return df

这里有个细节值得说：只要接口允许，一定设置adjust="qfq"（前复权）。如果不复权，分红送股会导致历史价格出现跳空，后面算涨跌幅、画趋势图全是错的。第一次踩这个坑时，我以为某公司股价"暴跌"，实际只是除权除息。

财务摘要我用ak.stock_financial_abstract_ths或直接解析年报 PDF，二选一。脚本层面我只负责把数据落成结构化表格，不做任何"建议"。判断和建议留给模型结合分析模板来做，这样分工清晰，出问题也好排查。

2.3 不碰什么

这个边界必须提前写进 skill 说明里：不对未公开信息做预测，不输出任何形式的"确定性内幕"。模型只能基于公开数据和用户提供的材料分析，所有结论都是概率性判断。我在SKILL.md里专门加了一条：

本技能所有输出均基于公开信息，不构成投资建议。禁止编造未公开的业绩数据，禁止使用"主力资金意图""庄家动向"等无法验证的说法。

这条规则既是合规需要，也实际提高了报告质量。没有了神秘化表述，模型反而会把注意力放在财报数字和估值逻辑上。

3. 把分析框架内嵌到 skill 里：一套可复用的投研模板

模板是整个 skill 的灵魂。模型能不能稳定产出专业报告，取决于你给它的框架够不够细。我把所有模板放在templates/目录下，模型输出时严格按模板结构填充。

3.1 公司分析模板：先财务、再估值、后结论

这是我平时最常用的一份模板，核心是不允许模型跳过任何一节：

# 公司分析简报 ## 一、业务画像 - 公司主营业务（一句话） - 收入结构（按产品线/地区，最近年度） - 商业模式特点（To B / To C / 平台型） ## 二、财务体检（最近三年） - 营收及同比增速 - 归母净利润及同比增速 - 毛利率、净利率变化 - ROE（加权）及变化趋势 - 经营现金流 / 净利润（比值低于1要重点提示） - 资产负债率、有息负债规模 ## 三、估值分析 - 当前 PE / PB / PS（标注数据日期） - 近三年估值分位数 - 与同行业可比公司的估值对比 ## 四、风险清单 - [ ] 应收账款是否异常增长 - [ ] 商誉占净资产比例是否超过30% - [ ] 大股东质押比例是否超过50% - [ ] 近一年是否有大额减持公告 - [ ] 审计意见是否为非标准无保留意见 ## 五、结论 - 核心看点（最多3条） - 核心风险（最多3条） - 适合进一步研究的触发条件 ## 数据来源与局限性说明

这份模板最关键的改动是加了"经营现金流/净利润"这个比值。很多新手看财报只看利润表，结果被应收账款和存货欺骗。现金流比值连续多年低于 0.7，通常意味着利润只是账面数字，这个信号在模板里出现后，模型每次都会主动计算，不会遗漏。

3.2 行业对比模板：同口径比才有意义

做行业分析时，最大的坑是口径不一致。比如"归母净利润"和"净利润"两个词在财报里经常被混用，增速算出来可以差十几个百分点。所以行业对比模板里我会强制要求：

• 所有公司使用同一指标口径（统一用"归母净利润"）
• 财务截止日期必须一致
• 若数据来自不同年份年报，在表格中标注年报期

下面是模板中的对比表格：

| 公司 | 营收(亿) | 营收同比 | 归母净利润(亿) | 净利同比 | 毛利率 | ROE | PE | |------|---------|---------|---------------|---------|--------|-----|-----| | A公司 | 数据 | 数据 | 数据 | 数据 | 数据 | 数据| 数据| | B公司 | 数据 | 数据 | 数据 | 数据 | 数据 | 数据| 数据|

我见过模型自动把"扣非净利润"和"归母净利润"混在一列里的情况，导致对比结果完全失真。所以模板顶部用加粗标注了一行提示：「所有利润类指标默认使用归母净利润，除非用户特别说明」。

3.3 风险检查清单：让模型像审计员一样逐项确认

风险清单如果只是模型"想想有什么风险"，输出会很发散。我把它做成逐项核对的检查表，模型必须调用web_search或读取用户提供的公告文件来确认每一项。

清单里固定包含这几项：

• 商誉占净资产比例超过 30%，有减值风险
• 应收账款增速连续两年超过营收增速
• 大股东质押比例过高，需关注流动性
• 关联交易占营收比例超过 20%
• 审计师出具了带强调事项段或者非标意见
• 存货周转天数连续上升，且存货增速快于营收

每项后面我要求模型给出"通过 / 未通过 / 数据不足"三选一结论。数据不足时不允许自行猜测，必须在报告中明确提示。这份检查清单落地之后，模型报告的质量提升非常明显，因为它从一个"写作文"的模式切到了"填表格"的模式，后者很少遗漏关键风险。

4. 实测中最容易翻车的环节与处理经验

再好的结构，跑起来也会遇到实际问题。我把自己在真实使用中踩过的坑整理成一段排查链路，每一个都对应着具体解决方案。

4.1 财报 PDF 解析：表格错位与口径陷阱

第一次让 skill 直接读上市公司年报 PDF，我天真地以为pdfplumber能把表格完美提取出来。结果模型生成的营收数据出现明显错误——核对之后发现，PDF 里表格跨页时表头会重复，提取出来的列错位了。

处理办法分成两层。第一层是脚本层面，我对parse_report.py做了规则：只提取目标 PDF 的钱前 80 页关键段落，碰到表格线条复杂的页直接跳过，不强行解析。第二层是模型层面，在SKILL.md的流程里写死一条规则：

从 PDF 提取的财务数字，必须与用户口头提供或行情接口返回的数据交叉验证。若不一致，以接口数据为准，并在报告中标注差异。

从那以后，模型再也不会拿着一个错位的数字一本正经地分析。顺带说一句，PDF 解析后的人工复核仍然不能省，我现在每周固定花十分钟抽查三份报告里的关键财务数字，成本很低，但安全感高很多。

4.2 数据时效性：一次过期数据导致的分析偏差

有段时间我让 skill 做每日复盘，模型偶尔会拿三天前的行情数据当最新价。原因很简单：脚本有缓存机制，当天数据接口还没刷新的时候，模型直接读了旧 CSV 文件。

我的解决方式是在缓存逻辑里加入时间校验：

def cache_fresh(path: str, expire_hours: int = 2) -> bool: """判断缓存文件是否在有效期内""" import time if not os.path.exists(path): return False age = time.time() - os.path.getmtime(path) return age < expire_hours * 3600

同时对 skill 的流程做了一条硬性要求：报告里标注的行情日期，必须等于或晚于模型上次刷新数据的日期，否则视为无效输出，重新执行数据获取步骤。有了这道校验，模型的"睁眼说瞎话"问题基本绝迹。

4.3 模型幻觉治理：强制引用与数据校验

所有用过 AI 做数据工作的人都会遇到幻觉问题，投研场景尤其危险，因为数字错了就是真金白银的损失。我的治理思路是三板斧：

• 强制引用原始数据文件。指令中明确要求：报告中每个关键财务数字后面，必须用括号标注数据来源，比如（来自 fetch_financials.py 输出，截止2024年报）。
• 要求模型自我校验。报告生成前先按流程生成一遍data_check.md，里面只放数字和来源，再由模型把正文和这个检查文件逐项比对。
• 对"数据不足"诚实输出。禁止模型脑补任何指标，未知就写"未获取到该项数据"。

这套流程实际跑下来，模型预测性幻觉大幅减少。曾经有一次它想当然地把"毛利率约40%"写进结论，被校验规则拦住了，因为它找不到对应的数据文件来源——这就是规则生效的例子。

5. 从单票到组合：skill 的复用与扩展思路

投研 skill 做成了之后最爽的部分是可以横向复制。同一个框架，稍微改改模板就能支撑完全不同的工作流。

5.1 持仓周报自动化

我把公司分析模板改成了持仓周报格式：周一早上自动拉取持仓列表里每只股票的周涨幅、成交额、最新财务风险开关，生成一张总览表。

关键是把"持仓列表"做成一个简单的 CSV 维护文件，skill 脚本只负责读取和刷新，模型只负责基于表格写解读。每周一份周报，内容包括：

• 持仓整体涨跌幅和基准对比
• 个股异动原因摘要（结合 tushare 公告和新闻检索）
• 风险清单状态变化
• 下周关注事件日历

这套流程跑起来之后，我的周一早上直接省掉了一个多小时的机械梳理工作。

5.2 公告监控与事件驱动检查单

另一个我常用的子技能是"事件驱动检查单"。当某家公司发布重大公告（比如大额减持、重大合同、更名），模型不会盲目解读消息是好是坏，而是按检查单逐项判断：

• 这是否改变公司基本面逻辑（利润、收入、现金流）
• 公告中的关键数字是否与模型已知数据一致
• 该事件是否触发风险清单中的某一项
• 需要进一步验证的信息点是什么

这样生成的不是"利空利多"式的武断结论，而是一份带着验证步骤的工作底稿。我拿着底稿再去做深度调研，效率和准确率都比以前高不少。

5.3 多 agent 分工：把 skill 拆成子技能

单纯一个finance_researchskill 承担太多职责后，触发判断会变得迟钝。我后来把它拆成了三个更小的技能：

拆分的收益不仅是触发更精准，更重要的是可以让两个 agent 同时工作：一个跑数据、一个审风险，最后合并输出。虽然实际操作起来需要处理并发冲突，但思路一旦跑通，投研流水线的雏形就出来了。

最后说一点我的个人体会。做这套 skill 最值得的投资不是模型提示词技巧，而是把"分析框架"本身变成代码的一部分。框架在，才谈得上工具化；框架乱，再强的模型也只是个聪明的聊天机器。

如果你也想复现这套东西，我建议从最常用的"公司分析模板"开始，先跑通单票流程，再加数据脚本，最后再慢慢加行业对比和风险审计。别想着一步到位，投研 skill 是一块一块拼出来的，每加一块你自己会更清楚下一块是什么。