把“缠论”塞进AI技能包,是加分还是负债?这个开源项目把答案记在了错题本上
把“缠论”塞进AI技能包,是加分还是负债?这个开源项目把答案记在了错题本上
最近半年,科技圈有个特别有意思的现象:越来越多人不再问“AI能不能帮我炒股”,而是开始琢磨“怎么把我师父那套手艺,灌进AI脑子里”。
Claude 的 Skills 功能出来后,这事就更热闹了。简单说,它允许你把一整套专业知识、流程规矩、脚本工具打包成一个“技能文件夹”,让 AI 从“什么都懂一点的通才”变成“懂你这行的老师傅”。
于是国内开发者的第一反应很自然:那我把缠论塞进去行不行?
分型、笔、线段、中枢、背驰、一二三类买卖点——这套本土方法论,中国股民几乎人手一套。听起来简直是为 AI 量身定做的:规则明确、层级分明、还能递归。
但我最近扒了一个在 GitHub 上挺火的开源项目 claude-trading-skills,它没做缠论,却把“日本版缠论”给做进去了。而它踩过的坑、留下的错题本,恰好把这个问题回答得明明白白。
一、先说清楚,这项目到底是个啥
一句话:它是一套给炒股的人用的“AI 手艺包”,一共 74 个技能,14 条固定工作流。
你可以把它理解成一个刚入职的助理。默认状态下,这个助理什么书都读过,但不懂你家店里的规矩。技能包的作用,就是把“我家店怎么进货、怎么验货、什么情况必须打电话问我”写成一本手册,塞给他。
它覆盖的面很广:大盘环境判断、市场宽度、财报日历、各类选股筛选器、仓位管理、交易复盘……基本把一个人做交易的完整闭环都拆成了零件。
有意思的是,里面最“本土”的那一块,是三个日式股息投资技能——“かんち式”派。
这名字你可能陌生,但在日本散户圈,它就是本土草根方法论的代名词:不看花哨指标,只抠五件事——股息率够不够、分红安不安全、估值贵不贵、利润是不是一次性的、跌下来该不该买。
这跟缠论的本质是一模一样的:都是从本土市场里长出来的、带着强烈个人风格、讲究“手感”的方法论。
所以它踩的坑,缠论一个也跑不掉。
二、加分项在哪?它把老师傅的“手感”拆成了检查清单
先说好消息。
这套技能最狠的地方,不是让 AI 去猜涨跌,而是把老手脑子里那团“说不清但就是这么判断”的直觉,硬生生拆成了可执行的步骤。
比如那套五步法,被拆得特别细:
第一步筛股息率。 关键不在“股息高不高”,而在“这个高是不是假的”。所以它专门设了三道闸:特别股息要单独摘出来、浮动分红政策直接判不合格、分红被冻结要单独标记。
第二步查安全性。 这一步最见功力——同一个“分红安全不安全”的问题,对银行、对公用事业、对保险公司,用的尺子根本不是一把。银行看现金流没意义,公用事业自由现金流天生就是负的,硬套一个公式,好公司会被冤杀。
第三步看估值,第四步剔一次性收益,第五步才是“跌下来怎么分批买”。
更妙的是它还配了一套“触发矩阵”,相当于给持仓装了个报警器:分红下调超过 1%、财报里出现“重述”“重大缺陷”“SEC 调查”这类字眼、负债连涨三期、营收毛利指引三线同时往下……全都会自动跳到人面前。
这套东西的价值,不需要什么高深技术就能感受到:它把“我好像该检查一下了”这种模糊的焦虑,变成了“今天该看这五项”的明确动作。
对普通人来说,这才是最实用的加分项——不是让 AI 替你决策,而是让你别漏项。
三、负债在哪?缠论最要命的地方,恰恰是“这笔画到哪儿”
现在说坏消息,也是这类方法论真正的死穴。
缠论听起来特别“可编程”:分型有三根K线的定义,笔有五根K线的约束,中枢有重叠区间的算法。很多人第一反应就是:这不就是写个循环吗?
问题在于,真实行情从来不按教科书长。
一根长下影线算不算包含关系?跳空缺口要不要合并?两段笔之间差一根K线,是算成立还是不算?这些在书里都是“原则上”“一般来说”,而在实战里,每一次模糊,都会导致两个人画出两张完全不同的图。
而大模型最擅长的,恰恰是“模糊的时候给你一个看起来合理的答案”。
这就产生了一个非常隐蔽的陷阱:它能流畅地告诉你“这里出现了第三类买点”,语气笃定、逻辑自洽,但你换一天再问,它可能画出另一套笔。
听起来像灵活,实际上是不可复现。而交易这件事,最怕的就是不可复现——你没法回测一个每次都长得不一样的东西,也没法为它负责。
这个开源项目的处理方式,值得所有人抄作业:它不装作自己能算,而是明确承认哪里算不了。
它有这么一条硬规矩:只要关键数据缺失、行业不匹配、事件扫描没跑完,结论一律降级为“待人工复核”,绝不允许悄悄给一个“通过”。 宁可少给一个买入建议,也不给一个假的安全感。
更细的一条是“数据新鲜度闸门”:当股息率正好卡在门槛线上下 0.2 个百分点这个模糊地带,而且最新分红公告没核实过,系统不会直接判“不合格”,而是标记“回第一步重查”。
就这一条,救了它自己。
四、最值钱的一页,是它自己写的“打脸记录”
项目里有一份我很敬佩的文档——审计勘误表。
里面老老实实记着一次翻车:某次按 4% 股息率门槛跑筛选,一口气跑出 11 个“通过”。
事后逐个人工复盘,结论被大幅修正:
- 有一家媒体巨头,分红被冻结了,系统按旧数据判了通过;
- 有一家食品公司,账面利润里有一笔几十亿美元的非现金收益,把市盈率“美化”了,同时还漏掉了一桩正在推进的巨额并购;
- 有的公司 9% 的股息率里,一大半是特别股息,常规股息其实只有 3% 出头;
- 还有一家,因为最新一次分红公告没抓到,被误判成了“不合格”,其实人家早就涨过门槛了。
最后那句话写得非常扎心:“11 个通过”听起来很美,但真正能立刻动手的,只有一个。
这份“错题本”是整个仓库里含金量最高的东西。因为它证明了一件事:本土方法论真正难的地方,不在规则本身,而在规则遇到脏数据、遇到行业差异、遇到还没公告的大事件时,怎么不失控。
顺便说个更硬核的细节:项目给 74 个技能做了分级验收,其中大部分技能的“指令合同”还处于未验证状态。
翻译成人话就是:这些技能目前还只是“写下来的规矩”,机器还没能证明它们每次都会照规矩办事。这是整个行业现阶段的真实水位。
五、所以,什么该写规则,什么必须留给人?
扒完这个项目,我大概能画出三条分界线。
第一条:能被数字唯一确定的东西,交给机器。
股息率、分红是否下调、负债连涨几期、财报里有没有“重述”这个词——这些谁算都是同一个结果,写死规则,机器又快又不偷懒。
第二条:需要“划分”和“解读”的东西,机器只能当助理。
K线怎么切段、走势怎么分层、这一笔算不算成立、这个中枢算不算延伸——这些天然有自由度。可以让 AI 出草稿、标出它认为的关键位置、列出它的判断依据,但最终那一笔落在哪儿,得人来定。
第三条:一旦错了代价很大、且证据在系统之外的,必须强制人工。
正在谈的并购、刚出的监管处罚、大股东突然减持、公司临时改分红政策——这些东西不在一张干净的表格里,藏在公告、电话会、新闻里。项目为此专门设了一道“前瞻事件扫描”,但只要扫描没跑成、或者结果不确定,结论就直接锁死为“待复核”,连第一笔仓位都不许下。
这条设计思路,我觉得比任何算法都值钱:它不是让 AI 更聪明,而是让 AI 在不确定的时候,学会闭嘴。
六、普通人想玩,门槛高不高?
不高,但也没那么低。
它跑在 Claude Code 这类工具里,不需要显卡,一台普通笔记本就够。真正要准备的是两样东西:一个是行情数据接口的账号,另一个是——你自己的交易规矩。
这套东西最适合谁?
我觉得是三类人:手里有几十只票、每次财报季都手忙脚乱的人;有一套自己打法、但总在细节上漏项的人;以及想把自己的方法沉淀下来、而不是每次凭感觉重来一遍的人。
它不适合谁?想找个“输入代码、明天告诉我买啥”的人,会非常失望。
结语
回到最开始那个问题:本土方法论塞进技能包,是加分还是负债?
我的答案是:方法论本身是加分项,但前提是你得先承认它哪里不能自动化。
缠论也好、股息流派也好,它们真正的价值是几十年踩坑攒出来的“检查清单”,而不是那套看起来能算的几何图形。把清单交给 AI,你得到的是一个不疲倦的复核员;把图形识别也交给 AI,你得到的可能是一个永远自信、但每次画得都不一样的画师。
那个开源项目最打动我的,不是它做对了多少,而是它敢把“11 个通过最后只剩 1 个能买”这种事,明明白白写在仓库里。
毕竟在市场里,承认“我不知道”,比任何漂亮的图形都值钱。
你觉得呢?如果把你的看家本事教给 AI,你会放心把哪一部分交出去,又坚决不给它哪一部分?