22个金融SKILL全景拆解:HunterCode如何让AI按你的方法论自动做投研

原创2026-11-15 20:50:441,837 阅读
文章标签:金融科技AI 应用人工智能AI Agent后端前端数据分析本地部署微服务

22个金融SKILL全景拆解:HunterCode如何让AI按你的方法论自动做投研

HunterCode 是一款开源、本地自托管的金融 AI 投研终端(覆盖 A股/港股/美股),其 v3.5.0 内置 22 个金融 SKILL(投资研究技能),把盘前晨报、公告解读、财报体检、因子研究等券商式工作流写成标准化方法论文件——你只需一句话,AI 就会按写好的 SOP 自动取数、交叉核验并输出带证据链的投研报告。本文对 22 个金融 SKILL 做完整拆解,并讲清"AI 按你的方法论执行"背后的三个关键机制。

HunterCode 金融AI投研终端界面,展示行情查询与AI深度分析对话

什么是金融 SKILL:把你的方法论装进 AI

很多 AI 炒股工具的通病:问它估值它瞎编,问它基本面它"凭记忆"作答。HunterCode 的做法是把每一类投研任务写成一份 SKILL.md 技能文件——包含触发条件、标准执行步骤(第几步调哪个数据接口)、反幻觉硬约束和输出模板。

这些技能全部以纯 Markdown 存放在仓库的 skills/ 目录,例如 skills/daily_market_brief/SKILL.md 就规定了晨报必须"先查交易日历防休市瞎报 → 拉指数全景 → 拉宏观资讯 → 按模板组装"四步走。工作区模板中每个技能还配有 references 参考文件(打分表、模板、规则清单),你的投资方法论就沉淀在这些可读、可改、可版本管理的文件里。

HunterCode 首页的金融SKILL能力卡片,包括UZI深度分析、大佬评审团、龙虎榜分析与风险画像

22 个金融 SKILL 全景拆解:三组分工

HunterCode 的 22 个 SKILL 分为三组:7 个既有升级技能 + 8 个 P0 日常高频 + 7 个 P1 进阶量化,覆盖"盘前 → 盘中 → 盘后 → 长期研究"的完整闭环。

第一组:7 个核心分析技能(总调度 + 排雷)

这是整个体系的"大脑层",全部接入券商统一数据信封(BrokerDataEnvelope)与三栏证据格式:

SKILL 定位 一句话说明
uzi 投研总调度 一个技能统筹全部 22 个技能,见 skills/uzi/SKILL.md
deep_analysis 22 维个股深析 融合官方行情、三大报表、估值分位与公告原文
investor_panel 66 位大佬评审团 模拟价值/成长/游资/量化等 9 大流派投票打分
lhb_analyzer 龙虎榜分析 识别游资席位,判断机构 vs 游资博弈
trap_detector 杀猪盘检测 扫描 ST/退市警示、财务质量与量价异动共 8 个信号
risk_profile 风险画像 维护你的现金、单票/港股上限,供组合建议自动套用
market-event-analyst 市场事件分析 美股暴跌、巨型 IPO 等事件对 A 股持仓的传导链拆解

以 investor_panel 为例,它的投票规则写在 voting-rules.md 里:66 席固定分配给 9 大流派,每位"大佬"的票必须对照真实数据逐维打分(-2 到 +2),总分 ≥+3 才投牛、≤-3 才投熊——不是拍脑袋,是查表。

第二组:8 个 P0 日常技能(全天候投研闭环)

这是普通用户用得最多的一组,覆盖每个交易时段:

SKILL 时点 做什么
daily_market_brief 盘前 08:30 《今日盘前观察卡》:指数全景 + 宏观信号 + 3~5 条可验证观察条件
watchlist_daily_brief 每日 逐只扫描自选股的公告、财报摘要与 ST/停牌风险
announcement_impact 盘中异动 公告 PDF 解读,强制标注"来源:公告标题 · 第X页"
earnings_review 财报季 营收/净利/扣非、净现比、应收与存货异动排雷体检
technical_dashboard 任意 7 大类 56 项技术指标真值 + 近 20 日分位 + 多指标冲突诊断
fundamental_scorecard 任意 6 大维度 90 项基本面客观评分卡与同行业分位
portfolio_risk_check 每日 单票占比、行业集中度、相关性、压力测试情景
after_close_review 盘后 15:30 对比早盘观察条件与收盘实际,把复盘证据写入经验记忆库

这套组合的价值在于闭环:早上 08:30 的 daily_market_brief 会生成"今日盘面观察条件",晚上 15:30 的 after_close_review 自动逐条核对兑现情况,并沉淀进本地经验库(fin_memory),下一轮分析直接引用你自己的历史判断。

第三组:7 个 P1 进阶与量化研究技能

SKILL 解决什么问题
factor_research 因子 IC/Rank IC、5 层分层回测单调性、行业市值中性化
etf_dca_planner ETF 定投正向规划与目标金额反推,IRR 与最大回撤
investment_thesis_tracker 记录买入理由与量化反证条件,自动核查论点是否被破坏
stock_screener_builder 大白话选股 → 结构化筛选条件,字段不存在绝不静默伪造
news_signal_digest 多源新闻水位线去重,过滤转载噪音提炼事件信号
trading_journal 交易前计划、盘中执行对照、交易后纪律复盘(仅模拟演练)
backtest_quality_auditor 回测未来函数、幸存者偏差、复权与滑点扣除审计

三大机制:AI 为什么不会"自由发挥"

光有方法论文件还不够,HunterCode 用三个机制保证 22 个 SKILL 输出可信:

  1. 确定性取数,不许凭记忆。每个 SKILL 的步骤里写死必须调用的 MCP 工具(如 broker_market_get_quote 取行情、broker_fundamental_get_financial_ratios 取财务比率)。数据全部来自本地后端,行情、持仓不出你的硬盘。
  2. 统一数据信封与三栏证据。所有行情带 as_of(业务时间)、published_at(发布时间)、retrieved_at(抓取时间)三个时间戳;报告强制区分**【已核实事实】【逻辑推断】【待核实问题】**三栏,缺数据只能写 —,严禁填假 0。
  3. 反幻觉硬约束。数据源全断时技能要求"诚实停止"并告知原因;不荐股、不喊单,只给可盘后验证的客观观察条件。

下面是一次真实对话中的行情核验输出,每条数据都带来源口径与时间戳:

HunterCode AI投研对话中的实时行情快照表格,每条指标带来源口径与时间戳

实战演示:一句话触发风险画像

在对话框里输入"我风险偏保守、现金还有 5 万、单票别超过 20%",risk_profile 技能会解析并落地成结构化约束:可用现金、单票持仓上限、单行业上限、港股持仓上限逐项确认,并说明后续 portfolio_rebalance 与 portfolio_stress 会自动套用这些约束、硬性规则被突破时给出显式警告。

HunterCode 风险画像SKILL输出,展示现金、单票20%上限与港股40%上限的结构化约束

更复杂的场景交给 uzi 总调度:一句"对 XX 股票做 UZI 全方位深度扫描",它会按 skills/uzi/SKILL.md 中的 related_skills 清单,自动串联深度研究、公告排雷、财报体检、技术/基本面双看板与组合巡检,产出一份完整的投研报告。

快速上手:3 步让 22 个 SKILL 为你工作

  1. 部署:用 Docker Compose 一键拉起(镜像同时提供 amd64/arm64),或直接下载桌面启动器——填 key 等待几分钟即可,仓库根目录的 README.md 有"5 分钟跑起来"完整步骤,云平台模板见 deploy/。
  2. 对话调用:登录后在左侧"能力"区查看已安装的 SKILL(如 14/14),输入自然语言即可触发对应技能,无需了解具体技能名。
  3. 定制方法论:SKILL 是纯 Markdown,你可以 fork 仓库,在 skills/ 下修改步骤或新增自己的技能;想安装社区技能可查看推荐清单 data/recommended-skills.json(含可移植性实测标注)。配合 examples/csdn_broker_notebooks/ 的实战示例包,可以完整复现 56 项指标、90 项基本面与因子回测流程。

结语:方法论资产化,数据留在本地

22 个金融 SKILL 的本质,是把"资深投研流程"从人脑迁移到可执行、可审计、可迭代的方法论文件里:uzi 负责调度,P0 八项守住盘前盘中盘后每一天,P1 七项支撑量化研究与纪律复盘。而统一数据信封 + 三栏证据格式,让 AI 的每个结论都能追溯回真实接口返回——这正是 HunterCode 相比"闭源投研助手"最大的差异:推理在你机器上跑,仓位不出你硬盘。

免责声明:本文内容基于项目公开文档整理,HunterCode 不接券商实盘交易、不替你做决策、不保证预测准确,所有输出仅供参考,不构成投资建议。

登录后查看全文
hunter-community