第 4 章 · 03 金融技能库
文档摘要
第 4 章 · 03 金融技能库 本节摘要:一个 agent 不可能把所有金融知识都塞进系统提示词——那样上下文会爆炸,而且大部分知识在某次具体研究里根本用不上。金融技能库(finance skills) 解决的就是这个问题:它把领域知识拆成一个个可复用的模块(股息分析、A 股 pre-ST 筛查、vn.py 导出、因子研究……),平时待命,只在研究需要时按需加载进 agent。本节讲清技能库的设计哲学(让领域知识贴近 agent 而不硬编码进核心循环)、它的分类(数据源/策略生成/分析/期权/报告/工具/风险),以及几个典型技能的用法。读完本节,你会理解为什么「好的提示词能让 agent 主动加载或创建技能」,以及如何用技能把重复的研究模式固化下来。
第 4 章 · 03 金融技能库
本节摘要:一个 agent 不可能把所有金融知识都塞进系统提示词——那样上下文会爆炸,而且大部分知识在某次具体研究里根本用不上。金融技能库(finance skills) 解决的就是这个问题:它把领域知识拆成一个个可复用的模块(股息分析、A 股 pre-ST 筛查、vn.py 导出、因子研究……),平时待命,只在研究需要时按需加载进 agent。本节讲清技能库的设计哲学(让领域知识贴近 agent 而不硬编码进核心循环)、它的分类(数据源/策略生成/分析/期权/报告/工具/风险),以及几个典型技能的用法。读完本节,你会理解为什么「好的提示词能让 agent 主动加载或创建技能」,以及如何用技能把重复的研究模式固化下来。
内容来源:原项目英文文档
tools/finance-skills,结合中文入门教程的技能相关内容扩展。
学习目标
阅读完本节,你应当能够:
- 用一句话说清技能库的设计哲学(领域知识模块化、按需加载,而非硬编码进核心循环)。
- 列举技能库的七大分类(数据源/策略生成/分析/期权/报告/工具/风险)。
- 举出几个典型技能的例子(股息分析、A 股 pre-ST 筛查、vn.py 导出、因子研究)。
- 理解「好的提示词」如何让 agent 主动加载或创建技能。
一、为什么需要技能库:知识不该全塞进提示词
naive 的做法是把所有金融知识写进 agent 的系统提示词。但这有三个问题:
- 上下文爆炸:知识越多,提示词越长,挤占留给实际任务的窗口,也推高 token 成本(见第 2 章「上下文工程」)。
- 大部分用不上:某次研究可能只用到 456 个因子里的一两个、几十种分析里的一种——全塞进去是浪费。
- 难以维护:知识更新(新规则、新数据源)要改核心提示词,牵一发动全身。
技能库的解法是模块化 + 按需加载:把每块领域知识封装成一个 skill,平时不进上下文,只在 agent 判断「这次研究需要它」时才加载进来。
💡 类比:技能库像一个工具箱。你修自行车时不会把家里所有工具都摊在地上,而是按需拿扳手、打气筒。技能库就是 agent 的工具箱——需要的才拿,不占地方。
二、技能库的七大分类
Vibe-Trading 内置的技能覆盖金融研究的全链路,按职能分七大类:
| 分类 | 解决什么 | 典型技能 |
|---|---|---|
| 数据源(data sources) | 从哪里、怎么取数据 | 各行情源/财务数据的接入与 fallback |
| 策略生成(strategy generation) | 把想法变成可执行策略 | 均线/动量/多因子等模板生成 |
| 分析(analysis) | 各类专题分析 | 股息分析、因子研究、宏观分析、技术形态 |
| 期权(options) | 期权策略研究 | 期权组合、希腊字母、波动率 |
| 报告(reporting) | 把结果沉淀成产物 | HTML/PDF 报告、run card 生成 |
| 工具(tools) | 与外部工具协作 | vn.py 导出、Pine Script 导出 |
| 风险(risk) | 风险度量与筛查 | A 股 pre-ST 筛查、集中度、回撤分析 |
三、几个典型技能
股息分析与收益陷阱(yield-trap)检查
分析一只股票的股息率是否可持续——高股息可能是真的现金回报,也可能是股价大跌造成的「价值陷阱」。技能会交叉验证派息率、现金流覆盖、历史分红稳定性。
A 股 pre-ST 风险筛查
针对 A 股的特殊规则:筛出有被 ST(特别处理)风险的股票(财务异常、连亏等),避免研究时踩到退市风险标的。这是 A 股语境很强的技能。
vn.py 导出与 Pine Script 导出
把 Vibe-Trading 里研究出的策略,导出成 vn.py(国内主流量化框架)或 Pine Script(TradingView 脚本)可用的格式,便于你在熟悉的平台里继续跑。
因子研究、宏观分析、技术形态
因子研究技能配合 Alpha Zoo(第 1 章 04 节)做 IC/IR 分析;宏观分析技能处理利率/汇率/资金流;技术形态技能识别经典图表模式。
💡 技能与 Alpha Zoo 的区别:Alpha Zoo 是 456 个打分公式(因子),技能库是工作流模块(分析流程)。因子是「原料」,技能是「用原料做分析的配方」。
四、让 agent 主动加载或创建技能
技能库的真正威力,在于好的提示词能让 agent 自己判断该用哪些技能。
- 加载已有技能:在提示词里描述清楚研究意图,agent 会识别出需要的技能并加载。例如「帮我分析这只 A 股的 pre-ST 风险和股息可持续性」——agent 会主动加载 pre-ST 筛查与股息分析两个技能。
- 为重复模式创建技能:如果你发现某种研究流程反复用(比如「每周做一次组合风险体检」),可以让 agent 把它固化成一个新技能,下次一句话就能触发,而不必每次重述全部步骤。
# 在研究提示里引导 agent 用技能 vibe-trading run -p "分析 600519 的股息可持续性,并检查是否有 pre-ST 风险,最后导出 vn.py 格式"
💡 写好提示词的关键:把你想要的分析维度说具体(「股息可持续性」「pre-ST 风险」「导出 vn.py」),而不是泛泛地说「分析这只股票」。越具体,agent 越能精准匹配技能。
本节要点回顾
- 设计哲学:领域知识模块化、按需加载,而非全塞进系统提示词——避免上下文爆炸、浪费、难维护。
- 七大分类:数据源 / 策略生成 / 分析 / 期权 / 报告 / 工具 / 风险,覆盖金融研究全链路。
- 典型技能:股息分析与收益陷阱、A 股 pre-ST 筛查、vn.py/Pine Script 导出、因子/宏观/技术形态。
- 技能 vs 因子:因子(Alpha Zoo)是打分公式(原料),技能是用因子做分析的工作流(配方)。
- agent 主动加载:描述清楚研究意图,agent 自动匹配技能;具体提示词比泛泛请求更有效。
- 创建新技能:重复的研究模式可固化成技能,一句话复用。
⚠️ 本节及整个教程不构成投资建议。技能输出是研究辅助,实盘必先 read-only/paper 验证。
下一节,我们看 MCP 服务——把 Vibe-Trading 的全部能力(技能/行情/回测/因子/Shadow Account/swarm)暴露给 Claude Desktop、Cursor 等外部 AI 客户端。