AI Skill实战：从概念到投研自动化流水线

最近不少人问我，AI 编程工具里天天说的 skill、skill，到底是个什么玄乎东西，能不能拿来干点正经事。我的答案是：能，而且我最近就在用它做投研。所谓 skill，我的理解就是给 AI 配的一套“岗位说明书 + 操作手册 + 专用工具盒”，平时聊天式地问一句答一句，那是散兵游勇；把投研流程拆成可复用的 skill，就是建制化作战。整个流程走下来后，财报摘要、风险筛查、行业横向对比、舆情初筛这些事情，基本都能压在几分钟以内完成。

这篇文章写给几类人：一是想用 AI 提升研究效率的金融从业者，二是对 Agent/Skill 机制感兴趣、想知道“除了写代码还能干嘛”的开发者，三是虽然不懂编程但有耐心照着配置流程操作一遍的进阶用户。我会从思路拆解开始，然后给出一个可以直接落地的财务摘要 skill 骨架，再补上风险核查、问题排查、版本维护这些实操经验。你可以把它当作一份踩坑记录，也可以直接当作业来抄。

1. 先想清楚：AI 投研 skill 到底拆掉了什么

1.1 投研工作里的“可自动化环节”

做投研最耗时间的是什么？不是判断本身，而是判断之前的准备。你打开一家公司的年报，先要翻三大报表，再算同比环比，再看附注里有没有猫腻，再去翻历史公告和高管变动，顺手还要扫一眼舆情。这些动作高度模式化，模式化就意味着可以被流程化，流程化就会被 AI 接管。

我自己把研究人员的工作拆成四层：数据获取、信息整理、规律识别、结论输出。第一层包括下载年报、抓取公告、拉取历史行情；第二层包括把财务数据清洗成结构化表格，提取主营业务构成，识别管理层讨论里的语气变化；第三层是纵向看趋势、横向比同行，找到异常项；第四层是把前面所有信息浓缩成一份有观点、有依据、有风险提示的文档。前两层几乎 100% 可以交给 AI 和脚本，第三层能做到七八成，第四层里的“结论”部分仍然需要人来把关。

skill 在这里起的作用，不只是让 AI “知道”要做什么，而是让 AI 按照一套稳定的步骤去执行。同样是读一份财报，你临时输入“帮我看看这家公司怎么样”，十次会有十种风格的结果；但如果你把任务定义成“先提取财务摘要，再计算异常指标，最后按规定模板输出”，结果就稳定得多，也能被后续流程接着用。

1.2 为什么用 skill 而不是临时聊天

有人可能会说：我每次把提示词复制粘贴一遍不就行了吗？还真不太行。临时提示词的问题有四个：上下文不连续、输出格式不稳定、工具调用靠运气、积累的经验没法沉淀。

举个例子。你昨天调好了一个“商誉减值风险识别”的提示词，对着 A 公司效果不错，今天换 B 公司，可能就得重新调整阈值。而 skill 把这类经验写进了一套固定的指令包里，你再跑一次，它就会严格按你上次固化下来的流程执行。更重要的是，skill 能把“工具”也包进去。AI 不只是在那里空想，它可以顺带调用你已经写好的数据抓取函数、财务计算脚本、新闻分类工具，让 LLM 只负责它擅长的理解与判断部分，而不是让它硬算准确率不高的数字。

从团队协作角度看，skill 也是一个天然的知识共享单元。研究员把个人经验固化成 skill，投到公共仓库里，团队其他人拉下来就能用。新人进来不再需要缠着老员工问“你那套研究框架是怎么搭的”，直接跑一遍 skill 就能看到处理过程，比自己摸索快很多。

1.3 一个最小 skill 文件内部长什么样

不同平台的 skill 格式略有差异，但核心结构大同小异。基本上就是三样东西：元信息、指令、工具。

元信息通常放在文件头部，写清楚这个 skill 叫什么、干什么用、什么时候该被调用。指令部分就是给模型的工作手册，包括角色设定、处理步骤、输出模板、禁止事项。工具部分则指向外部脚本或 API，例如抓取数据的函数、计算指标的脚本、写入数据库的接口等。在 Claude Code、Cursor 这类工具里，一个 skill 通常就是一个目录，目录里有 SKILL.md 描述文件和若干可执行脚本；自定义 Agent 框架里，也可能是配置文件加 Python 文件。

把这个结构讲给非程序员朋友听，我会说：skill 就像一个公司里给新员工看的“岗位 SOP”，外加给他配好的一台装了专用软件的电脑。你说一句“开始”，他就知道先打开哪个报表，先算哪个指标，最后用什么格式交报告。

2. 投研 skill 的工具选型与模型配置

2.1 能跑 skill 的载体有哪些

目前能承载 skill 的通道大致分三类：AI 编程工具、通用 Agent 框架、自己开发的私有 Agent。

AI 编程工具这类，典型如 Claude Code、Cursor、Codex，对 skill 的支持比较成熟，适合已经有代码环境的人。你可以把投研的 skill 放进项目的.cursor/skills或者类似目录，直接在对话里触发，AI 会自动读取 skill 说明并按步骤执行。通用 Agent 框架则更灵活，比如自己用 Python 接一个 Agent 开发框架，把 skill 定义成若干函数加约束，让主模型按计划调用。第三种是自己开发私有 Agent，适合对数据安全要求比较高的团队，所有数据都在内网流转，模型可以是私有化部署的，也可以是云 API，但请求链路完全由自己控制。

我自己的建议是：如果你是个人先用，别一上来就搞自研框架，先挑一个支持 skill 的现成工具跑通流程；等真觉得流程顺了、要上团队协作或者要加复杂数据源时，再考虑自研。投研场景最忌讳的是一开始就陷入“造轮子”的兴奋里，研究框架还没搭好，先花两周写框架代码，这不是本末倒置嘛。

2.2 模型选择：分析任务和聊天任务不一样

同一个 skill，放在不同模型上跑，效果差距比很多人想的要大。投研里的任务通常要长文本阅读、多步计算、结构化输出，对模型的推理稳定性和指令遵循度要求都很高。我测试下来，偏推理类型的模型在财报分析这类场景通常表现更好，因为它们会愿意把“为什么得出这个结论”一步步写出来，而不是跳步给结论。

另外有一个很重要的点：不要把模型当计算器。你让它直接“算一下这家公司近三年毛利率变化”，它偶尔能算对，偶尔会串数字。更稳的做法是先用脚本把数据算好，再把结构化结果丢给模型去分析。这就像你让一个分析师看表，你得先把表做干净，他才不会看错。

配置 skill 的时候，我还会注意三个参数：温度尽量调低，减少无谓的措辞变化；上下文长度要够，读财报时动不动就是上万字的输入；工具调用能力必须打开，否则 skill 里的脚本没法被触发。有些平台默认关闭代码执行权限，研究发现 AI 一直在“假装调用”但没真正执行，这种情况要优先去查权限配置。

2.3 数据源接入的合规姿势

做投研，数据是命根子，但接数据这件事最容易翻车。我的原则很简单：只用公开、合法、可追溯的数据源。财报和公告去交易所官网、巨潮资讯这类官方渠道拿；行业统计用公开统计年鉴和行业协会数据；行情数据能用开源库拉的就用开源库。千万别为了省事去抓别人付费接口的后门，或者绕过访问控制去采集不公开信息，这既给个人带来合规风险，也给研究结论埋雷。

还有一个细节：对数据源要留痕。每一条关键数据最好都能追溯到“来自哪份文件、哪个页面、下载时间是什么”。我把这个要求写进了 skill 的指令里，让 AI 在输出报告时自动附上数据来源表。这样一来，哪怕 AI 给出的观点有问题，至少数据层面的问题能被快速定位。

3. 分步实操：写一个“财务摘要”skill

3.1 目录和文件骨架

下面这个例子，我以通用 Markdown+Python 的 skill 结构为例，你完全可以搬到支持自定义 Agent 的工具里。先建一个目录：

financial_summary_skill/ ├── SKILL.md ├── scripts/ │ ├── extract_financials.py │ ├── calc_ratios.py │ └── fetch_announcements.py ├── assets/ │ ├── templates/ │ │ └── report_template.md │ └── examples/ │ └── sample_output.md

SKILL.md 是主文件，负责告诉模型“你是谁、按什么顺序干活”；scripts 放真正执行的代码；assets 放输出模板和示例。把模板单独拎出来是有原因的：你后面想统一报告格式，只需要改模板文件，不用去动 SKILL.md 里的大段指令，维护成本低很多。

3.2 SKILL.md 的写法

文件头部的元信息怎么写，不同平台规范不太一样，但基本都包含名字和描述。我建议描述写详细些，要让模型能准确判断“什么情况下该使用这个 skill”，不然以后技能装多了，模型会选错工具。

--- name: financial_summary_skill description: 用于快速生成上市公司定期报告财务摘要。输入一份或多份财报文本，输出营收、净利润、毛利率、现金流、资产负债率等核心指标摘要，并自动标记显著变化项。适合在用户要求“分析财报”“整理财务数据”“出财务摘要”时使用。 ---

接下来是主提示词部分。我的建议是把它分成三块：分析步骤、输出规范、禁止事项。

分析步骤写清楚顺序：先提取基础财务数据，再计算复合指标，接着做同比环比比较，最后识别异常变动。输出规范给出结构化模板，让结果呈现为可读性强的 Markdown 文档。禁止事项则用来兜底，比如禁止凭空补全数据、禁止在没有对比数据时强行判断“显著变化”、禁止把行业平均值说成公司值。

3.3 主提示词怎么设计

下面是一段示范指令，你可以自己改：

你是一名财务分析助手。请严格按照以下流程处理输入财报文本，并将结果填写到规定的模板中。 流程： 1. 从财报文本中提取以下原始数据：营业收入、营业成本、归母净利润、扣非净利润、经营活动现金流净额、总资产、总负债、货币资金、有息负债、研发费用、销售费用、管理费用。 2. 调用 scripts/calc_ratios.py 计算毛利率、净利率、资产负债率、经营现金流与归母净利润比值，以及营收和净利润的同比、环比变化率。 3. 比较本期与上一期数据，找出变化幅度超过 15% 的项目，单独列表。 4. 根据变化项目给出简要解读，说明可能是由什么业务原因导致。找不到依据时，统一写“需进一步查阅报表附注”。 输出规范： - 按 assets/templates/report_template.md 输出。 - “关键数据表”必须保留原始数据，单位统一为“亿元”，保留两位小数。 - 来源说明字段必须填写对应财报文件名和页码。 禁止事项： - 不得编造任何财报中不存在的数字。 - 不得在被要求“推测”前给出定性结论。 - 如果某项数据在文本中找不到，明确写“未披露”，不得用平均值或行业值替代。

这段指令的重点是“让 AI 做判断而不是做计算”。计算交给脚本，AI 负责比较、归因、表述。很多 AI 分析翻车，就是因为让 AI 既当计算器又当分析员，结果两边都没干好。

3.4 接入数据抓取脚本

把财报文本喂给 skill，有两种方式：一是用现成的公告抓取脚本下载 PDF，再转成文本；二是从本地 CSV 或者数据库直接读取结构化数据。我个人更喜欢第一种起步，因为 PDF 原文保留了完整披露信息，后续要查证不容易漏。

下面是一个简单的公告抓取脚本示例，用 requests 和正则从公开公告页面抓 PDF 链接，再交给 pdfplumber 提取文本：

import requests import re import pdfplumber from pathlib import Path def fetch_pdf_text(url: str) -> str: """从公开发布的公告链接下载 PDF 并提取文本""" r = requests.get(url, timeout=30) r.raise_for_status() with open("temp.pdf", "wb") as f: f.write(r.content) with pdfplumber.open("temp.pdf") as pdf: text = "\n".join(page.extract_text() or "" for page in pdf.pages) return text def extract_announcement_links(page_html: str, keyword: str) -> list: """从公告列表页中按关键词滤出 PDF 链接""" links = re.findall(r'href=["\']([^"\']+\.pdf)["\']', page_html) return [link for link in links if keyword in link]

这里我不建议把抓取逻辑写得太复杂，核心目的是“拿到一份可分析的文本”。真正的难点在后续解析：同一家公司不同年份的财报格式不一定一致，AI 反而比固定规则脚本更擅长从杂乱文本里定位“营业收入”这一行在哪。所以抓取脚本保持简单，解析判断交给模型，这部分互补关系是我用下来效率最高的组合。

3.5 测试与结果验证

写完初步 skill 后，别急着铺开用，先拿一家你熟悉的公司做回归测试。所谓“熟悉”，意思是你对它的财务数据有基本概念，能判断 AI 有没有算错。我第一次测试时挑了一家业务简单的制造类公司，发现两个问题：一是模型经常把“营业收入”和“营业总收入”当成两个不同字段导致重复录入；二是扣非净利润在原文里写的是“归属于上市公司股东的扣除非经常性损益的净利润”，太长的字段名会把模型绕晕。

解决办法：在脚本层先做一轮字段名归一化，把所有可能的别名映射到统一字段。这个操作让我想到一个原则：凡是能用代码解决的问题，不要指望提示词解决。提示词写太多，模型记不住，代码一行替换就能搞定的事情，别让语言模型硬扛。

4. 从单点 skill 到完整投研流水线

4.1 加一层风险线索检查

财务摘要是研究的地基，但真正交付给决策者的报告，不能只有利润表，还得有风险扫描。我单独做了一个“risk_scan” skill，专门从财报和公告里抓风险信号。

主要检查这几类线索：商誉占总资产比例是否异常，应收账款增速是否远高于营收增速，存货周转天数是否连续抬升，控股股东质押比例是否接近红线，是否存在频繁的关联交易，是否存在大额其他应收款。这些线索很难单独被判死刑，但它们在报告里出现时，会提醒分析师去细看附注。

skill 的做法是给模型一个“风险触发条件清单”。例如：

当以下条件满足时，自动标记为风险线索并在报告中提示： - 商誉占净资产比例超过 30% - 应收账款增速超过营收增速 20 个百分点以上 - 存货周转天数连续两年抬升，且本期抬幅超过 20% - 控股股东累计质押股份占其持股比例超过 70% - 其他应收款超过归母净利润 50%

这层的价值在于“不遗漏”。人看财报时注意力有限，翻到第 100 页早就忘了开头看到什么，但模型不会。它会把一整份几百页的财报扫一遍，把可疑项挑到台面上来，由人去判断。

4.2 交叉验证：防止模型被单一数据带偏

投研分析里最怕什么？怕你拿着一个孤立数据下结论。营收增长 30% 看着很好，但如果经营现金流反而下跌，这个故事就要打问号了。所以我的流水线里还有一个交叉验证 skill，专门把多个维度拉到一起看。

交叉验证的核心逻辑很简单：利润与现金流是否匹配，应收与营收是否同步，资本开支与折旧政策是否协调，利息支出与有息负债规模是否合理。每发现一组背离，就让模型对照具体数字做解释。是商业模式决定的正常现象，还是财务操纵的典型预兆，模型才给出提示，绝不武断下结论。

这块的设计思路是“把人类的怀疑步骤显性化”。过去老分析师看财报是凭直觉扫一眼，现在我们可以把这种直觉代码化、规则化，让 AI 按清单检查，把隐含知识变成显式判断。它不会替代老分析师的直觉，但它能帮新人快速建立一套不容易漏事的检查习惯。

4.3 统一输出：从数据到报告

投研流水线的最后一步是出文档。我把输出模板定义得比较细，强制让 AI 按五段式输出：核心结论、一页速览、关键数据表、风险与关注点、待办事项。这样一份报告交到研究员手上，他一眼就能看到结论，再决定要不要往下细看。

一个容易踩的坑是：让 AI 在结论里写“推荐买入/卖出”。我坚决不建议这么做。AI 目前不具备完整判断能力，它输出的所谓投资建议容易看起来自信满满，实际上依据不足。我的 skill 模板里只允许写“值得关注的方向”和“需要验证的问题”，把最终判断留给人类。这个边界想不清楚，后面会吃大亏。

5. 实操中的常见问题和排查实录

5.1 模型编造财务数字怎么办

这是被问得最多的问题。AI 在长文本处理时确实会出现幻觉，把上一年营收说成今年，或者把负债率算错。我的解决方案有三道防线，缺一不可。

第一道防线是在脚本层完成所有精确计算，不让模型做加减乘除。第二道防线是在指令里强制输出“数据来源”，每项数据都要跟着文件页码。第三道防线是在生成报告后跑一个校验脚本，把报告里的关键数字跟脚本算出来的标准值逐一比对，超过一定误差就自动报错。三道防线下来，模型能编造的空间已经很小了，因为它想编一个数字也得先绕过来源检查。

5.2 上下文太长导致分析后半段变形

一份完整年报转成文本可能有十几万字，远超出模型的上限。硬塞进去，最常见的结果是前面数据抓得不错，越到后面模型越糊涂，甚至开始胡言乱语。

我后来改成“分段处理、中间落盘”的方式：先用脚本按章节把年报切成小块，分别提取财务数据，再汇总成结构化 JSON，最后只让模型读汇总结果。这个思路跟人看财报是一样的，你不会从头到尾硬背，而是先定位关键章节，再摘数字做分析。分段处理之后，上下文占用降了一个数量级，输出稳定多了。

5.3 同样一份文本，两次跑结果不一样

不少人都遇到过这个玄学问题，明明输入没变，输出却变了。原因一般出在三个地方：模型温度没有固定、模型版本被自动升级、输入数据里带了时间戳或顺序变化这类隐藏变量。

解决方式也很直白：固定推理参数，记录模型版本，把输入文本 hash 存下来当缓存键。如果同一份文本用了同一个版本和同一组参数，输出仍然不一致，那才需要去怀疑更上游的工具链问题。投研场景里，结果可复现很重要，否则你没法对同事解释“昨天跑出来是 15%，今天怎么变 20% 了”。

5.4 问题排查速查表

下面是几个我实测里最高频的问题和对应处理方式。

这张表我贴在项目 README 里，每次踩坑就往里补一条，现在已经成了团队新人的入门手册。

6. 复盘：skill 的维护与迭代

6.1 把技能包当成代码项目来管

很多人把 skill 写出来用一次就扔一边了，过两周再回来，发现根本不敢用，因为忘了它内部是怎么跑通的。我现在的习惯是：任何 skill 都必须有版本记录、测试样例和变更日志。

版本记录用 git 就行，每个 skill 单独建目录，改了哪些指令、加了哪个脚本，commit message 写清楚。测试样例是几条带标准答案的输入，每次修改后先跑测试，不回归通过就不许发布。变更日志会让以后回看的人明白某条规则为什么存在。比如“不要用营业总收入替代营业收入”这种规则，背后是踩过坑的，如果不记录，下次改提示词的人很可能又把它删掉。

6.2 三个让我印象深刻的改进

第一个改进是把“结论力度”从“绝对判断”改成“证据强弱”。一开始让 AI 给出明确结论，它经常说得斩钉截铁，后来发现它经常错。改成要求它写“现有证据支持/尚需验证”之后，误导性表达直接少了大半。

第二个改进是把小规则集中起来，而不是散落在各处。一开始我在 SKILL.md 里零零碎碎写了很多“不要这样”“一定要那样”，模型在长上下文里容易忽略两端的约束。后来我把所有禁止事项收拢进一个“负面清单”小节，效果立竿见影。

第三个改进是给每个输出字段都配上“来源要求”。过去只有结论对来源有要求，数据表数字经常没人追责。现在数据表每个单元格背后都要能说清来自哪份文件的哪一页，整体可信度上了一个台阶。

6.3 什么事情我依然不交给 AI

投研这件事，不是自动化程度越高越好。我到现在仍然坚持人工处理三块内容：第一，涉及重要投资决策的最终结论；第二，对“为什么不披露某些数据”这类非结构化问题的解读；第三，跨行业类比时需要的业务洞察。

AI 很擅长处理“已知的已知”，就是那些有标准答案的问题；它面对“已知的未知”也有一定表现，能指出哪里有缺口；但“未知的未知”，也就是你根本没意识到这里可能有问题的那种问题，目前还得靠人的经验和敏感度。我的投研 skill 所追求的目标，无非是把前两类问题尽量扛掉，让人类分析师把稀缺的注意力留给真正需要判断的事情。

就我个人而言，这套 skill 体系带来的最大变化不是省了多少时间，而是让研究过程变得可查、可复用、可讨论。以前我带新人，讲完一轮方法还要反复盯他会不会漏步骤；现在新人一进来就能跑一套标准的分析流水线，我再在他的结果上做修正和补充，带人的节奏完全不一样了。最后再给一个小技巧：如果你要开始做自己的投研 skill，不要一上来就想做一个大而全的“全自动研究员”。先挑一个最频繁、最痛的操作，比如财报摘要，写一个最小的可用版本，跑通之后再去加风险检查、舆情监控这些模块。一步一步来，体系自然会长出来。