这两年我把大量投研里重复、机械、又特别烧时间的工作交给 AI 来做，踩了一圈坑之后，最明显的感受是：真正卡住我的不是模型不够聪明，而是我一直在用写一次性提示词的方式让 AI 干活。同一个分析需求，今天问和明天问，答案质量能差出一大截。后来我开始系统梳理这些任务，把读财报、整理公告、比对估值、生成会议纪要这些流程固化成可复用的 skill，效率才算真正提上来。
如果你也在做投资研究、行业分析、公司基本面梳理这类工作，或者你只是想把 AI 用得更专业一点，这篇文章会拆解我实际在用的投研 skill 设计思路、几个直接能参考的案例，以及我在构建和迭代过程中踩过的坑。内容偏实操，不绕理论，照着改就能用。
1. 什么是 Skill，为什么投研需要它
1.1 从“零散提示词”到“可复用技能包”
Skill 这个概念，本质上是把一段复杂的任务指令、输出格式、判断标准和示例打包成一个文件或一个文件夹，让 AI 按固定流程执行。你可以把它理解成给一个新来的实习生一本工作手册，告诉他“以后所有财报分析都按这个流程走”，而不是每次重新解释一遍。
早期我用 AI 做投研时，习惯是临时打一段话：“帮我看看这家公司的财报，重点关注利润质量和现金流。”效果时好时坏。AI 可能真的去读报表，但也可能只根据常识泛泛而谈，甚至会编出几个看起来很像样的财务比率。问题不在模型，而在我的指令太模糊：没有告诉它读哪个文件、按什么框架拆、输出格式是什么、哪些数据要交叉验证。
后来我把这些要求全部固化到一个 skill 文件里，包含目标、输入参数、执行步骤、输出模板、参考示例和常见错误提示。AI 每次调用 skill 时就等于拿到一套完整的标准作业程序。同样是“读财报”，我不用再写长提示词，只需要给出公司名称和文件路径，剩下的由 skill 统一接管。
对投研这类高度流程化、同时又需要严谨性的场景，Skill 的价值非常直接：它让 AI 的输出从“随机发挥”变成“稳定复现”。同一个 skill 跑十次，虽然具体内容会因标的不同而不同，但结构和颗粒度基本一致。这对后续横向比较公司、做长期跟踪、团队协作都特别重要。
1.2 投研工作流里 Skill 的价值边界
我个人的观点是：投研里的 skill 应该定位于“研究助理”，而不是“投资决策器”。它能帮你更快地完成信息收集、整理、初筛、复核和格式转化，但它不应该替你做最终判断。
我常用的投研 skill 覆盖这些场景：
- 财报与定期报告的快速解读，提取核心财务数据并做同比分析
- 公告、新闻、社交媒体热点的风险事件梳理，判断事件类型和影响方向
- 同行业公司的估值横评，生成可对比的估值表
- 券商研报、电话会议纪要的结构化整理，提取观点和逻辑链
- 量化因子研究中的初步代码框架生成和回测结果解读
- 基金持仓、行业配置、宏观数据的定期复盘
这些任务有一个共同点：它们的基础工作非常重复，但又需要一定的专业框架。AI 在没有 skill 时也能答个大概，但有了 skill 之后，输出会明显更专业、更可复现。它解决的核心问题不是“AI 能做什么”，而是“怎么让 AI 每次都做到合格线以上”。
反过来，需要明确边界：涉及合规判断、投资结论、组合构建等部分，我会让 AI 提供分析要素和正反论点，但最终决策一定由我自己完成。投研 skill 做得再完善，也不应该变成替你做投资决定的“黑盒”。用好的前提是清楚它的能力边界在哪里。
2. Skill 的设计思路与结构拆解
2.1 一个能用的投研 Skill 长什么样
我早期犯过一个错，以为 skill 就是一段写得很长的提示词。后来发现不对，提示词只是其中一部分。真正好用的 skill，更像一个结构清晰的“技能目录”，典型长这样：
skill-root/ ├── SKILL.md ├── references/ │ ├── 财报分析框架.md │ └── 常用财务指标口径.md ├── scripts/ │ └── fetch_financials.py └── examples/ ├── example_input.json └── example_output.md核心文件是 SKILL.md，它控制 AI 怎么理解任务、按什么步骤执行。我的 SKILL.md 通常包含这几块：
- 元信息：技能名称、用途描述、适用场景标签
- 输入定义：需要用户提供哪些参数，比如股票代码、财报文件路径、时间范围
- 执行步骤：按顺序列出处理数据的流程，先做什么、再做什么
- 输出模板：要求 AI 按固定 Markdown 结构返回结果
- 边界说明：哪些情况必须提示风险、哪些数据需要复核
- 示例：一到两个完整输入和输出样例，让 AI 模仿格式和深度
你可以把 SKILL.md 理解成“写给 AI 看的岗位说明书”。它的重点不是词藻，而是消除歧义。越到后面你越会发现，AI 90% 的“不听话”，其实是因为你没把流程和标准写清楚。
2.2 参数设计、数据输入与输出规范
设计 skill 时，最容易被忽略的是输入和输出规范。很多人只写了“分析这家公司”，却没定义“公司怎么传进来”“数据源是什么”“输出表格长什么样”，结果 AI 只能自由发挥。
投研 skill 的输入参数，我一般控制在 3 到 5 个以内，太多会让调用变得很累。常见参数包括：
- ticker 或公司名称（必填）
- 数据来源文件路径，比如财报 PDF、CSV 或公告链接
- 分析区间，比如 2021 年到 2024 年
- 行业标签，用于对标公司选择
- 特殊关注点，比如现金流、分红政策、商誉减值
在输出端，我会给一个特别明确的模板。比如财报速读 skill 的输出结构强制包括：公司基本信息、关键财务数据表、收入与利润质量分析、资产负债与现金流分析、风险提示、待补充事项。其中关键财务数据表必须是 Markdown 表格，列名固定为“指标”“报告期”“数值”“同比变化”。这样后续做多公司横向比较时，可以直接复制粘贴到同一个 Excel 里。
关于输入数据，我的建议是优先给“原文”而不是给“结论”。比如分析财报时，直接把 PDF 或识别出的文字丢给 AI，而不是告诉它“这家公司利润增长很快”。AI 最擅长的是从原始材料中提取信息，而不是替你验证二手结论。你给它一个未经证实的判断，它很容易顺着你的话往下编。
2.3 选型：Claude Skill、Cursor Skill 还是自定义 Agent
不同平台的 skill 实现方式不太一样，我实际用过 Claude 的 Skill、Cursor 的自定义指令，也自己搭过基于 API 的 Agent 流程。它们没有绝对的优劣，关键看你要解决什么问题。
| 方案 | 适合场景 | 优势 | 局限 |
|---|---|---|---|
| Claude Skill | 财报解读、文本分析、报告生成 | 有内置的技能目录管理，对话中调用自然 | 不适合复杂外部数据抓取 |
| Cursor Skill | 因子回测代码、数据接口脚本 | 直接在编程环境里生效，能结合仓库上下文 | 偏代码生成，金融分析场景支持较弱 |
| 自定义 Agent | 需要反复调外部数据库、API、定时任务 | 流程完全可控，可以自动执行多步任务 | 开发成本高，调试费时间 |
如果你是刚开始接触，我建议先做 Claude Skill。它对文本类投研任务支持最好，写起来也最简单，不需要编程。等你发现某个流程需要定时跑、需要自动读数据库、需要跨多个工具协作时，再考虑上 Agent。
这里有一个很容易踩的坑：过度工程。有人一上来就搭多智能体协作、知识库、自动爬虫，看起来很厉害，但最后浪费了大量时间在处理报错和接口问题上。投研 skill 的核心目标是让 AI 在“读材料、出分析”这件事上更稳定。先把单点流程跑通，再加复杂度，才是务实的路径。
3. 我常用的几个投研 Skill 实例
3.1 财报速读 Skill：把 100 页年报压成一张表加三句话
财报速读是我最早做的 skill，也是目前使用频率最高的一个。这个 skill 的触发方式很简单，用户输入公司名称和财报文件路径，AI 自动提取关键财务数据、计算同比变化、判断经营质量。
它的执行步骤我拆成了五步：
- 识别财报类型和报告期，确认是年报、半年报还是季报
- 从财务报表附注和主要财务指标中提取营业收入、净利润、经营性现金流、资产负债率等核心数据
- 对比上一年同期数据，计算同比变化，并标注异常波动
- 分析利润结构，把投资收益、公允价值变动、政府补助等非经常性因素与主业利润拆开
- 输出标准模板，并对可疑数据给出复核建议
我特别强调“原文摘录”这一点。在输出财务数据表时，每一行数值后面都会附上来源段落页码，比如“营业收入 128.5 亿（见年报第 12 页）”。这样做不只是为了追溯，更是为了逼 AI 不要凭记忆编数字。没有来源标注的 AI 财报分析，我基本不敢直接用。
这个 skill 的最终输出结构长这样：
- 报告期：2023 年年报 - 核心结论：一句话概括当期经营质量 - 关键财务数据表：指标 / 本期 / 上期 / 同比 / 来源页码 - 利润质量拆解：主业利润占比 / 非经常性损益影响 - 现金流观察：经营现金流与净利润的匹配度 - 风险提示：应收账款、商誉、存货、偿债压力实际用下来，一份 A 股上市公司的年报，从给到 AI 到产出完整速读报告，大约只需要几分钟。过去人工整理至少一小时，而且容易漏掉藏在附注里的细节。这个 skill 不能替代详细分析，但它能帮你快速建立“这家公司大概怎么样”的底稿，让你把注意力放在真正需要深挖的地方。
3.2 舆情与公告事件分析 Skill：把碎片消息变成影响链
投研中有一类任务特别耗精力，就是盯着公告和新闻判断事件影响。一条股权质押公告，一条大股东减持预告，甚至一条行业政策传闻，都可能影响短期走势。但要判断“事件重要到什么程度”，需要先做信息归类、再看涉及金额、再评估在所处行业里的特殊含义。
舆情分析 skill 的思路是，把事件识别标准化。输入可以是公告标题、新闻摘要、或者一段聊天记录里的转述。执行步骤包括：
- 判断事件类型，比如资本运作、经营动态、股东行为、监管处罚、行业政策
- 提取关键要素：主体、金额、时间、交易对手方、影响方向
- 对照同类事件的历史处理经验，给出影响程度初判
- 列出需要进一步验证的信息点，避免 AI 自嗨
这个 skill 最有用的部分不是它的“判断”，而是它强制 AI 区分“事实”和“推断”。我在输出模板里单独列了两行：一栏叫“原文事实”，只能写从材料里直接看到的文字；另一栏叫“初步推断”，可以写基于常识的分析。这样做的好处是，它不会把推测包装成确定结论，减少误导。
踩过最深的坑是让 AI 直接处理市场传闻。模型在训练数据里见过很多真假难辨的信息，如果 prompt 不够严谨，它很容易把“市场传闻”当成“事实”来分析。现在我会在 skill 开头写一句硬规则：所有未在公开公告或权威媒体确认的信息，一律归入“待验证”，并在输出开头用加粗标注“本报告包含未验证信息”。这句话看起来简单，但能避免很多低级错误。
3.3 估值比较与行业对标 Skill：把散落的财务指标变成一张对标表
做行业研究时，经常需要把五六家同类公司放在同一张表里比估值。人工操作倒不复杂，但重复、容易出错，而且每次关注的指标还不一样。
估值对标 skill 的输入是公司列表和行业标签，输出是标准对标表格，包含市值、PE、PB、ROE、毛利率、营收增速、负债率等指标。它解决的问题不是算数，而是“对标口径不一致”。PE 都叫 PE，但静态、滚动、预测三者的数值差别很大。如果没有 skill 统一口径，AI 很可能会把三家公司的 PE 混在一起用，得出一个失真结论。
我设计的规则很简单：所有估值指标默认采用最近报告期数据，并在表头注明“数据截至某年某月某日”。同时要求 AI 在表格下方列一栏“口径说明”，注明每个指标的计算方式。这样就避免了后续复盘数据时说不清楚的问题。
还有一个细节是“同业选择”。skill 里会提示 AI 优先选择业务结构、收入规模、增长阶段相近的公司，而不是单纯按行业分类。举例来说，分析一家创新药公司时，确定性对标不是所有制药公司，而是同适应症、同研发阶段的几家公司。这种判断人来做很容易，但 AI 如果缺少约束，会拉出一堆表面相关实则不可比的样本。
3.4 因子与回测思路生成 Skill：让 AI 做量化研究的“副驾驶”
这个 skill 是我后期加的，使用频率没有前面几个高，但每次用都很节省时间。它做的事是帮我把一个研究想法转成可执行的因子框架和回测计划。
输入很简单：一段研究想法，比如“我怀疑小市值在 A 股某个板块里的超额收益正在衰减”。输出是一个结构化的研究方案，包括：
- 因子定义和具体计算方式
- 适用股票池和时间范围
- 回测分层方法建议
- 需要重点控制的风险因素
- 关于数据获取和偏差的注意事项
这个 skill 一开始效果并不好，问题在于 AI 输出的方案太笼统。后来我加了两个约束：一，所有方案必须包含可计算的伪代码级公式，不能只说“计算动量因子”；二，必须写明潜在的数据陷阱。这两个约束加上后，输出质量立刻上升。
举个实际例子，我想验证“毛利率同比变化对制造业股票未来三个月收益是否有区分度”。AI 输出的方案里明确写了：毛利率用单季数据而非累计数据，股票池限定为申万一级分类下制造业相关行业，收益计算要考虑停牌处理，分层用五分位而不是百分位以应对样本量不足。这些细节不一定全对，但至少有一个完整框架可以继续加工。对我来说，它相当于一个永远不会疲劳的研究助理，能快速帮我列出下一步要做的验证清单。
4. 从零构建一个投研 Skill 的完整过程
4.1 先定义输入输出，别急着写提示词
大部分人做 skill 的第一个错误，是打开编辑器就写“你是一个资深分析师”。这没错，但不应该放在第一步。第一步永远是定义输入和输出。
先问你自己几个问题：
- 这个 skill 在一段工作流中处于哪个位置，上游数据从哪里来
- 用户会提供什么格式的输入，是文字、文件还是网页链接
- 最终输出要给谁看，是给自己的工作底稿，还是要进 Excel 的表格
- 哪些环节必须要求 AI 提供来源和理由，不能让它直接给结论
我以财报速读 skill 为例。它的输入是“公司名称+财报文件路径+历史数据期间”，输出是“固定结构的分析报告”。在设计阶段，我会先在纸上画出输出模板的粗略样式，甚至写一行假数据。等模板定了，再回头去写执行步骤和提示词。顺序反了，后面一定反复返工。
4.2 写 Markdown 说明书，把流程讲成步骤
SKILL.md 的主体部分，我建议直接用步骤清单的方式写，每条步骤都要具体到能直接执行。宁可细节啰嗦，也别让 AI 去猜。
拿一个“公告事件分析”的 skill 举例，它的步骤可以写成这样：
# 公告事件分析 Skill ## 目标 对输入的公告或新闻事件进行结构化分析，评估其对上市公司基本面与短期交易的影响。 ## 输入 - company: 公司名称 - event_text: 事件原文，尽量完整 - report_date: 数据截止日期，用于标注时效 ## 执行步骤 1. 判断事件类型，从以下范围内选择：资本运作、股东行为、经营动态、监管处罚、行业政策、其他。 2. 提取关键要素，包括主体对象、涉及金额、时间节点、交易对方、审议程序。 3. 分析事件对基本面的影响路径，分短期和长期两个时间维度。 4. 标注分析所用的事实来源，任何未经原文确认的信息归入“待验证”。 5. 按输出模板生成报告。 ## 输出模板 ### 事件类型 ### 关键要素表 ### 基本面影响路径 ### 待验证信息 ### 初步结论注意，事件类型的枚举列表特别重要。有了它，AI 就不会把“股权质押”生生分析成“行业政策”。很多人觉得这一点很基础，但真实使用中，分类不统一正是输出质量不稳定的最大原因。
4.3 用 few-shot 示例约束输出
光有步骤还不够，AI 仍然可能在执行过程中跑偏。我会在 examples 目录下放一两个精挑细选的完整示例，让 AI 模仿。
示例的作用不是教 AI “正确”，而是固定“格式和颗粒度”。一个完整的示例，应该包含真实的输入、它对应的高质量输出，以及输出中对企业分析句式的要求。比如我要求“核心结论”只能写 1 到 2 句话，不能长篇大论；“事实来源”必须精确到页码；句子之间不得堆砌形容词。
这其实是很多教程没讲透的部分。few-shot 不是简单的“给它一个例子”，而是“给它一个可分步骤对照的标杆”。示例的输出格式和你 skil 定义的模板必须完全一致，否则 AI 会因为冲突而行为不稳定。我在调试时经常看到一种现象：SKILL.md 说输出要 A 格式，examples 里的却是 B 格式，AI 最终随机挑选一个执行。所以每次改动模板，我都要同步检查示例是否过时。
4.4 验证与迭代：建立自己的测试集
Skill 写完后，不要只测试一次就以为大功告成。我会准备一个固定的小测试集，包含三到五个典型场景，每次改动 skill 后都跑一遍，看看输出有没有退化。
我的测试集一般覆盖这些情况：
- 一个非常正常、数据完整的案例，用于检查标准流程
- 一个数据缺失的案例，比如财报里没有现金流量表，检查 AI 是否懂得提示缺失
- 一个容易混淆的信息，比如把“营收下降”表述为“利润增长”，看 AI 会不会识别出矛盾
- 一个需要大量外部知识的案例，看 AI 是否存在过度推理
这个习惯帮我挡掉了非常多的问题。经常出现的情况是，我优化了 A 场景后，B 场景的输出却开始变差。如果不回归测试，这些退化不会立刻暴露，等到实际使用时才看到，已经晚了。
5. 常见问题与避坑实录
5.1 Skill 太笨：上下文窗口不够怎么办
很多投研文档动辄几十页，财报 PDF 识别出来的文字可能超过十万字，已经超出模型单次上下文窗口。这时你让 AI “通读全文”是不现实的，即使能塞下，效果也未必好。
我的做法是让 skill 采用“分段读取、重点提取”的执行策略。先要求 AI 识别文档目录，再按章节目标读取与财务数据、管理层讨论、风险因素相关的部分，而不是从头读到尾。这个过程可以通过脚本自动完成，也可以是提示词里的流程指令。
具体操作上，我会把 SKILL.md 的步骤写成：
1. 先看目录结构，定位财务摘要、资产负债表、利润表、现金流量表、附注中关于重要会计政策的部分。 2. 按定位结果逐段读取，提取需要的数据。 3. 如果某一关键章节缺失，明确标记为“材料缺失”，不得自行补全。这种“定位再精读”的策略能显著提升长文档分析效果。本质上它是把人的阅读模式复制给 AI。面对超长材料，追求“全部看完”不如追求“该看的部分都看到”。
5.2 数据准确性：AI 一本正经编数字
这是投研场景里最致命的问题，没有之一。AI 特别擅长把缺失数据用“看起来合理的数值”补全。早期我踩过很多次，后来总结出几条硬规则。
第一，所有关键财务数据必须附来源出处。没有出处的数字，一律视为未验证。第二，当 AI 在回复中使用了推测值时，必须使用“约”“估计”这类词，不能直接给出精确数值。第三，在做同比分析时，如果上年数据不在材料内，直接写“数据缺失”，而不是凭常识补一个行业平均增长率。
我还给 skill 设置了一个“自我复核”步骤，要求 AI 在输出前把报告中的数字和原文重新对照一遍，标记不一致之处。虽然这不能根除幻觉，但能明显降低概率。另一个更有效的办法是，对特别重要的指标，我会单独写一段校验规则。比如“核对营业收入和营业成本是否匹配，毛利率是否在公司历史合理区间内”。如果 AI 算出一个毛利率高达 95%，而它同时分析的公司是制造业，那大概率是数据抽错了。
5.3 多 Skill 协作与内容安全边界
投研很少有单个 skill 能搞定的事。我经常把财报速读 skill 的输出喂给估值对标 skill，再把估值结果和行业政策公告分析结合成一份完整报告。Skill 之间通过标准化的 Markdown 表格衔接，一个的输出直接成为另一个的输入，基本上能实现一条自动化流水线。
但要小心一个问题：中间环节的错误会向下游传导。如果财报速读 skill 在第三步就提取错了数据，估值对标 skill 不管执行得多严谨，结果都是错的。所以我在每个 skill 的输出模板里都预留了“数据置信度”字段，让 AI 自己评估信息完整度和可信程度。下游 skill 读取到“置信度低”时会主动要求复核，而不是傻乎乎地继续计算。
另外必须强调内容边界。我设计的所有 skill 都只基于公开信息、用户自己上传的材料和合法获取的数据。合规是我写 skill 时最先考虑的一条线。如果一个分析请求涉及内部消息或不愿公开的信息，我的 skill 会主动拒绝进一步推理。这不是保守，而是对所有人的保护。把 AI 投研流程建立在合规基础上，才能长期用、放心用。
5.4 关于 DeepSeek 公开智能体训练新方法的借鉴
最近 DeepSeek 公开的智能体训练新方法里，提到一个很值得参考的点：把任务过程拆解成可验证的步骤，让智能体学会“边行动边检查”，而不是一步到位直接输出最终结果。这个思路和我在投研 skill 上的实践完全一致。
比如财报分析这个任务，如果要求 AI 一次性输出完整报告，它容易在前面数据错误的情况下依然自信地继续推理。但如果你把任务拆成“提取数据→校验数据→分析趋势→生成结论”四个步骤，并且每一步都设置检查点，错误就会被更早发现。
我在 skill 迭代中也借鉴了这个原则，在 SKILL.md 里加入“中间产物”的概念。要求 AI 在最终报告输出前，先以代码块形式输出一张原始数据提取表。然后基于这张表做二次分析。这样我看不到最终结论时，也可以快速检查中间数据是否离谱。这个改变听起来很小，但实际效果非常明显，明显能减少那种“分析逻辑通顺、数据全是错的”情况。
还有一点是关于数据闭环的启发。DeepSeek 的训练方法强调让模型从执行结果中学习，而不是只看一堆静态数据。对应到我的 skill 使用，就是养成记录“错误案例”的习惯。每次发现 AI 输出有问题，我不只临时改一次提示词，还会把案例加进 skill 的反面示例里，告诉模型“这种场景不能这样做”。skill 的迭代速度会随着错误库的累积而越来越快，使用质量也会稳步上升。
我个人做投研 skill 这几年，最大的体会是：真正优秀的投研 skill 不是一个写满专业术语的巨型提示词，而是一套能让人机协作持续改善的流程。它需要你不断从错误中提炼规则，然后把规则写回说明书里。AI 的进步当然重要，但更重要的永远是使用者有没有想清楚“我想让 AI 按什么标准工作”。把这个问题想透了，哪怕你现在用的模型能力一般，也能做出比自己手动操作稳定得多的投研工作流。
