Daisy 金融研究技能
面向 AI Agent 的股票研究工作流：覆盖 A 股、港股、美股，按计划→取数→验证→出报告四步执行，全程留痕可审计。
SKILL.md 权限设计总体克制：仅写当前目录 ./financial-research/、--dry-run 预演、更新检查承诺'通知不拉取'且需用户同意才 git pull、令牌仅走环境变量、免责声明明确。扣分点：README/README_CN 描述自动更新为'超过24小时则静默 git pull --ff-only'，与 SKILL.md 的'未经明确同意绝不改动技能目录'存在口径冲突；更新步骤会发起网络请求（git ls-remote），数据流披露不够突出。
脚本契约设计自洽（统一 envelope、退出码、--schema、--dry-run），依赖声明清晰、可选依赖懒加载并有 dependency_missing 退出码。扣分点：测试套件被 gitignore、不在发布工件内，静态审查无法确认关键路径可复现；对上游 API（Tushare/AKShare/yfinance）的可用性假设基于'本环境'，失败反馈质量只见文档描述未见执行证据。
触发条件与非适用范围（不执行买卖、不提供个性化建议、不处理谣言）写得非常明确，中文场景（A股/港股通/Tushare）契合中国用户环境，数据源在国内可达。扣分点：美股路径依赖 yfinance/Brave MCP 等海外服务，从中国大陆可达性未说明；技能体积庞大，语义触发的误触发边界未给出反例。
有 MIT 许可、版本号、作者署名（B站/GitHub）、详尽的 references/ 与已知限制披露（如 pro.hk_daily_basic gap）、多平台安装说明。扣分点：SKILL.md frontmatter 版本 2.6.0 与 pyproject 2.8.0 不一致；发布工件不含测试与 changelog，维护责任与更新路径依赖未验证的自动 git pull；发布者身份未经验证。
工作流覆盖计划→取数→校验→报告全链路，产出（scratchpad、决策日志、报告三层）相较手工有明确边际价值，银行估值口径纠错和 look-ahead 守卫是实质差异点。扣分点：静态审查无法验证任何脚本输出可直接使用；效果主张（131 个测试、alpha 计算等）均为作者自述。
文档引用了可追溯的设计来源（virattt/dexter、TradingAgents）、记录了环境特定的接口故障和测试文件清单。扣分点：测试不在发布工件内不可独立复现，所有效果与可靠性主张均为作者声明，缺乏第三方执行证据；README 的更新行为描述与 SKILL.md 冲突削弱了文档间交叉一致性。
- README 与 SKILL.md 关于自动更新行为（静默 git pull vs 需用户同意）的描述相互矛盾，安装前请确认实际更新策略并留意技能目录被改动。
- 测试套件不在发布工件内（本地 gitignored），所有可靠性主张均未经独立验证，首次使用建议先以 --dry-run 和小样本验证脚本行为。
- 美股数据路径依赖 yfinance 与 Brave MCP 等海外服务，中国大陆网络可达性未说明；TUSHARE_TOKEN 为必需凭据，注意其保管。
- SKILL.md 版本号（2.6.0）与 pyproject（2.8.0）不一致，安装时请核对实际版本。
- 所有输出仅为数据分析，不构成投资建议；决策日志/回测指标基于作者自述实现，未经独立验证。
这个 Skill 能做什么，适合哪些场景？
Daisy 是一个面向 AI Agent 的股票与行业深度研究技能，灵感来自 virattt/dexter 的迭代式 Agent 循环设计。它把一次研究拆解为写研究计划、路由数据源、软性循环限次、数值校验、产出带来源的报告等固定步骤，并把每一步写入 JSONL 草稿本。数据层面以 Tushare 为主（需 TUSHARE_TOKEN），辅以 AKShare、yfinance 和网络搜索；报告可导出 Markdown、HTML 和 PDF。它还会把每次评级决策记入跨会话的决策日志，事后自动用真实价格结算并统计 alpha 命中率。
读取用户的研究问题后：1）先拉取同标的的历史决策记忆，再写 3–7 步研究计划存入 scratchpad；2）按后缀路由数据源（*.SH/SZ/BJ 走 Tushare，*.HK 走 Tushare + AKShare 补位，美股走 yfinance/网络搜索）；3）执行 DCF 估值（含 3×3 敏感性矩阵），对银行/保险自动改用 RoTE/CET1/NIM/PB 框架；4）跑多因子选股（红利、价值、成长、动量等预设）生成观察清单；5）计算技术指标（内置前视偏差防护）；6）数值校验后用 financial_report.py 渲染 md/html/pdf 报告；7）把评级写入 decision-log.md，之后可用 auto-resolve 拉取实际价格计算 alpha 并回填，backtest 子命令汇总命中率与 t 统计量。
- 个人投资者让 Agent 对某只 A 股（如 600519.SH）做基本面深挖并输出带数据来源的研究报告
- 研究港股银行（如汇丰 00005.HK）时希望用 RoTE/CET1/NIM 而非错误的 DCF 框架
- 想批量筛出 A 股'红利+质量'观察清单并一键生成 HTML 报告
- 经常让 Agent 做评级决策、事后想回测自己研究记录 alpha 命中率的用户
- 需要含涨跌停、北向资金、板块轮动等中国市场监管背景的催化剂分析
- 港美股通标的研究中遇到 Tushare 接口缺失（如 hk_daily_basic）需要 AKShare 兜底
这个 Skill 有哪些优点和局限？
- 完整可审计的工作流：计划、每次工具调用、假设都落在磁盘 JSONL 里，可回放
- 跨会话决策日志是少见的差异化功能：pending→resolved 生命周期 + auto-resolve 自动算 alpha + backtest 统计 t 统计量和最大回撤
- 针对已知坑做了工程化处理：银行自动跳过 DCF、pro.hk_daily_basic 缺口有 AKShare 兜底、技术指标防前视偏差
- Agent 友好的 CLI 契约：--schema 内省、--dry-run、稳定 JSON envelope、结构化退出码
- 多平台安装路径齐全（Claude Code、Codex、Hermes、ClawHub 等）
- 强依赖 Tushare，需付费/有权限的 TUSHARE_TOKEN，接口可用性随账户权限而异
- 港美股分段营收、部分 HK 基本面无免费 API，只能读年报或搜索，覆盖不完整
- GitHub 仓库 topics 未标注 license（虽然 SKILL.md frontmatter 声明 MIT），仓库层面许可证状态需自行确认
- 未见公开测试套件或第三方验证；backtest 指标是决策级而非连续 NAV，无法计算教科书式 Sharpe
- 输出仅为数据分析，不构成投资建议；选股结果明确声明不是买入清单
如何安装这个 Skill？
文档未说明一键安装器之外的平台差异，README 给出的是 git clone 方式：以 Claude Code 为例，git clone https://github.com/Agents365-ai/daisy-financial-research.git ~/.claude/skills/daisy-financial-research；Opencode、OpenClaw/ClawHub（clawhub install daisy-financial-research）、Hermes、OpenAI Codex、SkillsMP 均有对应路径。依赖：pip install tushare pandas requests，可选 pip install akshare yfinance stockstats；PDF 渲染需 pandoc + basictex（brew 安装）。使用任何 Tushare 调用前需 export TUSHARE_TOKEN=...。
如何使用这个 Skill？
安装后直接用自然语言触发，例如：'深度研究一下贵州茅台'、'给汇丰做个 DCF'、'筛一批 A 股红利质量标的'。命令行示例：python <skill-dir>/scripts/screen_a_share.py --preset a_dividend_quality --top 50 --report 生成观察清单，python <skill-dir>/scripts/financial_report.py report.md --title ... --slug ... --pdf 渲染报告，python <skill-dir>/scripts/dexter_memory_log.py backtest 审计决策记录。所有脚本支持 --schema、--dry-run、--format 供 Agent 调用。
这个 Skill 与同类方案有什么区别？
README 自述设计模式源自 virattt/dexter（迭代 Agent 循环、scratchpad、数值校验），可以视为 dexter 思路的多平台打包加强版：在原基础上增加了跨会话决策记忆、银行估值框架自动切换、选股脚本和三层报告渲染。