DeepEar 顺风耳
将公开舆情信息转化为可验证投资逻辑链与交易信号的开源深度研究框架。
服务器绑定 0.0.0.0 且 /analyze 接口无任何鉴权，作业存储仅在内存中，异常信息直接回传给调用方；未发现恶意行为或凭据外泄，但缺乏权限约束、用户确认与回滚机制，扣去大部分信任分。
server.py 与文档一致，导入失败有诊断输出，失败状态会写入 error 字段；但并发下 in-memory jobs 与 os.chdir 非线程安全，缺少对异常输入的处理说明，无针对该技能路径的测试证据。
目标用户（金融分析/量化研究者）和触发场景清晰，参数有默认值且文档列出安装路径；但边界条件（如不支持的市场、依赖外部 LLM/搜索 API 的可用性）未声明，核心功能依赖 Jina、OpenAI 等境外服务，对大陆网络环境存在可达性风险。
仓库有 MIT 许可、版本号 0.1.0、README 结构完整，维护线索（CI 定时任务）存在；但 SKILL.md 本身缺少已知限制、FAQ、参数约束和更新路径说明，错误排查依赖用户自行调试。
声明的工作流（分析→状态→HTML 报告）链路清晰、参数化合理，相比手动调用 CLI 有封装价值；但静态审查无法验证实际产出质量，报告路径指向本地文件系统，直接可用性未经证实。
存在 CI 定时任务和 pytest 说明，但未覆盖该 skill 的 API 路径；示例响应仅为手写 JSON，无可复现的第三方执行证据，扣分至 4。
- 技能服务器默认监听 0.0.0.0 且 API 无鉴权，若在非隔离网络运行，任何人可提交耗资源的分析任务，建议改为 127.0.0.1 或增加访问控制。
- 作业状态仅存于内存，进程重启后全部丢失，且未声明数据保留与回滚策略。
- 核心功能依赖境外 API（Jina、OpenAI/OpenRouter 等），大陆网络环境下可能不可达，使用前请确认网络与密钥配置。
- 静态审查未执行任何代码；工作流实际产出质量、准确性与成本（LLM 调用费用）均未经验证。
- 发布者未经 FollowSkills 企业注册表核实，身份按未知处理。
这个 Skill 能做什么，适合哪些场景？
DeepEar（顺风耳）是 HKUSTDial 出品的开源深度研究与金融信号追踪框架，基于 Agno 多智能体架构。它从微博、财联社、华尔街见闻等 15+ 数据源抓取新闻，经意图识别、趋势捕捉、信号分析、预测建模到报告生成的完整流水线，产出带图表与逻辑图的专业 HTML 报告。其核心创新是在 Kronos 时序基础模型上加入新闻投影层，使预测能感知新闻事件的量化冲击。既可作为独立 Dashboard/CLI 使用，也可作为 AI Agent 技能集成到 Claude Code、OpenCode、Antigravity 等框架。MIT 协议，需要 Python 3.12+。
通过 HTTP API 触发分析流水线：接收 query（如“A股科技板块”）、新闻来源、抓取宽度、分析深度等参数，返回 job_id；后台依次执行意图识别 → 多源新闻抓取 → 趋势捕捉与情绪分析 → 逻辑过滤与 ISQ 评分 → Kronos 新闻感知预测建模 → Map-Reduce 报告撰写，最终生成 .md/.html 报告文件并可通过 /status/{job_id} 查询进度与结果路径。支持传入 run_id 更新已有分析以追踪信号演化。
- 个人投资者希望把社交媒体与新闻中的零散信息整理成结构化的投资逻辑与报告
- 量化研究员需要将定性新闻转化为情绪分数与信号指标用于回测或模型输入
- 金融分析师需实时追踪政策变化、行业突破等热点对特定板块或个股的影响
- 需要对比多次运行之间的信号变化、情绪漂移与逻辑更新的研究者
- AI Agent 用户希望让 Claude Code 或 OpenCode 具备一键触发深度金融研究的能力
这个 Skill 有哪些优点和局限？
- 多智能体流水线覆盖从新闻抓取到报告生成的完整链路，支持检查点与断点续跑
- 集成 15+ 新闻数据源（微博、财联社、华尔街见闻等）与混合 RAG（BM25+向量检索）
- Kronos 时序模型加新闻投影层是有文档说明的独特预测方案
- 提供 React Dashboard 实时监控 Agent 工作流，且报告含交互式逻辑图
- MIT 协议，可免费商用，官方提供免费在线 Lite 版演示
- 需要自行配置多个 API 密钥（LLM、可选 Jina），存在持续调用成本
- 面向 A 股等中国市场数据源为主，美股适配（Alpha Vantage/Yahoo Finance）仍在路线图未完成
- 深度依赖特定生态（Agno 框架、Kronos 模型、SQLite/向量库），定制需理解其架构
- 新闻感知投影层的训练基于 LLM 验证的历史“新闻-冲击”合成数据集，预测准确性缺乏独立验证
- 多语言支持、错误恢复等细节文档未说明，需阅读源码确认
如何安装这个 Skill？
- 克隆仓库：git clone https://github.com/HKUSTDial/DeepEar.git && cd DeepEar
- 安装依赖：uv sync（需 Python 3.12+ 和 uv）
- 配置 API 密钥：cp .env.example .env，填写 LLM_PROVIDER（支持 openrouter/openai/ollama/deepseek 等）、REASONING_MODEL_ID、TOOL_MODEL_ID，可选 JINA_API_KEY
- 作为 Agent 技能安装：将 skills/deepear 目录复制到对应技能目录，如 Claude Code 个人技能路径 ~/.claude/skills/
如何使用这个 Skill？
启动技能服务器：uv run skills/deepear/scripts/server.py。随后 Agent 可调用 POST /analyze 触发分析（请求体示例：{"query": "A-share tech sector", "sources": "all", "wide": 10, "depth": "auto", "concurrency": 5}），再用 GET /status/{job_id} 轮询进度，完成后获取 report_path 指向的 HTML 报告。也可以直接运行 CLI：uv run src/main_flow.py，或启动 Dashboard：uv run python -m dashboard.server（默认邀请码 DEEP-EAR-ADMIN）。
这个 Skill 与同类方案有什么区别？
源材料提及同团队的 DeepFund 项目（供金融分析方法论）及 Awesome-finance-skills 组件技能集，可视为相关生态而非直接竞品；核心对比点是普通 LLM 研究工具缺乏新闻感知的时序预测与信号演化追踪能力。