一门从零到完整 AI 技能的实战课程：学会让 AI 「手持数据」做专业 A 股基本面分析。
本项目通过 6 个递进式阶段，教你从一个最简单的 SKILL.md 出发，逐步构建出一个具备真实数据获取、完整估值方法论和多技能协作能力的专业 A 股分析工具。
学完你能做什么：
- 用 AI 生成覆盖基本面、估值、风险的完整研究报告
- 让 AI 调用 Python 脚本获取 AkShare 实时数据（非训练集数据）
- 将专业估值手册（DCF/Comps/行业指标）注入 AI 知识库
- 构建支持
/analyze-stock、/macro-dashboard等斜杠命令的多技能插件
phase-1/complete/ → phase-2/complete/ → phase-3/complete/
→ 任意阶段的 complete-nocode/
# 安装依赖
pip install akshare baostock yfinance pandas
# 验证环境
cd phase-4/complete-code/financial-analysis-skill/scripts
python fetch_stock.py --test详细安装说明见 docs/environment-setup.md。
akshare-skill/
├── phase-1/ # 基础骨架：最简 SKILL.md
│ ├── starter/ # 学员起点（空目录）
│ └── complete/ # 参考答案
│
├── phase-2/ # 精准触发：优化 description 字段
│ ├── starter/
│ └── complete/
│
├── phase-3/ # 完整流程：6步分析工作流
│ ├── starter/
│ └── complete/
│
├── phase-4/ # 真实数据：接入 AkShare
│ ├── starter/
│ ├── complete-code/ # 代码路径（可直接运行脚本）
│ └── complete-nocode/ # 无代码路径（AI 解读脚本输出）
│
├── phase-5/ # 知识注入：专业估值手册引入
│ ├── starter/
│ ├── complete-code/
│ └── complete-nocode/
│
├── phase-6/ # 多技能插件：完整生产级工具
│ ├── starter/
│ ├── complete-code/ # 含4个子技能 + 4个斜杠命令
│ └── complete-nocode/
│
├── test-cases/ # 测试用例
│ ├── trigger-tests.md # 20+ 触发/排除测试
│ ├── data-validation-tests.md # 数据准确性测试
│ └── analysis-checklist.md # 报告质量检查清单
│
├── mock-data/ # 离线测试数据
│ ├── moutai-600519.json
│ ├── pingan-000001.json
│ └── macro-indicators.json
│
└── docs/
├── environment-setup.md # 环境配置指引
├── lab-manual.md # 实验手册（6个实验完整操作流程）
└── textbook.md # 教科书（技术原理 + 金融知识体系）
目标：让 AI 认识你的技能、能够被触发。
核心知识点：
- SKILL.md 的 YAML frontmatter（name + description）
- description 字段的触发机制
- 最小可用技能的样子
---
name: 财务分析技能
description: "当用户提到A股股票代码（6位数字）或询问上市公司基本面时触发..."
---目标：通过优化 description，让技能在正确时机触发，在不应触发时沉默。
核心知识点：
- 触发词 vs 排除词
- 同义词扩展（市盈率/PE/估值/基本面/利润表...）
- A 股特有格式（6位数字代码）
目标：在 SKILL.md 正文中写入完整的6步分析流程，让 AI 每次都按规范执行。
6步流程：
- 信息确认（解析股票代码）
- 公司名片（基本信息摘要）
- 财务解读（盈利/偿债/成长/DuPont）
- 估值分析（PE可比 + 简化DCF）
- 综合打分
- 强制附录（数据来源与免责声明）
目标：接入 AkShare，让 AI 使用实时真实数据而非训练集中的过时数据。
三层数据获取策略：
AkShare（主力）→ Baostock（降级）→ Tushare Free（备用）
↓
yfinance（仅交叉验证）
数据置信度系统：
high：多源比对偏差 ≤ 5%medium：偏差 > 5%，以 AkShare 为准acceptable：单一来源可用low：所有来源失败
新增脚本：
fetch_stock.py：价格/估值/基本信息fetch_financial.py：三张报表 + 衍生指标data_validator.py：AkShare vs yfinance 交叉验证
目标：将专业金融知识以 references/ 文件的形式注入 SKILL.md，提升分析质量。
三大参考文档：
- valuation-guide.md — DCF（FCFF/WACC/终值）、可比公司法、DuPont 5因素
- industry-metrics.md — 8大行业核心估值指标和 KPI
- api-catalog.md — AkShare 接口完整索引（含 Baostock 对比表）
报告模板：
- report-template.md — 7节完整研报结构 + 强制附录
目标：将单一技能拆分为4个专业子技能，通过斜杠命令编排协作。
插件架构：
financial-analysis-plugin/
├── skills/
│ ├── data-acquisition/ # 数据采集
│ ├── financial-analysis-cn/ # 财务分析 + 估值
│ ├── equity-research-cn/ # 研报生成 + 评级
│ └── macro-analysis-cn/ # 宏观分析 + 仪表盘
└── commands/
├── /analyze-stock # 完整研报（调用全部子技能）
├── /quick-valuation # 快速估值（≤3分钟）
├── /macro-dashboard # 宏观仪表盘
└── /sector-scan # 行业板块扫描
平台支持：
- Claude Cowork：使用
.claude-plugin/plugin.json - OpenClaw：使用
openclaw.plugin.json - OpenCode：直接使用子技能 SKILL.md（原生兼容）
| 对比维度 | AkShare | Tushare | Wind |
|---|---|---|---|
| 费用 | 完全免费 | 积分制（免费额度有限） | 付费 |
| A 股覆盖 | 全面 | 全面 | 最全面 |
| 个人使用 | 无需注册 | 需注册 | 机构才用 |
| 数据源 | 东方财富/新浪 | 官方数据 | Bloomberg |
| 稳定性 | 一般（接口随网站变化） | 较稳定 | 最稳定 |
结论：教学场景下，AkShare 免费、无需注册、覆盖全面，最合适。
yfinance 使用 Yahoo Finance 数据，对 A 股覆盖不完整、有延迟，且在中国大陆网络访问不稳定。本项目仅用其做交叉验证，确保 AkShare 数据合理性。
| 文档 | 定位 | 适合谁读 |
|---|---|---|
| 实验手册 | 操作手册：6个实验的完整步骤，验证方法，常见问题逐一列出 | 初学者；跟着步骤依次操作即可完成全程 |
| 教科书 | 知识体系：AI Skill 技术架构（12章）+ A 股分析方法论 + 数据工程基础 | 想理解"为什么"的学习者；可独立阅读，也可配合实验手册使用 |
| 环境配置 | 安装指南：Python 环境 + AkShare + 各平台 Skill 加载方式 | 使用代码路径前必读 |
推荐学习路径：
先读教科书 Part 1（第1-3章）→ 对照实验手册做实验1-3
→ 读教科书 Part 2（第4-6章）→ 做实验4（代码/无代码任选）
→ 读教科书 Part 3（第7-12章）→ 做实验5-6
→ 用实验手册"综合测验"自我验收
Q：没有 Python 基础，能学吗？
A：可以。Phase 1-3 完全不需要 Python。Phase 4-6 的 nocode 路径中，Python 脚本由 AI 直接执行，你只需要理解输入输出即可。
Q：实盘数据和 mock-data 有多大差异？
A：mock-data 基于公开年报数据，价格数据有时效性问题（标记日期为 2025-01-15）。学习估值方法时两者等效；如需最新数据，运行对应脚本获取实时数据。
Q：AkShare 接口偶尔报错怎么处理？
A：AkShare 接口偶有变化。先运行 pip install akshare --upgrade 更新版本。若仍报错，使用 mock-data 进行离线测试，待接口修复后再切换实时模式。
本课程所有内容（分析框架、参考数据、示例报告）仅供教学目的，不构成投资建议。
金融投资存在风险，历史数据不代表未来表现。请在实际投资决策前咨询持牌金融顾问。