daymade-sector-research
- Repo stars 0
- Author updated Aug 24, 2026, 03:33 PM
- Author repo claude-code-skills
A股行业投研 Skill
对某个申万行业/东财板块做一次完整投研交付：Top N 涨幅标的 → 公告窗口检索 → 市场情绪判断 → Agent Team 对抗验证 → 综合报告。
铁律（每次执行都必须遵守，违反代价最高）
- 宁可标注不确定，不可给错误答案（用户原话，最高纪律）。没有十足把握的事实写「不确定/未核实」，不编、不猜、不省略来源。推断与观察必须分开表述。
- 基于证据、基于数据。每个结论 trace 到一手数据源（API 返回 / CSV 落盘 / 官方公告）；汇报数值时从工具输出原文照抄，禁凭印象转写。
- 证据分级 L1–L3：L1 一手行情（交易所/行情接口实时值）；L2 带时间戳的媒体/公告报道；L3 未核实标题或传闻。判断情绪时只允许 L1/L2 承重，L3 只能作为「待核实线索」列出。
- 0 条双向读：月窗口公告 0 条 ≠ 真无公告。必须扩宽窗（90 天）+ 第二数据源核对，证明「真无」或发现参数错误，才能下结论。
- 双源交叉：公告检索必须巨潮 + 东财两源对照；单一数据源发现的「重要公告」也要在另一源确认存在，不一致必须如实标注。
- 盘中快照标注漂移：盘中取的行情数值是瞬时快照会漂移，任何引用必须带快照时间戳，报告里注明「盘中快照」。
- 数值照抄落盘 CSV：中间数值必须落盘（脚本输出 CSV / agent 落盘文件），报告引用时照抄 CSV 值，不凭对话记忆。
- Agent Team 编排纪律：见 references/agent-orchestration.md——子代理显式
model:'sonnet'；SendMessage 交付协议；每条 finding 带可证伪锚点；验证用 fresh-context 对抗性 agent；禁 spawn 重复 agent。
工作流（五阶段）
Phase 0 数据能力侦察 → 必要时 pivot 公开源
Phase 1 并行三 agent：Top N 名单 / 涨跌幅分桶分布 / 情绪证据清单
Phase 2 公告检索：Top N 全标的 × 周窗口 + 月窗口，双源交叉
Phase 3 对抗验证：fresh-context agent 复核假设（用户原话：「看哪些假设是错的」）
Phase 4 综合报告：名单 + 公告 + 情绪分级 + 显式不确定标注Phase 0 — 数据能力侦察（Gangtise pivot 决策）
若用户点名 Gangtise（或其官方 skill），先侦察可用性再决定数据源：
- 对照实验判「额度」：同一凭据某些端点可用（如
quote.py、stockpool.py、get_industries.py）而内容搜索端点全报POINT_NOT_ENOUGH→ 这是积分不足的整体性解释，同一凭据一通一挂已否定「网络/配置问题」；若不同端点表现不一致，别急着下「额度耗尽」结论，做对照实验（换端点/换参数/最小请求）。 - pivot 决策表：内容搜索不可用 → Top N 改东财成分股+新浪快照；公告改 cninfo+东财；情绪改公开行情+媒体。侦察结论与 pivot 决策必须告知用户，不静默切换数据源。
- 完整侦察矩阵（各端点实测形态、积分报错、对照实验）→ references/gangtise-scout.md
Phase 1 — 并行三 agent
派 3 个并行 agent（显式 sonnet），每个 prompt 附可证伪锚点要求：
| Agent | 交付物 | 数据链 |
|---|---|---|
| Top N 名单 | top{N}_{board}_{日期}.csv |
scripts/top_n_pipeline.py（东财成分股 → 新浪快照 → 涨幅排序） |
| 涨跌分桶分布 | distribution_{board}_{日期}.csv + 市场宽度结论 |
全板块快照按 6 分桶（>5%/2-5%/0-2%/0%/-2-0%/<-2%）+ up/down/flat 汇总，六桶 count 加和必须等于 total |
| 情绪证据清单 | 分层证据表（L1/L2/L3 各列） | 一手行情 + 媒体检索 |
行情与板块接口细节 → references/market-data.md；情绪证据方法与信源 → references/sentiment-evidence.md。
Phase 2 — 公告检索
对 Top N 全标的查公告，周窗口（近 7 天）与月窗口（近 31 天）互斥分桶：
# 脚本路径按本 skill 安装目录（SKILL.md 同级目录下的 scripts/）执行，示例用相对路径仅指 skill 包内
cd <本 skill 安装目录>
env -u http_proxy -u https_proxy -u all_proxy -u HTTP_PROXY -u HTTPS_PROXY -u ALL_PROXY \
python3 scripts/ann_query.py --codes 002219,600613,920946 \
--end 2026-08-13 --out-dir /path/out \
--universe-csv /path/top10_xxx.csv脚本内置：巨潮 orgId 一律 topSearch 解析（禁按市场自拼，深市双形态/沪市前导零/科创板 gfbj 均实测拼错即假阴）、B 股（900/200 开头）自动转对应 A 股代码检索、双源交叉与类型回填、两源翻页、月窗 0 条自动扩宽窗判据（宽窗最新日期 vs 月窗起点）、URL 抽查。orgId 陷阱与接口形态 → references/cninfo-announcements.md。
分桶规则：公告日期落在周窗口内标 1周，否则（仍在月窗口内）标 1月，互斥不重复。输出表头：股票代码,股票名称,公告标题,公告日期,公告类型(如有),公告URL,时间窗口(1周|1月)。
必做验证：① 双源交叉（巨潮 vs 东财）计数一致；② 0 条标的扩宽窗确认「真无」；③ 两源覆盖不完全一致（部分投关类公告仅东财有、部分巨潮也收录），东财独有条目补并集并按 URL 域名标注来源。
Phase 3 — 对抗验证（用户原话：「看哪些假设是错的」）
派 2 个 fresh-context 对抗性 agent（不 fork，不共享本会话上下文），各自带验证轴：
- 验证轴 1 · 方法论与数值：Top N 名单重算（独立重跑数据链）、分桶统计重算（六桶 count 加和 = total）、快照时间戳核对
- 验证轴 2 · 公告完整性与情绪证据强度：抽查公告月窗口是否漏检、情绪结论逐条检查是否 L1/L2 承重、有无未标注的推断
每个 agent 的 finding 必须带可证伪锚点（具体数值/URL/命令输出），prompt 中明令「编造不如标不确定」。验证结果在综合报告中单独成节：哪些假设被推翻、哪些被确认、哪些无法验证。编排细节 → references/agent-orchestration.md。
Phase 4 — 综合报告
交付结构：
- 数据源与 pivot 披露：用了哪些源、哪些不可用、为何 pivot
- Top N 名单：表格（排名/代码/名称/涨幅/价格/成交额）+ 快照时间戳
- 公告清单：周/月分桶，按标的聚合，标注来源与交叉验证结果
- 情绪判断：L1–L3 分层呈现，结论明确标注证据等级；证据不足的维度写「不确定：无 L1/L2 证据」
- 验证结果：对抗验证发现、假设推翻清单
- 不确定项清单：所有未达「十足把握」的条目显式列出
报告数值一律照抄落盘 CSV，禁止凭记忆转写。
环境约束
- 国内站点（东财/新浪/巨潮）curl/脚本必须去代理：
env -u http_proxy -u https_proxy -u all_proxy -u HTTP_PROXY -u HTTPS_PROXY -u ALL_PROXY - Python 用
uv run --no-project或系统 python3（脚本 stdlib only） - 新浪快照返回 GBK 编码，需 Referer
https://finance.sina.com.cn；东财公告接口可不带 Referer（实测）；北交所公告不单独走 bse.cn（官网接口三重失效，走巨潮 gfbj 通道） - 若 push2 域名解析进 198.18.0.0/15（代理 TUN fake-IP），去代理无效，须修代理分流或用
curl --resolve直连真实 IP（见 references/market-data.md）
- Fluxly category
- Other
- Author-declared agents
- No explicit declaration found; this is not inferred or tested compatibility
- Static check
- 88 / 100 · heuristic scan, not runtime safety proof
- Author / version / license
- @daymade · no license declared
- Fluxly token estimate
- Lean
- Fluxly setup estimate
- Guided setup
- External API key
- No requirement detected
- Detected OS requirements
- Unspecified
- Runtime requirements
- Python
- Detected file/system behavior
-
- Read-only
- Shell exec
- Detected network behavior
- External requests
- Install commands
- None (reference only)
Profile is derived at build time from SKILL.md and install vectors. Subject to drift from author intent.
Heads up: 未限定 allowed-tools，默认拥有全部工具权限。
The current SKILL.md does not define a fixed output example.若用户点名 Gangtise（或其官方 skill），先侦察可用性再决定数据源： 对照实验判「额度」：同一凭据某些端点可用（如 quote.py、stockpool.py、getindustries.py）而内容搜索端点全报 POINTNOTENOUGH → 这是积分不足的整体性解释，同一凭据一通一挂已否定「网络/配置问题」；若不同端点表现不一致，别急着下「额度耗尽」结论，做对照实验（换端点/换参数/最小请求）。 pivot 决策表：内容搜索不可用 → Top N 改东财成分股+新浪快照；公告改…
派 3 个并行 agent（显式 sonnet），每个 prompt 附可证伪锚点要求： Agent · 交付物 · 数据链 Top N 名单 · top{N}{board}{日期}.csv · scripts/topnpipeline.py（东财成分股 → 新浪快照 → 涨幅排序）
对 Top N 全标的查公告，周窗口（近 7 天）与月窗口（近 31 天）互斥分桶： 脚本内置：巨潮 orgId 一律 topSearch 解析（禁按市场自拼，深市双形态/沪市前导零/科创板 gfbj 均实测拼错即假阴）、B 股（900/200 开头）自动转对应 A 股代码检索、双源交叉与类型回填、两源翻页、月窗 0 条自动扩宽窗判据（宽窗最新日期 vs 月窗起点）、URL 抽查。orgId 陷阱与接口形态 → references/cninfo-announcements.md。
派 2 个 fresh-context 对抗性 agent（不 fork，不共享本会话上下文），各自带验证轴： 验证轴 1 · 方法论与数值：Top N 名单重算（独立重跑数据链）、分桶统计重算（六桶 count 加和 = total）、快照时间戳核对 验证轴 2 · 公告完整性与情绪证据强度：抽查公告月窗口是否漏检、情绪结论逐条检查是否 L1/L2 承重、有无未标注的推断
交付结构： 数据源与 pivot 披露：用了哪些源、哪些不可用、为何 pivot Top N 名单：表格（排名/代码/名称/涨幅/价格/成交额）+ 快照时间戳
# A股行业投研 Skill
对某个申万行业/东财板块做一次完整投研交付：**Top N 涨幅标的 → 公告窗口检索 → 市场情绪判断 → Agent Team 对抗验证 → 综合报告**。
## 铁律（每次执行都必须遵守，违反代价最高）
1. **宁可标注不确定，不可给错误答案**（用户原话，最高纪律）。没有十足把握的事实写「不确定/未核实」，不编、不猜、不省略来源。推断与观察必须分开表述。
2. **基于证据、基于数据**。每个结论 trace 到一手数据源（API 返回 / CSV 落盘 / 官方公告）；汇报数值时从工具输出原文照抄，禁凭印象转写。
3. **证据分级 L1–L3**：L1 一手行情（交易所/行情接口实时值）；L2 带时间戳的媒体/公告报道；L3 未核实标题或传闻。判断情绪时只允许 L1/L2 承重，L3 只能作为「待核实线索」列出。
4. **0 条双向读**：月窗口公告 0 条 ≠ 真无公告。必须扩宽窗（90 天）+ 第二数据源核对，证明「真无」或发现参数错误，才能下结论。
5. **双源交叉**：公告检索必须巨潮 + 东财两源对照；单一数据源发现的「重要公告」也要在另一源确认存在，不一致必须如实标注。
6. **盘中快照标注漂移**：盘中取的行情数值是瞬时快照会漂移，任何引用必须带快照时间戳，报告里注明「盘中快照」。
7. **数值照抄落盘 CSV**：中间数值必须落盘（脚本输出 CSV / agent 落盘文件），报告引用时照抄 CSV 值，不凭对话记忆。
8. **Agent Team 编排纪律**：见 [references/agent-orchestration.md](references/agent-orchestration.md)——子代理显式 `model:'sonnet'`；SendMessage 交付协议；每条 finding 带可证伪锚点；验证用 fresh-context 对抗性 agent；禁 spawn 重复 agent。
## 工作流（五阶段）
```
Phase 0 数据能力侦察 → 必要时 pivot 公开源
Phase 1 并行三 agent：Top N 名单 / 涨跌幅分桶分布 / 情绪证据清单
Phase 2 公告检索：Top N 全标的 × 周窗口 + 月窗口，双源交叉
Phase 3 对抗验证：fresh-context agent 复核假设（用户原话：「看哪些假设是错的」）
Phase 4 综合报告：名单 + 公告 + 情绪分级 + 显式不确定标注
```
### Phase 0 — 数据能力侦察（Gangtise pivot 决策）
若用户点名 Gangtise（或其官方 skill），先侦察可用性再决定数据源：
1. **对照实验判「额度」**：同一凭据某些端点可用（如 `quote.py`、`stockpool.py`、`get_industries.py`）而内容搜索端点全报 `POINT_NOT_ENOUGH` → 这是积分不足的整体性解释，同一凭据一通一挂已否定「网络/配置问题」；若不同端点表现不一致，别急着下「额度耗尽」结论，做对照实验（换端点/换参数/最小请求）。
2. **pivot 决策表**：内容搜索不可用 → Top N 改东财成分股+新浪快照；公告改 cninfo+东财；情绪改公开行情+媒体。侦察结论与 pivot 决策**必须告知用户**，不静默切换数据源。
3. 完整侦察矩阵（各端点实测形态、积分报错、对照实验）→ [references/gangtise-scout.md](references/gangtise-scout.md)
### Phase 1 — 并行三 agent
派 3 个并行 agent（显式 sonnet），每个 prompt 附可证伪锚点要求：
| Agent | 交付物 | 数据链 |
|---|---|---|
| Top N 名单 | `top{N}_{board}_{日期}.csv` | `scripts/top_n_pipeline.py`（东财成分股 → 新浪快照 → 涨幅排序） |
…Author text anchors workflow facts; Fluxly only indexes current sections, terms, files, and commands.
sections -> 铁律（每次执行都必须遵守，违反代价最高） → 工作流（五阶段） → Phase 0 — 数据能力侦察（Gangtise pivot 决策） → Phase 1 — 并行三 agent → Phase 2 — 公告检索 → Phase 3 — 对抗验证（用户原话：「看哪些假设是错的」）
terms -> Top N 涨幅标的 → 公告窗口检索 → 市场情绪判断 → Agent Team 对抗验证 → 综合报告 · 宁可标注不确定，不可给错误答案 · 基于证据、基于数据 · 证据分级 L1–L3 · 0 条双向读 · 双源交叉 · 盘中快照标注漂移 · 数值照抄落盘 CSV
files/cmd -> model:'sonnet' · quote.py · stockpool.py · getindustries.py · POINTNOTENOUGH · top{N}{board}{日期}.csv · scripts/topnpipeline.py · distribution{board}{日期}.csv
body sha256 -> cef42a8c71be
Decide Fit First
Design Intent
How To Use It
Boundaries And Review