金工AI研究系列之三Agent时代Skill为核-投研成果的可调用化实践

内容目录AISkill：从通用能力到专业投研工作流 5为什么是Skill：从一次性问答到可复用流程 5投研Skill的基本结构：数据、工具、研究细则与输出 5阶段性成果的定位：代表性展示，而非完整方法覆盖 7从研究成果到可调用能力：多场景投研Skill化实践 8选股场景：将因子研究过程沉淀为可持续迭代工作流 8从因子想法到研究闭环：传统流程中的断点 9先确定研究细则，再启动候选因子生成 9生成、评测与反馈：让历史结果进入下一轮 可恢复的工作区延长研究生命周期 13阶段性价值：验证流程沉淀，而非承诺因子有效性 13择时场景：历史形态检索与深度时序模型的交互化 14K线时空镜像：历史形态检索成果的交互化 14深度学习择时：时序模型成果的可视化调用 20两项择时案例的共同启示：将复杂方法沉淀为可调用能力 24主动投研场景：从研究框架到决策协同 25固定框架报告：将标准化写作沉淀为可复用流程 25深度研究框架：围绕问题构建可追溯证据链 26投资决策委员会：以多角色质询完善决策 27专家协同：从投资专家画像到多角色研讨 28基金研究场景：以FundLab贯通数据、分析与决策 30研究痛点：从信息过载到有效结论 30工作流设计：本地数据优先，外部能力按需补充 30典型应用：从基金画像到组合分析与标签回测 32跨场景观察：不同研究任务共享的Skill化逻辑 35总结与展望：从单点Skill走向协同投研体系 37阶段性结论：Skill化重塑研究成果的复用方式 37后续扩展：从方法覆盖走向能力协同 37风险提示 40图表目录图1：投研Skill从通用模型能力到可复用研究输出的结构 6图2：选股因子迭代Skill的整体流程与核心理念 9图3：选股因子迭代Skill的研究确认过程1 10图4：选股因子迭代Skill的研究确认过程2 10图5：从候选因子评测到下一轮结构改进的反馈示例1 图6：从候选因子评测到下一轮结构改进的反馈示例2 12图7：Skill化使分散试验转化为可持续积累的研究资产 13图8：K线时空镜像的整体方法框架 15图9：K线时空镜像的自然语言调用与3结果 17图10：中证全指60根K线的历史时空镜像结果 18图深度学习择时Skill的模型与观点生成框架 20图12：深度学习择时Skill的自然语言调用与结果摘要 21图13：中证全指的深度学习择时观点图 22图14：两项择时Skill从研究方法到交互输出的共同链路 24图15：投资价值分析报告案例 25图16：深度研究框架案例 26图17：投资决策委员会案例 27图18：投资专家画像Skill与专家研讨会Skill 29图19：FundLab数据来源，本地数据优先+外部数据按需补充 31图20：FundLab工作流，数据层→方法层->输出层 31图21：FundLab案例1，单只基金画像（仅截取提示词+输出结论） 32图22：FundLab案例2，基金公司画像（仅截取提示词+输出结论） 33图23：FundLab案例3，寻找相似基金（仅截取提示词+输出结论） 33图24：FundLab案例4，基金组合分析（仅截取提示词+输出结论） 34图25：FundLab案例5，基金筛选回测（仅截取提示词+输出结论） 35图26：从单点Skill走向协同投研体系的演进路径 38AISkill：从通用能力到专业投研工作流环节。如何让模型稳定地进入这些专业流程，比单次回答是否流畅更为重要。AISkill提供了一种可行的组织方式。它以自然语言保留通用模型灵活理解需求的核的专业能力。为什么是Skill：从一次性问答到可复用流程描述，既增加沟通成本，也容易因遗漏或表述差异造成结果口径变化。SkillSkill然语言请求，背后调用的却是一套已经明确研究细则的工作流程。定性之间取得平衡。Skill明确输入后复用既有方法，并在一致口径下获得更新结果。投研Skill的基本结构：数据、工具、研究细则与输出il表和结论，也包括便于复核和继续研究的代码、配置、过程记录与历史结果。图1：投研Skill从通用模型能力到可复用研究输出的结构绘制Skill确认，而不是依靠模型自行猜测。SkillSkill制，而不是使用未经确认的替代口径。IC和结论结构。只有将这些规则与执行工具共同沉淀，ill而且具有可追溯、可复核和可继续迭代的基础。输出也不应只保留最终结论。研究价值往往来自结论背后的证据链和过程信息，因Skill也可以回到具体依据检查判断，在后续研究中继续使用已经形成的材料。阶段性成果的定位：代表性展示，而非完整方法覆盖Skill视为阶段性实践的集中呈现。在选股场景中，现有案例以因子迭代流程为切入点，样例使用低频量价数据，但Coding他机器学习方法仍可在后续研究中逐步沉淀。证据和协作机制；FundLabSkill基础，而不是为了扩大覆盖范围而机械增加功能。Skill输出形式和使用边界，并通过现有图表与实际样例呈现当前阶段的落地方式。从研究成果到可调用能力：多场景投研Skill化实践SkillSkill化成果的代表性样本。选股场景：将因子研究过程沉淀为可持续迭代工作流代Skill。ilSkillSkillPythonCoding间正确对齐，Agent就可以围绕相应数据设计因子计算逻辑。1IC其他数据决定候选因子的研究类型和信息来源。图2：选股因子迭代Skill的整体流程与核心理念绘制从因子想法到研究闭环：传统流程中的断点IC、ICIR进，但不同试验之间容易形成断点。套受约束的研究闭环。先确定研究细则，再启动候选因子生成选股因子迭代Skill首先要求研究员明确工作区和真实数据位置，并依次确认评测IC在研究细则确定后，Agent累之上，而不是每次从空白状态重新开始。图3：选股因子迭代Skill的研究确认过程1 图4：选股因子迭代Skill的研究确认过程2绘制 绘制生成、评测与反馈：让历史结果进入下一轮完成接入检查并得到研究员确认后，AgentICIC测结果的干扰。融逻辑与指标表现之间持续调整。图5：从候选因子评测到下一轮结构改进的反馈示例1绘制图6：从候选因子评测到下一轮结构改进的反馈示例2绘制5展示了一个候选因子从代码生成到评测落地的完整结果。Agent不仅给出可执IC、ICIRIC要。在该轮样例中，F004SpearmanIC0.0588、ICIR0.5786，20182026IC均为正，因而成为当时历史记录中的较优候选。6AgentF007。该样例中，F007IC0.05880.0666，ICIR0.57860.6542Skill研究上下文，而非彼此孤立的一次性输出。可恢复的工作区延长研究生命周期算。的不再只是若干结果文件，也包括可复用的研究组件和经过验证的实现方式。图7：Skill化使分散试验转化为可持续积累的研究资产绘制阶段性价值：验证流程沉淀，而非承诺因子有效性Skill的主要价值在于将分散的研究步骤组织为一套这一案例说明，AISkill可以成为量化研究成果的一种新型组织和复用方式。Skill性成果，未来仍可根据更多数据类型、因子方法和组合应用需求持续扩展。择时场景：历史形态检索与深度时序模型的交互化Skill现阶段的代表性案例，并不构成对择时研究方法的完整覆盖。的交互化方式。K线时空镜像：历史形态检索成果的交互化K以系统比较不同长度、不同时间位置的量价形态。KSkill示这些片段结束后的真实走势。KKSkill不需要用户逐项配置。图8：K线时空镜像的整体方法框架绘制2018段与查询阶段具有不同长度，避免只能在固定窗口中寻找机械对应。盘收益变化、开盘/最高/最低价格路径以及成交额趋势等特征；成交额水平作为额外信形态本身。Y整通过寻找一条对齐路径πX中的交易日与Y概念上，近期加权的综合距离可以写为：𝐷 (𝑋,𝑌)=min∑(𝑖,𝑗)∈𝜋𝛿(𝑥𝑖,𝑦𝑗)DTW

𝜋 ∑(𝑖,𝑗)∈𝜋其中，𝑥𝑖和行匹配。为了便于阅读，综合距离进一步转换为0至100之间的相似度展示分数：Similarity=100×exp(−𝐷DTW)0100DTW序还会对不同特征分量进行尺度统一和加权组合。检索完成后，Skill31至3图9：K线时空镜像的自然语言调用与Top3结果绘制000985.CSI，Skill2026429202672760K线；2022610月、2024372024102025174.7%73.7%71.9%60K输入“000688.SH120”，Skill50120K线，再按同3展示口径。图10：中证全指60根K线的历史时空镜像结果绘制结果图将查询阶段和三个历史镜像按相同的信息结构排列，均同时展示K员因此既可以比较匹配阶段本身，也可以直观看到不同历史情景此后如何演化。K独作为确定性择时结论。从Skill化角度看，这一实践将原本需要人工翻阅行情、设定窗口和逐段比较的工作压缩为一次自然语言调用并统一完成取数检索排序去重和出图其使用仍依赖 终端及相应数据权限检索结果也受历史数据起点和有效行情覆盖范围约束。后续还可以在保持交互入口简洁的前提下继续沉淀其他形态特征和历史情景研究成果深度学习择时：时序模型成果的可视化调用KSkill直接调用已经训练完阈值判断、历史检验和可视化口径封装为一次可重复调用。Skill固定管理，避免同一模型在不同调用中因临时配置而产生口径漂移。图11：深度学习择时Skill的模型与观点生成框架绘制40GRUMLP未来涨跌幅。5IC导向的训练使模型重点学习形态Skill。由于IC训练得到的模型输出主要反映相对强弱，不能简单以0作为固定多空分界。Skill采用带中性区间的动态阈值：设当日时序因子为𝑓𝑡，其过去40个交易日的均值和标准差分别为𝜇(40)与𝜎(40)，则上下轨为：𝑡 𝑡𝑈

=𝜇(40)+

=𝜇(40)−0.5𝜎(40)𝑡 𝑡 𝑡 𝑡 𝑡 𝑡当高于上轨𝑈𝑡时，模型给出多头观点；低于下轨𝐿𝑡空之间频繁切换。图12：深度学习择时Skill的自然语言调用与结果摘要绘制（000985.CSI）2025728202672820267275图13：中证全指的深度学习择时观点图绘制405同一调用方式也可直接用于其他宽基指数或单只股票。例如现有样例对中证10005Skill合判断。从Skill化角度看这一案例把原本分散在行情接口特征处理模型文件年度参数映射择时规则和绘图脚本中的研究成果组织成统一调用链路用户不需要理解网络权重或手工拼接推理代码，也可以复用同一套模型口径。当前发布版本依赖 终端及有效数据权限模型参数覆盖2025年至2026年的样本外区间超出覆盖期的请求不会使用其他年份参数替代。模型观点反映量价时序的统计规律，应作为研究辅助信息而不应脱离其他证据单独形成确定性投资结论。两项择时案例的共同启示：将复杂方法沉淀为可调用能力KAISkill的角度看，两者具有相同的没有省略方法定义和数据处理，也不意味着任意输入都可以脱离既定研究口径运行。图14：两项择时Skill从研究方法到交互输出的共同链路绘制第二，Skill化的核心基础是可复现的研究细则。K3第三，两项案例都将复杂计算转化为可阅读的中间证据，而不是只输出一个结论。时空镜像同时保留Top3历史片段、相似度和匹配后的真实路径，使研究员能够比较多输出与研究判断的重要环节。SkillSkill化的初步验证，而非对择时Skill的价值不在于追求数量本身，而在于持续把经过研究验证的能力转化为明确输入、稳定流程、可解释输出和清晰边界。主动投研场景：从研究框架到决策协同AIAgentSkillSkillAgent为可持续迭代的投研流程引擎。固定框架报告：将标准化写作沉淀为可复用流程Skill话模式下产出不稳定、统计口径不统一等问题。Skill程。图15：投资价值分析报告案例，WorkBuddy深度研究框架：围绕问题构建可追溯证据链结构化水平，便于复盘迭代。及后续研究任务规划。图16：深度研究框架案例，WorkBuddy投资决策委员会：以多角色质询完善决策SkillSkill/PM图17：投资决策委员会案例，WorkBuddy专家协同：从投资专家画像到多角色研讨Skill卖出纪律。SkillSkill，组织多位专家围绕行业、个股、策提取、交叉质询、风险检查、投票和行动建议。图18：投资专家画像Skill与专家研讨会Skill，WorkBuddy基金研究场景：以FundLab贯通数据、分析与决策研究痛点：从信息过载到有效结论前AI时代，传统基金研究的痛点在于：不是没有数据，而是数据太多；不是没有观点，而是很难快速形成结论。近年来，公募基金数量不断增加、产品类型持续丰富，为FOF投研的数据管理、信息筛选和观点提炼带来了新的挑战。研究标准化难度更高。化分析框架和可复用的研究结论，是基金研究效率提升的关键。工作流设计：本地数据优先，外部能力按需补充FundLab基金研究Skill，希望打造一个FundLabFundLab”等核心问题，输出结论先行、有数据支撑、可验证的研究成果，提升基金研究效率。外部数据能力采用模块化接入方式，根据研究需求调用 、iFinD等专业金数据接口，实现自有研究标签与外部标准数据的融合。在底层能力建设方面首先解决基金研究中的数据获取问题采“本地数据优先外部数据按需补充的式本地数据一方面接入团队长期积累的本地标签库融入团队自用转债折算规（固收+分类尤为重要-可根据任务需要通过、iFinD等MCPMCP的安装配置，或根据研究需要选择不使用外部数据补充。力安装；

金融数据能力阅读https://aifinmarket. ./skill.md，完成万得金融能iFinD金融数据能力：阅读/gwstatic/static/ds_web/ifind-mcp-web/skills/SKILL_INSTALL_GUIDE.md，完成iFinDMCPSkill安装。图19：FundLab数据来源，本地数据优先+外部数据按需补充绘制数据准备完成后，FundLab可进一步执行基金筛选、单只基金画像、多基金比较、图20：FundLab工作流，数据层→方法层->输出层绘制典型应用：从基金画像到组合分析与标签回测FundLab例，覆盖单基金分析、组合管理等常见研究需求。案例一：单只基金画像当研究员需要快速判断一只基金是否值得关注时，FundLab势是否持续、风险在哪里”等核心问题。图21：FundLab案例1，单只基金画像（仅截取提示词+输出结论）绘制案例二：基金公司画像FundLab图22：FundLab案例2，基金公司画像（仅截取提示词+输出结论）绘制案例三：寻找相似基金FundLab图23：FundLab案例3，寻找相似基金（仅截取提示词+输出结论）绘制案例四：基金组合分析FundLab一步结合基金规模和产品定位给出直观结论。图24：FundLab案例4，基金组合分析（仅截取提示词+输出结论）绘制案例五：基金筛选回测FundLabROE判断基金标签是否具备稳定的选基能力，并识别收益来源与潜在风险。图25：FundLab案例5，基金筛选回测（仅截取提示词+输出结论）绘制跨场景观察：不同研究任务共享的Skill化逻辑Skill化逻辑