人工智能AI Agent金融科技AI 应用大模型RAG【免费下载链接】FinRobotFinRobot: An Open-Source AI Agent Platform for Financial Applications using Large Language Models项目地址https://gitcode.com/GitHub_Trending/fi/FinRobot点击查看免费下载导读在 FinRobot 桌面版的 Skill 体系中idea-generation想法生成承担着系统化股票筛选与投资想法来源的核心职责它把基金经理的找新标的这一开放性任务拆解为一套可复用的五步流程——从界定筛选条件、执行量化筛选、开展主题扫描到观点展示与最终输出。本文将以 idea-generation/SKILL.md 为主体逐项解析其中的筛选指标、模板与操作步骤并结合 FinRobot 的 Skill 加载机制frontmatter 解析、注册表检索、activate_skill工具说明该方法论在仓库中是如何被定义、发现与执行调用的。读完本文你将掌握一套可直接落地的多空选股流程并理解其在 FinRobot 中的调用链路。一、Skill 元数据从 frontmatter 到可检索能力idea-generation/SKILL.md的正文以一个 YAML frontmatter 开始这一段并非可有可无的元信息而是决定该 Skill 能否被 FinRobot 识别、检索与激活的关键。字段本 Skill 取值作用ididea-generation全局唯一标识activate_skill(skill_id)用它精确加载nameIdea Generation展示名称version1.0.0版本号供升级与追溯authoranthropic作者/来源归属domainequity-research所属领域注册表按此分组descriptionSystematic stock screening…全文见下方概括功能边界与适用场景triggersidea generation、stock screen、find ideas等 7 条用户话术→Skill 的匹配关键词requires_data/requires_tools/requires_skills均为空列表声明前置依赖本 Skill 无compatible_models空列表兼容模型约束仅提示性不强约束在源码层面这段 frontmatter 的解析逻辑位于 loader.pyload_skill()要求文件必须以---开头随后截取第一个闭合的---之间的 YAML 内容通过yaml.safe_load解析为字典若缺失id或name字段会抛出SkillLoadError而description字段缺省时则回退到正文的第一个非空段落。解析结果被封装成 spec.py 中定义的SkillPydantic 模型其summary()方法会把id: name — description压缩成一行摘要用于喂给 LLM 的上下文窗口。检索与排序则由 registry.py 的SkillRegistry完成_load_all()会递归扫描技能目录下的所有**/SKILL.md并容忍单个坏 Skill仅记录 warning 跳过search(query)采用加权打分——命中name得 3 分、命中triggers得 2 分、命中description得 1 分按总分降序返回。也就是说用户说一句stock screenidea-generation会凭借其 triggers 词条获得 2 分与同名的其他技能区分开来。二、Workflow 概览五步完成从筛选到输出该 Skill 将找新想法定义为五个连续步骤每一步都可在真实会话中独立执行也可作为后续报告如 initiating-coverage、morning-note的上游输入Define Search Criteria界定筛选条件先问清用户偏好避免漫无目的地扫全市场。Quantitative Screens量化筛选按风格套用不同的指标组合。Thematic Sweep主题扫描围绕某一主题映射价值链、识别受益方。Idea Presentation观点展示用统一模板呈现候选标的的估值、增长与风险。Output输出汇总为短名单、对比表与优先级清单。三、Step 1界定筛选条件触发 idea generation、stock screen、find ideas、what looks interesting、screen for、new ideas、pitch me something 等话术后Agent 应主动向用户确认六个维度参数方向Direction多头Long、空头Short或两者都要市值Market cap大盘Large、中盘Mid、小盘Small、微盘Micro板块Sector指定单一板块或跨板块扫描风格Style价值Value、成长Growth、质量Quality、特殊情境Special situation、事件驱动Event-driven地理范围Geography美国、国际或全球主题Theme任何具体主题角度如 AI、供应链回流 reshoring、人口老龄化等。这一步的意义在于把开放式提问收敛为可执行的筛选器也是后续所有量化条件的选择依据。四、Step 2五种风格的量化筛选模板SKILL.md 为每种风格给出了可直接套用的指标清单以下逐条整理均为原文完整继承供实际筛选时对照价值型Value ScreenP/E 低于板块中位数EV/EBITDA 低于历史均值自由现金流收益率FCF yield 5%市净率Price/book 1.5 倍近 90 天存在内部人买入Insider buying股息率高于市场均值。成长型Growth Screen营收同比增速 15%盈利同比增速 20%营收加速增长率持续抬升利润率扩张高投入资本回报率ROIC 15%SaaS 场景下净收入留存率Net retention 110%。质量型Quality Screen连续 5 年以上营收增长利润率稳定或扩张ROE 15%低负债/权益比高自由现金流转化率内部人持股 5%。空头型Short Screen营收下滑或增速放缓利润率被压缩应收账款/存货相对营收上升内部人卖出相对同业存在无依据的估值溢价高做空比例且基本面恶化会计红旗审计师更换、财报重述等。特殊情境型Special Situation Screen近期 IPO/SPAC 且临近解禁期lockup expiration近 12 个月发生分拆spin-off正处于重组出清阶段的公司存在激进投资者activist介入绩差公司出现管理层更换。这套模板的核心思想是每种风格是一套可复制的过滤器管线指标阈值只是起点实际执行时可结合数据源做参数化调整例如以板块分位数替代固定阈值。五、Step 3主题扫描Thematic Sweep当用户给出的是主题而非指标时SKILL.md 提供了五步研究法定义论点例如AI 基础设施投入将贯穿 2026 年加速增长映射价值链谁直接受益谁间接受益区分纯正标的与多元化敞口pure-play 与 diversified exposure 谁更贴合主题评估定价程度哪些名字已被price in哪些尚未被充分认知寻找二阶受益者挖掘市场尚未与主题建立联系的间接受益标的。与量化筛选不同主题扫描输出的是研究路径 候选池其成果会继续流入 Step 4 的展示模板做同等程度的验证。六、Step 4观点展示模板Idea Presentation凡是通过筛选的标的SKILL.md 要求以固定格式呈现确保多标的同时可比标题行格式[公司名] — [Long/Short] — [一句话论点]指标对比表每行给出该公司的数值与同业对比MetricValuevs. PeersMarket cap市值EV/EBITDA (NTM)下年滚动P/E (NTM)下年滚动Revenue growth营收增长EBITDA marginEBITDA 利润率FCF yield自由现金流收益率论点Thesis3–5 条要点为何被错误定价mispriced、市场忽略了什么、实现价值回归的催化剂是什么。关键风险Key Risks什么会让这个判断出错。建议的下一步Suggested Next Steps是构建完整模型Build full model、深度尽调Deep-dive diligence还是安排专家访谈Expert call。这套模板的价值在于强制论点—数据—风险—下一步四件套齐全避免只抛出一个代码而说不清逻辑。七、Step 5输出要求一次完整的选股任务最终应交付四类产物5–10 个想法的短名单shortlist每个附一页摘要对筛选条件与方法论做书面留档screening criteria methodology documented覆盖所有候选标的的横向对比表按研究优先级排序的清单明确先做哪个。这样的输出结构确保结果既可用于个人复盘哪个筛选条件命中率高也可作为后续深度研究管线如模型更新、晨报的直接输入。八、Important Notes筛选的纪律红线SKILL.md 结尾给出了六条实践纪律是这套方法论与随手荐股的根本区别筛选只出候选不出结论——每个筛选结果都必须经过基本面研究好想法常来自交集——例如优质公司在价值价位 暂时性逆风回避拥挤交易——核查持仓数据、做空比例与分析师覆盖数逆向想法必须有催化剂——过早而没有催化剂的逆向入场等于做错长期追踪命中率——记录哪些筛选与路径真正产出好想法空头需要更高确信度——时机更难风险不对称。九、仓库源码视角Skill 如何被加载与激活9.1 目录与解析管线本 Skill 位于 finrobot_desktop/skills/equity-research/idea-generation/SKILL.md与同域的 catalyst-calendar、earnings-analysis、sector-overview、thesis-tracker 等九个 SKILL.md 一起构成 equity-research 领域的方法论库。其目录结构约定即skills/domain/skill-id/SKILL.md与SkillRegistry._load_all()的skills_dir.glob(**/SKILL.md)一一对应。9.2 技能目录路径的解析技能目录的定位由 paths.py 的default_skills_dir()决定它通过bundle_resource_root() / skills计算路径开发/pip install形态下取源码树根目录PyInstaller 冻结桌面 sidecar形态下取sys._MEIPASS解包目录——这保证了无论从哪个 cwd 启动都能找到技能资源。9.3activate_skill的调用链在 orchestrator.py 中Agent 暴露了activate_skill(ctx, skill_id)工具它先从ctx.deps.skill_runtime即SkillRegistry按 id 取到 Skill未知 id 会返回可用的 id 列表已知 id 则调用render_pipeline_methodology(skill)渲染管线安全版方法论再返回给模型。这一点很关键返回的不是 SKILL.md 的原始正文因为原始正文可能携带面向交互式会话的等待用户确认等检查点指令泄漏到无人值守的报告运行中会让 Agent 停在原地等人工——render_pipeline_methodology的蒸馏路径在 Mode A自由对话与 Mode B管线调度中完全一致。同时orchestrator在构建 Agent 指令时orchestrator.py会通过skill_registry.list_summary()把全部可用技能的id: name — description摘要注入系统提示让模型先知道有什么再按需激活。9.4 相关测试与脚本仓库针对 Skill 体系提供了较完整的验证设施解析与规范由 test_skill_loader.py、test_skill_spec.py 覆盖检索排序由 test_skill_registry.py 覆盖convert_skills.py 承担上游原始技能到 FinRobot 原生 frontmatter 格式的转换test_p1a_acceptance.py 与 test_p1b_acceptance.py 则对技能激活链路做集成验收。想深入验证时可循SkillRegistry.search(stock screen)的返回结果观察本 Skill 的命中与排序。十、小结与最佳实践idea-generation是 FinRobot 中一套从话术到方法论、从方法论到可执行研究的完整封装对用户只需说出idea generation / stock screen / pitch me something等触发词Agent 就会按五个步骤追问参数、执行筛选、呈现结构化观点对开发者通过 frontmatter 声明、目录即注册、加权检索、activate_skill渲染调用的机制新增一套选股方法论只需新增一个 SKILL.md对研究者六条纪律红线提醒我们筛选永远是研究的前奏而非终点——最终交付的短名单、方法论留档、对比表与优先级清单才是可持续迭代的资产。在此基础上建议将候选名单与 thesis-tracker论点跟踪和 initiating-coverage覆盖启动串联使用形成筛选→跟踪→深度覆盖的完整研究闭环。赞分享人工智能AI Agent金融科技AI 应用大模型RAG【免费下载链接】FinRobotFinRobot: An Open-Source AI Agent Platform for Financial Applications using Large Language Models项目地址https://gitcode.com/GitHub_Trending/fi/FinRobot点击查看免费下载相关推荐Market Researcher Idea Generation金融投研智能体的系统性选股与投资创意挖掘方案Market Researcher Idea Generation金融投研智能体的系统性选股与投资创意挖掘方案 导读 本文围绕 financial servi人工智能AI 应用AI 技能/插件AI Agent金融科技妙想智能选股 Skill 全解析在 Hello-Agents 股票智能体中用自然语言筛选 A 股妙想智能选股 Skill 全解析在 Hello Agents 股票智能体中用自然语言筛选 A 股 本篇技术指南围绕 Hello Agents 共创项目 lcy教程人工智能大模型AI AgentTradingView股票筛选Python量化投资的终极指南TradingView股票筛选Python量化投资的终极指南 在当今数据驱动的金融市场中自动化股票筛选已成为量化投资者的必备技能。TradingView S金融科技上一篇突破单机局限ArduPilot集群智能的分布式协同决策技术下一篇StyleGAN2人脸生成引擎打造虚拟形象的创意工坊创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考