第4章 Skill体系

📢 本章语音导览

🖼️ 查看课件 →

第4章 Skill体系：赋予AI金融专业能力

Skill库全景图：从167个Skill看AI能力生态

本章Skill体系不是一个孤立的技术点，而是构筑在一个涵盖167个Skill、分20个分类的完整Skill生态之上。本节先绘制一张全景图，让你在深入具体Skill之前，先看清AI能力生态的宏观面貌。

Skill 生态四象限全景图（自制）

本机Skill库总览

本课程使用的Skill库位于qoder-skills-library/目录（CNB仓库：https://cnb.cool/xiaosicau/qoder-skills-library.git），共167个Skill / 20个分类，外加.agents/skills/项目本地的9个核心Skill。

分类数量 与银行金融业务关联度

01-ideation 选题 6 高（选题辅助） 02-literature 文献综述 10 高（实证文献支撑） 03-theory 理论建模 5 中（计量模型推导） 04-data 数据获取与清洗 3 极高 05-analysis 统计分析与仿真 11 极高 06-experiment 实验流程 5 中 07-writing 论文写作 7 高 08-funding NSFC 申报 6 中（项目申报） 09-review 审稿 11 高（成果改进） 10-communication 演示展示 7 高 11-perspective 思维顾问 2 高（中国金融学体系、Munger/Taleb等思维） 12-finance 金融与商业 11 极高 13-consulting 咨询框架 3 高 14-cnb CNB 平台 13 低 15-browser 浏览器自动化 9 中 16-office 文档办公 8 高 17-ima IMA 笔记 3 低 18-opencli 站点CLI 6 低 19-devtools 元工具 20 高（含skill-auditor/create-skill/find-skills等元Skill） 20-messaging 通讯 4 低

其中，11类高关联度Skill（标黄）是本章重点。

学术研究全流程与Skill映射

一个完整的学术研究项目可以划分为：选题→文献→理论→数据→分析→实验→写作→审稿→展示九大环节。每一个环节都对应多个Skill可以辅助：

研究环节 典型任务 可调用的Skill

选题从热点问题中寻找创新点 idea-generation / research-refine / ideation-spark 文献综述系统检索+综述+管理引用 find-literature / systematic-literature-review / lit-review-assistant / pdf-extraction 理论建模构建数理模型与推导 theory-modeling / model-derivation 数据获取从API/数据库拉取金融数据 tushare-finance / china-stock-analysis / yahoo-finance / worldbank-data360 统计分析描述统计+回归+因果推断 stata / r-econometrics / python-panel-data / data-analysis 实验流程 A/B测试与实验跟踪 ab-test-analysis / experiment-tracker 论文写作 LaTeX写作+表格+排版 paper-write / latex-tables / academic-paper-writer / humanizer-zh 审稿与润色多轮迭代提升论文质量 paper-review / peer-review / research-review / auto-review-loop 演示展示会议汇报与海报 beamer-presentation / paper-slides / paper-poster / ppt-master

银行业务工作流与Skill映射

从业务侧看，银行业的工作流可以分为：数据获取→分析→报告→决策→运营五大环节。每个环节同样有Skill支撑：

业务环节 典型任务 可调用的Skill

数据获取从Wind/CSMAR/行内系统拉数 tushare-finance / api-data-fetcher / china-stock-mcp 数据分析信用评估/反欺诈/反洗钱/压力测试 finance-expert / r-econometrics / stata-regression 报告生成 Word/Excel/PPT 文档 docx / xlsx / pptx / pdf 决策辅助波特五力/SWOT/估值 consulting-frameworks / financial-modeling / stock-analysis 运营管理舆情监控+风险预警+客户分群 finance-news / bank-risk-alert / questionnaire-design

Skill发现与生态接入

如何在众多Skill中找到合适的？三种途径：

find-skills 元Skill：从skills.sh市场、GitHub anthropics/skills 仓库、本地 qoder-skills-library、npm registry中发现Skill。
本机浏览：直接查阅qoder-skills-library/<分类>/<skill-name>/SKILL.md（每个Skill一个独立目录）。
自然语言提示：在AI IDE中描述需求，AI自动匹配最合适的Skill。

# 技能库根目录一览
ls qoder-skills-library/
# 查找所有包含 "finance" 的 Skill
grep -rl "finance" qoder-skills-library/*/SKILL.md

::: notebox

不确定时先试用find-skills元Skill：它会同时查询多个生态市场，给你最全的候选。
优先选择本地Skill：本机已安装的Skill不需要额外下载，响应更快。
看SKILL.md的tags字段：tags是Skill的能力标签，是快速判断Skill适用场景的捷径。 :::

Skill设计原理

知识工程视角：从专家系统到AI Skill的演进

人工智能在专业领域的应用经历了从”硬编码知识”到”灵活编排知识”的深刻变革。理解这一演进脉络，有助于我们把握Skill体系的设计哲学。

专家系统时代（1980s—2000s）

20世纪80年代，知识工程的核心范式是专家系统（Expert System）。其基本思路是将领域专家的知识以”如果—那么”（IF-THEN）规则的形式编码进计算机系统。典型代表如MYCIN（医学诊断）、XCON（计算机配置）等。

专家系统的核心架构包含三个组件：

知识库（Knowledge Base）：存储领域规则，如”如果资产负债率 $>$ {=html}70%，则风险等级为高”
推理引擎（Inference Engine）：基于规则进行前向或后向链式推理
用户界面：供非专业用户与系统交互

专家系统的致命缺陷在于知识获取瓶颈------将专家的隐性知识显式编码为规则，既耗时又容易遗漏。一个银行信贷审批专家系统可能需要数千条规则，而任何一条遗漏都可能导致错误决策。

机器学习时代（2010s）

深度学习的崛起提供了一种全新路径：不再人工编写规则，而是让模型从数据中自动学习。然而，纯数据驱动的方法在金融领域面临独特挑战：

金融数据稀缺且信噪比低，黑天鹅事件无法从历史数据中学习
监管要求模型具有可解释性，“黑箱”决策难以通过合规审查
业务流程中蕴含大量流程性知识（如”先查征信再审批”），无法从数据中自动习得

AI Skill时代（2024—）

Skill体系代表了知识工程的最新范式：以结构化Markdown文档承载领域知识，通过自然语言指导大模型执行专业任务。它既非硬编码的规则库，也非纯数据驱动的黑箱，而是将人类的方法论知识（做什么、怎么做、注意什么）以AI可理解的方式注入工作流。

::: theorybox 维度 专家系统 机器学习 AI Skill

知识载体 IF-THEN规则训练数据权重 Markdown文档知识来源人工编码数据学习人机协作可解释性强弱强适应性差（规则固定）中（需重新训练）好（修改文档即可）金融适用性流程固定但难维护模式识别强但不透明兼顾流程与灵活性 :::

SKILL.md规范详解

Skill的物理形态是一个名为SKILL.md的Markdown文件，遵循统一的规范结构。这一规范是AI IDE（如Qoder、TRAE）识别和调用Skill的基础。

组成部分 说明

name / description 名称与一句话描述，AI据此判断何时调用。description应简洁明确，控制在100字符以内 When to Use 明确的触发场景（触发词 + 使用条件），定义Skill的适用边界 Instructions 分步骤的操作流程（Step 1, 2, 3…），是Skill的核心执行逻辑 Example Prompts 示例提示词，展示典型用法，帮助AI理解预期输入格式 Requirements 运行依赖（Python包、CLI工具等），确保执行环境就绪 Best Practices 最佳实践与注意事项，防止常见错误

上述六个部分并非随意组合，而是遵循**“发现—理解—执行—保障”**的逻辑链条：

┌─────────────────────────────────────────────────────────────┐
│  name/description → AI判断"这是不是我该做的事"            │
│  When to Use      → AI判断"现在是不是该做这件事"          │
│  Instructions     → AI知道"具体怎么做"                    │
│  Example Prompts  → AI理解"用户会怎么叫我做"              │
│  Requirements     → AI检查"我有没有能力做"                │
│  Best Practices   → AI注意"做的时候别犯这些错"            │
└─────────────────────────────────────────────────────────────┘

::: notebox 除了正文内容外，SKILL.md通常还包含一个YAML格式的前置元数据（frontmatter），用于结构化描述Skill的基本属性：

---
name: finance-expert
description: Financial analysis expert for banking
workflow_stage: analysis
compatibility:
  - claude-code
  - cursor
  - qoder
version: 1.0.0
tags:
  - finance
  - banking
  - risk-analysis
---

这些元数据帮助Skill市场进行索引和分类，也有助于AI IDE进行兼容性检查。 :::

MCP vs Skill的本质区别

在前一章中我们学习了MCP协议，本章又引入了Skill体系。初学者常将二者混淆，但它们解决的是截然不同的问题。

::: theorybox ┌─────────────────────────────────────────────────────────────┐ │ MCP = AI 的「手脚」（连接外部工具） │ │ Skill = AI 的「专业脑」（领域知识 + 工作流程） │ │ 两者配合 = AI 既知道怎么做，又有工具去做 │ └─────────────────────────────────────────────────────────────┘

更精确地说：

MCP解决的是能力问题------AI能否读写文件、访问数据库、调用API？MCP为AI提供了与外部世界交互的通道，但不告诉AI应该做什么。
Skill解决的是方法问题------面对一个信用风险评估任务，应该分几步走？每步用什么指标？输出什么格式？Skill为AI提供了专业的方法论框架。

以银行信用风险评估为例：

没有MCP：AI无法读取客户财务数据，无法生成Word报告
没有Skill：AI可以读取数据，但不知道该算哪些指标、按什么标准评级
MCP + Skill：AI既能获取数据、生成报告，又知道该按五C模型进行专业评估 :::

Skill的触发机制：AI如何决定何时调用

Skill的触发是一个语义匹配过程。当用户在AI IDE中输入提示词时，AI会执行以下判断流程：

意图解析：理解用户想要完成什么任务
Skill检索：在已安装的Skill列表中搜索，比对用户意图与每个Skill的name/description/When to Use
相关性评分：对匹配到的Skill进行相关性打分，选择得分最高的
参数提取：从用户提示词中提取Skill所需的输入参数
执行与反馈：按照Instructions逐步执行，将结果反馈给用户

这一过程的核心是触发词（Trigger Words）的设计。好的触发词应当让AI在正确场景下精确匹配，同时避免在不相关场景下误触发。例如：

finance-expert的触发词：“信用风险评估""DCF估值""DuPont分析”
bank-risk-alert的触发词：“风险预警""贷后预警""逾期提醒”
如果触发词设计为”分析”------太宽泛，任何场景都可能误触发
如果触发词设计为”使用Altman Z-Score评估恒达机械”------太具体，限制了Skill的适用范围

Skill的生命周期

一个Skill从创建到发挥作用，经历完整的生命周期：

┌─────────────────────────────────────────────────────────────┐
│                                                             │
│  安装 → 发现 → 匹配 → 执行 → 反馈                         │
│                                                             │
│  [安装]  npx skills add / 本地创建SKILL.md                  │
│  [发现]  AI扫描已安装Skill列表，建立索引                    │
│  [匹配]  用户提示词 → 语义匹配 → 选择最佳Skill              │
│  [执行]  按Instructions逐步执行，调用MCP工具               │
│  [反馈]  输出结果 + 用户评价 → 迭代优化Skill                │
│                                                             │
└─────────────────────────────────────────────────────────────┘

其中反馈环节往往被忽视，但它是Skill持续优化的关键。一个好的Skill应当根据实际使用中的问题不断迭代------比如发现某个触发词容易误触发，就在When to Use中增加排除条件；发现某个步骤容易出错，就在Best Practices中增加提醒。

运行环境准备详解：Skill调用前的环境检查

【本章特别要求】 调用Skill不是点下按钮那么简单。许多Skill（如r-econometrics、econ-visualization、qoderwork-ppt）背后依赖完整的语言解释器、外部包、Node模块或API Key。学生在实验时最常见的问题是”命令找不到”、“包未安装”、“路径错误”。本节集中讲解调用Skill所需的运行环境，避免你在实验时遇到这些坑。

R语言环境（r-econometrics / econ-visualization的前置依赖）

R解释器安装（macOS推荐Homebrew）：

# 方式1：Homebrew安装最新稳定版
brew install --cask r

# 方式2：下载官方安装包（适合离线/教学机房）
# https://cran.r-project.org/bin/macosx/  下载 R-4.x.x-arm64.pkg

RStudio Desktop（IDE，推荐）：https://posit.co/download/rstudio-desktop/

CRAN镜像配置（加速国内下载）：在 /.Rprofile中写入：

options(repos = c(CRAN = "https://mirrors.tuna.tsinghua.edu.cn/CRAN/"))

必备R包一键安装（r-econometrics / econ-visualization共需）：

install.packages(c(
  "tidyverse",   # 数据清洗+ggplot2基础
  "fixest",      # 高维固定效应+IV+DiD（替代reghdfe/ivreg2）
  "modelsummary",# 发表级回归表
  "rdrobust",    # 断点回归
  "did",         # Callaway-Sant'Anna现代DID
  "Synth",       # 合成控制法
  "MatchIt",     # 倾向得分匹配
  "sandwich", "lmtest",  # 稳健标准误
  "AER",         # IV估计（ivreg）
  "stargazer"    # 回归表替代方案
))

R路径验证：

which R
R --version          # 应输出 R version 4.x.x
Rscript -e 'cat(packageVersion("fixest"))'   # 应输出可读版本号

Stata环境（stata / stata-regression的前置依赖）

macOS路径定位（学生常踩坑）：

# Stata 18 / StataNow标准路径
/Applications/Stata/StataMP.app/Contents/MacOS/stata-mp
/Applications/StataNow/StataMP.app/Contents/MacOS/stata-mp
# 自动定位
mdfind -name "stata-mp" | grep MacOS

PATH配置（加入 /.zshrc）：

export PATH="/Applications/Stata/StataMP.app/Contents/MacOS:$PATH"
source ~/.zshrc

批处理模式调用（AI Skill调用Stata的标准方式）：

stata-mp -b do analysis.do     # 输出到 analysis.log
stata-mp -b do /tmp/run.do && echo SUCCESS || echo FAILED

必备外部命令（ssc install一键安装）：

ssc install reghdfe, replace
ssc install estout, replace
ssc install outreg2, replace
ssc install did_multiplegt, replace
ssc install eventstudyinteract, replace
ssc install rdrobust, replace
ssc install psmatch2, replace
ssc install synth, replace
ssc install ivreg2, replace
ssc install xtabond2, replace
ssc install winsor2, replace

Python环境（python-panel-data / data-analysis / paper-figure的前置依赖）

建议版本：Python 3.10+（与reghdfe等Stata包无冲突）。

Conda环境（推荐，隔离R/Stata/Python）：

conda create -n banking python=3.11
conda activate banking
pip install pandas numpy statsmodels scikit-learn pmdarima prophet torch \
            matplotlib seaborn linearmodels PyFixest   # PyFixest是fixest的Python版

Jupyter Lab（推荐IDE）：pip install jupyterlab

PPT演示文稿相关环境（pptx / qoderwork-ppt / ppt-master的前置依赖）

Node.js + npm：https://nodejs.org/（LTS版）。

Puppeteer + LibreOffice（qoderwork-ppt一键管线需要）：

brew install --cask libreoffice   # macOS
npm install -g pptxgenjs puppeteer jsdom dom-to-pptx lucide-static

poppler-utils（pptx Skill的PDF转图片依赖）：

brew install poppler   # 提供 pdftoppm 命令

LaTeX Beamer（beamer-presentation / paper-slides需要）：macTeX已包含；Linux sudo apt install texlive-latex-extra texlive-fonts-recommended。

::: warningbox 每个Skill被学生调用前，请先运行3步检查，避免命令找不到的尴尬：

# === Step 1：路径/可执行文件检查 ===
which <skill-binary-or-interpreter>
# 例：which R / which stata-mp / which python3 / which xelatex

# === Step 2：依赖包/库检查 ===
<interpreter> -e "<import-test-command>"
# 例：Rscript -e 'library(fixest)' / python3 -c 'import tushare'

# === Step 3：Skill可访问性检查 ===
ls <path-to-skill>/SKILL.md
# 例：ls qoder-skills-library/05-analysis/stata/SKILL.md

三步全过 → 可使用该Skill
Step 1不过 → 安装语言解释器（brew install / 官网下载）
Step 2不过 → 安装依赖包（R install.packages / Python pip install / Stata ssc install）
Step 3不过 → 重新拉取qoder-skills-library（git pull）或安装缺失Skill :::

20分类Skill全景安装与环境检查总表

【本章特别要求】 本节是学生查阅频率最高的”环境准备速查表”，覆盖全部20个分类中的11类高关联度Skill（其余9类列出位置但默认低频）。每个Skill都包含”安装指令 + 环境检查命令”两部分。

01-ideation 选题类（6个Skill）

idea-generation / research-ideation / ideation-spark等：低依赖，只需Cursor/Claude Code调用。

ls qoder-skills-library/01-ideation/   # 验证存在性

brainstorming Skill（全局可用）：无需额外环境，调用即可。

02-literature 文献综述类（10个Skill）

find-literature / lit-review-assistant / academic-researcher / systematic-literature-review：需要联网访问Semantic Scholar / arXiv / OpenAlex。

curl -I https://api.semanticscholar.org/ | head -1   # 应返回 HTTP 200
curl -I https://export.arxiv.org/ | head -1          # arXiv API

pdf-extraction Skill：依赖Python pdfplumber。

pip install pdfplumber
python3 -c "import pdfplumber; print(pdfplumber.__version__)"

scansci-pdf Skill：需要校园VPN配置（详见SKILL.md）。

cat mcp.json | jq '.mcpServers."scansci-pdf"'

04-data 数据获取与清洗类（3个Skill）------ 重点

tushare-finance Skill：依赖Tushare Token。

# 申请 Token：https://tushare.pro/register
export TUSHARE_TOKEN='your_token_here'
python3 -c "import tushare; print(tushare.__version__)"

api-data-fetcher Skill：依赖requests库 + API Key。pip install requests pandas

worldbank-data360 / oecd-data：依赖联网。

curl -I https://api.worldbank.org/ | head -1
curl -I https://stats.oecd.org/ | head -1

05-analysis 统计分析与仿真类（11个Skill）------ 最重点

stata Skill：见§R/Stata环境（已详述）
stata-regression Skill：stata依赖 + reghdfe/estout包
r-econometrics Skill：见§R环境（已详述）
python-panel-data Skill：见§Python环境 + linearmodels/PyFixest
data-analysis Skill：见§Python环境
abm-analyzer / agent-based-modeling / agricultural-insurance-abm Skill：依赖Mesa框架

pip install mesa numpy pandas matplotlib
python3 -c "import mesa; print(mesa.__version__)"

latex-tables Skill：依赖esttab（R/Stata）或modelsummary（R）。

Rscript -e 'library(modelsummary); packageVersion("modelsummary")'
stata-mp -e "ssc install estout, replace"

06-experiment 实验流程类（5个Skill）

experiment-plan / experiment-tracker / ml-experiment-tracking：低依赖，仅需Python。

ab-test-analysis Skill：依赖scipy/statsmodels。

07-writing 论文写作类（7个Skill）------ 重点

paper-write / academic-paper-writer Skill：依赖LaTeX。

which xelatex      # macOS: /Library/TeX/texbin/xelatex 或 /usr/local/bin/xelatex
xelatex --version  # 应输出 XeTeX 3.141592653

latex-tables Skill：见05-analysis。

humanizer-zh Skill：依赖联网调用AI检测API。

paper-compile Skill：依赖完整LaTeX环境 + latexmk。

which latexmk && latexmk --version

09-review 审稿类（11个Skill）

paper-review / peer-review / research-review / research-critique / scientific-critical-thinking / scholar-evaluation：低依赖（多为LLM推理）。

auto-review-loop / auto-review-loop-llm / auto-review-loop-minimax Skill：依赖OpenAI/Codex/MiniMax API Key。

export OPENAI_API_KEY='sk-...'   # auto-review-loop / auto-review-loop-llm
export MINIMAX_API_KEY='...'     # auto-review-loop-minimax

auto-paper-improvement-loop Skill：依赖GPT-5.4访问。

export GPT54_API_KEY='sk-...'

10-communication 演示展示类（7个Skill）------ 重点

beamer-presentation / paper-slides / paper-poster Skill：见§运行环境准备-LaTeX Beamer
pptx Skill：见§Node.js + LibreOffice环境
qoderwork-ppt Skill：见§Puppeteer + LibreOffice环境
ppt-master Skill：AI驱动多格式SVG生成，需联网 + Gemini/Claude API

export GEMINI_API_KEY='your_key'    # https://aistudio.google.com/app/apikey
export ANTHROPIC_API_KEY='sk-ant-...'
node --version && which libreoffice && which pdftoppm

paper-figure / econ-visualization / paper-illustration Skill：见05-analysis与§R环境。

mermaid-diagram Skill：依赖mermaid CLI。

npm install -g @mermaid-js/mermaid-cli
mmdc --version

11-perspective 思维顾问类（2个Skill）

china-finance-knowledge-system-v6 Skill：低依赖（本地知识库）。

munger-thinking / taleb-thinking（如存在）：低依赖。

12-finance 金融与商业类（11个Skill）------ 最重点

finance-expert / financial-modeling / backtesting-trading-strategies Skill：低依赖（多为LLM推理）。

stock-analysis / china-stock-analysis Skill：见§Tushare Token + china-stock-mcp MCP。

yahoo-finance Skill：依赖yfinance库。

pip install yfinance
python3 -c "import yfinance; print(yfinance.__version__)"

openbb-finance Skill：依赖OpenBB Terminal。

pip install openbb
openbb-build

financial-unit-economics / saas-economics-efficiency-metrics / startup-financial-modeling / questionnaire-design Skill：低依赖。

16-office 文档办公类（8个Skill）------ 重点

docx Skill：依赖python-docx。

pip install python-docx
python3 -c "import docx; print(docx.__version__)"

xlsx Skill：依赖openpyxl/pandas。pip install openpyxl pandas

pdf Skill：依赖pypdf/pdfplumber。pip install pypdf pdfplumber

cli-anything / pdf-office-suite / doc-suite / spreadsheet-suite Skill：依项检查。

pptx Skill：见10-communication。

office-powerpoint / office-word MCP：需mcp.json中启用。

19-devtools 元工具类（20个Skill）------ 本章重点

详见§元Skill体系章节（create-skill / find-skills / skill-auditor / write-skill-readme / install-skill-dependency / luban）。

其他工具：github-cli / claude-code / cursor-cli等。

gh --version       # GitHub CLI
claude --version   # Claude Code（可选）
cursor --version   # Cursor IDE（可选）

环境速查命令（一键检查所有11类高关联度Skill）

复制以下脚本到本地运行，5秒内输出所有Skill的可用性报告。

cat > /tmp/check_all_skills.sh << 'EOF'
#!/bin/bash
echo "=== 环境检查报告 ==="
echo "[R]    $(R --version 2>/dev/null | head -1 || echo MISSING)"
echo "[Stata] $(stata-mp --version 2>/dev/null | head -1 || echo MISSING)"
echo "[Py]    $(python3 --version 2>/dev/null || echo MISSING)"
echo "[Node]  $(node --version 2>/dev/null || echo MISSING)"
echo "[LaTeX] $(xelatex --version 2>/dev/null | head -1 || echo MISSING)"
echo "[LibreOffice] $(libreoffice --version 2>/dev/null | head -1 || echo MISSING)"
echo "[poppler] $(pdftoppm -v 2>&1 | head -1 || echo MISSING)"
echo "[mermaid] $(mmdc --version 2>/dev/null || echo MISSING)"
echo "[GitHub] $(curl -s -o /dev/null -w '%{http_code}' https://github.com)"
echo "[Tushare] $([ -n "$TUSHARE_TOKEN" ] && echo SET || echo MISSING)"
echo "[Gemini] $([ -n "$GEMINI_API_KEY" ] && echo SET || echo MISSING)"
echo "=== Skill库存盘点 ==="
ls qoder-skills-library/ | head -30
EOF
chmod +x /tmp/check_all_skills.sh && /tmp/check_all_skills.sh

金融Skill生态全景

金融Skill分类概览

以下是本课程技能库中与银行金融直接相关的Skill（原表13行，现扩充为5大类共30+个Skill）：

+----------------------+-------------------------------------+-------------------------------------------------------+ | 大类 | Skill名称 | 核心能力 | +:=====================+:====================================+:======================================================+ | 数据获取类 | tushare-finance | tushare Pro API获取中国金融市场数据（股票/基金/期货） | | +-------------------------------------+-------------------------------------------------------+ | | china-stock-analysis | A股数据获取 + 财务指标计算 | | +-------------------------------------+-------------------------------------------------------+ | | yahoo-finance | 美股/港股全球股票数据（yfinance库） | | +-------------------------------------+-------------------------------------------------------+ | | openbb-finance | OpenBB Terminal多资产多市场金融数据 | | +-------------------------------------+-------------------------------------------------------+ | | api-data-fetcher | 通用API数据拉取框架（多数据源适配） | | +-------------------------------------+-------------------------------------------------------+ | | finance-news | 实时财经新闻抓取 + 情绪分析 | +----------------------+-------------------------------------+-------------------------------------------------------+ | 专业分析类 | finance-expert | DCF估值、信用风险评估、DuPont分析、五C模型 | | +-------------------------------------+-------------------------------------------------------+ | | financial-modeling | 构建DCF/LBO/M&A模型 + 敏感性分析 | | +-------------------------------------+-------------------------------------------------------+ | | backtesting-trading-strategies | 量化策略回测 + Sharpe/回撤计算 | | +-------------------------------------+-------------------------------------------------------+ | | financial-unit-economics | 单位经济学分析（SaaS/金融科技） | | +-------------------------------------+-------------------------------------------------------+ | | stock-analysis | 全球股票分析（含Yahoo Finance数据） | | +-------------------------------------+-------------------------------------------------------+ | | saas-economics-efficiency-metrics | SaaS企业效率指标分析 | | +-------------------------------------+-------------------------------------------------------+ | | startup-financial-modeling | 初创企业财务建模 | | +-------------------------------------+-------------------------------------------------------+ | | questionnaire-design | 学术调查问卷设计（金融普惠等方向） | +----------------------+-------------------------------------+-------------------------------------------------------+ | 计量与数据科学类 | stata | Stata全面参考（.do文件/计量/图表/包） | | +-------------------------------------+-------------------------------------------------------+ | | stata-regression | reghdfe/estout一键输出三线回归表 | | +-------------------------------------+-------------------------------------------------------+ | | r-econometrics | R fixest包（高维FE/IV/DiD）+ 计量生态 | | +-------------------------------------+-------------------------------------------------------+ | | python-panel-data | Python面板数据回归（linearmodels/PyFixest） | | +-------------------------------------+-------------------------------------------------------+ | | data-analysis | 通用数据分析与预处理 | | +-------------------------------------+-------------------------------------------------------+ | | abm-analyzer | Agent-Based Modeling仿真分析 | | +-------------------------------------+-------------------------------------------------------+ | | agent-based-modeling | ABM建模与仿真 | | +-------------------------------------+-------------------------------------------------------+ | | agricultural-insurance-abm | 农业保险ABM专题仿真 | +----------------------+-------------------------------------+-------------------------------------------------------+ | 文档与可视化类 | xlsx | Excel读写 + 财务模型 + 公式 + 图表 | | +-------------------------------------+-------------------------------------------------------+ | | docx | Word报告生成（封面/目录/页码） | | +-------------------------------------+-------------------------------------------------------+ | | pptx | PPT演示文稿生成与编辑（python-pptx） | | +-------------------------------------+-------------------------------------------------------+ | | pdf | PDF读写 + 表格提取 | | +-------------------------------------+-------------------------------------------------------+ | | qoderwork-ppt | 14种HTML模板 + 一键生成PPTX | | +-------------------------------------+-------------------------------------------------------+ | | cli-anything | 通用CLI命令适配框架 | | +-------------------------------------+-------------------------------------------------------+ | | econ-visualization | 学术发表级图表（R ggplot2） | | +-------------------------------------+-------------------------------------------------------+ | | paper-figure | 论文图表（Python matplotlib） | +----------------------+-------------------------------------+-------------------------------------------------------+ | | mermaid-diagrams | Mermaid流程图/时序图/甘特图 | +----------------------+-------------------------------------+-------------------------------------------------------+ | 思维与方法论类 | consulting-frameworks | McKinsey 7S / BCG / 波特五力 / SWOT | | +-------------------------------------+-------------------------------------------------------+ | | humanizer-zh | AI文本检测与中文人文改写 | | +-------------------------------------+-------------------------------------------------------+ | | china-finance-knowledge-system-v6 | 中国金融学知识体系 | | +-------------------------------------+-------------------------------------------------------+ | | systematic-literature-review | 系统性文献综述生成 | | +-------------------------------------+-------------------------------------------------------+ | | lit-review-assistant | 文献综述辅助助手 | +----------------------+-------------------------------------+-------------------------------------------------------+

::: notebox 上述Skill可按两个维度理解：

按功能定位：数据获取类（获取原始信息）、分析类（产生专业判断）、文档类（输出标准成果物）、咨询类（提供框架思维）
按银行业务场景：零售业务（客户分群/产品推荐）、公司业务（信用评估/贷款定价）、风险管理（舆情监控/风险预警）、运营管理（报告生成/数据报表） :::

Skill市场与安装方式

Skill的获取主要有三种途径：

skills.sh市场

skills.sh是当前最活跃的Skill分发平台（https://skills.sh），类似于npm之于Node.js生态。在该平台上可以浏览、搜索和安装各类Skill。

# 搜索金融类 Skill
npx skills search finance

# 查看某个 Skill 的详细信息
npx skills info finance-expert

npm安装方式

每个Skill都通过npm进行分发，安装命令格式为npx skills add <组织>/<仓库>@<技能名>：

# 标准安装格式
npx skills add <org>/<repo>@<skill-name> -y

# 示例
npx skills add anthropics/skills@docx -y
npx skills add personamanagmentlayer/pcl@finance-expert -y

本地Skill管理

对于自编写的Skill，只需将其放置在项目的.agents/skills/目录下即可被AI IDE自动发现：

# 本地 Skill 目录结构
project/
├── .agents/
│   └── skills/
│       └── bank-risk-alert/
│           └── SKILL.md    # 自编写的Skill文件
├── reports/
└── ...

环境准备

在开始本章实验之前，请确认以下环境要求已满足：

TRAE / Qoder 已更新到最新版本
实验二MCP已配通（特别是excel、word、ppt MCP）
安装本实验所需的全部Skill（在终端执行以下命令）：

# 安装 Skills CLI（如未安装）
npm install skills -g

# 一键安装本实验所需的 6 个 Skill
npx skills add anthropics/skills@docx -y
npx skills add personamanagmentlayer/pcl@finance-expert -y
npx skills add anthropics/skills@xlsx -y
npx skills add softaworks/agent-toolkit@mermaid-diagrams -y
npx skills add sundial-org/awesome-openclaw-skills@finance-news -y
npx skills add aznatkoiny/zai-skills@consulting-frameworks -y

# 验证安装结果
npx skills ls

::: notebox

npx skills add 会自动从Skills市场（https://skills.sh）下载并安装到当前项目
安装完成后可用 npx skills ls 查看已安装的技能列表
如安装失败，检查网络连接或使用 npm config set registry https://registry.npmmirror.com 切换镜像
TRAE用户：也可在Builder模式中直接告诉AI「请帮我安装docx / xlsx / finance-expert技能」 :::

验证Skill系统可用：在对话框输入以下提示词

请用 mermaid-diagram skill 画一个简单流程图：开始→处理→结束

如果AI能生成.mmd文件 = Skill系统正常。

Skill存放位置（了解即可）：Qoder = %APPDATA%\Qoder\skills\；TRAE内置无需手动管理。

元Skill体系：管理Skill的Skill

元Skill（Meta-Skill）是管理Skill的Skill，是本章的亮点。本节覆盖6个核心元Skill，按”创建→发现→审计→打磨→发布”的生命周期组织。

create-skill（创建元Skill）

触发词：“创建一个新Skill”、“为XX场景生成Skill”、“按SKILL.md模板生成”。

能力清单：跟随交互向导生成完整SKILL.md（含frontmatter、argument-hint、allowed-tools、workflow_stage、tags）。

环境检查：依赖Node.js + Cursor/Claude Code（其他IDE可能不支持完整向导）。

node --version   # >= 18.x
npm --version
ls qoder-skills-library/19-devtools/create-skill/SKILL.md

find-skills（发现元Skill）

触发词：“找Skill”、“有什么Skill能做XX”、“skills.sh市场”、“Skill发现”。

能力清单：从skills.sh生态、GitHub anthropics/skills仓库、本地qoder-skills-library、npm registry发现Skill。

环境检查：依赖网络访问https://skills.sh与https://github.com。

curl -I https://skills.sh/  | head -1   # 应返回 HTTP 200
ping -c 1 github.com                    # 验证 GitHub 可达

skill-auditor（审计元Skill）------ 五维审计自动化

触发词：“审计这个Skill”、“检查Skill质量”、“SKILL.md五维评分”。

能力清单：对任意SKILL.md进行五维自动评分（触发词准确性、输出完整性、数据依赖、合规性、改进建议），输出结构化审计报告。

环境检查：独立运行，无需额外依赖。

ls qoder-skills-library/19-devtools/skill-auditor/SKILL.md
qoder skill run skill-auditor --target=.agents/skills/bank-risk-alert/SKILL.md

write-skill-readme（文档生成元Skill）

触发词：“生成Skill README”、“补README”、“Skill文档”。

能力清单：根据SKILL.md + 示例自动生成README.md（含徽章、使用场景、示例代码）。

install-skill-dependency（环境诊断元Skill）

触发词：“Skill环境诊断”、“检查依赖”、“Skill装不起来”。

能力清单：诊断Skill调用前的所有环境依赖（R包/Stata外部命令/Python包/Node模块/API Key），输出缺失清单与一键安装脚本。

环境检查：本元Skill本身依赖Python 3.8+。

python3 --version   # >= 3.8
pip show skill-diagnostic 2>/dev/null || pip install skill-diagnostic

luban（打磨元Skill）

触发词：“打磨Skill”、“Skill升级”、“鲁班打磨”、“Skill产品化”。

能力清单：工匠式五动作（验料/访行/过尺/慢刨/回炉），产出《Skill打磨报告》 + 可替换改写片段 + 出师证书。

元Skill协同工作流（实战提示词）

我要为本行创建一个"银行反洗钱可疑交易报告生成Skill"（名为 aml-suspicious-report），请按以下流程协助：
1. 调用 create-skill 生成 SKILL.md 初始草稿
2. 调用 find-skills 查找生态中同类Skill（如 finance-expert、bank-risk-alert）作为参考
3. 调用 skill-auditor 对生成的草稿进行五维自动审计，输出改进点
4. 按 skill-auditor 的反馈迭代修改（最多 2 轮）
5. 调用 write-skill-readme 生成 README.md
6. 调用 install-skill-dependency 检查Skill是否能跑起来
7. （可选）调用 luban 进一步打磨该Skill，准备发布到 qoder-skills-library

预期产出：

aml-suspicious-report/SKILL.md（草稿定稿）
aml-suspicious-report/README.md（自动生成）
aml-suspicious-report/audit_report.md（五维审计报告）
aml-suspicious-report/env_check.txt（环境检查日志）

Skill调用实战

本节通过三个由浅入深的实战任务，带你掌握金融Skill的调用方法。每个任务对应一个真实的银行业务场景。

时段内容 交付物

0—20 min Skill概念 + 金融Skill全景介绍 --- 20—70 min 任务1：docx Skill客户回访报告 .docx文件 70—120 min 任务2：finance-expert信用风险分析风险分析报告 120—160 min 任务3：xlsx Skill贷款定价模型 .xlsx文件 160—195 min 任务4：自写bank-risk-alert Skill SKILL.md 195—225 min 任务5：Skill安全审计审计报告 225—240 min 总结 + 学生demo互看 ---

docx Skill：银行客户回访报告（）

场景：你是某城商行客户经理，需要为VIP客户C00001（张**）生成一份规范的电话回访报告。

技能安装（如环境准备阶段未安装）：

npx skills add anthropics/skills@docx -y

操作提示词：

请执行以下操作以完成客户电话回访报告的生成：

1. 安装 docx 技能环境：
   - 前往热门技能市场搜索并安装"docx"技能包
   - 通过 npm 全局安装 docx-js 工具：执行命令 "npm install -g docx"
   - 验证 pandoc 与 LibreOffice 软件是否已正确安装（用于后续 PDF 格式校验）
   - 完成安装后回复确认信息："docx skill 已就绪"

2. 使用已安装的 docx 技能为客户 C00001（张**）生成《客户电话回访报告》：
   - 创建结构完整的 Word 文档，包含以下 6 个标准章节：
     * 客户基本信息（客户编号 C00001、姓名、资产等级、开户行、客户经理）
     * 回访背景（本次电话回访的目标：定期存款到期提醒 + 理财产品推荐）
     * 沟通要点（详细记录电话沟通中的关键内容与讨论事项）
     * 客户反馈（客户对现有服务的满意度评分 1-5 + 具体意见）
     * 产品意向（客户对大额存单/结构性存款/基金定投的兴趣程度）
     * 跟进计划（含时间节点、责任人、后续行动项）
   - 文档格式要求：
     * 添加正式封面，包含银行 Logo 位置、报告标题、日期
     * 生成自动更新的目录
     * 添加规范的页码，页眉含「内部文件·密级：内部」
   - 保存路径："reports/客户回访报告_C00001.docx"

3. 完成后请确认文档已成功生成并符合上述所有要求。

LibreOffice安装提示词（如需要使用）：

请帮我检查本机是否安装了 LibreOffice。当前系统为 Windows，shell 为 PowerShell，请按以下流程执行：

【第一步：探测安装状态】
依次执行下列检测，任一命中即视为"已安装"：
1. 检测默认安装目录是否存在 soffice.exe
2. 检测 PATH 中是否有 soffice
3. 检测注册表卸载项

【第二步：未安装则自动下载并静默安装】
方案 A（首选，winget）：
winget install --id TheDocumentFoundation.LibreOffice -e --silent --accept-source-agreements --accept-package-agreements

方案 B（备选，Chocolatey）：
choco install libreoffice-fresh -y

方案 C（兜底，官方 MSI 直链下载并静默安装）

【第三步：安装后验证】
1. 重新检测 soffice 是否存在
2. 执行 soffice --version 打印版本
3. 提示用户：如需在 PowerShell 中直接使用 soffice 命令，可将安装目录加入用户 PATH

::: theorybox 在银行业务中，正式文档必须遵循严格的格式规范。使用docx Skill生成文档时，应特别注意以下要素：

密级标记：根据《商业银行数据安全管理办法》，银行文档应在页眉或封面明确标注密级------“公开""内部""机密""绝密”。客户回访报告属于”内部”级别。
文号规范：正式行文应包含发文字号，格式为”〔年份〕序号”，如”XX银行客户部〔2026〕015号”。
签章位置：重要文档需预留签章区域，包括”编制人""复核人""审批人”的签名栏和日期栏。
版本控制：文档封面应标注版本号和修订日期，如”V1.0 / 2026-06-08”。
页眉页脚：页眉通常包含银行名称和密级标记，页脚包含页码和文档编号。

在提示词中明确这些规范要求，可以有效提升AI生成文档的合规性。 :::

finance-expert Skill：信用风险评估（）

场景：银行风控部门需要对一家中小企业客户进行信用风险评估，辅助审批500万元流动资金贷款。

技能安装（如环境准备阶段未安装）：

npx skills add personamanagmentlayer/pcl@finance-expert -y

::: theorybox 五C模型（Five C’s of Credit）是商业银行信用风险评估的经典框架，由五个以C开头的维度构成：

Character（品格）：借款人的还款意愿与信用历史。考察其过往贷款记录、违约历史、诉讼情况。在中小企业评估中，实际控制人的个人信用同样关键。
Capacity（能力）：借款人的还款能力。核心指标包括资产负债率、流动比率、利息保障倍数、经营性现金流与贷款本息的比值等。
Capital（资本）：借款人的自有资金实力。资本充足的企业抗风险能力更强，银行也倾向于看到借款人投入了足够的自有资金。
Collateral（抵押）：用于担保贷款的资产质量。抵押物的评估价值、变现能力、抵押率（LTV）都是重要考量。
Conditions（条件）：宏观经济与行业环境。即使个体财务健康，行业下行周期也可能导致系统性风险。

在AI辅助信用评估中，finance-expert Skill主要聚焦于Capacity和Capital两个维度的量化分析，而Character、Collateral和Conditions则需要结合外部数据与人工判断。 :::

操作提示词：

请使用 finance-expert 技能完成以下银行信用风险分析任务：

【背景】
某城商行收到客户"恒达机械制造有限公司"的贷款申请：
- 申请额度：500 万元流动资金贷款
- 期限：12 个月
- 用途：原材料采购

【第 1 步】构建企业信用评估框架
请基于以下模拟财务数据建立评估模型：
- 近三年营收：2023年 3200万 / 2024年 3800万 / 2025年 4100万
- 近三年净利润：180万 / 220万 / 250万
- 资产总额：2800万，负债总额：1600万
- 应收账款周转天数：85天
- 存货周转天数：60天
- 经营性现金流：近12个月净流入 320万

【第 2 步】计算关键风控指标
1. 资产负债率、流动比率、速动比率
2. Altman Z-Score（适配中国制造业版本）
3. 利息保障倍数（假设年利率 5.5%）
4. 贷款偿还能力系数 = 经营性现金流 / 贷款本息

【第 3 步】生成风险评估报告
输出结构化报告（Markdown 格式），包含：
1. 企业画像概要
2. 财务健康度评分（百分制）
3. 风险等级判定（低/中/高/极高）
4. 审批建议（批准/有条件批准/拒绝）
5. 风险缓释措施建议（如需要抵押/担保/降额等）

保存到 reports/credit_risk_hengda.md

学生练习：修改企业财务数据（如资产负债率提高到75%），观察风险评级如何变化。

拓展A：银行同业对标分析

请使用 finance-expert 技能完成银行同业对标分析：

对比分析以下 4 家银行的经营能力（使用模拟数据或公开年报数据）：
1. 工商银行（大型国有银行代表）
2. 招商银行（股份制银行代表）
3. 北京银行（城商行代表）
4. 常熟银行（农商行代表）

对比维度：
- 盈利能力：ROE / ROA / 净息差（NIM）
- 资产质量：不良贷款率 / 拨备覆盖率 / 关注类占比
- 资本充足：核心一级资本充足率 / 资本充足率
- 成长性：营收增速 / 净利润增速 / 贷款增速

输出：对比表格 + 雷达图描述 + 200 字总结
保存到 reports/bank_peer_comparison.md

xlsx Skill：贷款FTP定价模型（）

场景：银行资产负债部需要构建一个贷款FTP定价模型，用于指导客户经理合理报价。

技能安装（如环境准备阶段未安装）：

npx skills add anthropics/skills@xlsx -y

::: theorybox 内部资金转移定价（Funds Transfer Pricing，FTP）是商业银行内部经营管理的关键工具。其核心思想是：银行将资金集中到”资金中心”（类似内部银行），各业务条线从资金中心”买入”资金用于放贷，或”卖出”资金至资金中心。

FTP定价的基本公式为： $\text{贷款利率} = \text{FTP资金成本} + \text{风险溢价} + \text{运营成本} + \text{资本占用成本} + \text{目标利润}$

各组成部分的含义：

FTP资金成本：资金中心向业务条线收取的资金价格，通常参考同期限Shibor或内部收益率曲线。一年期FTP约2.8%，三年期约3.2%。
风险溢价：根据客户信用等级差异化定价，AAA级仅0.3%，BB级则高达3.0%，反映预期损失（EL = PD $\times$ LGD $\times$ EAD）。
运营成本：人工、系统、网点等分摊成本，通常为0.3%—0.5%。
资本占用成本：监管要求银行持有一定比例的资本金以覆盖非预期损失，公式为：贷款金额 $\times$ 风险权重 $\times$ 资本充足率 $\times$ 资本回报率。
目标利润：银行股东要求的最低回报，通常为0.1%—0.3%。

FTP定价的意义在于：将利率风险从业务条线转移至资金中心集中管理，使客户经理的定价决策基于完全成本而非边际成本，避免”赔本赚吆喝”。 :::

操作提示词：

请使用 xlsx 技能创建银行贷款定价模型 Excel 文件：

【文件名】reports/loan_pricing_model.xlsx

【Sheet 1：定价参数】
构建贷款定价公式：贷款利率 = 资金成本 + 风险溢价 + 运营成本 + 资本占用成本 + 目标利润

参数设置（使用 Excel 公式，不硬编码计算结果）：
- 资金成本（FTP）：一年期 2.8%，三年期 3.2%
- 风险溢价：按信用等级差异化
  * AAA级：0.3%  AA级：0.6%  A级：1.0%  BBB级：1.8%  BB级：3.0%
- 运营成本：0.4%（含人工、系统、网点分摊）
- 资本占用成本：贷款金额 × 风险权重(100%) × 资本充足率(12.5%) × 资本回报率(12%)
- 目标利润：0.2%

【Sheet 2：客户定价测算】
为 5 位不同客户自动计算贷款报价：
| 客户名 | 金额(万) | 期限 | 信用等级 | 抵押方式 | 最终利率 |
| 恒达机械 | 500 | 1年 | A | 厂房抵押 | =公式计算 |
| 绿源农业 | 200 | 3年 | BBB | 信用 | =公式计算 |
| 华新科技 | 1000 | 1年 | AA | 应收质押 | =公式计算 |
| 鑫达贸易 | 300 | 1年 | BB | 保证担保 | =公式计算 |
| 瑞丰地产 | 2000 | 3年 | A | 土地抵押 | =公式计算 |

【Sheet 3：敏感性分析】
- 当 FTP 上浮/下浮 20bp 时，各客户利率如何变化
- 当信用等级上调/下调一级时，利率如何变化
- 用条件格式标注：利率 < 4% 绿色，4-6% 黄色，> 6% 红色

【格式要求】
- 所有计算必须使用 Excel 公式（=SUM, =VLOOKUP, =IF 等）
- 表头加粗 + 蓝色背景
- 百分比统一保留 2 位小数
- 金额使用千位分隔符

学生练习：尝试添加「抵押折扣」字段------有足值抵押的客户可享受风险溢价8折优惠。

拓展B：银行客户分群RFM模型

请使用 xlsx 技能构建银行客户 RFM 分群模型：

1. 在 Sheet1 创建 30 条模拟客户交易数据：
   列：客户ID / 姓名 / 最近交易日期 / 近12月交易频次 / 近12月交易总额

2. 在 Sheet2 计算 RFM 分值：
   - R（Recency）：最近交易距今天数，越少越好，1-5分
   - F（Frequency）：交易频次，越多越好，1-5分
   - M（Monetary）：交易金额，越大越好，1-5分
   - RFM总分 = R + F + M

3. 在 Sheet3 客户分群：
   - 重要价值客户（RFM >= 12）
   - 重要发展客户（R高 F低 M高）
   - 重要保持客户（R低 F高 M高）
   - 一般客户（RFM < 8）

4. 输出各分群客户数、平均资产、营销建议

tushare-finance + china-stock-analysis Skill：银行股估值对比（）

场景：银行业研究员需要对比 A 股银行股与 H 股银行股的估值水平，为本行投资决策提供数据支持。

技能安装：

# Tushare Skill 前置
pip install tushare pandas
export TUSHARE_TOKEN='your_token_here'    # 申请：https://tushare.pro/register
# 验证
python3 -c "import tushare; pro=tushare.pro_api(); print(pro.stock_basic(list_status='L', limit=1))"

3 步环境检查：

# Step 1：路径检查
which python3
# Step 2：依赖检查
python3 -c "import tushare; print(tushare.__version__)"
[ -n "$TUSHARE_TOKEN" ] && echo "TUSHARE_TOKEN SET" || echo "MISSING"
# Step 3：Skill 可访问性
ls qoder-skills-library/04-data/tushare-finance/SKILL.md

操作提示词（Skill 化包装）：

请调用 tushare-finance 技能完成 A 股银行股估值对比分析：

【调用 Skill】tushare-finance、china-stock-analysis
【背景】为本行投资决策提供 A/H 股银行股估值对比
【输入数据】
  - A 股银行：工商银行(601398)、招商银行(600036)、北京银行(601169)、常熟银行(601128)
  - H 股银行：工商银行(1398.HK)、招商银行(3968.HK)
  - 时间范围：2010-01-01 至 2025-12-31
【输出要求】
  - reports/bank_valuation_compare.xlsx（A/H 股 PE/PB 对比表）
  - figures/bank_pe_compare.pdf（PE 对比折线图）
  - reports/bank_valuation_analysis.md（分析报告 ≥800 字）
【环境检查】运行 /tmp/check_all_skills.sh 确认 Tushare Token 已配置
【原代码补充】
  import tushare as ts
  pro = ts.pro_api()
  df_a = pro.daily_basic(ts_code='601398.SH', start='20240101')
  df_h = pro.hk_daily(ts_code='01398.HK', start='20240101')
【失败回退】如 china-stock-mcp 不可用，直接使用 tushare 单独拉取
【预期结论】A 股银行 PE 较 H 股溢价率、H 股银行 PB 折价幅度、估值修复空间

学生练习：将样本银行扩展至 16 家全国性商业银行，绘制 A/H 股溢价率分布图。

backtesting-trading-strategies Skill：银行股量化回测（）

场景：银行金融市场部需要回测”双均线 + RSI + 海龟”三类经典策略在银行股上的表现，为自营交易提供量化依据。

技能安装：

pip install backtrader vectorbt pandas numpy matplotlib
ls qoder-skills-library/12-finance/backtesting-trading-strategies/SKILL.md

3 步环境检查：

which python3
python3 -c "import backtrader; print('backtrader OK')"
python3 -c "import vectorbt; print('vectorbt OK')" || echo "vectorbt MISSING (optional)"
ls qoder-skills-library/12-finance/backtesting-trading-strategies/SKILL.md

操作提示词（Skill 化包装）：

请调用 backtesting-trading-strategies 技能完成银行股量化策略回测：

【调用 Skill】backtesting-trading-strategies、tushare-finance、econ-visualization
【背景】测试三种经典技术策略在 5 家银行股上的表现
【输入数据】
  - 标的：工商银行、招商银行、兴业银行、平安银行、宁波银行（2015-2025）
  - 策略：
    * 策略 1：双均线（MA5/MA20 金叉死叉）
    * 策略 2：RSI（超买超卖阈值 30/70）
    * 策略 3：海龟交易法（20 日突破）
  - 初始资金：100 万元 / 手续费 0.1% / 滑点 0.05%
【输出要求】
  - reports/strategy_backtest_results.xlsx（绩效对比表）
  - figures/backtest_curves.pdf（三策略净值曲线对比）
  - reports/backtest_report.md（分析报告，含夏普/最大回撤/年化收益）
【环境检查】运行 /tmp/check_all_skills.sh
【原代码补充】backtrader Strategy 类示例代码（见 SKILL.md）
【失败回退】如 backtesting-trading-strategies Skill 不可用，手写 backtrader 策略代码
【预期结论】哪种策略在银行股上最稳健？年化夏普比率对比

学生练习：加入止损规则（亏损 5% 自动平仓），观察回测结果变化。

econ-visualization Skill：银行 ROE 雷达图（）

场景：银行年报披露期，需要为投资者关系部门快速生成各家银行的多维财务对比图。

技能安装（前置 R 环境准备见 §R 语言环境）：

Rscript -e 'install.packages(c("fmsb", "ggplot2", "tidyr", "dplyr", "scales"))'
ls qoder-skills-library/05-analysis/econ-visualization/SKILL.md

3 步环境检查：

which R
Rscript -e 'library(fmsb); library(ggplot2); cat("OK\n")'
ls qoder-skills-library/05-analysis/econ-visualization/SKILL.md

操作提示词（Skill 化包装）：

请调用 econ-visualization 技能生成 5 家银行 ROE 多维雷达图：

【调用 Skill】econ-visualization、tushare-finance
【背景】投资者关系部门年度披露材料
【输入数据】tushare 拉取 5 家银行 2024 年报数据：ROE、ROA、NIM、NPL、CAR
【输出要求】
  - figures/bank_roe_radar.pdf（5 行 × 5 维雷达图）
  - figures/bank_roe_heatmap.pdf（指标×银行 热力图）
  - 主题：theme_minimal(base_size=14)，Times 字体，colorblind-safe 配色
【环境检查】运行 /tmp/check_all_skills.sh
【原代码补充】R ggplot2 + fmsb 雷达图代码片段
【失败回退】如 econ-visualization 不可用，调用 paper-figure（Python matplotlib）
【预期结论】哪家银行综合表现最强？哪两家形成竞争梯队？

学生练习：将维度从 5 个扩展到 8 个（含拨备覆盖率/核心一级资本充足率/存款增速/贷款增速）。

本节新增任务与前 5 个任务的对应关系：

任务 1（）：docx ------ 文档办公类
任务 2（）：finance-expert ------ 金融分析类
任务 3（）：xlsx ------ 数据建模类
任务 4（）：自写 bank-risk-alert ------ Skill 创建类
任务 5（）：Skill 安全审计 ------ 合规审计类
任务 6（，新增）：tushare-finance + china-stock-analysis ------ 数据获取+金融分析类
任务 7（，新增）：backtesting-trading-strategies ------ 量化回测+金融分析类
任务 8（，新增）：econ-visualization ------ 学术图表+金融分析类

学术与商业图形展示Skill（独立章节）

【本章特别要求】 由于图形展示在银行金融场景中极度高频（监管报表、研报图表、学术论文图示），单独成节。涵盖5个核心Skill。

econ-visualization（学术发表级图表，R ggplot2）

触发词：“出版级图表”、“发表级图”、“ggplot2图表”、“econ viz”。

能力清单：

时间序列图、事件研究图、回归系数图、断点图、双轴图、热力图
PDF/SVG矢量输出（300 DPI）
一致的学术主题（minimal, serif font, colorblind-safe）

环境检查：依赖R + ggplot2（见§R语言环境）。

Rscript -e 'library(ggplot2); library(econvis); cat("OK")'

提示词示例：

请使用 econ-visualization 技能生成以下学术图表：
- 数据：data/panel.csv（银行 2010-2024 年面板）
- 图表1：事件研究图（event_study），95% 置信区间阴影
- 图表2：四家银行 ROE 对比的双轴折线图
- 输出 PDF + PNG 至 figures/ch04_figures/
- 主题：theme_minimal，Times 字体，14pt

paper-figure（论文图表生成器，Python matplotlib）

触发词：“画论文图”、“paper figure”、“matplotlib论文图表”。

能力清单：

决策树自动选图（line/bar/scatter/heatmap/box/multi-panel）
共享样式脚本 paper_plot_style.py（DPI=300、PDF矢量、colorblind配色）
自动生成 \includegraphics LaTeX片段
9类图表 × 8种样式矩阵

环境检查：依赖matplotlib + seaborn。

pip install matplotlib seaborn
python3 -c "import matplotlib; print(matplotlib.__version__)"

paper-illustration（论文插图/架构图，Gemini驱动）

触发词：“架构图”、“AI绘图”、“paper illustration”、“画架构图”。

能力清单：

调用 gemini-3-pro优化布局 + Paperbanana (gemini-3-pro-image-preview)渲染
CVPR/NeurIPS学术风格：圆角、渐变、4色配色、严格箭头方向
多轮Claude评分 ≥9分才输出

环境检查：

export GEMINI_API_KEY='your-key'   # https://aistudio.google.com/app/apikey
ls qoder-skills-library/10-communication/paper-illustration/SKILL.md

适用场景：方法论流程图、模型架构图、概念图（非统计数据图表）。

mermaid-diagram（Mermaid图表，文本驱动）

触发词：“流程图”、“时序图”、“甘特图”、“ER图”、“mermaid”。

能力清单：流程图、时序图、类图、状态图、甘特图、饼图、Gitgraph。

环境检查：

npm install -g @mermaid-js/mermaid-cli
mmdc --version

提示词示例：

请使用 mermaid-diagram 技能生成银行信贷审批流程图：
客户申请→征信查询→风控评分→人工审批→合同签订→放款
输出：figures/loan_workflow.mmd + 渲染 PNG

学术图表与商业图表的差异表

维度 学术图表（econ-visualization/paper-figure） 商业图表（mcp-server-chart）

目标期刊/受众期刊审稿人（黑白打印友好）银行内部决策者（彩色屏幕优先）字体 Times/Computer Modern衬线体微软雅黑/Arial无衬线体配色 2-4色，colorblind-safe 品牌色，可渐变输出 PDF/SVG矢量 PNG/PPTX嵌入标题写于LaTeX caption，图中无标题图表内含大标题注释密度极简，必要时footnote 丰富，数据标签直接显示

演示文稿Skill章节（独立章节）

【本章特别要求】 演示文稿分学术与商业两条主线，对应不同Skill组合。涵盖6个核心Skill。

学术演示文稿（Beamer LaTeX路线）

beamer-presentation Skill：

触发词：“学术PPT”、“Beamer演示”、“学术汇报slides”。

能力清单：metropolis/Madrid/默认主题；15/45/90分钟三档结构；演讲者备注。

输出：main.tex + main.pdf。

适用：开题答辩、学术会议汇报、job market talk。

paper-slides Skill：

触发词：“做会议幻灯片”、“conference slides”、“做slides”。

能力清单（来自SKILL.md）：

4种报告类型：poster-talk（3-5min, 5-8页）/ spotlight（5-8min, 8-12页）/ oral（15-20min, 15-22页）/ invited（30-45min, 25-40页）
7种会议配色方案（NeurIPS/ICML/ICLR/CVPR/ECCV/AAAI/ACL/EMNLP/GENERIC）
自动生成 main.pdf（Beamer）+ presentation.pptx（python-pptx）+ TALK_SCRIPT.md（完整讲稿）
演讲者备注 + 预期Q&A 8个

提示词示例：

/paper-slides "paper/" --talk_type: oral --venue: ICML --minutes: 20 --aspect: 16:9

paper-poster Skill：

触发词：“学术海报”、“poster”、“A0海报”。

能力清单：A0/A1海报；多栏布局；QR码；图表嵌入。

适用：学术会议海报展示。

商业/银行演示文稿（PPTX路线）

pptx Skill（通用PPT操作）：

触发词：“PPT”、“幻灯片”、“演示文稿”、“pitch deck”。

能力清单（基于python-pptx + markitdown + LibreOffice）：

文本提取（markitdown）、缩略图、XML解析
从零生成（pptxgenjs）或修改现有模板
9种专业配色（Deep Night、Woodland、Vibrant Coral、Earth Tone、Deep Sea、Graphite、Aquatic Trust、Wine & Linen、Eucalyptus、Crimson Impact）
视觉设计原则：避免单调布局、避免默认蓝、加0.5” 留白、字号对比 ≥20pt

提示词示例：

请使用 pptx 技能生成《XX银行 2026 年战略汇报》PPT（20页）：
- 配色：Deep Night（navy + ice blue）
- 字体：Georgia（标题） + Calibri（正文）
- 每页含可视化元素（图标/图表/全屏图）
- 输出：reports/bank_strategy_2026.pptx

qoderwork-ppt Skill（智能模板生成）：

触发词：“智能PPT”、“QoderWork PPT”、“14模板”。

能力清单：

14种HTML模板自动匹配（含封面/分隔/内容/图标/全屏图等）
一键管线：run-pipeline.js → Puppeteer + dom-to-pptx转换
保留背景图、圆角、字体、全部样式
Lucide图标库（本地静态资源，无需网络）

适用场景：商业汇报、产品发布、培训材料（需联网生成真实图片）。

环境依赖：Node.js + Puppeteer + LibreOffice + lucide-static（见§PPT演示文稿相关环境）。

ppt-master Skill（AI驱动多格式SVG内容生成）------ 【用户特别要求】：

触发词：“ppt-master”、“SVG演示”、“AI幻灯片”。

能力清单：

多Agent协作：内容解析 → 视觉设计 → SVG渲染
输入支持：PDF / DOCX / URL / Markdown
输出：SVG页面 + 通过多角色协作导出PPTX
适用：把现成文档（论文/讲义/调研报告）一键转为专业幻灯片

环境检查：

export GEMINI_API_KEY='your_key'    # https://aistudio.google.com/app/apikey
export ANTHROPIC_API_KEY='sk-ant-...'
node --version && which libreoffice && which pdftoppm

与上述Skill的差异：

paper-slides：论文 → 学术LaTeX slides
pptx：通用PPT自由创作
qoderwork-ppt：HTML模板 + 14套商业模板
ppt-master：多格式输入 + SVG中间层 + PPTX输出（更智能的”文档→幻灯片”转换器）

学术 vs 商业演示文稿Skill对照表

维度 学术（Beamer） 商业/银行（PPTX）

核心Skill beamer-presentation / paper-slides pptx / qoderwork-ppt / ppt-master 排版语言 LaTeX（公式、参考文献无缝） HTML→PPTX 或 PPTX直生成公式支持完美（直接$…\$）差（需图片或OMML）品牌定制弱（依赖Beamer主题）强（自由配色/字体）可编辑性弱（需懂LaTeX）强（PowerPoint直接改）受众学术评委、研讨会同行行领导、客户、董事会典型产出 main.pdf presentation.pptx

提示词示例（综合）

请帮我制作一份《XX城商行 2026 年度数字化转型汇报》（30页 PPT）：
1. 使用 pptx 技能（商业风格，Deep Night 配色）
2. 同时使用 paper-slides 技能生成学术附录（Beamer 版本供发表）
3. 使用 paper-figure 技能生成关键图表（ROE 对比、贷款结构、客户增长）
4. 使用 mermaid-diagram 技能绘制数字化转型架构图
输出：
- 主报告：reports/digital_transformation_2026.pptx
- 学术附录：reports/digital_transformation_appendix.pdf
- 架构图：figures/digital_arch.png

Skill编写方法论

调用现有Skill只是起点，真正的能力提升来自于编写自己的Skill。本节系统讲解Skill编写的方法论，并通过实战案例带你完成第一个自编写Skill。

Skill创建的元 Skill 工具箱

在手工编写 SKILL.md 之前，强烈推荐先使用 元 Skill 工具箱。四个核心元 Skill 覆盖”起草→润色→发布→审计”全生命周期：

元 Skill 阶段作用

create-skill 起草跟随交互向导生成完整 SKILL.md（含 frontmatter、argument-hint、allowed-tools、tags） humanizer-zh 润色将 AI 生成腔的文本润色为自然语言，提升 Skill 可读性 write-skill-readme 发布根据 SKILL.md 自动生成 README.md（含徽章、使用场景、示例代码） skill-auditor 审计五维自动评分（触发词/输出/数据/合规/改进），输出结构化报告

【Skill 创建 完整工作流提示词】

我要为本行创建一个反洗钱可疑交易报告生成 Skill（aml-suspicious-report），
请按以下流程协助：

Step 1（创建）：调用 create-skill 元 Skill 生成 SKILL.md 初始草稿
Step 2（参考）：调用 find-skills 查找同类 Skill（如 finance-expert、bank-risk-alert）作为参考
Step 3（润色）：调用 humanizer-zh 对草稿进行中文自然化润色，去除 AI 生成腔
Step 4（审计）：调用 skill-auditor 对草稿进行五维自动审计
Step 5（修复）：按审计反馈迭代修改（最多 2 轮）
Step 6（发布）：调用 write-skill-readme 生成 README.md
Step 7（诊断）：调用 install-skill-dependency 检查 Skill 是否能跑起来

【预期产出】
- aml-suspicious-report/SKILL.md（草稿定稿）
- aml-suspicious-report/README.md（自动生成）
- aml-suspicious-report/audit\_report.md（五维审计报告）

::: notebox

# 检查 4 个元 Skill 都可访问
for skill in create-skill humanizer-zh write-skill-readme skill-auditor; do
  ls qoder-skills-library/19-devtools/$skill/SKILL.md 2>/dev/null \
    && echo "OK: $skill" \
    || echo "MISSING: $skill"
done

:::

触发词设计原则

触发词是Skill与用户之间的”接口协议”，其设计质量直接决定Skill能否被正确调用。

精确性vs覆盖性的平衡

触发词设计面临一个核心矛盾：太精确则覆盖不足，太宽泛则误触发。

策略优点缺点 适用场景

精确触发词几乎不误触发可能遗漏部分调用场景高风险操作（如交易执行）宽泛触发词覆盖面广容易在无关场景被触发低风险通用工具分层触发词兼顾精确与覆盖设计复杂度较高专业领域Skill

推荐采用分层触发词策略：设置核心触发词（高精确性）+ 扩展触发词（高覆盖性）+ 排除条件（防误触发）。

中英文双语触发词设计

在金融领域，许多术语存在中英文双语使用习惯。好的Skill应当同时覆盖两种语言：

## When to Use

Use this skill when the user mentions:
- 中文触发词："信用风险评估""贷前审批""企业征信""风控分析"
- 英文触发词："credit risk", "credit assessment", "loan underwriting"
- 隐式触发：当用户提供了企业财务数据并要求"评估""打分""分析风险"时

Do NOT use this skill when:
- 用户只是查询某只股票的价格（应使用 stock-analysis）
- 用户要求进行投资组合优化（应使用 financial-modeling）

误触发防护机制

在When to Use中明确排除条件是防止误触发的有效手段。常见的排除场景包括：

功能边界重叠：如”信用评估”vs”投资分析”都涉及财务数据处理
术语歧义：如”风险”可能是信用风险、市场风险或操作风险
用户意图不明确：如”帮我分析一下”------分析什么？

::: warningbox 在银行业务场景中，Skill误触发可能导致严重后果。例如：

本应调用”信用风险评估”Skill，却误调用了”投资分析”Skill，导致审批判断偏离合规标准
客户咨询理财建议时，误触发了”交易执行”Skill，导致非预期的交易指令

因此，金融类Skill的触发词设计应当偏保守，宁可漏触发（由用户明确指定），也不可误触发。 :::

排除条件 vs Include 模式------两种触发词策略对照

在金融领域，以下两种触发词设计策略各有适用场景，请根据业务特点选择：

维度 排除条件模式（exclude-first） Include 模式（include-first）

设计思路先定义能力范围，再列出不适用场景先列出适用场景，能力范围依场景推断适用场景高风险、低错误容忍度（如交易执行、信用审批）低风险、探索性场景（如数据可视化、报告起草）误触发风险低（默认不触发，除非明显匹配）中（边缘场景可能误触发）漏触发风险中（用户需明确指定 Skill）低（场景描述完整即可触发）金融场景示例 bank-risk-alert：除非明确出现”风险预警”才触发 finance-expert：只要涉及企业财务分析就可能触发

案例对比：同一业务场景”企业财务异常预警”，两种写法：

// === 排除条件模式（推荐金融风险场景）===
{
  "when_to_use": "处理企业财务异常预警任务",
  "include_keywords": ["财务异常", "财报预警", "财务预警"],
  "exclude_keywords": ["股价预警", "舆情预警", "市场风险"],
  "trigger_confidence_threshold": 0.85
}

// === Include 模式（适合探索性场景）===
{
  "when_to_use": "分析企业财务数据并发现异常",
  "include_keywords": [
    "财务分析", "财报解读", "异常检测", "三表分析",
    "财务预警", "杜邦分析", "现金流分析", "盈利质量"
  ],
  "exclude_keywords": [],
  "trigger_confidence_threshold": 0.6
}

银行场景推荐：金融业务优先采用排除条件模式，特别是涉及客户敏感数据、交易指令、风险评级等场景。

输入输出规范

参数设计：必选vs可选

Skill的输入参数应区分必选参数和可选参数：

## 输入参数

### 必选参数（缺少则无法执行）
1. 客户名称 - 企业全称
2. 预警信号类型 - 枚举值：逾期/担保物贬值/关联企业异常/
   行业下行/资金异常流出
3. 风险等级 - 枚举值：黄色预警/橙色预警/红色预警

### 可选参数（缺失时使用默认值）
4. 贷款余额 - 默认：未提供
5. 到期日 - 默认：未提供
6. 客户经理 - 默认：当前登录用户

设计原则：必选参数不超过4个，否则会增加AI提取参数的失败率；可选参数提供合理默认值，降低用户的使用门槛。

输出模板的结构化设计

输出模板是Skill质量的直接体现。好的输出模板应当：

结构化：使用标题、列表、表格等格式，而非大段文字
完整性：覆盖该场景下用户需要的所有信息
可操作性：输出不仅是分析结论，还应包含具体的行动建议
可审计：关键结论有依据，便于复核

错误处理与降级策略

Skill执行可能因各种原因失败（缺少依赖、输入不合法、外部服务不可用等）。好的Skill应定义明确的错误处理策略：

## 错误处理

1. 若缺少必选参数，提示用户补充，而非猜测默认值
2. 若外部数据源不可用，使用本地缓存数据并标注"数据截止日期"
3. 若计算结果异常（如资产负债率 > 100%），输出警告而非静默忽略
4. 若无法完成全部步骤，已完成部分仍应输出，并标注"未完成步骤"

实战：编写bank-risk-alert Skill（）

场景：你是银行科技部的AI工程师，需要为全行客户经理打造一个「贷后风险预警话术生成器」Skill。

新建文件 skills/bank-risk-alert/SKILL.md，要求包含：

请帮我编写一个 bank-risk-alert Skill（SKILL.md），要求如下：

【Skill 基本信息】
- name: bank-risk-alert
- description: 银行贷后风险预警话术生成器，根据客户风险信号自动生成
  分级预警通知和客户经理跟进话术
- 触发词："风险预警""贷后预警""逾期提醒""risk alert"

【输入参数】
1. 客户名称
2. 预警信号类型（逾期/担保物贬值/关联企业异常/行业下行/资金异常流出）
3. 风险等级（黄色预警/橙色预警/红色预警）
4. 贷款余额与到期日

【输出模板（必须包含）】
1. 预警摘要卡片（一屏可看完的关键信息）
2. 客户经理电话话术（开场白→风险告知→解决方案→行动承诺→结束语）
3. 内部上报邮件模板（收件人=分管行长，含风险描述+处置建议+时间表）
4. 跟进工单（任务项+负责人+截止日期+检查标准）

【分级逻辑】
- 黄色：关注但不急，7日内跟进
- 橙色：需立即电话联系，3日内上报
- 红色：启动应急预案，当日上报 + 法务介入

【示例输入输出】
提供至少 2 个完整的输入-输出示例

【Best Practices】
至少 3 条银行贷后管理最佳实践

请确保 SKILL.md 格式规范，能被 AI IDE 正确识别和调用。

完成后测试：在TRAE/Qoder中加载该Skill，输入测试提示词验证：

请生成风险预警：客户"恒达机械"出现连续2期利息逾期，
贷款余额500万，到期日2026-09-30，预警等级为橙色。

拓展C：自写bank-product-recommender Skill

高阶学生可额外编写一个「银行产品智能推荐」Skill：

输入：客户画像（年龄/收入/风险偏好/持有产品）
输出：Top 3推荐产品 + 推荐理由 + 客户经理话术
逻辑：保守型→大额存单/国债；稳健型→固收+理财；进取型→基金/结构性存款

Skill测试与迭代方法

编写完Skill只是第一步，确保其可靠运行需要系统化的测试与迭代。

测试维度

一个Skill的测试应覆盖以下维度：

测试维度 测试方法

触发准确性输入相关/无关提示词，验证是否正确触发/不触发参数提取输入包含不同参数组合的提示词，验证AI是否正确提取输出完整性对比输出模板，检查每个必填项是否都被覆盖边界情况输入极端值（如贷款余额为0、风险等级不合法），验证错误处理跨语言分别用中文和英文提示词调用，验证双语支持

迭代优化流程

::: practicebox

记录问题：每次使用中遇到的问题（误触发、输出遗漏、格式错误等）记录到Skill的Changelog中
定位原因：分析问题出在哪个环节------触发词不够精准？Instructions步骤遗漏？Best Practices提示不足？
定向修复：只修改问题相关的部分，避免”大改”引入新问题
回归测试：修复后重新运行之前的测试用例，确保没有引入新问题 :::

::: notebox 建议为Skill维护一个Changelog，记录每次修改的内容和原因：

## Changelog

### v1.1.0 (2026-06-08)
- 新增排除条件：区分"信用风险"与"市场风险"
- 修复：橙色预警的跟进时限从"5日"更正为"3日"
- 新增：抵押物贬值场景的输出模板

### v1.0.0 (2026-05-15)
- 初始版本发布

:::

Skill安全审计与合规评估

银行在引入外部AI Skill前，必须进行严格的安全与合规审计。这不仅关乎数据安全，更是监管合规的硬性要求。

自动化审计工具：skill-auditor 元 Skill

【本节特别推荐】 传统的人工五维审计耗时较长，本项目提供 skill-auditor 元 Skill，可对任意 SKILL.md 进行自动化五维评分。

skill-auditor 的能力清单

自动检查触发词准确性（中英文覆盖、排除条件、误触发风险）
自动检查输出完整性（Instructions 步骤、输出模板、示例输入输出）
自动检查数据依赖（明文敏感词、必填字段、数据脱敏规则）
自动检查合规性（免责声明、监管提示、审批留痕）
自动生成改进建议（按优先级排序、可直接执行）

3 步环境检查

# Step 1：路径检查（skill-auditor 是 Skill 文件，无独立二进制）
ls qoder-skills-library/19-devtools/skill-auditor/SKILL.md
# Step 2：Skill 可访问性
qoder skill ls | grep skill-auditor
# Step 3：调用测试
qoder skill run skill-auditor --target=.agents/skills/bank-risk-alert/SKILL.md

调用提示词

请调用 skill-auditor 技能对 .agents/skills/bank-risk-alert/SKILL.md
进行五维自动审计：

【调用 Skill】skill-auditor、security-best-practices
【输入】.agents/skills/bank-risk-alert/SKILL.md
【输出】reports/audit_bank-risk-alert.md（含五维评分表 + 改进建议）
【审计依据】security-best-practices Skill 提供的银行 Skill 安全清单

人工审计 vs skill-auditor 自动审计对比

维度 人工审计 skill-auditor 自动审计

耗时 2-4 小时/Skill 30 秒/Skill 一致性受审计员经验影响大标准化输出，跨 Skill 可比覆盖度受审计员精力限制可能漏项覆盖所有 checklist 项目深度能识别语义上下文问题只能识别模式化问题（关键词、结构）主观判断能结合业务场景灵活判断仅按预设规则评分监管证据需审计员签字自动生成审计日志，可追溯适用场景重要 Skill 上线前终审全量 Skill 定期巡检

推荐组合：先用 skill-auditor 完成全量 Skill 的初筛（<1 小时），再对高风险 Skill 进行人工复审。

外部 Skill 白名单/黑名单管理

银行在引入外部 Skill 时，应建立分级管理制度：

类别 准入要求 典型 Skill 数据流向

白名单（开放）官方认证 + 内部审计通过 docx、xlsx、mermaid-diagram 仅本地处理灰名单（审批）业务部门申请 + 合规复审 finance-expert、tushare-finance 可联网但禁止传敏感数据黑名单（禁用）任何情况下禁止使用未审计的第三方 Skill 禁止传输任何数据

{
  "whitelist": [
    {"name": "docx", "version": ">=1.0.0", "approved_by": "科技部", "approved_at": "2025-12-01"},
    {"name": "xlsx", "version": ">=1.0.0", "approved_by": "科技部", "approved_at": "2025-12-01"},
    {"name": "econ-visualization", "version": ">=1.2.0", "approved_by": "风控部", "approved_at": "2026-01-15"}
  ],
  "graylist": [
    {"name": "tushare-finance", "constraint": "禁止传入客户身份证/账号", "approved_by": "数据治理委员会"}
  ],
  "blacklist": [
    {"name": "未审计的任意 npm skills", "reason": "供应链风险"}
  ]
}

银行业AI应用合规框架

核心法规依据

当前中国银行业AI应用需要遵循的法规框架包括：

《银行保险机构信息科技外包风险管理办法》（银保监办发〔2021〕141号）：将AI工具纳入信息科技外包管理范畴，要求对外包服务商进行风险评估、合同约束和持续监控。使用外部Skill本质上是一种”知识外包”，需要纳入此框架管理。
《生成式人工智能服务管理暂行办法》（2023年8月施行）：要求提供生成式AI服务的组织进行安全评估、算法备案，并对生成内容标注标识。银行作为AI服务的使用方，需确保所用AI工具的提供方已完成合规手续。
《商业银行数据安全管理办法》（征求意见稿）：要求数据处理活动进行安全影响评估，敏感数据出境需经审批。AI Skill在处理客户数据时，必须符合数据分类分级保护要求。

金融数据分类分级

根据监管要求，金融数据按敏感程度分为三个级别：

级别 数据类型 Skill处理要求

一般数据公开的银行产品信息、行业统计可正常处理，无特殊限制重要数据客户姓名、资产规模、交易频次必须脱敏处理，禁止明文传输至外部AI 核心数据身份证号、账户密码、交易明细禁止输入AI系统，仅允许本地部署模型处理

::: warningbox 在使用Skill处理客户数据时，务必遵循以下脱敏规则：

客户姓名：用”张**“替代全名
身份证号：仅保留前3位和后4位，如”510****1234”
账号信息：仅保留后4位，如”****5678”
金额数据：可保留具体数值用于计算，但禁止与客户身份信息关联输出
联系方式：禁止输入AI系统，在输出模板中用”[客户电话]“占位符替代 :::

AI输出的法律责任边界

AI Skill生成的分析报告、风险评估结论等，在法律上如何定性？这是一个尚未完全明确但必须关注的问题：

辅助决策vs自动决策：如果AI输出仅作为参考，最终决策由人工做出，则责任主体为人；如果AI输出直接触发操作（如自动拒绝贷款），则可能构成自动决策，责任归属更为复杂。
投资建议vs分析报告：如果Skill输出被解读为投资建议，则可能违反《证券法》关于投资咨询资质的要求；如果是分析报告并附有免责声明，则合规风险较低。
可解释性义务：根据《个人信息保护法》第24条，通过自动化决策方式作出对个人权益有重大影响的决定时，个人信息处理者应同时提供不予接受的选项，并说明决策机制。

五维审计方法论

审计维度详解

对金融Skill的安全审计应从以下五个维度系统展开：

# 审计维度 检查要点

 1     触发词设计     是否精准？是否会误触发？中英文覆盖？
 2     输出质量       步骤是否完整？是否有遗漏场景？
 3     数据安全       是否可能泄露客户隐私？是否有数据脱敏机制？
 4     合规风险       输出是否可能构成投资建议？是否有免责声明？
 5     改进建议       至少提出3条具体的改进方案

各维度的详细检查清单：

触发词设计（10分制）：
- 核心触发词是否与Skill功能精确对应？
- 是否覆盖了用户可能使用的同义表述？
- 是否有明确的排除条件防止误触发？
- 中英文触发词是否齐全？
输出质量（10分制）：
- Instructions步骤是否完整、有序？
- 是否覆盖了该领域的主要场景？
- 输出模板是否结构化、可操作？
- 是否有示例输入输出供参考？
数据安全（10分制）：
- 是否明确标注了禁止输入的数据类型？
- 输出中是否会包含敏感信息的明文？
- 是否有数据脱敏的具体规则？
- Skill执行是否涉及数据传输至外部服务？
合规风险（10分制）：
- 输出是否附有免责声明？
- 是否可能被解读为投资建议或审批决定？
- 是否符合银行数据分级保护要求？
- 是否有审计日志或操作记录机制？
改进建议（10分制）：
- 改进方案是否具体可操作？
- 是否考虑了实施成本与收益？
- 是否按优先级排序？

审计报告提示词

请对 finance-expert Skill 进行银行级安全审计：

1. 阅读该 Skill 的完整 SKILL.md 内容
2. 从"触发词精准性/输出完整性/数据安全/合规风险/可改进空间"五个维度评估
3. 特别关注：
   - 该 Skill 是否会在不合适的场景被误触发？
   - 输出结果是否可能被视为正式投资建议（违反银保监规定）？
   - 是否有机制防止客户真实数据泄露到 AI 模型？
4. 输出结构化审计报告（>=300字），含评分（每维度10分制）+ 改进建议

保存到 reports/skill_audit_report.md

审计报告模板

审计报告应遵循以下标准模板：

# 金融Skill安全审计报告

## 基本信息
- 审计对象：[Skill名称] v[版本号]
- 审计日期：[YYYY-MM-DD]
- 审计人员：[姓名/工号]
- 审计依据：《银行保险机构信息科技外包风险管理办法》等

## 维度一：触发词设计 [X/10]
### 发现
[具体描述触发词设计的优点和问题]
### 风险等级：[高/中/低]

## 维度二：输出质量 [X/10]
### 发现
[具体描述输出质量的评估结果]
### 风险等级：[高/中/低]

## 维度三：数据安全 [X/10]
### 发现
[具体描述数据安全方面的评估结果]
### 风险等级：[高/中/低]

## 维度四：合规风险 [X/10]
### 发现
[具体描述合规风险的评估结果]
### 风险等级：[高/中/低]

## 维度五：改进建议 [X/10]
### 改进方案
1. [具体方案1] - 优先级：[高/中/低]
2. [具体方案2] - 优先级：[高/中/低]
3. [具体方案3] - 优先级：[高/中/低]

## 综合评定
- 总分：[X/50]
- 审计结论：[通过/有条件通过/不通过]
- 建议措施：[具体建议]

::: casebox 案例背景：某城商行科技部引入了一个名为smart-loan-advisor的外部Skill，用于辅助客户经理进行贷款产品推荐。在上线前，合规部门对其进行了审查。

审查发现：

问题1------触发词过于宽泛：该Skill的触发词包含”贷款""利率""还款”等通用词汇，导致客户在咨询存款利率时也触发了贷款推荐Skill，构成不当营销。

问题2------输出缺乏免责声明：Skill生成的推荐报告未标注”本报告仅供参考，不构成贷款承诺”，可能被客户解读为贷款审批结果。

问题3------数据未脱敏：Skill的Example Prompts中使用了真实的客户姓名和身份证号作为示例，违反了《个人信息保护法》。

处理结果：合规部门要求该Skill在完成以下整改后方可上线------（1）缩小触发词范围至”贷款推荐""产品对比”等；（2）在输出模板末尾增加免责声明；（3）替换示例中的真实个人信息为脱敏数据。

教训：金融Skill的合规审查不是可选项，而是上线前的必经环节。一份完整的审计报告可以在银保监检查时作为合规履职的证据。 :::

进阶选做

金融新闻舆情分析（）

场景：银行舆情监控部门需要每日跟踪银行业相关新闻，进行情绪分析和风险预警。

技能安装：

npx skills add sundial-org/awesome-openclaw-skills@finance-news -y

操作提示词：

请使用 finance-news 技能完成银行业舆情分析任务：

【第 1 步】新闻采集
搜索近一周中国银行业相关重大新闻，来源包括：
- 央行/银保监/金融监管总局政策发布
- 上市银行公告（如业绩快报、高管变动、处罚信息）
- 主流财经媒体报道（第一财经、证券时报、21世纪经济报道）

【第 2 步】情绪评分
对每条新闻进行结构化评分：
| 新闻标题 | 来源 | 日期 | 情绪(+1/0/-1) | 影响程度 | 涉及机构 |

【第 3 步】风险信号识别
从新闻中提取潜在风险信号：
- 监管处罚 → 合规风险
- 房地产相关 → 资产质量风险
- 利率政策变化 → 利差收窄风险
- 科技公司跨界 → 竞争风险

【第 4 步】生成舆情简报
输出不超过 500 字的银行业周度舆情简报，包含：
1. 本周要闻 TOP 5
2. 情绪倾向总结（乐观/中性/悲观）
3. 需关注的风险点
4. 对本行业务的潜在影响

保存到 reports/bank_sentiment_weekly.md

咨询框架分析银行数字化转型（）

技能安装：

npx skills add aznatkoiny/zai-skills@consulting-frameworks -y

操作提示词：

请使用 consulting-frameworks 技能，用波特五力模型分析
中国银行业在 AI 时代面临的竞争格局变化：

1. 现有竞争者（国有大行 vs 股份行 vs 城农商行）
2. 潜在进入者（互联网银行、金融科技公司）
3. 替代品威胁（支付宝/微信支付、数字人民币）
4. 供应商议价力（科技供应商、数据供应商）
5. 客户议价力（零售客户、对公客户）

要求：
- 每个力量至少分析 3 个要点
- 结合 2025-2026 年的实际政策与市场变化
- 最后给出：中小银行应如何利用 AI 建立差异化竞争优势？
- 输出 Markdown 报告 + 五力模型的 mermaid 图

保存到 reports/porter_five_forces_banking.md

financial-modeling Skill：银行 DCF 估值（）

场景：本行拟对一家拟授信客户进行估值，作为贷款额度的参考依据。

技能安装：

ls qoder-skills-library/12-finance/financial-modeling/SKILL.md
# 验证 Python 环境
python3 -c "import numpy_financial; print('OK')" || pip install numpy-financial

3 步环境检查：

which python3
python3 -c "import numpy_financial; print(numpy_financial.__version__)"
ls qoder-skills-library/12-finance/financial-modeling/SKILL.md

操作提示词（Skill 化包装）：

请调用 financial-modeling 技能完成商业银行 DCF 估值：

【调用 Skill】financial-modeling、tushare-finance
【背景】拟授信客户 X 银行 DCF 估值
【输入数据】
  - 拉取 X 银行 2018-2024 年报数据：净利润、净资产、ROE、增长
  - 折现率 WACC 假设：股权成本 10%、债务成本 4.5%、资本结构 8% 股权 92% 债务
  - 增长率阶段：明示期 5 年 + 永续增长 2.5%
【输出要求】
  - reports/bank_dcf_valuation.xlsx（含 3 表：FCFE/FCFF/股息贴现）
  - figures/dcf_sensitivity.pdf（折现率与永续增长率敏感性分析）
  - reports/dcf_report.md（含估值结论与风险提示）
【环境检查】运行 /tmp/check_all_skills.sh
【原代码补充】DCF 标准代码片段（numpy_financial.npv / irr）
【失败回退】如 Skill 不可用，手写三表 DCF 逻辑
【预期结论】X 银行每股内在价值区间、对应市净率

学生练习：调整 WACC 和增长率假设，观察估值结果的敏感性。

humanizer-zh Skill：AI 文本检测与改写（）

场景：撰写信贷调查报告时，需要去除 AI 生成的”机械感”，提升文本自然度。

技能安装：

ls qoder-skills-library/07-writing/humanizer-zh/SKILL.md
# humanizer-zh 一般仅需联网调用 AI 检测 API
curl -I https://api.openai.com/ | head -1
export OPENAI_API_KEY='sk-...'

3 步环境检查：

ls qoder-skills-library/07-writing/humanizer-zh/SKILL.md
[ -n "$OPENAI_API_KEY" ] && echo "API_KEY SET" || echo "MISSING"

操作提示词（Skill 化包装）：

请调用 humanizer-zh 技能对以下信贷调查报告进行人性化润色：

【调用 Skill】humanizer-zh
【输入】reports/credit_risk_hengda.md
【输出要求】
  - reports/credit_risk_hengda_humanized.md（润色后版本）
  - 检测报告：AI 痕迹评分（越低越自然）、修改点列表
【质量要求】不能修改专业术语与数据，口语化调整需保留“银行内部报告”严肃风格

学生练习：对比润色前后文本的 AI 检测评分（如使用 GPTZero）。

consulting-frameworks Skill：银行业 SWOT + BCG 矩阵（）

场景：本行战略部需要制定 2026-2030 年数字化战略，需用多种咨询框架进行多维度分析。

技能安装：

ls qoder-skills-library/13-consulting/consulting-frameworks/SKILL.md
# 一般仅需 LLM 调用能力

3 步环境检查：

ls qoder-skills-library/13-consulting/consulting-frameworks/SKILL.md

操作提示词（Skill 化包装）：

请调用 consulting-frameworks 技能完成商业银行多框架战略分析：

【调用 Skill】consulting-frameworks
【背景】XX 城商行 2026-2030 年数字化战略制定
【输入】本行近 3 年财务、资产质量、客户结构数据
【输出要求】
  - reports/swot_matrix.md（4×4 矩阵 + 战略选择象限图）
  - reports/bcg_portfolio.md（业务条线 BCG 矩阵：明星/现金牛/问题/瘦狗）
  - reports/strategy_summary.md（多框架交集分析出的 TOP3 战略选择）
【图表要求】每份报告配 1-2 个 mermaid 架构图
【环境检查】运行 /tmp/check_all_skills.sh
【原代码补充】SWOT/BCG 框架核心问题列表
【失败回退】如 Skill 不可用，手动按框架填写
【预期结论】本行处于哪象限？数字化投资应集中在哪三个领域？

学生练习：选取本省某城商行作为案例，完成完整 SWOT + BCG 分析（≥1500 字报告）。

进阶选做 5 个任务的对应 Skill 一览：

任务 1：finance-news + news-read（舆情分析）
任务 2：consulting-frameworks（波特五力）
任务 3（新增）：financial-modeling（DCF 估值）
任务 4（新增）：humanizer-zh（AI 文本检测与改写）
任务 5（新增）：consulting-frameworks（SWOT + BCG 矩阵）

本章小结 {#本章小结 .unnumbered}

本章围绕”如何赋予AI金融专业能力”这一核心问题，从设计原理、生态全景、调用实战、编写方法、安全审计五个层面系统讲解了Skill体系。

设计原理：Skill是知识工程从专家系统到AI Skill演进的产物，以Markdown文档承载领域知识，遵循”发现—理解—执行—保障”的逻辑架构。核心口诀是”MCP给能力，Skill给方法”。
生态全景：当前金融Skill已覆盖数据获取、专业分析、文档生成、咨询框架四大类别，通过skills.sh市场或本地目录进行安装和管理。
调用实战：通过docx（客户回访报告）、finance-expert（信用风险评估）、xlsx（贷款FTP定价模型）三个任务，由浅入深掌握了Skill的调用方法。
编写方法：掌握了触发词设计的精确性与覆盖性平衡、输入输出规范、错误处理策略，并通过编写bank-risk-alert Skill进行了实战演练。
安全审计：从银行业合规框架出发，建立了五维审计方法论（触发词/输出/数据/合规/改进），确保AI Skill在金融场景中的安全合规使用。

思考题 {#思考题 .unnumbered}

如果银行需要同时引入”信用风险评估”和”投资组合分析”两个Skill，它们的触发词应如何设计才能避免冲突？请给出具体的触发词方案和排除条件。
从知识工程的角度分析，Skill体系相比传统规则引擎（如Drools）和机器学习模型，在金融风控场景中各自的优势与局限是什么？
某银行计划将AI Skill用于自动化的贷后风险预警，要求橙色及以上预警自动发送通知给客户经理。从《银行保险机构信息科技外包风险管理办法》和《个人信息保护法》的角度，分析该方案需要满足哪些合规条件？
在FTP定价模型中，如果央行为应对经济下行而下调LPR，银行应如何调整定价参数？请分析FTP、风险溢价、目标利润三个参数的调整逻辑及其对最终贷款利率的影响。
设计一个”银行反洗钱预警”Skill的SKILL.md大纲，包括name、触发词、输入参数、输出模板、分级逻辑和Best Practices。特别说明：该Skill如何处理可疑交易报告（STR）的合规要求？
【新增】 在本机 167 个 Skill / 20 分类体系中，如果要为”中小企业信用贷款审批”场景找到最合适的 Skill 组合，你会如何选择？请说明选择策略并列出 5-8 个 Skill 及其协同方式。
【新增】 元 Skill 体系（create-skill / find-skills / skill-auditor / luban）与普通业务 Skill 在使用场景上有什么本质区别？请举例说明元 Skill 如何在 Skill 创建 → 发现 → 审计 → 打磨全生命周期中发挥作用。
【新增】 在金融场景中，是应该使用排除条件模式（exclude-first）还是 Include 模式（include-first）？请从误触发风险、漏触发风险两个角度对比，并给出你认为应该采用哪种模式的判断准则。
【新增】 假设你计划同时使用 tushare-finance、backtesting-trading-strategies、econ-visualization 三个 Skill 完成”银行股估值+回测+可视化”项目，请说明：(a) 三个 Skill 的调用顺序与依赖关系；(b) 每个 Skill 需要的环境检查步骤；(c) 如何通过 /tmp/check_all_skills.sh 一键验证环境。
【新增】 skill-auditor 自动化审计与人工五维审计各有优劣。请说明：什么场景下应该以 skill-auditor 初筛为主、人工复审为辅？什么场景下必须人工审计？

实验报告要求 {#实验报告要求 .unnumbered}

# 交付物 形式

 1     客户回访报告                    reports/客户回访报告_C00001.docx
 2     信用风险分析报告                reports/credit_risk_hengda.md
 3     贷款定价模型                    reports/loan_pricing_model.xlsx
 4     自写bank-risk-alert Skill       skills/bank-risk-alert/SKILL.md
 5     bank-risk-alert测试截图         输入 + 输出截图
 6     金融Skill审计报告               reports/skill_audit_report.md
 7     实验心得（$\geq$ 200字）        含AI出错案例反思
 8     **【新增】** 银行股估值对比表   reports/bank_valuation_compare.xlsx
 9     **【新增】** 量化回测报告       reports/strategy_backtest_results.xlsx
 10    **【新增】** ROE 雷达图         figures/bank_roe_radar.pdf

加分项（非必做，完成可额外加分）：

完成「银行客户RFM分群」或「舆情分析」任务（+5分）
自写bank-product-recommender Skill并通过测试（+5分）
完成「波特五力银行数字化转型」分析（+5分）
【新增】 完成 tushare-finance A/H 股估值对比（任务 6）（+5分）
【新增】 完成 backtesting-trading-strategies 三策略回测（任务 7）（+5分）
【新增】 完成 econ-visualization ROE 雷达图（任务 8）（+5分）
【新增】 完成 financial-modeling DCF 估值（任务 3）（+5分）
【新增】 完成 humanizer-zh AI 文本改写（任务 4）（+5分）
【新增】 完成 consulting-frameworks SWOT+BCG 分析（任务 5）（+5分）