前言

最近构建了一套 skills 财经相关文档生成技能，结合 Python 脚本与 AI Agent（Gemini CLI/ Cursor / Open Claw），实现了财经公众号内容的自动化维护。本文记录系统的设计思路与实现细节。

---

1. Skill 拆解

为了实现模块化和可维护性，我将公众号的内容生产拆解为四个独立的 Skill：

Skill	功能	产出
analyze_public_company	个股研报	A 股上市公司价值分析、财务数据及消息汇总
daily_market_pulse	每日龙虎榜	龙虎榜数据图解、游资席位追踪及资金流向
weekly_financial_report	财经周报	市场回顾、宏观大事及热点板块展望
upload_images	图片上传	将生成的本地图片上传至图床并替换 Markdown 路径

这种拆分使得每个 Skill 的数据源和处理逻辑独立，便于迭代和排查问题。

依赖关系：

内容 Skill 产出 Markdown 和本地图片，最后统一调用工具 Skill 替换为在线 URL，生成的 Markdown 可直接发布。

---

2. API 获取数据

系统设计的核心原则是：能用 API 获取的结构化数据，绝不让 AI 去搜索。

让 AI 直接搜索数据存在明显缺陷：

1. Token 消耗大：AI 反复搜索、阅读网页会消耗大量 Token。
2. 数据不可控：AI 可能获取到旧数据或错误来源的数据，且难以回溯验证。

因此，财务和行情等结构化数据由 Python 脚本通过 API 获取；AI 仅负责处理非结构化信息（如新闻摘要、公告解读）和最终的分析写作。

---

3. 数据获取方案

所有数据获取脚本均基于 argparse，输出统一的 JSON 格式供 AI 读取。

3.1 基础数据源

• 新浪财经：获取实时行情（价格、成交量）。
• 腾讯财经：获取估值数据（PE、PB、市值）。
• 东方财富：获取历史 K 线及个股所属板块/概念。

数据格式示例（AI 读取的 JSON）：

{
  "symbol": "000001",
  "realtime": {
    "name": "平安银行",
    "price": 11.05,
    "change_pct": -0.36
  },
  "valuation": {
    "pe_ttm": 4.97,
    "market_cap": 2144.35
  },
  "sector": "银行",
  "concepts": ["破净股", "机构重仓", "HS300_"]
}

3.2 龙虎榜数据

脚本一次性拉取当日市场概况、资金流向及龙虎榜明细。 亮点功能：内置游资别名映射表，将“XX证券营业部”自动翻译为“作手新一”等知名游资代号，提升报告的可读性。

---

4. 图片生成

为了解决 AI 配图不可控的问题，所有图表均由 Python 代码生成。

4.1 封面图 (Pillow)

使用 Pillow 库纯代码绘制，不依赖外部素材。统一设计语言：深色渐变背景 + 装饰光晕 + 动态文字，保证所有文章封面风格一致且专业。

4.2 数据图表 (Matplotlib + Seaborn)

基于 Matplotlib 绘制各类专业图表，包括：

• 股价走势图：K线趋势与均线。
• 财务分析图：营收/净利润双轴图、利润率趋势图。
• 业务构成：环形饼图。

核心绘图逻辑（Python）：

def create_dual_axis_chart(data, title, filename):
    """生成营收(柱状)与净利润(折线)双轴图"""
    fig, ax1 = plt.subplots(figsize=(12, 6))
    
    # 左轴：营收柱状图
    sns.barplot(x=years, y=revenue, ax=ax1, color='#D32F2F', alpha=0.8)
    ax1.set_ylabel('营收 (亿元)')
    
    # 右轴：净利润折线图
    ax2 = ax1.twinx()
    ax2.plot(years, profit, color='#1976D2', marker='o', linewidth=2)
    ax2.set_ylabel('净利润 (亿元)')
    
    # 智能处理中文字体
    font_path = get_chinese_font() # 自动适配 macOS/Linux/Win
    plt.title(title, fontproperties=font_path)
    plt.savefig(filename, dpi=300)

4.3 特色图表：龙虎榜蝴蝶图

针对龙虎榜数据，设计了中轴对称的蝴蝶图：左侧红色显示买入席位，右侧绿色显示卖出席位。一张图即可直观展示多空博弈格局及机构、游资动向。

---

5. 工作流

每个内容 Skill 均遵循标准的四阶段流程：

1. Phase 1(脚本) ：调用 API 获取数据，输出 JSON。
2. Phase 2 (脚本) ：根据数据生成封面和图表 (PNG)。
3. Phase 3 (AI) ：AI 读取 JSON，参考 Markdown 模板撰写分析报告。
4. Phase 4 (脚本) ：扫描 Markdown，将本地图片上传图床并替换路径。

优势：Phase 1-2 纯脚本执行，无需 AI 介入，高效且零 Token 消耗；AI 仅需专注于它擅长的分析与写作。

---

6. AI 操作手册

每个 Skill 目录下包含一个 SKILL.md，作为 AI 的执行指南，明确定义：

• 环境依赖：所需 Python 库。
• 执行步骤：每个阶段调用的脚本命令及参数。
• 输出规范：文件保存路径及命名规则。
• 写作要求：禁止 AI 腔，强调数据驱动和客观分析。

---

7. 执行流程示例

生成一篇个股研报的典型流程：

---

8. 踩坑记录

1. 接口编码：不同源（新浪/腾讯/东财）编码格式不一（GBK/UTF-8），需统一转码处理。
2. SSL 验证：macOS 环境下部分 HTTPS 请求需处理 SSL 证书验证问题。
3. 中文字体：Matplotlib 需适配不同操作系统（macOS/Linux/Windows）的中文字体路径，防止乱码。
4. 图床限流：批量上传时需增加延时，避免触发频率限制。
5. 负值处理：绘制净利润柱状图时，需特殊处理负值标签的位置和颜色。

---

9. 总结

核心理念是：各司其职。

让脚本做执行（拉数据、画图、上传），让 AI 做思考（理解、分析、写作）。

通过将繁琐的数据收集和可视化工作代码化，AI 能够专注于高价值的信息整合与观点输出，从而实现高效、低成本且高质量的内容自动化生产。