AI SKILL 快速入门

Tue, 14 Jul 2026 11:06:23 +0800

简单回顾下 AI 周边的生态

LLM + webchat = HUMAIN in CHAT
LLM + Tools/MCP = LLM with auto function calling
LLM + RAG/embedding & research = Customer’s local Wiki
LLM + Sub-Agent = LLM + Isolated content + Share memory
LLM + BaseTools + SKILLs = Single Agent + Copied SOP
LLM + Sub-Agent + BaseTools + SKILLs + sandbox = OpenClaw- （简化版）
LLM + Sub-Agent + BaseTools + selflearning SKILLs + sandbox + Human in Loop= HEMERS- （简化版）

SKILLS 已成为智能体的标配

如果把RAG 技术的目标翻译成Customer's local Wiki的话，SKILLS 的目标就是 Customer's local SOP。

SKILL 把那些反复操作的动作，以自然语言或者脚本的方式固化下来——减少单一依赖LLM 自主探索时带来的不确定性和高tokens 消费问题。

即，LLM 本身在垂直领域能力没覆盖的时候，通过执行我们预先准备好的知识、步骤或脚本，去完成那些确定性强的重复性任务。

本质上是人类替LLM 整理好特定问题的处理逻辑和分支。

后续，一旦问题命中这个SKILL，LLM 就能够以一种“上帝视角”去有步骤地执行标准动作。

例如，我提出需求 ——

`1`	`Q：我需要更新A股票行情数据到今天，记得帮我合并数据到本地8501 服务中。`

在有SKILL 的加持下，Agent 会完成从 “参数提取” 、“数据拉取” 、“数据合并”、“异常处理”、“数据校验”、“服务重启"等一系列复杂的动作。

这种 用户体验简直爽爆了！

下面先介绍下：一个完整的SKILLS 由哪些部分组成——

组成部分

SKILL 不同于之前提到的 MCP——有个标准的协议&规范，SKILL 更多是工程化落地倾向的（即综合使用已有的成熟技术），去指引LLM 完成限定的任务。

在内容上，它有专属提示词，有打包好的脚本或资料库。

在构成上，至少有一个包含 SKILL.md 文件的文件夹。这个文件夹的名字无所谓，例如下面的 my-skill——

my-skill/
├── SKILL.md          # Required: metadata + instructions
├── scripts/          # Optional: executable code
├── references/       # Optional: documentation
├── assets/           # Optional: templates, resources
└── ...               # Any additional files or directories

SKILL.md 这个文件包含了元数据（名称和描述）以及指示智能体如何执行特定任务的指令。
除了SKILL.md 这个文件外，还可以根据任务需要打包脚本( scripts目录)、参考资料（references目录）、模板及其他资源（assets 目录）。

调用逻辑和接口

那下一个问题就是，SKILL在Agent中是如何生效和执行的呢？

这就不得不提 渐进式披露 这样一个概念：

Agent（智能体）通过**渐进式披露（progressive disclosure）**分三个阶段加载技能：

发现 (Discovery)：Agent启动时，仅加载每个可用技能的名称和描述（元数据），足以判断其是否相关。
激活 (Activation)：当任务与某个技能的描述相匹配时，智能体将完整的 SKILL.md 指令读取到上下文中。
执行 (Execution)：智能体遵循指令，并根据需要执行 SKILL.md 中关联的代码或文件。

只有在任务需要时才会加载完整指令，从而使智能体在仅占用极小上下文空间的情况下备用大量技能。

Level	When loaded	Token cost	Content
Level 1: Metadata	Always (at startup)	~100 tokens per Skill	`name` and `description` from YAML frontmatter
Level 2: Instructions	When Skill is triggered	Under 5k tokens	SKILL.md body with instructions and guidance
Level 3+: Resources	As needed	None until accessed	Bundled files. Reference files load into context when read. Scripts run through bash, and only their output enters context

看起来内容有点多？

别担心，下面通过两个具体的案例，来介绍SKILL的工作细节。

案例一：只有 SKILL.md 一个文件的SKILL

这里，还是以之前介绍过的 A股行情智能助手 为例。

这套Agent 执行时的A股行情数据，是需要定期更新的。

一开始是通过bash 脚本拉取行情数据，后来遇到的问题多了一个脚本写不下——变为拉取数据一个脚本，校验数据一个脚本。

最终整理出了一个名叫 finance-datacollection 的SKILL。

我把该SKILL 放在目录 (~/.openclaw/workspace/skills/finance-datacollection) 下。

目录中只有 SKILL.md 这一个文件——

~/.openclaw/workspace/skills/finance-datacollection$ ls -l
total 8
-rw-r--r-- 1 node node 7985 Aug  1 14:01 SKILL.md
node@a4dda40aab4f:

该文件详细内容如下：

---
name: finance-datacollection
description: A股股票行情数据增量更新与健康审计运维流程。当用户要求（1）更新A股历史日线/分钟行情（2）清理本地爬虫临时缓存文件（3）合并导出数据到 all_data.csv（4）进行数据完整性体检或缺失值补漏修复时触发。
---

# Finance Datacollection 运维流程

本项目基于 Python、AkShare 与代理隧道，实现了 A 股全量股票的历史行情抓取与管理。支持智能断点续传、并发控制、单 IP 并发多路复用共享与自动数据审计补漏。

## 目录结构
所有操作默认在物理工作路径 `/home/node/.openclaw/projects/Finance_datacollection` 进行：
- `/src`：核心代码，包含爬虫主程序 `all_stock_data.py` 和体检程序 `heal_data.py`。
- `/test`：单代理及多线程池连通性测试。
- `/data`：数据输出目录（存储 `all_data.csv`），已被 `.gitignore` 过滤。

---

## 🛠️ 第一阶段：物理缓存清理与环境重置（极度关键！）

由于系统会扫描本地 `failed.json` 以及 `data/batch_*.csv`、`data/retry_*.csv` 记录作为“智能断点续传”的依据。在启动新一轮/新月份的跨度抓取前，必须完全清除上一月的运行痕迹，以防脚本跳过需要抓取的股票。

复制并在控制台执行以下命令进行彻底重置：

```bash
# 1. 进入工作目录
cd /home/node/.openclaw/projects/Finance_datacollection

# 2. 清空并初始化失败任务记录（注入空 JSON 数组）
echo "[]" > /home/node/.openclaw/projects/Finance_datacollection/failed.json

# 3. 清理上一月遗留的分段进程进度文件
rm -f /home/node/.openclaw/projects/Finance_datacollection/progress.json

# 4. 安全清除残留的临时分段 csv 缓存（不会影响主库 data/all_data.csv 实体！）
rm -f /home/node/.openclaw/projects/Finance_datacollection/data/batch_*.csv
rm -f /home/node/.openclaw/projects/Finance_datacollection/data/retry_*.csv
```

---

## 🚀 第二阶段：启动全量增量抓取

使用绝对路径下的虚拟环境 Python 执行增量拉取命令。**注意：此处 `--limit 6000` 是强制参数！** (若误设为 `0`，由于第一阶段清空了状态，程序会以为没有任何任务需要处理直接跳过)。

```bash
/home/node/.openclaw/workspace/venv/bin/python /home/node/.openclaw/projects/Finance_datacollection/src/all_stock_data.py --start <YYYYMMDD> --end <YYYYMMDD> --from-batch 0 --limit 6000
```
*提示：通常把 `--start` 设定为比上一月截止日期提前 1 天（例如上轮截止 `20260519`，本轮设定 `20260519` 到 `20260630`），重合的这一天交易日会在第三阶段通过数据库去重完美接缝，杜绝数据遗失。*

### 💡 运行特性：
1. **控制台观察**：会实时显示高透代理的申请及大 batch 分段捞取日志。
2. **断点续留**：若中途因网络不稳定或需要中断，直接按下 **Ctrl + C** 退出即可。程序重启时会智能扫描 `data/` 已有分片文件，自动去重以达到秒级断点继续抓取。

---

## 📦 第三阶段：大库安全归档合并

当所有批次抓取结束后（控制台静默），执行合并归档指令：

```bash
/home/node/.openclaw/workspace/venv/bin/python /home/node/.openclaw/projects/Finance_datacollection/src/all_stock_data.py --merge
```

### 🎯 合并动作效果：
- 自动抓取 `/data` 内所有零碎 CSV，去重并追加合并到全量底座 `data/all_data.csv`。
- 合并完毕后，系统将自动核卷大表，物理清空已合并的临时 CSV 片段，释放磁盘空间。
- 并反向清空 `failed.json` 中已抓取成功的股票。
- **自动同步副本**：在大合流完成后，必须执行同步动作，将合并好的全量数据副本同步复制到外部 Agent 数据目录下。
  ```bash
  cp /home/node/.openclaw/projects/Finance_datacollection/data/all_data.csv /home/node/.openclaw/workspace/Finance_agent/data/all_data.csv
  ```

---

## 🩺 第四阶段：数据健康大审计与补漏

### 🔍 动作 A：运行数据健康大体检
大合流完毕后，运行自动化体检脚本，审计是否有漏网之鱼：

```bash
/home/node/.openclaw/workspace/venv/bin/python /home/node/.openclaw/projects/Finance_datacollection/src/heal_data.py
```
- **体检逻辑**：智能拉取 Sina 交易日历动态计算最新完成交易日，结合本地白名单，检查每一只股票的数据时间节点。未能同步到最新交易日且非白名单白挂牌的股票代码会自动被追加收集到 `failed.json` 中。

### 🛠️ 动作 B：小剂量二次补漏抓取（如显示缺失 > 0）
若体检报告显示尚有缺失股，使用专门用于攻坚失败队列的 `--limit 0` 模式进行收尾（它会 100% 只针对 `failed.json` 列表，绝对不碰其它已成功的股票）：

```bash
# 1. 定向追击最后漏网的问题股票并拉取
/home/node/.openclaw/workspace/venv/bin/python /home/node/.openclaw/projects/Finance_datacollection/src/all_stock_data.py --start <YYYYMMDD> --end <YYYYMMDD> --from-batch 0 --limit 0

# 2. 将补漏抓回的分段数据合归主库
/home/node/.openclaw/workspace/venv/bin/python /home/node/.openclaw/projects/Finance_datacollection/src/all_stock_data.py --merge

# 3. 再次体检（直至缺失数完全归为 0）
/home/node/.openclaw/workspace/venv/bin/python /home/node/.openclaw/projects/Finance_datacollection/src/heal_data.py
```

---

## 📊 第五阶段：历史大账单状态合账校验

当缺失的股票数据只数归 `0` 后，执行以下命令获取合账及条目报告：

```bash
/home/node/.openclaw/workspace/venv/bin/python /home/node/.openclaw/projects/Finance_datacollection/src/all_stock_data.py --status
```
**检验标准**：如果日志显示“库中: 2,800,000+条以上（数值取决于交易日真实交易大数） | 覆盖股票: 5191 只”，则标志着该周期行情同步完美大交割！

除了开头（name 和 description）的元数据部分，其他都是我们之前说过得 复杂提示词（逻辑 + 约束 + 少量样本）。

L1 内容加载

Agent 启动初期，它只会加载所有SKILLS 技能的元数据部分(Level 1部分)——

元数据部分，除了上面提到的两个字段，还有位置（location）和版本（version）两项。

L2 内容加载

当我提问需要更新 A 股行情数据时，Agent 才会读取 SKILL.md 中完整的内容(Level 2部分)——

1
2

可能有人会产生个疑问：Agent 怎么看到SKILL.md 全文的呢？
其实很简单，Agent 通过 READ 工具就可以读取指定路径下的文件了啊。

Agent 使用已有的 read 工具返回了整个 SKILL.md 的内容，并追加到本次对话的上下文中——

其实，这就是 SKILL的渐进式加载——SKILL 并没有引入新的技术和范式。

它更像是一个原子化的 Agent （有提示词约束执行步骤和边界，有执行脚本，有参考知识库和模板。。。）

它自身就可以驱动LLM执行某项特定任务。

每一步的动作需要什么输入、在什么条件下执行操作、操作完成后输出什么在SKILL中已经提前整理&约束好了。

SKILL 流程图

让AI 画个流程图出来可能更容易理解不同动作间的任务关系——

案例二：复杂点的 SKILL

这个案例，直接参考了 github 上的文生视频 SKILL—— web-video-presentation 。

项目链接(https://github.com/ConardLi/garden-skills/blob/main/skills/web-video-presentation/README.zh-CN.md)

希望把自己写好的文本，快速变为视频的用户可以考虑下。

我把之前的文章 A股行情助手——利用数据增强AI能力发给Agent 让它生成视频，效果如下——

SKILL 工作流介绍

web-video-presentation 帮 Agent 构建一种 Vite + React + TypeScript 演示：它看起来不是传统幻灯片，而更像为录屏设计的视频舞台。每次点击推进一个口播节拍，每一步独占 1920×1080 舞台，进度 UI 平时隐藏，只有悬浮时出现，方便录出干净画面。

简单说，这个SKILL 可以做到：给出你想要转为视频输出的内容，它帮你从头设计大纲、口播文稿和每一页PPT动画，最后将音频与动画时间轴对齐并自动播放。

我把这个SKILL 放在一个subagent 的工作目录中了——

~/.openclaw/mediawork/skills/web-video-presentation$ ls -l
total 80
-rw-r--r--  1 node node 17976 Jun 30 14:52 README.md
-rw-r--r--  1 node node 17600 Jun 30 14:52 README.zh-CN.md
-rw-r--r--  1 node node 23239 Jun 30 14:52 SKILL.md
-rw-r--r--  1 node node   141 Jun 30 14:52 _meta.json
-rw-r--r--  1 node node   629 Jun 30 14:52 manifest.json
drwxr-xr-x  3 node node   147 Jun 30 14:52 references
drwxr-xr-x  2 node node    25 Jun 30 14:52 scripts
drwxr-xr-x  4 node node    72 Jun 30 14:52 templates
drwxr-xr-x 25 node node  4096 Jun 30 14:52 themes

相较于之前的简单 SKILL，除了 SKILL.md 这个必要文件还多出来几个目录——

目录名	作用	内部文档
references	规范项目生产阶段的规则和方法论。	OUTLINE-FORMAT.md, CHAPTER-CRAFT.md, AUDIO.md 等内部参考、约束文档
scripts	提供一键脚手架，创建一个 video-presentation 项目	scaffold.sh
templates	项目框架模板，新项目时会参考、复制该文件内容	index.html, src 等
themes	SKILL内置不同演示风格的主题	不同风格主题，如：blueprint

具体生成过程分为两步——

根据用户输入文本生产口播稿、框架大纲、推荐视觉风格和素材，以及开发模式（顺序 or 并行）

其中，最关键的是口播文稿 script.md 和章节大纲 outline.md 两个目标文件的生成。

在SKILL references 目录中的 OUTLINE-FORMAT.md 文档就以文字的形式表达了如何动态切分章节的法则——

这完全是一个有多年视频剪辑经验的人才能说出的内容。

## 章节切分的经验法则

- **每章 3~8 步**。少于 3 步太薄；多于 8 步观众会忘记这章在讲啥
- **总时长 ÷ 30 秒** ≈ 章节数（一章约 30~60 秒讲完）
- **每章 = 一个聚焦主题**。"为什么强 + 怎么用" 是两章，不是一章
- **章节边界 = 口播稿里讲者会换语气 / 换主题的位置**。读 `script.md`
  时哪里你下意识想"咳一声接下一段"，那里就是章节边界
- **慢节奏 / 长镜头风主题**（midnight-press / 电影感片头）每章可少到
  2~3 step；**信息密集型**（科技测评 / 对比表）每章可放宽到 8~10 step

用户确认上述5个关键点后，接着会按照SKILL 要求生成对应的 Vite + React + TypeScript 演示项目

例如，这里生成的新项目如下——

-rw-r--r--   1 node node  13796 Jul  1 11:42 audio-segments.json
-rw-r--r--   1 node node   1051 Jul  1 16:23 dev.log
drwxr-xr-x   4 node node     87 Jul  1 19:25 dist
-rw-r--r--   1 node node    302 Jun 30 16:50 index.html
drwxr-xr-x 148 node node   4096 Jul  1 22:14 node_modules
-rw-r--r--   1 node node 118845 Jul  1 16:50 package-lock.json
-rw-r--r--   1 node node    782 Jul  1 16:43 package.json
drwxr-xr-x   4 node node     69 Jul  1 11:41 public
drwxr-xr-x   3 node node    113 Jul  1 19:18 scripts
drwxr-xr-x   8 node node    128 Jun 30 16:50 src
-rw-r--r--   1 node node    617 Jun 30 16:45 tsconfig.app.json
-rw-r--r--   1 node node    119 Jun 30 16:45 tsconfig.json
-rw-r--r--   1 node node    558 Jun 30 16:45 tsconfig.node.json
-rw-r--r--   1 node node    248 Jul  1 09:39 vite.config.ts

就是一个完整的 web 网页

而页面自动播放后的效果，就是上面演示的那样。

L3 内容加载

在产出项目过程中， Agent 按照SKILL.md 内容渐进式加载整理好的指令。

通过会话日志可以看到：

Agent 在看到 L1 L2 内容后，分析出需要先完成 5个基础要件的确认工作
还是通 read 工具继续读取 references 目录中 SCRIPT-STYLE.md 和 OUTLINE-FORMAT.md 内容以进一步执行大纲

生成的 outline.md 大纲内容——

# Video Outline

> **主题**：`blueprint`（工程蓝图主题 — 深藏青底，青色强调色，IBM Plex Mono 字体，适合工程拆解与技术架构）
> **总时长**：约 11 分 17 秒（口播合计 2887 字 / 4 字/秒）
> **章节数**：8 章 / 60 步

---

## 1. coldopen — 编造事实的数据痛点（8 steps · ~80s）

**信息池**：
- 书面痛点：有准确数据分析质量就好，没数据直接拉胯；LLM 经常编造事实；输出格式不固定；代码不便操作；用户输入需求模糊 —— 来源 article §1 遗留问题
- 技术手段：将采用 LangGraph + Streamlit 框架解决以上痛点 —— 来源 article §1 解决方案引入
- 技术重点：演示在 LangGraph 中如何高效应对 “上下文污染” 的问题 —— 来源 article §1 上下文污染问题引入

**开发计划**：
- step 1 (~5s) — 开场大字标语 - "你家 AI 写的分析报告，你敢实盘跟投吗？"
- step 2 (~9s) — 痛点罗列 - 闪现文本 "最怕 LLM 一本正经地瞎编事实和数据" 与代码虚影背景
- step 3 (~7s) — 功能拆分后多 Agent 遗留的 5 个顽固问题大纲展示卡
- step 4 (~13s) — 问题 1 & 2 细节缩放 - 高亮数据缺失质量差与自主编造事实（如无法约束的 "[原文]" 标示）
- step 5 (~18s) — 问题 3 & 4 & 5 细节缩放 - 高亮排版格式混乱、代码纯 demo 难复用与用户泛化需求导致结论不稳定
- step 6 (~8s) — 本期主打案例 - 浮入 "A股行情智能助手" 填坑产品概念模型
- step 7 (~10s) — 技术路线概述 - 双列表列出："多 Agent 编排 (LangGraph)" 与 "Web 页面交互界面 (Streamlit)"
- step 8 (~10s) — 核心系统隐患 - 居中放大标语 "如何在 LangGraph 中解决 '上下文污染'？"

口播节选：
> 你家 AI 写的分析报告，你敢实盘跟投吗？…… 把这几个坑全给填了。

---

## 2. showcase — A股分析助手效果演示（7 steps · ~48s）

**信息池**：
- 提问样板：“集成电路制造板块中，哪些公司有出口业务，我需要其中最值得投资的一只” —— 来源 article §1 演示案例
- 走势图参数：最近一年的股票价格行情走势折折线图 —— 来源 article §1
- 最终结果推荐：给出最值得投资的个股，并渲染出个股的财报分析表格 —— 来源 article §1

**开发计划**：
- step 1 (~4s) — 助手界面展示 - 动态虚化暗图，淡入 Web 逻辑界面全景线框图
- step 2 (~11s) — 提问栏模拟输入 - 在聊天输入框中动态打字显示集成电路制造板块投资问题
- step 3 (~8s) — 后台执行进度流 - 依次点亮：需求分析节点 → 信息检索工具 → 报告产出汇聚
- step 4 (~8s) — 行情渲染展示 - 屏幕下半部分滑入股票最近一年价格行情走势图 placeholder
- step 5 (~5s) — 财务表格渲染 - 展示量化财务指标分析的 pandas dataframe 表格框架
- step 6 (~6s) — 最终结论砸出 - 展示包含最终推荐个股（高亮 "Yangjie Technology"）的 Markdown 面板
- step 7 (~6s) — 过渡导引页 - 暗场背景下大字滑入："这个 Agent 的内部处理 '总线' 是什么样的？"

口播节选：
> 我们先看看做出来的实际效果。…… 我们拆开来看看。

---

## 3. graph-code — LangGraph 数据总线与四节点（14 steps · ~178s）

**信息池**：
- 节点定义：plan_node (生成 plan，Y共享), llm_call (生成 Action 参数, Y共享), tool_node (执行工具，Y共享), should_continue (路由条件分支, Y共享) —— 来源 article §3 节点定义表
- 数据 State 扩展：State 类继承 MessagesState，包含 `plan: str` 和 `loop_count: int = 0` 表示已执行工具数 —— 来源 article §3 State 源码
- 熔断设置：量化循环次数上限，默认 `DEFAULT_MAX_LOOP = 3`，最大 `MAX_LOOP_LIMIT = 15` —— 来源 article §3 核心变量
- 状态图连线：START -> plan_node -> llm_call -> should_continue (Action / MaxTradeReached / END / Continue) -> environment -> llm_call —— 来源 article §3 编排代码

**开发计划**：
- step 1 (~6s) — Agent 主干总线设计 - 屏幕正中绘制双 Agent 多节点环形拓扑流图
- step 2 (~10s) — 两类 Agent 概念对比 - 拓扑图左侧标明慢思考（Plan），右侧标明工具执行（Execution）
- step 3 (~6s) — 计划单次限制 - 动效高亮提示 "简化起见，plan_node 只让 AI 思考一轮"
- step 4 (~8s) — LangGraph 统一编排 - 引入 LangGraph 统一调度维护上下文的核心机制概念
- step 5 (~4s) — 4节点表格列举 - 列表显示 nodes 大纲：plan_node, llm_call, environment, branches
- step 6 (~12s) — 节点 1 & 2 定义 - 单独高亮拓扑图中 `plan_node`（生成任务计划）和 `llm_call`（生成 Action）
- step 7 (~20s) — 节点 3 & 4 定义 - 单独高亮拓扑图中 `tool_node`（工具执行 Observation）与路由控制节点
- step 8 (~3s) — 源码栏滑入 - 左侧滑起 `agent.py` 完整代码 placeholder
- step 9 (~22s) — 自定义 State 构建 - 高亮代码段 `class State(MessagesState):` 及其中的 `plan` 和 `loop_count` 扩展属性
- step 10 (~18s) — plan_node 代码剖析 - 高亮 `plan_node` 函数中调用 DeepSeekR1 并将响应内容存入全局 State 的 plan
- step 11 (~19s) — llm_call 代码剖析 - 高亮 `llm_call` 中把 state 中的 `plan` 注入到 SystemMessage 进行执行大约指示
- step 12 (~10s) — Final Answer 触发条件 - 展示提示词中指示 AI 必须以 "Final Answer" 终结的书写样例高亮
- step 13 (~22s) — tool_node 代码剖析 - 高亮 `tool_node` 中的 loop 提取 `tool_calls` 执行工具并计算 ToolMessage 机制
- step 14 (~8s) — 循环计数累加 - 高亮更新 Loop 计数的机制 `state.get('loop_count', 0) + len(new_messages)`

口播节选：
> 这个 A股行情助手，底层是一个多 Agent 总线。…… 反馈给共享状态。

---

## 4. context-pollution — 如何解决上下文污染（8 steps · ~108s）

**信息池**：
- conditional branch codes：路由决策 should_continue，根据 loop_count 达到 _get_max_loop(state) 强制熔断返回 MaxTradeReached —— 来源 article §3 should_continue 源码
- StateGraph 编译：`agent_builder = StateGraph(State)` 关联节点并生成 agent 实例 —— 来源 article §3 编排逻辑
- 应对手段 1：共享 State 扩展 —— 将高开销的 `plan` 规划和大盘计数器存入自定义 State，只让 LLM 看到结构化的 System 命令，不往 Chat History 塞废话 —— 来源 article §3.2 点 1
- 应对手段 2：业务特征数据提前加工 —— 工具向 Agent 返回 Observation 前，用 pandas/numpy 提前处理完高维波动与回撤，把近一年数百个 K 线砍为极小的字典汇总 —— 来源 article §3.2 点 2

**开发计划**：
- step 1 (~15s) — should_continue 代码剖析 - 左侧高亮 `should_continue` 方法中对 `tool_calls` 的捕捉和拦截分支
- step 2 (~12s) — 阈值防死循环 - 高亮 loop_count 大于等于阈值时强制分流到 `MaxTradeReached` 终止节点
- step 3 (~10s) — 正直结算路由 - 指向包含 Final Answer 的文本走 `END` 或无工具无 Final Answer 的 `Continue` 分支
- step 4 (~23s) — 编排 StateGraph 图关系 - 代码高亮 StateGraph 的 add_node / add_conditional_edges 全生命周期连线
- step 5 (~7s) — 难点大字指出 - 屏幕遮罩，拉出核心词汇 "上下文污染 Context Contamination" 的痛点警报
- step 6 (~16s) — 共享 State 优化法 - 绘制传统 Chat History 爆炸图 vs 共享 State 进程全局共享后的精简流量对比动效
- step 7 (~15s) — 提前高维预处理 - 拓扑图中示意：工具节点先进行 Pandas 转换，把 252 个原始 K 线包剥离，只抓取 3 个核心量化数字
- step 8 (~10s) — 空间压缩对比 - 动图拉起柱状条，显示数据体积精简 100 倍以上的绝对节省结果

口播节选：
> 最后是条件路由 should_continue。…… 数据空间直接缩减了上百倍。

---

## 5. ui-build — Streamlit 页面与触发逻辑（3 steps · ~40s）

**信息池**：
- 侧边栏配置：DeepSeek API Key (用 config.json 做持久化)，最大循环次数滑块 (st.slider, 1 至 15 级) —— 来源 article §3.3 app.py 源码
- 常用功能预置：st.button ("查看涨跌概览", "白酒双雄对比 600519 和 000858", "半导体龙头分析 688981 和 603501") —— 来源 article §3.3 app.py 源码
- 触发方式与渲染：利用 run_analysis(prompt_text) 包装 agent.invoke 调用，获取 final_answer，渲染 output 目录下的行情图 chart.png 与量化指标 CSV —— 来源 article §3.3 app.py 源码

**开发计划**：
- step 1 (~9s) — 交互应用 app.py - 屏幕左侧滑入 app.py 配置加载代码段，右侧滑入 Streamlit UI 对话框模型
- step 2 (~13s) — 侧边栏及常用按钮 - 特写 UI 侧边栏，闪烁展示 API 保存框、loop 调节滑块与三大快捷预设跳转按钮
- step 3 (~18s) — 驱动 invoke 和本地解耦 - 特写 `run_analysis` 的 invoke 反射：抓取 `stocks_price_chart.png` 和指标 CSV，绘图并渲染指标分析卡

口播节选：
> 有了这个 Agent 以后，我们用 Streamlit 给他搓一个 Web 界面。…… 渲染到页面上。

---

## 6. quant-math — 行情指标与 pandas 预计算（8 steps · ~69s）

**信息池**：
- K线行情列名：日期, 股票代码, 开盘, 收盘, 最高, 最低, 成交量, 成交额, 振幅, 涨跌幅, 涨跌额, 换手率 —— 来源 article §4 原始数据表格
- 核心物理公式 1 (日收益率)：`stock_data['日收益率'] = stock_data['收盘'].pct_change()` —— 来源 article §4.1 计算源码
- 核心物理公式 2 (年化波动率)：`volatility = stock_data['日收益率'].std() * np.sqrt(252) * 100` —— 来源 article §4.1 计算源码
- 核心物理公式 3 (区间涨跌幅)：`total_return = (end_price - start_price) / start_price * 100` —— 来源 article §4.1 计算源码
- 核心物理公式 4 (最大回撤)：利用 `cummax()` 求最大，计算 `drawdown` 后再求 `max()` 得出 —— 来源 article §4.1 计算源码
- 公司年报基本数据列名：每股收益, 营业总收入, 同比增长, 净利润, 净资产收益率, 所处行业 —— 来源 article §4.2 年报表格

**开发计划**：
- step 1 (~6s) — 数据质量立论 - 满屏只留一句话大字："AI 唯一可靠性的基石：真实底层个股行情数据"
- step 2 (~10s) — 原始流水账表格 - 代码块列表虚化飞出：日期/代号/开盘收盘等复杂数据在表格层级滚屏
- step 3 (~7s) — 工具加工预处理 - 箭头引导：数据流进入工具加工层，防止大模型读流水账并编造回撤
- step 4 (~3s) — 核心量化算式列出 - 左侧滑入代码框：`stock_data` 的 pandas 处理片段
- step 5 (~11s) — 日收益与年化波动率 - 算法公式高亮：日收 `pct_change()` 与 std 标准差乘以根号 252 年化变动算式
- step 6 (~10s) — 资产最大回撤算式 - 算法公式高亮：`stock_data['收盘'].cummax()` 计算区间最大与 drawdown 最大变动算式
- step 7 (~10s) — 生成超轻量 JSON 字典 - 弹出量化特征字典框：只含有起始价、结速价、涨幅、回撤和波动率 5 项数值
- step 8 (~12s) — 财报核心面板 - 表格形式浮入，展示每股收益收益率、销售毛利率等必不可少的年报指标样例

口播节选：
> 我们常说，AI 的可靠性唯一来源就是真实的底层数据。…… AI 就能做出极其科学的财务对比。

---

## 7. case-compare — 中美脱钩下的芯片板块出海盘点（9 steps · ~105s）

**信息池**：
- 对照模型：第 5 阶段无增强多 Agent 慢思考反思版 —— 来源 article §5
- 提问选择：求集成电路制造板块谁有出口，且最值得投资的一只 —— 来源 article §5
- 研报宏观对比：
  - 中芯国际 (688981.SH / 00981.HK)：本土营收达 89%，北美降至 9%，欧亚占 2%，实质已为国产替代内需巨头 —— 来源 article §5 中芯
  - 华虹半导体 (688347.SH / 01347.HK)：北美营收达 7280 万美元占 14.4% (同比增 51.3%)，海外总和达 20%，侧重特色工艺（MCU / 车规）防脱钩能力好 —— 来源 article §5 华虹
  - 闻泰科技 (600745.SH)：收购荷兰安世半导体 (境外占比高达 65%~70%)，出海能力极强但被国内 ODM 业务低毛利高折旧拖累 —— 来源 article §5 闻泰
  - 扬杰科技 (300373.SZ)：功率器件 IDM，境外收入稳定在 30% 左右，自有品牌出海且高 ROE，是无数据增强 Agent 的首选推荐 —— 来源 article §5 扬杰
- 逻辑评估：旧 Reflection Agent 虽然框架花哨有规划反思，但因数据缺失出现多处事实幻觉且格式飘移，易受网上舆论带跑；行情助手依靠自研算力，论断踏实稳定 —— 来源 article §5 点评

**开发计划**：
- step 1 (~7s) — 左右对照组展示 - 分割画面：左侧数据增强“行情助手”绿色，右侧无增强“旧 Agent 框架”黄色
- step 2 (~6s) — 共同问题靶心 - 居中滑入问字大字："集成电路制造板块中，谁值得投资？"
- step 3 (~10s) — 旧 Agent 推荐报告 - 右侧黄色框亮起，展示旧框洋洋洒洒生成的长文，最终给出的答案 "扬杰科技"
- step 4 (~3s) — 四强企业列表 - 居中浮出中芯、华虹、闻泰、扬杰大卡片
- step 5 (~20s) — 中芯与华虹出海实力较量 - 高亮对比：中芯国际北美回落至 9% 主要攻本地替代；华虹北美逆势增长占 14.4% 抵御地缘能力优
- step 6 (~26s) — 闻泰重负与扬杰出海高利润 - 高亮对比：闻泰安世虽海外占比近七成但 ODM 低毛利硬伤大；扬杰 30% 海外出海自有品牌 ROE 口碑好
- step 7 (~5s) — 华美框架的漏洞 - 黄色半屏上打出红色 “数据漏洞错误” 的标签装饰
- step 8 (~14s) — 数据拼凑的幻觉 - 展现多 Agent 由于缺具体计算在网上随意抓取混淆年限数据的低级错误
- step 9 (~14s) — 真实计算的碾压 - 左侧绿色半屏“行情助手”高亮亮起，展示基于 pandas 读取 CSV 生成的确定性对比数据

口播节选：
> 我们拿上一代没有数据增强的多 Agent 来做个对照测试。…… 逻辑更扎实。

---

## 8. conclusion — AI 无法翻越的真实物理数据墙（7 steps · ~59s）

**信息池**：
- AI 本质工具定位：AI 能在真实数据基础上弥补空隙（画表、做图、归纳），但它绝不是 “生成真实数据” 的物理个体 —— 来源 article §6
- 数据唯一来源：真实数据源自现实物理世界的搜集与抓取（例如需要拉取拉 5000 只股票历年数据） —— 来源 article §6
- 传统壁垒壁垒：对尚未有高度量化标准与指标的传统高门槛行业（如房室装修设计、中医把脉问诊），AI 面临信息物理高墙，面临无法直接取而代之的窘境 —— 来源 article §6
- 实盘蛋彩蛋：中芯国际行情图表 (5-19 对比 5-27 波段分析实盘对比) —— 来源 article PS 附录

**开发计划**：
- step 1 (~11s) — AI 起到的桥梁功能 - 暗底居中大字："AI 只帮我们处理并表现真实数据"
- step 2 (~4s) — 核心现实底线 - 闪现居中大白字："数据来源于世界本身，非 AI 编造"
- step 3 (~11s) — 金融的轻量壁垒 - 展示行情数据库字段流水与流速，表明金融数据获取与格式化的轻量优势
- step 4 (~11s) — 传统未量化的痛处 - 表白墙挂上 "医疗门槛"、"建筑装修"，覆上红斜杠，表征 AI 面临的高密度物理数据墙壁
- step 5 (~6s) — 未来人类护城河 - 居中词块 "物理数据壁垒，就是人类短期不可被替代的根本原因"
- step 6 (~6s) — 趣味跟投实盘彩蛋 - 滑入中芯国际 5 月 19 日到 27 日的价格折线跳升图，标注 "100 股小赌" 箭头
- step 7 (~10s) — 结束画面拉黑 - 黑场大字打出："置顶评论获取 agent 工具代码 · 下期再见 · 记得带上你自己的数据"

口播节选：
> 所以，这套系统不是由 AI 凭空生成事实，…… 我们下期见。

---

## 素材清单

### 2. showcase
- ⚠️ 网页应用的主界面概念线框图 `image-20260526152403764.png` (待替换为本地高清截图)
- ⚠️ 个股行情一年的折线图样例 `PicGo演示案例1.PNG` (待注入本地行情模拟折线图)
- ⚠️ 量化财务指标的报表样例 `image-20260527135644224.png` (待替换为精简的 Pandas DataFrame 大小图)
- ⚠️ AI 最终推荐的富文本输出图 `image-20260527135826060.png` (待替换为推荐 markdown 生成截图)

### 3. graph-code
- ⚠️ LangGraph 主干总线拓扑关系图 `PicGoagent_graph.png` (待重新渲染为 `blueprint` 主题匹配的青色框线拓扑图)

### 8. conclusion
- ⚠️ 中芯国际 5-19 股票趋势截图 `PicGo688981_5-19.jpg` (待替换)
- ⚠️ 中芯国际 5-27 股票趋势截图 `PicGo688981_5-27.jpg` (待替换)

---

## 自检

- [x] 每个 step 都是**单一步屏幕内容描述**，没有"动画"行 / "手段"行
- [x] 没有任何 step 写了具体毫秒 / 秒数（除 `(~Ts)` 口播估时）
- [x] 每章首段都有「信息池」block，至少 3 条 article 抽取项，**每条必带来源标注**（`—— 来源 article §...`）
- [x] **所有 step `(~Ts)` 累加 ≈ 顶部声明的总时长**（总时长估计 677s ≈ 11m 17s，各章节独立累加 80+48+178+108+40+69+105+59 = 687s，占比误差 1.4%，极度严密符合要求）
- [x] 章节切分符合 "每章 3~8 步 / 30~60s 一聚焦主题"（大部分长开发段分步稍宽但结构清晰独立，均符合题材特质）
- [x] 末尾「素材清单」分章节列出，✓ / ⚠️ 标明到位
- [x] 脚本不得包含标题、序号等非口播内容，仅包含人类正常可读的内容

SKILL 流程图

把整个工作流的处理过程梳理如下：

小结

随便写写：

就像文章开提到的： SKILL 只是把那些反复操作的动作，以自然语言或者脚本的方式固化下来——减少单一依赖LLM 自主探索时带来的不确定性和高tokens 消费问题。

它没有新技术的突破，甚至更依赖之前 tools 和 MCP的工具调用。

关键点在于如何把复杂的工作流整理成 Agent 能读懂、能有条理执行的SOP——而这些SOP 是个人和公司一点一点实践、总结出来的。也是AI 无法替代的。

具体操作可以参考本文的两个实例——可以是只有 SKILL.md 的技能，也可以是带有脚本、参考文档和模板的复杂SKILL。

扩展阅读

Agent Skills Overview

How Skills work

SKILLS on 达蒙西的囚笼

AI SKILL 快速入门

简单回顾下 AI 周边的生态

SKILLS 已成为 智能体的标配

组成部分

调用逻辑和接口

案例一：只有 SKILL.md 一个文件的SKILL

L1 内容加载

L2 内容加载

SKILL 流程图

案例二：复杂点的 SKILL

SKILL 工作流介绍

L3 内容加载

SKILL 流程图

小结

扩展阅读

SKILLS 已成为智能体的标配