基金深度研究报告生成器Skill:一句话生成可溯源、带时间戳的基金深度研究报告
- 一句话定位:基于恒生聚源 MCP 金融数据服务,自动拉取 7 个维度的基金数据并生成 Markdown 格式的深度投资研究报告,覆盖基金概况、业绩、资产配置、基金经理、基金公司、投资建议六大模块。
- 数据可溯源:所有指标均来自 MCP 金融数据库接口,报告中带时间戳,避免"AI 凭空编造数字"的常见问题。
- 一条指令即可出报告:在支持 OpenClaw 的环境中直接说"帮我分析基金 005827,生成深度研究报告",即可触发完整流程。
- 效率提升明显:7 个维度数据并发获取,单次完整数据获取约 60–90 秒,省去人工在多个页面反复复制粘贴的时间。
- 有边界要看清:依赖有效的 JY_API_KEY,报告为 Markdown 格式(不支持直接导出 PDF/Word),不支持多基金横向对比,且报告不构成投资建议。
该技能叫什么?如何下载安装 AI 技能提升开发效率?
基本信息
| 项目 | 内容 |
|---|---|
| 技能中文名 | 基金深度研究报告生成器Skill |
| 技能英文名 | jy-fund-research-report |
| 技能ID | 2122241785051381762 |
| 当前版本 | 1.0.0 |
| 输出格式 | Markdown 研究报告 |
它解决什么问题
做基金研究的人几乎都经历过这样的流程:打开基金公司官网看基本信息,切到第三方平台翻业绩排名,再去另一处找持仓明细,最后打开基金经理履历页面手动记录——信息分散在五六个页面,格式各不相同,整理成一份结构完整的报告往往要花掉一两个小时,而且每次都要重复劳动。
这个技能要解决的就是"数据收集 + 结构化整理 + 初步分析"这三段重复劳动:它通过 MCP 协议对接恒生聚源金融数据服务,把 7 个维度的数据一次性拉齐,再交给 AI 按固定模板做归因分析和投资建议,最终产出一份可直接使用的 Markdown 报告。
支持查询的基金类型:股票型基金、混合型基金、债券型基金、QDII 基金、FOF 基金。
"一键安装"的完整思路与步骤
这个技能本身是一个技能包(包含 SKILL.md、run.sh、scripts/fetch_data.py、ai_prompt.md、references/report_template.md 等文件),因此在安装技能包之前,需要先备好它依赖的运行环境。整体思路是:装运行时 → 装 mcporter → 申请密钥 → 配置 MCP 服务 → 验证调用。
安装前提:本技能依赖 node、npm、mcporter、python3 四个可执行组件,且需要一枚有效的 JY_API_KEY。
步骤 1:检查 mcporter 是否已安装
mcporter --version
步骤 2:如未安装,通过 npm 全局安装
npm install -g mcporter
mcporter --version
步骤 3:申请 JY_API_KEY
向恒生聚源申请接口鉴权密钥。技能说明中给出的申请入口为恒生聚源数据地图 MCP 申请链接:https://www.gildata.com/products/datamap。申请通过后即可获得 MCP 服务的 JY_API_KEY(具体申请条件与配额以官方说明为准)。
步骤 4:配置两个 MCP 服务
mcporter config add jy-financedata-tool --url "https://api.gildata.com/mcp-servers/aidata-assistant-srv-tool?token=你的 JY_API_KEY"
mcporter config add jy-financedata-api --url "https://api.gildata.com/mcp-servers/aidata-assistant-srv-api?token=你的 JY_API_KEY"
步骤 5:验证配置是否生效
mcporter list
预期输出中应同时包含 jy-financedata-tool 与 jy-financedata-api 两个服务名。
步骤 6:测试一次真实调用
mcporter call jy-financedata-api.FundBasicInfoReport "query=基金 005827"
预期返回基金基本信息的 JSON 数据,包含基金代码、名称、类型、规模、成立日期等字段。若这一步能拿到数据,说明链路已经打通。
步骤 7:运行环境检查脚本
cd ~/Desktop/jy-fund-research-report
./run.sh --check
脚本会自动检查四项内容:mcporter 是否安装、MCP 服务是否配置、Python 3 是否可用、输出目录是否存在。
步骤 8:真实验证是否"完全生效"
./run.sh 005827
ls -la output/
如果 output/ 目录下出现了 005827_data.md(原始数据)与 005827_report.md(分析报告),说明技能已可正常使用。
提示:
jy-financedata-api服务没有通用的FinancialDataAPI工具,必须调用具体工具函数(如FundBasicInfoReport、StageIncreaseReport、FundHistoryManagerReport等),这是新手最容易踩的坑。
该技能的主要功能和特点
六大报告模块
- 基金基本概况:基金代码、名称、类型、规模、成立日期、业绩基准、费率等基础字段一次拉齐。
- 业绩深度分析:覆盖各周期收益率、同类排名,以及夏普比率、波动率、最大回撤等风险指标。
- 资产配置分析:股票/债券/现金仓位比例、行业分布、持仓集中度与重仓股情况。
- 基金经理分析:现任与历任经理、管理业绩、投资风格、能力圈判断。
- 基金公司分析:基金公司概况、管理规模、投研团队、财务数据。
- 投资建议:适合的投资者类型、配置建议与风险提示。
差异化特点:和普通工具比强在哪
- 并发取数,速度快:7 个维度数据并发调用,单次完整数据获取约 60–90 秒,而不是一个页面一个页面地翻。
- 数据可溯源、带时间戳:每个指标都来自明确的 MCP 工具调用,报告里能对应到数据来源,减少"AI 编数字"的风险。
- 结构化模板输出:不是零散回答,而是一份按
references/report_template.md格式组织、含六大模块的完整报告。 - 支持按维度拆分调用:只想看业绩、只想看基金经理、只看资产配置都可以单独取数,不必每次跑全量。
- 容错设计清晰:单次查询超时 30 秒、整体获取超时 180 秒;超时后输出已获取数据并标记缺失部分;查询无数据标记为"暂缺";网络错误重试 1 次后再报错。
- 优先代码查询策略:先用 6 位基金代码(最准确),失败再尝试基金全称,关键数据缺失时还会尝试同义词查询。
如何使用该技能?
方式 A:命令行运行(适合本地批量与脚本化)
第 1 步:进入技能目录
cd ~/Desktop/jy-fund-research-report
第 2 步:运行入口脚本,替换成你要分析的基金代码
./run.sh 005827
也支持用基金名称查询:
./run.sh 易方达蓝筹精选混合
第 3 步:只取某个维度的数据
./run.sh 005827 performance # 仅获取业绩数据
./run.sh 005827 manager # 仅获取基金经理信息
./run.sh 005827 allocation # 仅获取资产配置
第 4 步:查看输出
ls -la output/
cat output/005827_data.md
原始数据写入 {code}_data.md,AI 分析后的报告为 {code}_report.md。
方式 B:在 OpenClaw 中直接用自然语言触发(适合日常快速查询)
帮我分析基金 005827,生成深度研究报告
分析易方达蓝筹精选混合的业绩和基金经理
生成 005827 的投资研究报告
AI 会自动完成三步:调用 MCP 工具获取数据 → 进行深度分析 → 输出完整报告。
方式 C:用 Python 脚本直接取数(适合二次开发)
python3 scripts/fetch_data.py 005827
输入怎么写效果最好
- 优先用 6 位基金代码:如
005827,这是最准确的查询方式。 - 用完整基金名称:如"易方达蓝筹精选混合",不要只写"易方达蓝筹"这类简称。
- 可指定分析维度:“005827 业绩分析”、“005827 基金经理”,能减少无关数据拉取。
输出说明
生成的是 Markdown 格式文本,六大模块按顺序排列,正文中所有数据带时间戳。示例中的 7 个取数工具与用途对应关系如下:
| 维度 | 工具名 | 用途 |
|---|---|---|
| basic | FundBasicInfoReport |
基金概况、规模、费率 |
| performance | StageIncreaseReport |
各周期收益率、排名 |
| risk | FundIncomeRiskReport |
夏普比率、波动率、回撤 |
| manager | FundHistoryManagerReport |
经理履历、管理业绩 |
| allocation | FOFAssetDistReport |
股票/债券仓位 |
| holdings | ShareholdingDetailReport |
持仓集中度、重仓股 |
| company | FundCompanyBasicInfo |
公司实力、财务数据 |
同类型竞品对比分析
| 方案名称 | 定位 | 核心功能 | 安装/使用门槛 | 适用场景 | 优势与不足 |
|---|---|---|---|---|---|
| 基金深度研究报告生成器Skill(jy-fund-research-report) | 自动化基金研究报告生成器 | 6 大模块报告、7 维度并发取数、业绩归因、经理与公司分析、投资建议 | 需安装 node/npm/mcporter/python3,并配置 JY_API_KEY 与两个 MCP 服务 | 快速产出结构化基金研究报告、投研初稿、内容素材 | 优势:一条指令出报告、数据可溯源带时间戳、按维度拆分调用灵活;不足:依赖密钥与网络、仅输出 Markdown、不支持多基金横向对比 |
| 第三方基金信息平台(如各类基金数据网站/App) | 面向大众的基金信息查询入口 | 净值查询、业绩排名、持仓披露、基金档案 | 无需安装,注册即可浏览 | 日常查看单只基金的基本表现 | 优势:零门槛、界面友好、覆盖广;不足:需人工逐页摘取信息、无自动报告生成、分析与结论仍需自己写 |
| 专业金融终端(如 Wind、Choice 类终端) | 面向机构的专业投研数据终端 | 全量金融数据、Excel 插件取数、深度数据字段 | 需要付费账号与客户端安装,学习成本较高 | 机构投研、量化研究、合规要求高的场景 | 优势:数据维度极全、专业度高;不足:成本高、上手慢、报告仍需自行搭建模板 |
| 通用大模型直接问答 | 通用对话式 AI | 泛化问答、文本生成 | 打开网页或 App 即可用 | 概念解释、思路梳理 | 优势:门槛最低;不足:缺乏实时、可溯源的基金数据库支撑,具体数字容易失真,无法保证数据时效与出处 |
怎么选:如果只是随手看看某只基金净值,第三方平台足够;如果是机构级全量数据与合规要求,专业终端更合适;如果目标是**“在几分钟内拿到一份结构完整、数据带出处的基金研究报告初稿”**,这个技能的定位正好卡在中间地带。
该技能的典型应用场景与实际体验情况
场景一:个人投资者做买入前的功课
角色与痛点:普通投资者想买入一只基金,但面对招募说明书、季报、业绩排名等一堆材料,不知道从哪看起,也看不懂夏普比率、最大回撤到底意味着什么。
使用方式:在 OpenClaw 中直接说"帮我分析基金 005827,生成深度研究报告",拿到报告后重点看"业绩分析"与"投资建议"两节,关注同类排名、回撤表现和适合投资者类型的说明。
实际体验:上手几乎没有门槛,一句自然语言就能跑通。需要注意的是,报告中的投资建议是基于数据的归纳,仅供参考,不构成投资建议,最终决策要结合自身风险承受能力。
场景二:理财顾问/投顾准备客户沟通材料
角色与痛点:需要给客户展示某只基金的完整画像,但每写一份材料都要在多个平台之间切换复制,效率低且容易漏项。
使用方式:用 ./run.sh 基金代码 批量生成多只基金的报告,把 output/{code}_report.md 作为沟通底稿,再补充自己的观点。
实际体验:六大模块的结构固定,省去了自己搭框架的时间。注意本技能不支持多基金对比分析,需要横向比较时要分别查询后自行整理。
场景三:基金研究员做初步筛选与归因
角色与痛点:研究员在初筛阶段需要快速了解一只基金的业绩来源、持仓风格与基金经理能力圈,人工整理耗时。
使用方式:先用 ./run.sh 005827 performance 单独拉业绩数据做快速筛选,对感兴趣的基金再跑全量报告;也可用 python3 scripts/fetch_data.py 005827 直接取原始数据做二次加工。
实际体验:7 维度并发取数速度不错(约 60–90 秒),风险指标与同类排名都有覆盖。注意新成立不足 3 个月的基金数据可能不完整,QDII 基金数据可能存在 T+2 延迟。
场景四:财经内容创作者找素材
角色与痛点:写基金测评类内容需要大量结构化数据支撑,纯靠手工整理效率极低。
使用方式:生成 Markdown 报告后直接改写为文章段落,数据带时间戳便于标注出处。
实际体验:报告本身就是 Markdown,复制到编辑器里基本无需二次排版。但输出不支持直接导出 PDF/Word,需要转换格式的话要另找工具。
该技能能为用户带来的价值
1. 把"两小时的手工整理"压缩到"几分钟的等待"
过去做一份基金研究报告,需要跨 5–6 个页面采集信息、手工对齐字段、再组织成文。现在 7 个维度数据并发获取约 60–90 秒,加上 AI 分析生成,整体耗时大幅下降。对于需要定期跟踪多只基金的用户,这个节省是按倍数累积的。
2. 降低专业报告的门槛
夏普比率、波动率、最大回撤、持仓集中度这些指标,很多人知道名字但不会组合解读。技能把指标采集、业绩归因、经理能力评估、投资建议串成一条完整链路,让非专业用户也能拿到一份结构专业的报告。
3. 用"可溯源 + 时间戳"提升可信度
AI 生成金融内容最大的风险是数字失真。这个技能的数据全部来自 MCP 金融数据接口的具体工具调用,报告中带时间戳,用户可以回溯每个数字的来源,这比让通用大模型"凭记忆回答"可靠得多。
4. 输出即素材,可复用性强
Markdown 格式天然适配写作、笔记、知识库等场景,output/{code}_data.md 保留原始数据可做二次加工,{code}_report.md 可直接作为初稿使用。
5. 长期价值:把投研流程标准化
六大模块的固定结构意味着不同基金、不同时间的报告具备可比性。长期使用下来,形成的是自己的一套标准化投研档案,而不是每次重新造轮子。
常见问题 FAQ
Q1:这个技能怎么安装?一定要有 JY_API_KEY 吗?
必须先装好 node、npm、mcporter、python3 四个组件,再通过 npm install -g mcporter 安装 mcporter,然后向恒生聚源申请 JY_API_KEY,用 mcporter config add 配置 jy-financedata-tool 与 jy-financedata-api 两个服务。是的,必须有有效的 JY_API_KEY,因为所有数据都来自恒生聚源 MCP 服务,没有密钥就无法取数。最后用 ./run.sh --check 检查环境是否就绪。
Q2:这个技能收费吗?
技能本身是一个开源可读的技能包(含 SKILL.md、run.sh、fetch_data.py 等文件),但它的数据来源依赖恒生聚源 MCP 服务,需要申请 JY_API_KEY,该密钥的申请条件与计费方式以恒生聚源官方说明为准,技能详情中未提供价格信息。另外调用大模型做分析可能产生相应的模型调用成本,同样以你所使用平台的官方说明为准。
Q3:为什么我调用时报错"找不到 FinancialDataAPI"?
这是最常见的配置误区。jy-financedata-api 服务没有通用工具 FinancialDataAPI,必须调用具体工具函数,例如 FundBasicInfoReport(基本信息)、StageIncreaseReport(业绩)、FundHistoryManagerReport(基金经理)等。用 mcporter call jy-financedata-api.FundBasicInfoReport "query=基金 005827" 这样的写法才是正确的。
Q4:适合谁用?不适合谁用?
适合:需要快速产出基金研究报告的个人投资者、理财顾问、基金研究员、财经内容创作者。不太适合:需要全量专业字段与合规级数据支持的机构场景(更适合专业金融终端);需要实时净值数据的场景(本技能数据通常 T+1 更新,实时净值需通过其他工具获取);需要多基金横向对比的场景(本技能不支持,需分别查询)。
Q5:生成的报告能直接当投资依据吗?
不能。技能说明中明确声明:本报告由 AI 基于公开数据生成,仅供参考,不构成任何投资建议。基金投资有风险,过往业绩不代表未来表现;报告数据可能存在延迟或误差,请以基金公司官方披露为准;使用本技能产生的任何投资决策风险由用户自行承担。
Q6:脚本跑超时了怎么办?
技能说明中给出了三种处理方式:减少并发数量(修改 fetch_data.py 中的 max_workers)、增加超时时间(修改 CONFIG 中的 timeout 配置)、检查网络连接。默认策略是单次查询超时 30 秒、整体获取超时 180 秒,超时后会输出已获取数据并标记缺失部分。另外请妥善保管 JY_API_KEY,不要在公开场合分享。