💡 本文是「小龙虾搞钱指南」系列的工具篇。上篇拆了怎么靠 Skill 赚钱，这篇直接给你一套炒股用的工具包——让你的 AI 自己看盘、读新闻、写研报。
贵金属跳水，A 股有色板块联动暴跌。
如果你自己做分析，流程大概是这样的：打开财联社翻快讯，切到微博看情绪，再去东方财富拉 K 线数据，然后手动整理出一条逻辑链——贵金属为什么跌、怎么传导到 A 股、哪些板块受影响。一个专业研究员，认真做完这套，至少半天，半天过去，股市都收盘了
接下来，用下面的这个工具，做同样的事，只需要花了 5 分钟， 开源的，如果你有动手能力，你可以改一改，viber coding 下，更符合你的需求。
在 OpenClaw / AI 里输入一句话：
"分析今天贵金属跳水对 A 股的影响"
然后 AI 自己跑了三步：
第一步，同时去财联社、华尔街见闻、微博抓相关快讯，整理出一份热点趋势报告。
第二步，画出一张完整的市场传导链路图——贵金属跌了，为什么有色板块会联动，中间经过哪几步，每个环节是正面影响还是负面影响，全标出来了。
第三步，把 K 线数据和新闻情绪合在一起，跑出一个未来走势预测。
这三步，一行代码都不用写。
做到这一切的是一个叫 Awesome-finance-skills[1] 的开源项目，1.5k Star，Apache 开源，免费。下面拆解怎么装、每个模块干什么、以及哪些你真正用得上。
五分钟装进去
方式一：命令行一键装（推荐）
npx skills add RKiding/Awesome-finance-skills@alphaear-newsnpx skills add RKiding/Awesome-finance-skills@alphaear-stocknpx skills add RKiding/Awesome-finance-skills@alphaear-logic-visualizer方式二：手动复制到 Skills 目录
git clone https://github.com/RKiding/Awesome-finance-skills.gitcp -r Awesome-finance-skills/skills/alphaear-news ~/.openclaw/skills/cp -r Awesome-finance-skills/skills/alphaear-stock ~/.openclaw/skills/cp -r Awesome-finance-skills/skills/alphaear-logic-visualizer ~/.openclaw/skills/不同框架的安装路径：
~/.openclaw/skills/ | |
~/.claude/skills/ | |
~/.config/opencode/skills/ | |
~/.gemini/antigravity/global_skills/ |
每个 Skill 文件夹里必须有 SKILL.md，Agent 才认识它。
8 个模块分别干什么
数据分析获取：alphaear-news + alphaear-stock
炒股最烦的事情之一，是信息散在各处，你又不可能实时打开去看那么多的消息，那么下面的工具就很适合你。
alphaear-news 帮你接了 10 多个信源——财联社的快讯、华尔街见闻的深度、微博的热搜情绪，还有 Polymarket 的预测市场数据，一个接口全拿到。
你告诉它 source_id=cls，它去抓财联社；告诉它多个来源，它合并生成一份趋势报告。5 分钟内存缓存 + 本地 SQLite 存档，重复调不浪费请求。
alphaear-stock 覆盖 A 股、港股、美股三个市场。
三个接口够用：搜股票代码、拉 OHLCV 历史行情、拿基本面数据（市值、市盈率、行业分类）。
A 股和港股走 akshare（东方财富数据源），国内直连没问题。美股走 yfinance，需要能访问 Yahoo Finance，国内用需要科学上网。
情绪监控：alphaear-sentiment
一条新闻发出来，是利好还是利空，有时候很难说清楚。
alphaear-sentiment 用 FinBERT 做情感评分，输出 -1.0 到 +1.0 的数值。-1 是极度负面，+1 是极度正面，0 是中性。
关键在于 FinBERT 是怎么训练出来的。
普通的情感模型，训练数据是电影评论、社交帖子之类的东西。它学到的是"下滑"= 坏事，"超出"= 好事，然后直接加总判断情绪。
FinBERT 不一样。它喂的是路透社、彭博的金融新闻、上市公司公告、分析师报告——几十万篇，全是金融语境。
所以它学会的是金融领域的语义关系：
"营收下滑但超出预期"→ 正面（市场预期才是锚，超预期才是信号） "获得监管批准"→ 正面 "商誉减值"→ 负面 "战略性亏损"→ 不一定，要看上下文
这是语境理解，不是关键词匹配。
用法很直接：把公告、新闻标题或研报摘要扔进去，拿到一个 -1.0 到 +1.0 的数值。再结合价格数据看——情绪分大幅负面但股价没跌，可能是市场已经提前消化了；情绪分转正但价格还没动，可能是滞后反应。
情绪分本身不是信号，它是用来验证你判断的工具。
预测 alphaear-predictor
这是整个项目技术含量最高的部分。
Kronos 是专门为金融 K 线序列设计的开源基础模型（shiyu-coder/Kronos[2]）。它把 OHLCV 数据当成一种语言来建模，用自回归 Transformer 做时序预测。
简单说：它学的不是"价格应该涨多少"，而是"这种 K 线序列，接下来通常长什么样"。
接进来之后分两步走。第一步，Kronos 基于纯 K 线给出技术面预测。第二步，Agent 拿着最新新闻，用 LLM 判断要不要上调或下调这个预测结果。数据面 + 基本面，分开跑再合并。
from scripts.utils.kronos_predictor import KronosPredictorUtilitypredictor = KronosPredictorUtility()forecast = predictor.predict("600519", horizon="7d")print(forecast)要注意的是：Kronos 的模型权重（kronos_news_v1.pt）需要单独下载，放到 exports/models/ 目录下。依赖也重：torch、transformers、sentence-transformers。如果你只是想用新闻和行情数据，不用预测，可以跳过这个模块。
逻辑：alphaear-signal-tracker + alphaear-logic-visualizer
这两个放在一起讲，因为它们解决的是同一类问题：你的判断是否还成立？
alphaear-logic-visualizer：自动画传导链路图
你说"贵金属跳水会影响 A 股有色板块"，这是一个结论。但中间的传导路径是什么？
这个 Skill 做的事情，是让 LLM 把传导路径结构化，然后自动生成一张流程图。
原理分三步：
LLM 拆解逻辑链。Agent 拿到你的问题后，用一套专门的 Prompt，让 LLM 把宏观逻辑拆成一组节点和连线。比如"美联储加息 → 美元走强 → 大宗商品承压 → 有色金属期货下跌 → A 股有色板块联动下跌"，每个箭头就是一个传导环节。
生成 Draw.io XML。Prompt 要求 LLM 直接输出
<mxGraphModel>格式的 XML 代码——不是自然语言描述，而是真正的图表数据。Prompt 里规定了分层布局规则：X 轴按传导层级递进（第 1 层 x=0，第 2 层 x=200……），Y 轴分布同层节点，防止重叠。节点按影响方向上色：正向用绿色（#d5e8d4），负向用红色（#f8cecc），中性用灰色。渲染成可视化页面。
scripts/visualizer.py里的render_drawio_to_html方法，把 XML 嵌入 HTML 模板，引用 draw.io 官方的viewer-static.min.js脚本，浏览器打开就是一张完整的交互式流程图。
所以它不是"画了张图"，它是让 LLM 把模糊的因果关系变成了一张可验证的结构化逻辑图。你可以一个节点一个节点地检查：这条传导路径到底成不成立。你也可以一目了然，快速获取到信息。
alphaear-signal-tracker：信号生命周期管理
传导链路画出来了，下一个问题是：过了三天，这条逻辑还成立吗？
这就是 signal-tracker 做的事。你每次问它"帮我看看之前那个信号还成不成立"，它就跑一轮检查。
注意：它不是后台自动盯盘。 没有定时任务，没有 webhook，没有订阅机制。你问一次，它跑一次；不问，它不动。信号的历史状态存在本地 SQLite 里，下次问的时候跟上一次的快照做对比。
每次跑一轮，工作流分三步：
Research（收集）。调用
alphaear-search和alphaear-stock，拉取跟这个信号相关的最新新闻和价格数据。Analyze（分析）。用 FinAnalyst Prompt 生成一个结构化的
InvestmentSignal对象——包含信号论点（thesis）、信心水平（confidence）和强度评分（strength）。Track（追踪）。把新拉到的信息和上次存档的信号论点做对比，输出四种判定之一：
Strengthened（强化）：新信息进一步支持原论点 Weakened（弱化）：出现了反面证据，但还不足以推翻 Falsified（证伪）：核心假设已经被事实否定 Unchanged（不变）：没有实质性新信息
举个例子：你三天前建了一个看多铜的逻辑——"全球新能源需求上升 → 铜需求增长 → 铜价看涨"。今天你问 Agent "帮我 track 一下铜的信号"，它去拉最新新闻，发现欧洲新能源补贴政策收紧、铜库存数据超预期增长，输出 Weakened，信心从 0.8 降到 0.5。
如果你想让它定时跑，得自己在外面套一层调度——比如用 OpenClaw 的 automation 功能，设个每天早上 9 点自动执行 "track my signals"。但项目本身不带这个。viber coding ，发挥你的创意把～
传导链路图是"静态快照"，信号追踪是"按需复查"——两个合起来，才是完整的投资逻辑管理。
输出：alphaear-reporter + alphaear-search
alphaear-reporter 的工作流分三步：把多个信号按主题聚类分组，对每组信号分别生成分析段落，最后拼成完整研报并自动生成图表。依赖最轻，只用内置的 sqlite3。
alphaear-search 支持 Jina、DuckDuckGo、百度三个搜索引擎，还有本地 RAG——你自己收藏的研报、笔记、文章可以存进本地向量库，搜索时同时检索网络和本地资料，不漏掉你自己的历史积累。
注意
美股数据要挂代理。yfinance 走的是 Yahoo Finance，需要科学上网
说白了，它做的是什么
原来你要自己盯财联社快讯、手动去东方财富拉 K 线、用 Python 调 FinBERT 做情感分析、研究怎么跑 Kronos 模型——每一步都要写代码、处理依赖、对接口。一套做下来，半天到一天。
现在装几个 Skill，直接用自然语言问 Agent，5 分钟出结果。
研报不再是机构的专利。工具的门槛在消失，接下来拉开差距的，是你知道问什么问题。
写在最后
你不需要直接全部使用，你可以参考它的思路，或者是直接伸手党一键下载。
如果你只是想让 AI 帮你看盘、读新闻——装 alphaear-news + alphaear-stock 就够了，两分钟搞定，Agent 立刻有了实时数据这条腿。
如果你想更进一步，让 AI 帮你做情绪分析和走势预测——加上 alphaear-sentiment 和 alphaear-predictor。
如果你想搭一套完整的投资分析系统——八个全装，从数据采集到研报输出，全链路自动化。
另外，如果你想自己viber coding ，借鉴他不错的思路，可以参考 scripts/ 目录下的示例代码。
📌 关注公众号，不错过下一篇拆解。
觉得有收获？点赞 + 在看 + 转发，是对我最大的支持 🙏
