# index_deep_research_analysis_skills

**Repository Path**: aierwiki/index_deep_research_analysis_skills

## Basic Information

- **Project Name**: index_deep_research_analysis_skills
- **Description**: No description available
- **Primary Language**: Python
- **License**: Apache-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-04-13
- **Last Updated**: 2026-04-14

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 指数深度研究天气预报 Skill

这个目录提供一个面向 A 股指数天气预报场景的 Skill，用于使用唐氏深度研究法开展指数研究与天气预报输出。

它负责定义指数研究场景下的专属规范，包括初始化输入、第一轮研究维度、证据标准、时效纪律、技术验证要求和最终报告格式。

唐氏深度研究法的具体流程、轮次设计和发散-收敛执行方式，不在本目录重复展开。Agent 在执行本 Skill 时，应先加载 [../deep-research/SKILL.md](../deep-research/SKILL.md)，再应用本目录下的 [SKILL.md](SKILL.md)，并遵循其随机应变、轮次串行推进、兼顾广度与深度的研究方法。

## 目录用途

- [SKILL.md](SKILL.md)：定义触发条件、协同规则和指数场景执行规范
- [config/queries.json](config/queries.json)：提供第一轮探索维度资产

## 使用方式

Agent 触发这个 Skill 后，应按以下方式工作：

1. 明确指数名称、代码、研究基准日期、预报天数和用户额外诉求。
2. 先确认当前时间，再确认行情、事件、新闻、政策、资金等信息分别更新到什么时候。
3. 直接读取 [config/queries.json](config/queries.json)，把各维度作为第一轮探索方向。
4. 保持发散思维，同时纳入支持主线、挑战主线、可能推翻主线的不同证据。
5. 优先使用可信、可追溯、可交叉验证的信息源；对来源不清或未经证实的消息降级处理。
6. 如果环境中有行情接口、数据工具或技术分析能力，就主动用于补充行情、结构和技术面证据。
7. 最终输出天气预报式指数研究报告，并明确研究时间、信息截至时间、结论置信度和证据缺口。

如果环境中可使用 Python 和 TA-Lib，Agent 应主动把 TA-Lib 或同类工具纳入技术指标验证，用于支持或否定趋势、动量、波动率与支撑压力判断。

## 设计边界

- 不包含 Python 脚本
- 不包含 prompts 模板
- 不包含模型 API 配置
- 不绑定固定研究平台
- 不重复解释 deep-research 中的通用方法论

## 核心要求

- 研究维度直接作为第一轮探索方向
- 本 Skill 默认使用唐氏深度研究法，具体方法统一由 [../deep-research/SKILL.md](../deep-research/SKILL.md) 提供
- 最终产出是天气预报式指数研究报告，预报天数优先服从用户要求，默认 5 个交易日
- 研究必须注重时效性，先确认当前时间，再判断信息是否新鲜、是否存在时间错位
- 研究必须注重证据质量，优先使用可信来源，对关键信息做多方验证，对不确定消息降级处理
- 如果证据不完整，必须显式说明置信度和证据缺口
- 如果环境允许，应主动使用技术指标增强技术面证据密度

## 目标产出

最终报告建议包含：

1. 今日天气回顾
2. 未来若干交易日天气预报表格
3. 今日盘面复盘
4. 未来走势研判
5. 操作建议
6. 风险提示

## 说明

如果 Agent 当前环境无法获得实时或近期行情数据，也应继续完成研究，但需要在结论中明确说明数据覆盖范围、信息截至时间、来源可靠性和证据缺口。