核心用法
Trading Coach 是一款面向股票投资者的 AI 交易复盘工具，核心工作流分为四步：首先通过 import_trades.py 自动识别并导入富途、老虎、中信、华泰等5家主流券商的 CSV 交易记录；随后 run_matching.py 基于 FIFO（先进先出）原则将买卖订单配对成完整持仓周期；接着 score_positions.py 从入场质量、出场质量、趋势把握、风险管理、市场环境、交易行为、新闻契合、执行质量8个维度进行量化评分；最终 analyze_scores.py 生成包含10维度 AI 洞察的复盘报告，帮助用户识别交易盲点。
显著优点
多券商兼容性是最大亮点，覆盖华语市场主流券商且自动检测编码和字段格式，大幅降低数据准备成本。评分体系专业度高，8维度权重设计参考了专业交易评估框架，RSI/MACD/布林带等技术指标与 MAE/MFE 等风险管理指标结合，适合有一定基础的投资者自我诊断。输出 actionable，报告不仅呈现胜率、盈亏等统计结果，更针对具体交易给出"避免RSI>70时追涨"这类可执行的改进建议。
潜在缺点与局限性
作为纯文档型 Skill，其实际功能依赖用户本地部署的 Python 环境，Claude 端仅提供知识库指导，无法直接处理用户上传的 CSV 文件，体验断层明显。评分体系虽全面，但权重固定（如入场质量18%、执行质量仅5%），难以适配不同策略风格（如高频交易 vs 价值投资）。此外，AI 洞察依赖历史数据模式识别，对黑天鹅事件或市场结构突变缺乏预警能力。
适合的目标群体
主要面向有一定 Python 基础的中高级个人投资者，尤其是使用富途、老虎等互联网券商、希望系统化复盘交易记录的用户。对量化交易初学者而言，其评分体系可作为学习框架；对成熟交易者，FIFO 配对和批量评分功能能节省大量手工整理时间。不适合完全无技术背景、期望"一键上传即得报告"的小白用户。
使用风险
功能风险：本地部署依赖 Python 3 环境及 pandas、numpy 等库，环境配置失败将导致工具无法运行。数据风险：用户需自行保管券商导出的 CSV 文件，虽然 Skill 本身不上传数据，但本地脚本处理时存在文件路径泄露或误删可能。决策风险：AI 评分和洞察基于历史数据回测，不构成投资建议，过度依赖可能导致策略过拟合。维护风险：T3 个人开发者项目，更新频率和长期维护存在不确定性。