核心用法
investment-workflow 是一套场景驱动的投研全流程编排系统，而非固定线性流程。其核心设计采用「6大用户场景 × 共享Skill模块」的灵活组合模式：
| 场景 | 典型触发 | 调用模块 |
|------|---------|---------|
| 买股票 | "分析XX股票" | data-query → stock-research → decision-integrate |
| 投行业 | "XX行业值得投吗" | industry-rank → data-query → multi-view → decision-integrate |
| 扫描推荐 | "现在什么值得买" | market-scan → industry-rank → data-query → decision-integrate |
| 行业看法 | "对XX行业怎么看" | industry-rank → deep-think → plain-explain |
| 热点分析 | "这个热点有什么影响" | market-scan → industry-rank → multi-view → plain-explain |
| 开会讨论 | "开会讨论投资" | multi-view → decision-integrate |
执行层面分为6个阶段：场景识别 → 数据查询 → 深度分析 → 逻辑验证 → 决策整合 → 多形式输出。关键约束是按场景调用2-4个阶段，非必须不跑全6步，避免过度冗长。
数据层优先调用本地 data_layer（带缓存），失败时降级到 mcp-aktools 或明确告知用户。所有数据必须标注来源与时间，采用 [数据:指标 | 来源:数据源 | 时间:时间] 格式。
---
显著优点
1. 场景化设计，拒绝一刀切
不同于传统投研工具的统一流程，该Skill能根据用户意图精准匹配场景。问"怎么看"就给散文式分析，问"买什么"就给决策报告，避免"用户只问一句话，却输出20页材料"的体验灾难。
2. 模块化架构，高度可复用
6个共享Skill（data-query、stock-research、multi-view等）可在不同场景间灵活组合，类似乐高积木。新增场景无需重写逻辑，只需配置调用链。
3. 决策强制闭环
阶段⑤ decision-integrate 强制要求输出 买入/卖出/持有/观望 之一，并标注置信度及理由。解决AI投研工具常见的"罗列数据不给结论"顽疾。
4. 合规转化机制
遇到"帮我买XX"等交易指令时，不直接拒绝，而是转化为"交易成本分析"或"筛选方法论"等投教内容，兼顾合规与用户体验。
5. 表达层统一路由
所有输出必须经过 expression-layer，支持 Markdown报告 / PNG卡片 / HTML演讲 / 公众号推文 等多种形态，保证输出质量一致性。
---
潜在缺点与局限性
1. 数据来源依赖用户配置
Skill本身不直接获取市场数据，依赖用户本地部署的 data_layer 或 mcp-aktools。若用户未配置或服务异常，数据获取将失败或降级为本地缓存。
2. 场景识别依赖关键词匹配
当前场景识别基于触发词规则，对模糊输入（如"最近怎么样"）需要主动询问澄清。复杂语境下的意图理解能力有限。
3. 非深度基本面研究工具
明确声明"不替代深度基本面研究"，适合中高频场景化分析，不适用于需要实地调研、财报深挖的机构投资者级研究。
4. T3来源的可信度天花板
作为个人开发者项目（燃冰 & ant），虽代码透明度高，但缺乏专业机构背书。重大投资决策建议需交叉验证。
---
适合的目标群体
- 个人投资者：需要系统化分析框架辅助决策，而非凭感觉交易
- 理财博主/内容创作者：快速生成投研报告、热点解读、会议纪要多形态内容
- 小型投资团队：标准化投研流程，减少重复性分析工作
- 投教场景：将交易请求转化为方法论教学，适合投资者教育
不适合：需要Level-2逐笔数据的高频量化交易者；要求深度基本面研究的机构投资者；完全不懂投资、期望"代客理财"的纯新手。
---
使用风险与注意事项
数据风险：data_layer / mcp-aktools 的数据延迟、缓存过期或配置错误会导致分析基于过时信息。建议关键决策前人工核对数据源时间戳。
模型幻觉风险：尽管要求标注推演链和置信度，LLM仍可能在缺乏数据时"脑补"逻辑。低置信度建议应视为"需要进一步研究"的信号，而非弱化版肯定。
依赖项风险：Skill依赖 expression-layer、data_layer、多个共享Skill等外部模块。任一模块版本不兼容或配置缺失都会导致执行中断。
合规边界：虽设计了"合规转化"机制，但输出内容仍可能被误解为投资建议。使用者应明确添加"不构成投资建议"声明，避免法律风险。
版本号不一致：当前检测到 SKILL.md (1.1.0) 与 _meta.json/clawhub.yaml (1.2.0) 版本号未同步，升级时需注意兼容性。