在FinTech领域，我们已经度过了对大模型“吟唱指令”的幻觉期。开发者们逐渐意识到：Prompt 本质上是概率性的语义约束，而金融业务需要的是确定性的逻辑执行。
如果你正试图将一个“只会聊天”的投研助手转化成能进实盘、过合规的“金融 Agent”，那么 OpenSkills 提供的 “Skills + Runtime” 架构给出了一个工程化答案。本文将结合 OpenSkills 已落地的15个核心 Skill，带你拆解一场从“选股发现”到“合规风控”的金融实战。
一、 Skill是金融Agent的最小单元？
在OpenSkills的视角下，LLM 负责 Reasoning（推理与编排），而 Runtime 负责 Execution（能力执行）。
| 特性 | Prompt 驱动 (Demo 级) | Skill 驱动 (机构级) |
|---|---|---|
| 复用性 | 逻辑散落在文本中，不可复用 | 标准化模块，可跨项目注册 |
| 输出保证 | 依赖模型发挥，存在幻觉 | 结构化 Schema，输出可预测 |
| 合规性 | “软指令”约束，模型可能遗忘 | 系统级强制调用，不通过即阻断 |
| 可审计性 | 难以追踪中间决策过程 | 全链路快照，Hash 存证 |
二、 构建一个“机构级”阿尔法发现管线
假设我们需要为一个中等风险偏好的客户构建一个 “小盘价值成长组合”。在 OpenSkills 架构中，这不再是一个长 Prompt，而是一个由 Skill 组成的自动化流水线（Pipeline）。
1. 投研发现阶段：寻找阿尔法信号
Agent Planner 首先调度以下四个投研 Skills 进行链式编排：
- Sector Rotation Signal Detector：输入宏观因子（利率、通胀等），识别未来 6–12 个月的强势板块。
- Small Cap Growth Identifier：在强势板块内，自动化扫描市值 < 20 亿、营收增长 > 20% 且有管理层增持的标的。
- Market Sentiment vs Reality Gap：通过 Contrarian 模型对比市场叙事与财务现实，寻找被错杀的“低估值窗口”。
- Insider Trading Pattern Analyzer：利用多高管同步买入等另类信号，为入场时机做最后的“信心验证”。
2. 核心构建阶段：Portfolio Optimization
通过上述 Skills 筛选出的标的会进入 Risk Adjusted Return Optimizer。它不再是简单的比例分配，而是基于风险偏好、投资周期和再平衡规则，输出一个含金量极高的结构化配置方案（JSON）。
风控：Risk / Compliance 的强制执行
在真实金融系统中，风控不是建议，而是必须执行的约束。这是 OpenSkills 与普通 Agent 框架最大的区别：将风险与合规视为一等公民 Skill。
3. 风险评估（强制检查点）
系统自动调用 Portfolio Risk Assessment Skill。
实战案例：如果优化器生成的组合波动率为 18%，而客户上限为 15%，该 Skill 将直接阻断流程，要求 Planner 重新优化。 它计算的是确定的波动率、VaR 和风格暴露，不给模型留自由裁量的空间。
4. 合规校验（强制检查点）
调用 Regulatory Compliance Check Skill 执行硬性规则约束：
- 单一股票集中度是否 ≤ 10%？
- 单一行业集中度是否 ≤ 30%？
- 小盘股比例是否超过监管上限（如 20%）？
5. 可解释性与审计追踪
最后，Explainability Skill 生成投资逻辑说明与风险披露文档，而 Audit Trail Skill 记录全链路的输入输出快照。 这确保了每一个决策都有据可查，满足金融监管的信义义务（Fiduciary Justification）。
从“写100个Prompt”到“编排12个标准化 Skill”，OpenSkills 解决的是金融 Agent 走向生产环境的最后一步：决策的可解释、逻辑的可组合、行为的可治理。
OpenSkills 核心公式：
Agent=LLM(Planner)+OpenSkills(Runtime)+FinancialSkills(Logic)
目前，OpenSkills 已兼容 Claude Skills 运行时，覆盖了从价值选股、分红复利到宏观轮动的全链条能力。
项目地址：
OpenSkills项目：github.com/Geeksfino/o…
金融Skilles项目：github.com/Geeksfino/f…
微信公众号：Fiduciary AI，聚焦AI 在财富管理等金融服务中的应用，探讨如何让AI 勤勉尽责
