近年来，AI Agent 的能力边界正在快速扩展。
从最早的简单问答，到现在的代码生成、数据分析、自动化办公、知识库检索、工作流执行，Agent 已经不再只是一个“聊天机器人”，而更像是一个可以被持续配置、扩展和训练的数字助手。
但在很多专业领域里，真正决定 Agent 输出质量的，并不只是底层大模型本身，而是：
- 它是否具备清晰的任务边界；
- 是否有结构化的方法论；
- 是否知道什么该说、什么不该说；
- 是否能在高风险场景中保持审慎；
- 是否能把复杂问题拆解成可执行的分析流程。
基于这个思路，我开源了一个项目：
Biga：AI Agent 投资研究策略 Skill 集合
GitHub 项目地址：
项目主页：
Biga 的目标不是做一个“荐股工具”，也不是做一个“量化交易系统”。
它更像是一个面向 AI Agent 的投资研究方法论库：把价值投资、成长投资、趋势投资、股息策略、周期投资、事件驱动等常见投资框架，整理成可以直接接入 AI Agent 的 Markdown Skill。
一、为什么要做 Biga？
在使用 AI 辅助投资研究时，我发现一个很典型的问题：
大模型很擅长总结信息，但如果没有明确的研究框架，它很容易输出看似完整、实际松散的分析。
比如用户问：
我想分析一只高股息股票，应该看哪些风险？
如果没有约束，AI 可能会泛泛而谈：
- 看股息率；
- 看公司业绩；
- 看行业情况；
- 注意风险。
这些话没有错，但不够可执行。
真正有价值的回答应该进一步拆解：
- 股息率是来自稳定分红，还是来自股价大跌？
- 分红是否被经营现金流覆盖？
- 当前利润是否处在周期高点？
- 公司是否靠举债或出售资产维持分红？
- 未来资本开支是否会挤压分红能力？
- 行业是否存在衰退、监管或价格机制变化风险？
- 什么情况下应该停止使用“高股息”这个投资逻辑？
也就是说，AI Agent 不应该只“回答问题”，而应该具备一套结构化研究流程。
这正是 Biga 想解决的问题。
二、Biga 是什么？
Biga 是一个 Markdown 文档型 AI Agent Skill 集合。
项目当前包含六类投资研究 Skill：
| Skill | 适用场景 |
|---|---|
| Value | 价值投资、基本面分析、ROE/ROIC、现金流、估值、安全边际、价值陷阱 |
| Growth | 成长投资、成长股、AI、半导体、新能源、创新药、军工、高端制造 |
| Trend | 趋势投资、趋势交易、均线、成交量、突破、回踩、止损纪律 |
| Dividend | 股息策略、高股息、红利 ETF、稳定分红、现金流分红 |
| Cyclical | 周期投资、周期股、资源股、煤炭、有色、钢铁、化工、航运 |
| Event-driven | 事件驱动、主题投资、政策利好、并购重组、AI 概念、低空经济 |
项目结构大致如下：
biga/
├── SKILL.md
├── biga-value-skill/
│ └── SKILL.md
├── biga-growth-skill/
│ └── SKILL.md
├── biga-trend-skill/
│ └── SKILL.md
├── biga-dividend-skill/
│ └── SKILL.md
├── biga-cyclical-skill/
│ └── SKILL.md
└── biga-event-skill/
└── SKILL.md
其中顶层 SKILL.md 是策略分流入口。
当用户提出一个投资研究问题时，Agent 可以先判断问题属于哪类策略场景，然后进入对应的 Skill。
例如：
用户：我想分析一个高股息股票，应该看什么？
Agent 应该进入：
biga-dividend-skill/SKILL.md
如果用户问：
某个 AI 概念很火，现在能不能追？
Agent 应该进入：
biga-event-skill/SKILL.md
如果用户问：
周期股 PE 很低，是不是低估了？
Agent 应该进入：
biga-cyclical-skill/SKILL.md
这种设计让 Agent 不再只是凭大模型的“临场发挥”回答，而是先进入明确的研究框架，再输出结构化分析。
三、为什么用 Markdown Skill，而不是直接写程序？
Biga 当前定位为：
Markdown-based AI Agent Skill collection
也就是说，它是一个 Markdown 原生的 Skill 集合，而不是一个依赖代码运行的系统。
这样设计有几个原因。
1. 可读性强
Markdown 是人类可读的。
投资研究框架、风险清单、输出模板、禁止表达、质量检查项，都可以直接写成 Markdown。
即使不接入 Agent，用户也可以把它当成一套投资研究文档阅读。
2. 可修改性强
每个 Skill 本质上都是一个 SKILL.md 文件。
用户可以根据自己的研究习惯修改：
- 增加行业指标；
- 调整风险提示；
- 补充输出模板；
- 删除不适合自己的内容；
- 增加更严格的合规边界。
不需要安装依赖，不需要运行服务，也不需要理解复杂代码。
3. 对 AI Agent 友好
现代 Agent 系统普遍支持类似 Skill、Prompt、Rules、Memory、Knowledge 的机制。
Markdown 文档天然适合作为 Agent 的能力说明文件。
Biga 可以接入：
- Claude；
- Comate；
- Cursor；
- 其他支持自定义指令或 Skill 的 Agent 系统。
4. 不引入数据和交易风险
Biga 不包含：
- 实时行情接口；
- 自动交易逻辑；
- 回测系统；
- CSV 数据产物；
- 量化评分脚本；
- 买卖信号生成器。
这不是缺陷，而是刻意设计的边界。
因为 Biga 的定位不是替用户做投资决策，而是帮助用户和 Agent 建立更好的研究流程。
四、Biga 的核心设计原则：风险优先，而不是收益优先
很多投资类内容容易陷入一个误区：
先讲机会，后补风险。
但在真实投资研究中，尤其是面向普通投资者教育时，更合理的顺序应该是：
先定义边界，再分析机会。
Biga 的每个 Skill 都强调风险优先。
例如在成长投资 Skill 中，会默认提醒：
- 成长股估值高；
- 波动大；
- 预期交易充分；
- 业绩不及预期可能导致估值杀；
- 新人优先考虑行业 ETF 或小仓位参与；
- 不鼓励单票重仓。
在趋势投资 Skill 中，会把止损放在买点之前：
先学止损，再学买点；
先小仓位试错，再扩大交易规模。
并且默认使用：
单笔亏损控制在本金的 1%-2%
这样的风险预算框架。
在事件驱动 Skill 中，会强调：
你看到新闻时，可能主力早就买完了。
不要因为“某某概念很火”就冲进去。
这种表达不是为了制造恐惧，而是为了防止 Agent 输出过度乐观、过度确定性的内容。
五、六类策略 Skill 的设计拆解
下面逐一介绍 Biga 当前包含的六类策略 Skill。
1. 价值投资 Skill：从“低估值”走向“高质量企业”
价值投资经常被简化为：
低 PE 就买
低 PB 就买
高股息就买
长期持有就行
但这些理解都过于粗糙。
Biga 的价值投资 Skill 把价值投资拆成：
价值投资 = 好行业 + 好生意 + 好公司 + 好价格 + 安全边际 + 长期纪律 + 风险控制
它关注的不是单一估值指标，而是一整套企业质量评估框架，包括：
- 企业长期赚钱能力；
- 自由现金流创造能力；
- 竞争优势与护城河；
- 财务质量；
- 合理估值；
- 安全边际；
- 管理层与资本配置；
- 股东结构；
- 价值陷阱识别；
- 风险控制。
这个 Skill 适合处理：
- 公司基本面分析；
- ROE/ROIC 分析；
- 现金流分析；
- 财务质量分析；
- 估值分析；
- 安全边际分析；
- 价值陷阱排查。
它的核心不是告诉用户“买不买”，而是帮助用户建立一套基本面研究清单。
2. 成长投资 Skill：区分真成长、伪成长和主题炒作
成长投资最吸引人的地方，是未来空间。
但成长投资最危险的地方，也恰恰是未来空间。
很多时候，市场会提前把一个行业未来几年的乐观预期打进估值。一旦增长不及预期，就可能出现：
- 杀业绩；
- 杀估值；
- 杀逻辑；
- 杀流动性。
Biga 的成长投资 Skill 不会只讲“赛道空间大”，而是要求同时分析：
- 行业未来 3-5 年是否有明确增长空间；
- 公司收入增速是否高于行业平均；
- 利润增速是否匹配收入增长；
- 毛利率、净利率、经营现金流是否健康；
- 研发投入是否形成真实壁垒；
- 估值是否已经透支未来增长；
- 应收账款、存货、商誉、研发资本化是否异常；
- 如果增长逻辑被证伪，如何退出。
它尤其强调一个概念：
增长质量比增长速度更重要。
例如一家公司收入高增长，但同时出现：
- 应收账款增速长期高于收入；
- 存货大幅增长；
- 经营现金流持续恶化；
- 商誉很高；
- 频繁融资；
- 大股东减持；
那么它可能不是“高质量成长”，而是“伪成长”。
3. 趋势投资 Skill：不是预测，而是纪律
趋势投资经常被误解为“看技术指标炒短线”。
但 Biga 的趋势投资 Skill 更强调：
股价已经形成上涨趋势，就顺势参与；
趋势坏了就退出。
它关注的不是预测未来，而是用规则管理不确定性。
核心工具包括：
- 均线；
- 成交量；
- 平台突破；
- 回踩确认；
- 相对强弱；
- 止损线；
- 仓位倒推；
- 假突破识别；
- 交易复盘。
其中一个重要设计是：
趋势交易应先确定最多能亏多少，再倒推能买多少。
例如本金 10 万，单笔最大亏损控制在 1%，即 1000 元。
如果计划买入价是 10 元，止损价是 9.5 元：
单股风险 = 10 - 9.5 = 0.5 元
可买股数上限 = 1000 / 0.5 = 2000 股
对应仓位金额 = 2000 × 10 = 20000 元
这比“我感觉可以买两成仓”要严格得多。
趋势 Skill 的重点不是让用户追涨，而是让用户明白：
- 没有止损计划，不应该入场；
- 假突破要快速处理；
- 不要把短线交易失败后改口成长线持有；
- 趋势坏了就应该尊重规则。
4. 股息策略 Skill：高股息不等于低风险
很多投资者看到高股息，会下意识认为：
股息率高 = 稳健 = 低风险
但现实中，高股息可能来自两种完全不同的情况：
第一种，是公司现金流稳定、分红政策稳定、估值合理。
第二种，是股价大跌后被动抬高了股息率。
后者可能是“高股息陷阱”。
Biga 的股息策略 Skill 会要求检查：
- 股息率来源；
- 分红稳定性；
- 分红率是否合理；
- 经营现金流是否覆盖净利润；
- 自由现金流是否覆盖分红；
- 分红是否依赖举债或卖资产；
- 行业是否处于周期高点；
- 负债和资本开支是否挤压未来分红；
- 当前估值是否已经反映高股息优势；
- 是否存在一次性特别分红。
它的核心判断框架是：
可持续股息 = 稳定主营盈利 + 真实经营现金流 + 合理分红率 + 可控负债 + 行业不衰退
这类 Skill 对红利投资、收息策略、红利 ETF、银行、运营商、电力、煤炭、公用事业等方向都有较强参考价值。
5. 周期投资 Skill：低 PE 可能是顶部，高 PE 可能是底部
周期股分析中最常见的误区之一是：
PE 低 = 便宜
但对周期股来说，这个判断经常是错误的。
因为周期股利润波动很大。
在高景气阶段，公司利润很高，PE 看起来很低，但这可能正是周期顶部。
反过来，在周期底部，公司利润很差，PE 很高甚至亏损，但这可能是行业出清前后的阶段。
因此 Biga 的周期投资 Skill 强调：
先判断周期位置，再讨论估值。
它会按照以下链条拆解：
需求变化
→ 库存变化
→ 商品价格变化
→ 企业收入和毛利率变化
→ 利润变化
→ 估值变化
→ 股价变化
并重点关注：
- 商品价格；
- 库存；
- 开工率；
- 产能投放；
- 成本曲线；
- 产品价差；
- 企业资产负债表；
- 经营现金流；
- 在建工程；
- 减值风险；
- 是否在高景气期大规模扩产。
这个 Skill 覆盖煤炭、有色、钢铁、化工、航运、石油、建材、猪周期、农产品等典型周期方向。
它尤其适合回答这类问题：
某个钢铁股 PE 很低，是不是低估了？
Biga 不会直接回答“可以买”，而是会提示：
- 当前利润是否处于历史高位？
- 钢价和吨钢利润是否处于高位？
- 库存是否开始累积？
- 地产和基建需求是否改善？
- 公司资产负债表能否扛过下行周期？
- 当前低 PE 是否其实是周期顶部陷阱？
6. 事件驱动 Skill：看到新闻时，可能已经不是第一时间
A 股市场中，事件驱动和主题投资非常常见。
比如：
- 政策利好；
- 并购重组；
- 国企改革；
- AI 概念；
- 低空经济；
- 算力；
- 机器人；
- 半导体国产替代；
- 新能源政策。
这类行情爆发力强，但风险也很高。
很多普通投资者看到新闻时，主题可能已经经历了：
- 朦胧期；
- 发酵期；
- 高潮期。
等到媒体集中报道、社交平台刷屏、研报密集发布时，往往已经不是安全边际最高的阶段。
Biga 的事件驱动 Skill 要求 Agent 先判断：
- 事件类型是什么；
- 消息来源是否权威；
- 是新增信息还是旧消息反复报道；
- 市场是否已经提前交易；
- 主题处于哪个阶段；
- 谁是真受益，谁只是蹭概念；
- 基本面能否承接估值；
- 情绪是否拥挤；
- 如果退潮，退出规则是什么。
它有一个很关键的原则：
新闻本身不是机会，未被充分定价的预期差才可能是机会。
这可以有效避免 Agent 输出“某某概念很火，可以关注”这种没有风险边界的内容。
六、Biga 如何接入 AI Agent？
Biga 的使用方式非常简单。
方式一：作为 Markdown 文档阅读
你可以直接阅读项目中的 SKILL.md 文件。
推荐顺序：
先读顶层 SKILL.md
再进入具体策略目录
最后查看 examples 示例
例如你想研究股息策略，可以阅读：
biga-dividend-skill/SKILL.md
你想研究趋势交易，可以阅读：
biga-trend-skill/SKILL.md
方式二：作为 Agent Skill 使用
如果你的 AI 编程助手或 Agent 支持 Skill 机制，可以把整个仓库或某个 biga-*-skill/ 目录加入 Skill 目录。
然后让 Agent 根据用户问题自动选择对应 Skill。
例如：
用户：我想分析一只高股息股票，应该重点看哪些风险？
Agent：进入 biga-dividend-skill，输出分红质量、现金流、估值、负债、行业周期和高股息陷阱分析。
或者：
用户：低空经济最近很火，现在还能不能参与？
Agent：进入 biga-event-skill，先核验政策来源、主题阶段、受益链条、情绪拥挤度和退出条件。
Biga 项目中也提供了接入指南，覆盖：
- Claude；
- Comate；
- Cursor；
- 通用 Agent。
七、Biga 的输出风格：研究框架，而不是买卖结论
这是 Biga 非常重要的边界。
Biga 不提供：
- 荐股；
- 喊单；
- 买入价；
- 卖出价；
- 目标价；
- 收益承诺；
- 自动交易；
- 代客理财；
- 确定性买卖指令。
Biga 提供的是：
- 研究框架；
- 核验清单；
- 风险提示；
- 分析模板；
- 退出条件；
- 复盘规则；
- Agent 输出约束。
这也是我认为 AI Agent 在投资研究场景中更合理的定位：
不是替用户做决策，而是帮助用户更系统地提问、核验和复盘。
尤其在金融场景下，Agent 的价值不应该是制造确定性，而应该是降低盲区。
八、一个示例：高股息股票风险核验
假设用户问：
我想分析一只高股息股票，应该看哪些风险？
基于 Biga，Agent 的输出方向会类似：
# 高股息股票风险核验
## 1. 股息率来源
- 股息率是来自稳定分红，还是来自股价大幅下跌。
- 当前分红是否属于一次性高分红。
- 市场是否因为基本面恶化而给出更高股息率。
## 2. 分红可持续性
- 分红是否被经营现金流覆盖。
- 自由现金流是否能覆盖现金分红。
- 公司是否需要依靠举债或出售资产维持分红。
- 分红率是否长期过高。
## 3. 盈利质量
- 利润是否来自主营业务。
- 是否依赖周期价格、投资收益、政府补助或资产处置。
- 经营现金流和净利润是否长期匹配。
## 4. 周期和估值风险
- 当前利润是否处于周期高景气阶段。
- 高股息是否已经被市场充分定价。
- 如果盈利回落，当前股息率是否还能维持。
## 5. 资产负债表风险
- 负债、资本开支和利息支出是否挤压未来分红。
- 是否存在减值、行业下行或监管变化风险。
## 6. 退出或降仓条件
- 分红下降且无法用短期因素解释。
- 经营现金流无法覆盖分红。
- 行业进入长期衰退。
- 公司负债和资本开支压力显著上升。
- 原本的高股息逻辑被证伪。
> 以上内容仅用于投资研究和教育，不构成投资建议。
可以看到，这种回答不会直接说“能买”或“不能买”，而是把问题拆成多个可核验维度。
这才是 AI Agent 在投资研究中的合理用法。
九、为什么这个项目适合开源？
Biga 选择开源，是因为投资研究框架本身适合不断迭代。
不同用户可能有不同经验：
- 有人更擅长财务分析；
- 有人更懂行业周期；
- 有人熟悉红利策略；
- 有人擅长交易纪律；
- 有人对主题投资风险更敏感；
- 有人能补充更好的复盘模板。
这些经验都可以沉淀到 Skill 文档中。
Biga 的贡献方向包括：
- 补充策略适用边界；
- 增加风险提示；
- 优化分析模板；
- 增加组合复盘框架；
- 增加仓位管理模板；
- 修正文档中的不准确表述；
- 增加更多 Agent 平台接入示例。
同时，为了保持项目边界，Biga 不接受：
- 具体荐股；
- 喊单；
- 目标价；
- 收益承诺；
- 内幕消息；
- 无法核验的数据；
- 鼓励高杠杆或无止损交易的内容；
- 自动交易脚本；
- 代客理财逻辑。
这让项目能够保持在“投资研究与投资者教育”的范围内，而不是滑向高风险的荐股工具。
十、Biga 和 Prompt Engineering 的关系
从技术角度看，Biga 也是一个 Prompt Engineering 项目。
但它不是简单写几句 Prompt。
它更接近于：
把一个专业领域的方法论、边界条件、输出格式、质量检查和禁止行为，系统性地封装成 Agent Skill。
一个好的 Skill 至少应该包含：
- 适用场景；
- 不适用场景；
- 核心分析框架；
- 输入信息要求；
- 分析流程；
- 核验清单；
- 风险信号；
- 退出条件；
- 标准输出模板；
- 禁止输出；
- 质量检查。
Biga 的每个策略 Skill 都在朝这个方向组织。
这类 Skill 的价值在于：
- 降低 Agent 输出漂移；
- 提高回答结构一致性；
- 减少遗漏关键风险；
- 避免输出不合适的确定性建议；
- 让复杂问题变成可复用流程。
这也是我认为未来 AI Agent 生态中很重要的一类资产：
不只是模型本身，而是围绕模型构建的高质量 Skill、工作流和领域框架。
十一、项目当前状态与 Roadmap
Biga 当前版本已经包含：
- 顶层策略分流入口；
- 六类投资策略 Skill；
- 中英文 README；
- 示例库；
- Agent 接入指南；
- 免责声明；
- 贡献指南；
- GitHub Pages 项目主页；
- Demo hero 图片；
- MIT License。
后续计划包括：
- 增加英文版完整 Skill 文档；
- 增加更多 Demo 对话；
- 增加 A 股行业研究模板；
- 增加组合复盘和仓位管理模板；
- 增加风险清单库；
- 增加更多 Agent 平台接入示例。
十二、适合哪些人使用 Biga？
Biga 适合以下几类用户：
1. AI Agent 使用者
如果你在使用 Claude、Comate、Cursor 或其他 Agent，希望让 Agent 在投资研究类问题上输出更稳健、更结构化的回答，可以使用 Biga。
2. 投资研究学习者
如果你想系统学习不同投资策略的分析框架，也可以直接阅读 Biga 的 Markdown 文档。
3. Prompt / Skill 设计者
如果你正在研究如何为 Agent 设计领域 Skill，Biga 可以作为一个参考案例。
4. 开源贡献者
如果你对价值投资、成长投资、趋势交易、股息策略、周期投资、事件驱动等方向有经验，可以参与完善对应 Skill。
十三、总结：让 AI Agent 输出研究过程，而不是直接给结论
Biga 的核心理念可以概括为一句话：
让 AI Agent 输出研究过程，而不是直接给买卖结论。
投资研究本身充满不确定性。
一个负责任的 Agent 不应该制造“确定性幻觉”，也不应该用漂亮的语言包装未经核验的判断。
更合理的方式是：
- 明确策略边界；
- 拆解分析路径；
- 给出核验清单；
- 提示关键风险；
- 设置退出条件；
- 保持非荐股、非收益承诺的边界。
这也是 Biga 这个项目想提供的价值。
如果你对 AI Agent、Prompt Engineering、投资研究框架或开源 Skill 设计感兴趣，欢迎关注、使用或参与贡献。
GitHub：
https://github.com/sun-btc/biga
项目主页：
https://sun-btc.github.io/biga/
如果你觉得这个项目有帮助，也欢迎给一个 Star 支持。
免责声明
Biga 仅用于投资研究、投资者教育和 AI Agent 指令设计，不构成任何证券、基金、衍生品、商品、数字资产或其他金融产品的买入、卖出、持有或交易建议。
Biga 不提供荐股、喊单、目标价、收益承诺、保本承诺、代客理财、组合管理、交易信号或自动交易能力。
使用者应自行核验所有数据和假设，结合自身风险承受能力、资金情况、投资期限、流动性需求和独立判断做出决策。必要时应咨询具备资质的专业人士。
ReportID: a518f3af-63aa-47aa-a8e8-f83304f2cd4d ConversationID: 61d3159e-5e77-44a3-9c40-e51924642451
