BondClaw固收投研系列四：Skill中间件架构赋能，以周度回顾场景为例

2026年07月24日 BondClaw固收投研系列四：Skill中间件架构赋能，以周度回顾场景为例 证券研究报告 核心思路：研究能力拆成积木，卖方造零件、买方组装车： 张亮分析师SAC执业证书编号：S1450526030001zhangliang1@sdicsc.com.cn 卖方研究积累了大量数据库、分析框架与策略思路，买方研究每天应对快速变化的市场、随时有新想法需要验证，两者之间天然适合用AI打通。我们将研究能力拆解为数据、逻辑、回测、输出四层，逐层Skill化，形成可复用、可叠加的中间件体系，让任何投研想法的实现从"推倒重来"变成"搭积木"。 叶青联系人SAC执业证书编号：S1450126040005yeqing2@sdicsc.com.cn 相关报告 在岸与离岸人民币掉期：谁在定价？为何收敛？2026-07-22独立行情周报：风险自下而上，改善自上而下2026-07-21旧树花开（三）：产业投资重塑地方国企信用2026-07-13独立行情周报：评级调整第一波冲击持续降温2026-07-12旧树花开（二）：根深叶茂水渐丰，居民消费自可期2026-07-12 四层架构：数据索引化、逻辑Skill化、回测引擎化、输出形态解耦： 数据层将Wind、iFinD、AKShare等取数方式索引化，AI取数变成查字典；逻辑层将Excel数据库拆成AI可执行的Skill文件（目录+取数契约+公式+阈值+模板），初步梳理出13个主题数据库、约500个分析逻辑；回测层将策略与引擎解耦，构建个券和ETF两套框架，逻辑层产出可直接注册为回测信号；输出层让同一份数据一键切换周报、PPT、看板、微信等多种形态，改一处处处生效。 实际效果：从想法到落地连续跑完： 以信用利差回顾为例，过去需要打开数十个sheet手动刷新、逐行核对、手写点评；现在AI调用Skill自动完成取数、计算、判断、出图全流程，且可在交互中持续优化逻辑。以"资金分层消失→短端利差压缩"为例，基金经理从产生想法到拿到回测结论和一页PPT，过去需要一两天跨部门协作，现在一次对话即可完成。研究能力的积累从月度迭代变成增量叠加。 Research-Skill（https://github.com/timyefi/research-skills）是实现研究能力的工程化封装的开源项目，提供了架构详细技术说明，以及信用利差数据库Skill的架构示例。 风险提示：数据来源风险、技术处理风险、时效性风险、参考性说明。 内容目录 1.什么是SKILL中间件？.......................................................32. SKILL中间件是如何构建的？.................................................53.如何使用？以周度回顾场景为例..............................................103.1.信用利差回顾........................................................103.2.资金面回顾..........................................................123.3.搭积木：从中间件到各类想法..........................................134.风险提示..................................................................14 图表目录 图1.SKILL中间件：研究能力拆成四层...........................................3图2.卖方×买方：AI打通两端..................................................3图3.四层架构全景（上）：数据信息搜集整理层与逻辑层...........................5图4.四层架构全景（下）：回测层与输出层.......................................5图5.构建四原则..............................................................6图6.数据层：取数索引化......................................................7图7.逻辑层：数据库Skill目录结构............................................8图8.逻辑层：数据库Skill化..................................................8图9.回测层：验证逻辑闭环....................................................9图10.输出层：Skill化输出...................................................10图11.信用利差周度看板效果..................................................11图12.信用利差看板：利差矩阵页..............................................12图13.资金面周报效果........................................................13图14.资金面周报：综合评分页................................................13 表2：资金面数据库Skill分析维度一览........................................12 1.什么是SKILL中间件？ SKill中间件就是将研究能力拆细，逐个SKILL化，卖方研究将积累的数据库、逻辑、策略框架变成一个个SKILL化的中间件，并且通过工程设计可持续积累；买方研究在SKILL中间件的基础上快速实现基于真实投资场景的想法，避免重复造轮子。 资料来源：国投证券证券研究所，WIND，同花顺 一直以来，卖方研究积累了大量数据库、分析框架、策略思路，买方研究则每天需要应对快速变化的市场，随时随地有新的想法需要实现。 资料来源：国投证券证券研究所，WIND，同花顺 这两者之间天然适合用AI来打通，前者就像零部件工厂，后者就像整车厂。如果没有AI的辅助，两个之间的串联会非常困难。 例如我们以一个看似简单的固收周报场景为例，从宏观点评、资金面到各个板块市场回顾到策略，其实一点也不简单。 例如资金面，我们发现各家机构内部的周报其实会用到很多自己关注的逻辑，例如资金分层，例如货币政策文本跟踪，例如离岸、在岸市场的联动分析等等。这些逻辑有部分借助了卖方积累的数据库，一个资金面数据库或者货币政策数据库或者离岸市场跟踪数据库，可能就有十几、数十个sheet，买方机构在其中选择了几个适配最近市场的逻辑，然后纳入到了周报体系当中。 我们也是在实际做的过程中才发现，周报一点也不简单，我们甚至能感受到理想的周报，应该是一场机构内部机制高效的策略会，将机构内部的策略认知拉平。 但是现实是周报的更新迭代通常是非常慢的，一个细分领域数十个核心逻辑，背后成千上万的数据，一份周报如果要迭代升级实际要跟成百上千个逻辑，判断哪些更适合机构自身和当下的市场，这个没有AI的协助几乎没有几个月很难完成。 将研究能力拆解为：用什么数据信息、按什么逻辑算、如何验证、以什么形式呈现——对应就是skill中间件的四个层次： 数据信息搜集整理层：将Wind、同花顺iFinD、AKShare等数据源的取数方式索引化、skill化，让AI取数变成查阅字典的过程。 逻辑层：用skill复现过去研究积累的数据库、知识库，将数据串联成可执行的分析逻辑。在固定收益领域，我们初步梳理出13个主题数据库，约500个分析逻辑。 回测层：将逻辑层的分析视角转化为可执行的交易策略，用历史数据检验有效性。 输出层：将"从数字到成品"的链路skill化——周报、PPT、看板、微信共用同一份底层内容，换形态只是换一套转换skill。 四个层次的组装可以帮助我们快速实现各类想法，这就是投研"搭积木"的过程。 资料来源：国投证券证券研究所，WIND，同花顺 资料来源：国投证券证券研究所，WIND，同花顺 2.SKILL中间件是如何构建的？ 构建遵循四条原则：一切研究能力皆可skill化，数据、逻辑、判断、输出全链条封装；每个skill只做一个极窄的领域，但在这个领域内做到极致，越用越深；公式加代码串联每一步，任何人任何时候跑出来的结果一致；卖方积累基础组件，买方组装投资想法，两者互补不是替代。 资料来源：国投证券证券研究所，WIND，同花顺 数据信息搜集整理层：构建查数索引，我们将wind、同花顺的api\mcp\skill的查数方式，通过索引的方式沉淀下来，例如同花顺的api就涉及十几万个指标，每个指标有不同的取数参数，基本上对应了过去大家取数的复杂程度，我们在构建每个逻辑层时，直接用到了这套取数索引，使得逻辑层需要的大量数据可以用AI辅助的方式在里面找到。 资料来源：国投证券证券研究所，WIND，同花顺 逻辑层：用skill来复现数据库。过去机构积累的数据库，物理形态就是一个excel文件，一个资金面数据库可能有数十个子表，每个子表是一组分析视角，里面嵌着插件取数、计算公式、阈值判断和图表模板，分析师每周打开它，手动刷新、肉眼看数、手写点评。我们做的事情，就是把这个excel拆成AI能读懂、能直接执行的skill文件。 一个数据库skill是几个文件的组合。SKILL.md相当于sheet目录，告诉AI这个数据库有哪些视角、什么场景下该调用；data_contract.yaml相当于插件的取数连接，每个视角要什么字段、什么频率、对应哪个取数代码和参数；view_definitions.md相当于子表里的公式，利差怎么减、分位怎么算、评分卡怎么打，逐个写清楚；thresholds.md相当于分析师脑子里的经验判断，多少算偏紧、多少算偏宽，积累阈值、信号含义等；templates/里放图表脚本和点评模板。 有了数据库skill，整个数据库变成彻底AI化的工具，AI获取的就是动态更新的数据，并且可以充分理解如何取数、计算、判断以及出表出图出点评。 我们以信用利差数据库为例，它的文件夹长这样： 资料来源：国投证券证券研究所，WIND，同花顺 在固定收益领域，我们用同样的方法梳理出13个主题数据库，逐步将积木充实。 回测层：用Skill来验证逻辑。过去研究员积累的判断，例如“利差到多少分位可以抄底"、"独立行情出现后等修复"。听着有道理，但胜率多少、持有期多长最优、不同久期、城投和产业是不是一个规律，还是需要通过回测来回答。 回测就是对逻辑的检验，将逻辑策略化。目前构建一个可量化的策略还是非常复杂的事情，需要很多开发工作，我们通过抽象回测框架、将回测skill化来避免重复开发。 回测框架的核心设计是策略与引擎解耦。策略回答什么时候买什么，引擎负责高效率的算结果。例如从信号日→交易日映射、估值查询、超额收益计算、按年份/品种/地区分组统计胜率和平均超额。通过矩阵化、笛卡尔积等技术手段可以提高计算效率，节省回测当中最花时间的计算、调优过程。 在这种分离架构之下，策略变得更简单，也更容易添加，例如可以让AI辅助根据逻辑层生成"什么时候买什么"的逻辑、注册进去，策略的构建就完成了。 在这个统一引擎之上，我们初步构建了两套框架，区别主要在数据粒度和信号来源： 个券回测框架，数