发现报告 - ai投研的方案，skills api mcp有哪些

深度思考

我将整合相关内容并按要求带角标。我已敲定本次内容整合的整体逻辑框架，目前明确投研类MCP服务普遍以远程数据执行类MCP Server形式提供，Skills格式因本地沙盒限制无法访问云端金融数据源，适配性不足。

以华创金工面向投研场景的MCP服务为例，其能力分为首席与大师类、文件类两类，共覆盖23种专业投研能力，可对接多类远程数据源，自动完成相关计算分析并返回结构化结果。

华创金工MCP服务的全量工具介绍、新增动态均已在官方页面公开，面向所有投研从业者开放接入，后续将针对高频AI投研细分场景，与Skills形成互补协同的适配方案。

MCP将承担底层连接层职能，打通财报解析、产业链数据调取等多类投研场景的远端资源，该适配方案可降低跨平台适配成本、提升数据调用效率，同时解决数据来源不可靠、易出现幻觉的问题。

规则执行层由Skills封装投研垂直场景的标准化操作规范，可复用专业能力单元，保障各投研场景操作符合专业要求，提升任务执行的可靠性与一致性。

我明确了二者的协同流程，可破解Skills无法访问远端云端数据、仅靠MCP拉取数据缺专业处理规则的问题。

我梳理了主流AI投研类MCP Skills API的核心能力，包括远端专业数据直连、执行级结果输出、全链路上下文感知、跨模型即插即用，同时明确了其阶梯计费的调用成本规则，低复杂度请求按调用次数计费，高算力任务结合数据流量、算力占用时长叠加计费。这类API可降低跨平台适配成本70%，长期使用成本更低。

该MCP相关API的接入门槛较低，适配不同类型使用者，可依托四层层进式可落地实施框架搭建AI投研工作流。

该落地实施框架包含底层基础、Skill、流程打通三层核心内容：底层完成MCP投研服务基座搭建，封装各类投研相关能力；Skill层实现场景化工作流编排；流程打通层支持跨MCP协同，提升投研效率。能力扩展层将对接投研工具生态，形成人机数协同投研模式。

行业内已沉淀三类典型投研实践方案：一是OpenClaw开源智能体投研部署实践，适配中小投研团队轻量化落地需求；二是Sentry代码审查类Skill的投研适配实践，可依托Claude完成研报全流程生成；三是新Skill交互式创建实践，支持业务人员低门槛自定义投研工作流，适配不同团队个性化研究需求。

AI投研场景下的MCP与Skills API体系已经形成了相对成熟的落地路径，能够大幅降低投研工作的重复劳动，提升研究效率。
目前行业内投研类MCP服务普遍以远程数据执行类的MCP Server形式提供，而非本地运行的Skills格式，这是因为投研核心数据都部署在云端，本地沙盒环境运行的Skills无法直接访问远端专业金融数据源，MCP接口是更适配的方案【10】。以华创金工推出的面向投研场景的MCP服务为例，公开能力分为两大核心类别，一是首席与大师类，共包含4个工具，主打AI人设对话能力，覆盖22位卖方首席与29位投资大师的模拟对话场景，能以不同研究视角、投资哲学拓展投研思考边界【3】；二是文件类，共包含2个工具，负责研究成果的沉淀与复用，支持工作区文件的保存与读取，兼容多格式文档与数据的持久化管理，让每一次投研过程都可追溯、可复用【3】。这套MCP服务整体共覆盖23种专业投研能力，还包含对接远端金融数据库、公募持仓、产业链图谱、财经新闻API、量化分析模型等远程数据执行类能力，可自动完成SQL查询、量化信号计算等动作，直接返回结构化分析结果【10】。目前华创金工的全量MCP工具介绍、新增工具动态都已公开在官方页面https://www.hcquant.com/MCP.html，面向所有投研从业者开放接入，支持买方/卖方研究员、需要接入金融数据的AI工作流团队直接调用【3】。

针对财报解析、产业链数据调取、舆情量化、自动估值等高频AI投研细分场景，MCP和Skills会形成互补分工的适配方案，二者分别承担不同的核心作用，形成完整的协同闭环。其中底层连接层由MCP负责打通各类远端投研资源，作为AI时代的标准化通用接口承担“能连接什么”的任务，直接对接各类云端的投研相关外部系统，覆盖财报数据库、产业链监测库、舆情资讯平台、行情交易系统等各类数据源，这种适配方式可以把跨平台适配成本降低70%，数据调用速度比传统手动调取方式提升5-10倍，同时解决传统AI投研工具数据来源不可靠、易出现数据幻觉的问题【11】。规则执行层则由Skills封装垂直场景的标准化操作规范，作为投研领域的可复用能力单元承担“如何正确操作”的任务，把投研场景里沉淀的专业规则封装起来，覆盖财务勾稽校验、产业链维度筛选、舆情情绪分类、行业估值参数设置等专业逻辑，本质是把投研领域成熟的方法论沉淀为可复用的标准单元，大幅提升垂直场景下任务执行的可靠性与一致性【1】。二者的协同流程十分清晰：当研究员发出投研相关的自然语言指令后，MCP Host接收需求并调度大模型，由MCP Client通过标准化协议调用对应MCP Server拉取远端的原始投研数据，同时匹配对应场景的Skills规则，让模型按照专业投研逻辑处理数据，最终输出符合要求的投研结果，完全规避了Skills无法直接访问远端云端数据的短板，也解决了仅靠MCP拉取数据但缺乏专业处理规则的问题【3】【10】。

当前主流服务商推出的AI投研类MCP Skills API具备四大典型核心能力：一是远端专业数据直连能力，解决传统AI投研工具的数据孤岛问题，避免研究员跨多系统手动采集数据【22】；二是执行级结果输出能力，可直接替AI完成SQL查询、形态学信号计算、事实数据核验等具体执行动作，输出可直接用于投研决策的结构化结果【22】；三是全链路上下文感知能力，可实现从自然语言投研指令到任务执行的全自动化，同时保障数据来源可追溯，降低AI生成内容的数据幻觉问题【1】；四是跨模型即插即用能力，一次开发完成后可兼容不同主流大模型平台，无需为OpenAI、Claude等不同模型单独做适配开发【11】。调用成本方面，这类投研向专业API通常采用阶梯计费模式，轻量调用场景下按调用次数计费，单次调用成本远低于传统定制化投研接口，高算力消耗的复杂投研任务则结合数据流量、算力占用时长叠加计费，整体长期使用成本远低于传统多套独立投研系统的采购+维护成本【11】。接入门槛整体处于较低水平，普通开发者基于MCP官方提供的各语言SDK即可快速完成对接，原生支持MCP协议的主流AI产品仅需添加对应MCP Server的地址即可完成接入，同时投研类API可直接融入Hugging Face等平台已有的1200+个MCP兼容工具生态，无需从零搭建独立的工具适配体系【14】【4】【2】【11】。

基于MCP Skills API搭建完整AI投研工作流，可遵循四层层层递进的可落地实施框架：首先搭建MCP服务基座，把分散的投研资源统一封装为MCP标准的资源、工具、提示三类能力，解决传统投研数据孤岛、工具割裂的痛点【7】【15】；其次完成投研场景化工作流编排，开发对应细分投研场景的Skill模块，每个Skill内置分步校验节点、输出模板和质量检查清单，直接调用大模型内置能力即可运行【23】；随后实现跨MCP协同的工作流串联，依托MCP协议即插即用的特性，让不同的Skill跨多个MCP服务自动协调任务，无需研究员手动在多个系统间切换，把研究重心从找数据转移到核心逻辑研判上【7】；最后接入成熟的投研类MCP工具集，快速补齐能力，最终形成「人类+AI+专业数据」的协同投研模式【3】。目前行业内已经沉淀了三类典型实践方案：一是基于OpenClaw开源智能体框架的轻量化部署方案，适配中小投研团队快速落地的需求【24】；二是参考Sentry代码审查Skill逻辑开发的合规研报生成Skill，可自动完成研报从初稿到终稿的全流程生成与合规校验【23】；三是新Skill交互式创建方案，支持业务人员低门槛自定义新的投研工作流，灵活适配不同团队的个性化研究需求【23】。