stock-selection-strategy-skill Agent工作流
经 AI Skill Hub 精选评估，stock-selection-strategy-skill Agent工作流 获评「推荐使用」。这款Agent工作流在功能完整性、社区活跃度和易用性方面表现出色，AI 评分 7.5 分，适合有一定技术背景的用户使用。
📚 深度解析
stock-selection-strategy-skill Agent工作流 工作流的设计遵循"最小配置，最大复用"原则：核心逻辑已经封装好，用户只需配置自己的 API Key 和业务参数即可快速上手。工作流内置错误处理和重试机制，在网络波动或 API 限速等情况下仍能稳定运行，适合作为生产环境的自动化基础设施。
在实际部署时，建议先在测试环境中运行 3-5 次，验证各个环节的输出结果符合预期，再部署到生产环境。AI Skill Hub 评分 7.5 分，是同类 Agent 工作流中的精选推荐。
📋 工具概览
stock-selection-strategy-skill Agent工作流 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
📖 中文文档
stock-selection-strategy-skill Agent工作流 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
# 方式一：pip 安装（推荐）
pip install stock-selection-strategy-skill
# 方式二：虚拟环境安装（推荐生产环境）
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install stock-selection-strategy-skill
# 方式三：从源码安装（获取最新功能）
git clone https://github.com/MisonL/stock-selection-strategy-skill
cd stock-selection-strategy-skill
pip install -e .
# 验证安装
python -c "import stock_selection_strategy_skill; print('安装成功')"
- 访问 GitHub 仓库获取工作流文件
- 在对应平台（Dify / Flowise / Make 等）中找到「导入工作流」功能
- 上传工作流文件
- 按照提示配置必要的环境变量和 API Key
- 运行测试确认流程正常后投入使用
# 命令行使用
stock-selection-strategy-skill --help
# 基本用法
stock-selection-strategy-skill input_file -o output_file
# Python 代码中调用
import stock_selection_strategy_skill
# 示例
result = stock_selection_strategy_skill.process("input")
print(result)
# stock-selection-strategy-skill 配置文件示例（config.yml） app: name: "stock-selection-strategy-skill" debug: false log_level: "INFO" # 运行时指定配置文件 stock-selection-strategy-skill --config config.yml # 或通过环境变量配置 export STOCK_SELECTION_STRATEGY_SKILL_API_KEY="your-key" export STOCK_SELECTION_STRATEGY_SKILL_OUTPUT_DIR="./output"
通用选股策略 Skill
一套给 AI Agent 使用的通用选股策略 Skill。它把股票候选筛选拆成可解释、可验证、可复用的流程：先定义数据契约，再计算因子，之后评分、过滤、排序和解释结果。
本 Skill 不绑定任何行情源、券商接口或项目仓库。默认优先处理本地 CSV 或 Parquet 数据，适合用于 A 股、港股、美股等股票数据集的规则化选股、多因子评分、短线异动识别和策略审查。
亮点
| 能力 | 说明 |
|---|---|
| 通用选股流程 | 覆盖输入数据契约、股票池过滤、技术因子、短线异动、风险控制和输出解释。 |
| QSSS-derived 剖面 | 保留从 QSSS 原实现提炼出的 A 股默认口径，但不依赖 QSSS 仓库或运行环境。 |
| 本地可复现脚本 | 提供 OHLCV 校验、候选股评分、通用配置和 QSSS-derived 配置。 |
| 显式失败边界 | 字段缺失、预测缺失、配置错误、脚本环境问题都会显式暴露，不伪造成功结果。 |
| Agent 友好 | SKILL.md 可直接作为 Skill 入口，evals/ 可用于验证 Agent 是否正确触发和使用。 |
快速开始
以下命令假设 uv 已安装并在 PATH 中。若当前环境没有 uv，可先创建临时虚拟环境：
python3 -m venv /tmp/stock-selection-skill-venv
/tmp/stock-selection-skill-venv/bin/python -m pip install -r requirements.txt使用备用虚拟环境时，将下文 uv run --with ... python 替换为 /tmp/stock-selection-skill-venv/bin/python。 读取 Parquet 输入还需要安装 pyarrow 或 fastparquet；只处理 CSV 时不需要额外 Parquet 引擎。无 uv 且需要 Parquet 时，使用 /tmp/stock-selection-skill-venv/bin/python -m pip install -r requirements-parquet.txt。运行真实 LightGBM 预测生成器时，还需要安装 requirements-ml.txt。
本仓库以 CLI 脚本为稳定入口。若在 Python 代码中复用脚本，请将 scripts/ 加入 PYTHONPATH 或 sys.path；仓库当前不提供可安装 Python package。
1. 生成可运行 demo 数据
python3 scripts/create_demo_data.py --output /tmp/stock-selection-demo生成文件：
/tmp/stock-selection-demo/prices.csv/tmp/stock-selection-demo/prices_with_prediction.csv
3. 使用通用配置评分
uv run --with pandas --with numpy python scripts/score_candidates.py \
--input /tmp/stock-selection-demo/prices.csv \
--config scripts/example_config.json \
--output /tmp/stock-selection-demo/candidates.csv4. 使用 QSSS-derived 配置评分
uv run --with pandas --with numpy python scripts/score_candidates.py \
--input /tmp/stock-selection-demo/prices_with_prediction.csv \
--config scripts/qsss_profile_config.json \
--output /tmp/stock-selection-demo/qsss_candidates.csv或使用备用虚拟环境:
/tmp/stock-selection-skill-venv/bin/python "$QUICK_VALIDATE" "$(pwd)" python3 -m json.tool evals/evals.json >/tmp/stock-selection-evals.json python3 -m json.tool scripts/example_config.json >/tmp/stock-selection-example-config.json python3 -m json.tool scripts/qsss_profile_config.json >/tmp/stock-selection-qsss-config.json uv run --with pyyaml python - <<'PY' import yaml from pathlib import Path assert yaml.safe_load(Path("agents/openai.yaml").read_text())["interface"]["display_name"] PY PYTHONPYCACHEPREFIX=/tmp/stock-selection-pycache python3 -m py_compile scripts/*.py PYTHONDONTWRITEBYTECODE=1 uv run --with pandas --with numpy --with pyarrow python -m unittest discover -s tests -v
如需 smoke test，可使用 demo 数据运行；该 smoke 只验证本地文件读取、评分和输出流程，不代表真实行情接入、真实 LightGBM prediction 生成链路或真实回测已经通过。
或使用备用虚拟环境:
/tmp/stock-selection-skill-venv/bin/python scripts/score_candidates.py \ --input /tmp/stock-selection-demo/prices.csv \ --config scripts/example_config.json \ --output /tmp/stock-selection-demo/candidates.csv ```
适合的使用方式
用于设计可解释选股流程、审查数据泄漏或不可验证结论，并基于本地行情文件生成候选股 CSV。
高质量的选股策略工作流
- 需要 stock-selection-strategy-skill 解决具体问题的开发者与运营人员
- 先在测试环境跑通最小用例，再接入生产数据
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- Python 依赖冲突：建议用 venv / uv 隔离环境
- 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
⚡ 核心功能
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
- 需要 stock-selection-strategy-skill 解决具体问题的开发者与运营人员
- 先在测试环境跑通最小用例，再接入生产数据
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- Python 依赖冲突：建议用 venv / uv 隔离环境
👥 适合人群
🎯 使用场景
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
⚖️ 优点与不足
- +大幅减少重复性人工操作
- +可视化流程，清晰直观
- +可扩展性强，支持复杂场景
- −未明确开源协议，商用场景需谨慎评估
- −初始配置和调试需投入一定时间
- −强依赖外部服务的稳定性
- −复杂场景需具备一定技术基础
该工具未明确声明开源协议，商业使用前请联系原作者确认授权范围，避免侵权风险。
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
🔗 相关工具推荐
❓ 常见问题 FAQ
AI Skill Hub 点评：stock-selection-strategy-skill Agent工作流 的核心功能完整，质量良好。对于自动化工程师和运维人员来说，这是一个值得纳入个人工具库的选择。建议先在非生产环境试用，再逐步推广。
| 原始名称 | stock-selection-strategy-skill |
| 原始描述 | 开源AI工作流：通用选股策略 Skill，面向 AI Agent 的可解释多因子选股工作流。⭐6 · Python |
| Topics | AI选股工作流 |
| GitHub | https://github.com/MisonL/stock-selection-strategy-skill |
| 语言 | Python |
收录时间：2026-05-30 · 更新时间：2026-05-31 · License：未公布 · AI Skill Hub 不对第三方内容的准确性作法律背书。