将原始观察信号（market_summary、异常、新闻反应）转换为结构化边缘提示。该技能是拆分工作流程的第一阶段：观察 -> 抽象 -> 设计 -> 管道。

在检测和策略实施之间创建一个抽象层。该技能对票证证据进行聚类，总结重复出现的条件，并输出具有明确论文和失效逻辑的edge_concepts.yaml。

将日常市场观察转化为可重复的研究票据和第一阶段兼容的候选规格。优先考虑信号质量和接口兼容性，而不是激进的策略扩散。该技能可以端到端独立运行，但在拆分工作流程中，它主要服务于最终导出/验证阶段。

使用 5 因素加权评分系统分析最近的盈利后股票，以确定潜在动量交易的最强盈利反应。

此技能使用 Financial Modeling Prep (FMP) API 检索即将发布的美国股票收益公告。它重点关注市值较大（中型及以上，超过 2B 美元）且可能影响市场走势的公司。该技能会生成有组织的降价报告，显示哪些公司将在下周报告收益，并按日期和时间分组（开市前、收市后或未宣布的时间）。

运行双轴审阅器脚本并将报告保存到 reports/ 。

该技能筛选表现出强劲基本面特征但正在经历暂时技术疲软的股息增长股票。它的目标是股息增长率极高（复合年增长率超过 12%）且 RSI 已回落至超卖水平（≤40）的股票，为长期股息增长投资者创造潜在的进入机会。

该技能使用 William O'Neil 久经考验的 CANSLIM 方法来筛选美国股票，该方法是一种识别具有强劲基本面和价格动力的成长型股票的系统方法。 CANSLIM 分析 7 个关键组成部分：当前收益、年度增​​长、新鲜度/新高、供给/需求、领导力/RS 排名、机构赞助和市场方向。

该技能可以对两个互补的市场广度图进行专业分析，提供战略（中长期）和战术（短期）市场视角。分析广度图图像以评估市场健康状况，根据回溯测试策略识别交易信号，并制定定位建议。所有的思考和输出都完全用英语进行。

v2.1 的主要变化：

掌握现代 LangChain 1.x 和 LangGraph，通过代理、状态管理、内存和工具集成构建复杂的 LLM 应用程序。

暂无简介

人工智能代理的“第二大脑”——持久洞察、回忆过去的决策并跨会话构建知识图。

通过 inference.sh CLI 掌握 AI 模型的提示工程。

通过 inference.sh CLI 访问 100 多种语言模型。

通过 inference.sh CLI 构建 RAG（检索增强生成）管道。

使用简单的 CLI 在云中运行 150 多个 AI 应用程序。无需 GPU。

通过 inference.sh 实现 AI 代理的浏览器自动化。在幕后使用 Playwright 和简单的 @e ref 系统进行元素交互。

Git 工作树隔离，通过简单、安全的工作流程进行并行代理开发。

通过自动验证严格执行红绿重构工作流程。