What does the Wb Finance Skill AI skill do?

>- 金融/投资/股票/基金/ETF/板块/指数/宏观/外汇/大宗商品/财报/估值/持仓/交易/仓位/量化/因子/回测/选股/期权/衍生品/投行建模/技术指标/行情监控/预警——金融场景总入口，优先级**高于**所有其他金融相关 skill。请求涉及任一上述领域时（包括字面没出现"金融""股票"但本质围绕这些标的或方法论展开的问题），都务必**第一时间优先加载本 skill**。

Why use Wb Finance Skill on TypingMind?

Because you install it once and use it with any model. Wb Finance Skill is plain Markdown rather than provider-specific code, so the same skill runs on GPT-5, Claude, Gemini, Grok, or a local model — and you can switch model mid-chat without it breaking. TypingMind runs on your own API keys, so you pay providers directly instead of a per-seat subscription, and your skills and chats stay in your own storage.

How do I install Wb Finance Skill in TypingMind?

Open Plugins → Skills → Install from GitHub in TypingMind and paste https://github.com/crane-in-clear-sky/WorkWit-AI-Agent/tree/main/workwit/backend/builtin_skills/wb_finance_skill. TypingMind reads its SKILL.md and installs it as a skill you can enable per chat.

Which AI models can use Wb Finance Skill?

Any model you connect in TypingMind. AI skills are plain Markdown instructions rather than provider-specific code, so GPT, Claude, Gemini, Grok, and local models can all load this skill when a request matches it.

How many AI models can I use with Wb Finance Skill?

As many as you like. As long as a model supports skills, you can use Wb Finance Skill with it — GPT, Claude, Gemini, Grok, DeepSeek, Mistral, Llama and more — all on TypingMind with your own API keys.

Is the Wb Finance Skill AI skill free?

It is published on GitHub by crane-in-clear-sky. Check the repository for licensing terms. You only pay your own AI provider for the tokens you use.

An AI skill is a reusable instruction bundle that teaches an AI model how to do one specific task. It follows the open Agent Skills format: a SKILL.md file with a name and description, plus any scripts, templates or reference files the model may need. The model reads the instructions only when your request matches the skill, so an installed skill costs nothing until it is used.

How are AI skills different from plugins or MCP servers?

A plugin or MCP server gives a model new tools to call — code that runs somewhere and returns a result. An AI skill gives the model knowledge and process instead: how to approach a task, which steps to follow, what good output looks like. Skills are plain Markdown, so they need no server, no API key and no runtime, and they work with any model.

Wb Finance Skill by crane-in-clear-sky — AI Skill for Any LLM

⚠️ 环境适配：本技能原文要求调用 agentic_search（WorkBuddy 金融专用检索），当前系统无该工具，金融数据检索统一用 web_search / web_fetch；通达信 MCP 未接入时同样走 web_search 兜底。红线、时区口径、输出规范保持适用。

📎 参考文件说明：正文中引用的 references/、rules/、workflows/ 等子文件未随技能导入（系统仅存单 SKILL.md），请直接依据本文方法论执行，不要尝试读取不存在的参考文件。

触发顺序硬约束

必须先加载 wb-finance-skill 读取红线、时区口径、路由与输出规范，任何涉及金融市场数据的请求，都要调用 web_search 工具检索数据；禁止跳过本 skill 直接裸答或者凭记忆回答。

红线（金融场景一票否决）

禁止编造数据：不虚构数据/事件/公司名/财务数字；数据源缺失时直接说明"当前数据源未覆盖 / 需进一步核实"，不要编一组数据再加"待核实"标签；引用不确定的研报/论文时标"该引用需核实原文"
禁止核心概念混淆：客户 vs 竞争对手、整机厂 vs 零部件厂、净利润 vs 归母净利润、同比 vs 环比、财年 vs 自然年；不确定时用"据我理解"前缀并请用户确认
禁止数据自相矛盾：同一回答内数据与结论必须一致；多组数据先交叉校验；数据源冲突时优先采信高层级来源（交易所、公司公告、年报）并显式标注分歧
强制免责声明：所有包含具体投资建议、操作价位、买卖判断、仓位调整建议的输出，必须在回复末尾附加以下免责声明模板（固定文案，禁止模型自行改写、缩减或省略）：

免责声明：以上内容基于公开数据和量化分析，仅供参考，不构成投资建议。市场有风险，投资需谨慎。任何投资决策应结合个人风险承受能力、资金状况和投资目标独立判断，必要时咨询持牌专业机构。过往表现不预示未来收益。

检索策略

金融数据检索统一经 web_search 工具 —— 它具备自主分析与多步规划能力，会自行判断查哪些维度、分几步查，返回结论。
委派 query 必须是"一句话检索意图"，保留用户原始意图，禁止拆成多维度清单 / 字段列表 / 表格格式要求。工具自身具备多步规划与自主检索能力，会自行拆维度、判断查哪些字段、查多深——你拆得越细、要求越"全"，它解锁的检索面越大、越发散、越慢。委派时只交代两件事：① 标的 / 主题 / 范围（带代码），② 大方向查什么；其余（查哪些字段、列几列、怎么排序、要不要表格、分几个维度）一律不写，也不要要求工具写分析 / 结论报告 / 大段表格——它只需返回结论。字段筛选、表格化、排序、深度分析都是拿回数据后主 agent 自己的活（见第 4/7 条），不是委派 query 的内容。
不要要求"全面/详细/深入"检索：委派里禁止出现"请尽可能全面地检索""详细检索""返回结构化分析数据""覆盖以下 N 个方面"这类堆砌词。检索广度与深浅由工具按问题体量自己定，主 agent 说得越"全""细"它越发散、越慢，反而不利。就给它一句朴素的检索意图即可。
- 反例（过度拆解，禁止）：用户问"列出场内基金里红利低波和红利自由现金流 ETF"，却委派"请查询 A 股场内 ETF 中红利低波、红利自由现金流两主题的所有相关 ETF，列出基金代码、简称、跟踪指数、管理人、最新规模、近一周/近一月/年初至今涨跌幅、管理费率+托管费率、成立日期，用表格分主题输出……"
- 正例（一句话）："列出场内（A 股）红利低波、红利自由现金流两个主题的相关 ETF"
- 反例：用户问"国内有哪些上市公司跟 SpaceX 相关"，却委派"请全面检索 A 股与 SpaceX 有业务关联的公司，覆盖直接供应商 / 产业链相关 / 对标概念 / 最新动态四个维度，列出名称、代码、关联逻辑、近期表现，区分实际业务与概念炒作……"
- 正例："检索 A 股里与 SpaceX 相关的上市公司"
- 反例（宽泛研究被拆维度 + 堆"全面"词，禁止）：用户问"银河电子怎么样"，却委派"全面分析 A 股银河电子（002519），需覆盖：1 主营业务 2 财务数据 3 估值 4 股价走势与资金流向 5 研报评级 6 近期公告 7 板块概念，请尽可能全面地检索并返回结构化分析数据"
- 正例："研究 A 股银河电子（002519）的整体情况"
宽泛的"X 怎么样 / 值不值得看"只需一句话点明标的与代码，具体查什么、查多全由工具自己拆；只有用户问题本身就很具体、只问单一字段时（如"茅台最新 PE"）才如实精确转述。
工具无法满足时，用 web_search 检索公开信息，明确告知用户数据来源并说明非实时性。

数据底线

前提显式：问操作类问题（买/卖/加仓/减仓/换股）时，先列前提（市场环境 + 用户风险偏好 + 资金量/期限），再给"条件 → 操作 → 风险提示"。前提缺失时主动追问而非直接给操作建议
检索优先于记忆：提及具体股票/基金/指数/宏观指标时，先调 web_search；如通达信 MCP 可用，按MCP场景说明调用拉数据，禁止纯凭记忆作答；记忆中的数字只能作为合理性 sanity check，不能作为答案
禁止硬编码数据：所有行情、财务、宏观和技术指标必须通过工具动态获取并标注来源和时点，禁止在回答中直接引用训练数据中的历史数值或凭记忆输出数字
时效意图与目标周期解析：用户表达“最新、当前、今天、今年、近期”等时效要求时，先结合运行时日期、市场交易状态、指标发布频率和数据发布时间确定目标周期，不得把当前年份直接等同于最新有效数据周期。用户明确指定历史日期、年份、季度、财年或回测时点时，以用户指定范围为准，不得自动改写为当前周期。
查询结果时效校验：数据返回后核对其统计周期、发布时间和数据截止时间是否满足用户要求：
1. 数据已覆盖目标周期时，按实际周期使用并标注时点；
2. 当前周期尚未发布时，使用最近已发布周期，并明确说明数据截止时间；
3. 返回数据明显早于目标周期时，调整时间参数或更换数据源重新查询；
4. 仍无法取得满足要求的数据时，明确声明数据缺口和最近可用时点，不得将历史数据表述为当前数据。
所有关键数据必须可追溯到来源 + 时间戳：行情 / 财务 / 宏观 / 研报数字不能裸出；每个关键数字附近都要能追溯到"来源 + 时点"（YYYY-MM-DD 或 YYYYQn），不要只在文末放一个总来源。同一数据块共享相同来源、周期和口径时，可在表头、表尾或图注统一标注，来源或周期不同时，再分别标注。来源可来自 web_search / 通达信 MCP / 交易所公告 / 公司年报 / 港交所披露易 / 研报 / web_search；web_search 兜底时也要标媒体名 + 日期，若生成 HTML，最好把 web_search 原文链接做成可点击链接。研报和媒体数据要标清"非一手来源 / 需核实原文"，不要把它们和公司公告同等处理
来源标注粒度与数据粒度匹配：同一表格、图表或数据卡片中的数据共享相同来源、统计周期和口径时，可在表头、表尾或图注统一标注，无需在每个单元格重复。只有不同子项来源、时点或计算口径不同时，才需要分别标注。任何关键结论都应能追溯到对应的数据来源和时点。
来源质量分级：
- 一手来源（交易所公告、统计局、公司年报/季报、央行/监管机构）：可直接采信，标注机构名 + 发布日期
- 非一手来源（财经媒体、研报引用、第三方数据平台二次引用）：必须标注"需核实原文"，不得与一手来源同等处理。研报引用还需标注研报机构 + 发布时间
输出来源规范：HTML 报告应在数据卡片、图表或表格附近标注来源和数据时点；Markdown 应在关键数据首次出现处标注来源。共享来源的数据可合并标注，避免重复信息影响可读性。

使用指南

识别意图：先分清这是"取数据"（→ 委派 web_search 工具）还是"给方法论 / 分析 / 输出"（→ 读对应 reference、跑 scripts）；很多请求两者都要（先取数再分析）
自主执行：不要让用户挑数据源；数据源在哪、怎么路由由工具内部决定，主 agent 只管把检索意图讲清楚（委派规范见上方「检索策略」——一句话意图、不指定字段/表格/维度、不要求工具写分析报告）
错误兜底：工具返回缺失或报错时，换个问法再调用，或用通达信 MCP（如可用）/ web_search 补
清晰呈现：用中文表头的可读表格展示返回结果。列举 / 排名 / 对比多个标的时，交付前过三道规整校验：
- 每个标的必带标准格式代码：A 股 6 位（600519）、港股 5 位（00700）、美股 ticker（AAPL），逐个标注、无一例外，不要只在第一个标的后给代码
- 排序 / 分层必须给可量化依据：给标的排序或分档时，写清排序所依据的具体指标（市占率 / 供应份额 / 营收占比 / 资金流入 / 增速 / 估值分位），不要用"绑定深度""市场地位""重要性"这类笼统词；确实拿不到量化指标时，说明这是定性排序，不要伪装成硬排名
- 条件校验：题目限定了范围（市场 A 股 / 港股 / 美股、上市状态、产品类型）时，逐个核对候选标的是否满足，剔除不符的；A 股清单里混入港股或未上市标的是硬错误
按需组合：复杂请求可多次委派工具互补（如先让工具选出股票池，再对池内标的逐只查详情），或在一次委派里把多步需求讲清让工具自主完成
置信度分层：高置信度直接断言；中等用"倾向于 / 大概率"；低用"不排除 / 有可能"。不要把所有可能性平铺让用户自选
除非用户指定格式，结果尽可能用 HTML 可视化呈现：分析、对比、研报型回答尽量产出 HTML 文件（用 Write 落地 HTML，对话里把文件路径告诉用户）；简短 Q&A、单数字查询、Yes-No 判断仍用 Markdown。HTML 用浅底深字研报风、首屏结论先行；数据图用 ECharts、关系拓扑图用 SVG/CSS、查阅型用表格。关键约束：手写的内联 JS / ECharts option 极易括号或引号失配，一处错整页图表全废——HTML 写完交付前必须做一次 JS 语法自检（node --check 或等价），报错改到通过再交付。复杂图优先套用现成 option 骨架填 data，不要从零手敲嵌套结构。HTML 风格、ECharts 骨架、图表分工与质量细则（图表可切换 / 多取周期消空值 / 双轴量级 / 空值不入图）见 references/html-report-style.md，产出 HTML 前先读它。

加载后必须匹配 reference：进入本 skill 后，必须完成以下三步，不要只读 SKILL.md 主文件就直接答——主文件只讲红线和路由，具体方法论（步骤、阈值、避坑）都在对应 reference 里。

第一步：问题拆解为场景标签 把用户问题拆成一个或多个场景标签。复合问题必须拆分（如"结合大盘分析 X 该不该买"→ market-state + stock-deep-research + valuation-pricing + trade-plan），禁止用单个宽泛标签覆盖全部需求。

第二步：核心方法论加载 每个主场景必须加载对应的核心 reference；存在多个主场景时分别加载。核心 reference 加载完成后，根据问题中的具体维度追加补充 reference。Reference 加载遵循“最小充分集合”原则：每个主场景优先选择一个最相关的核心方法论；只有用户需求包含独立分析维度、且当前核心 reference 无法覆盖时，才追加补充 reference。不设置机械固定上限，但禁止为了完成清单无边界加载无关文件。判断依据是方法论是否实际用于分析，而不是读取文件数量。

问题场景与核心必选 / 条件追加对照：

问题场景	核心必选	条件追加	质量底线
市场展望 / 大盘	`market-state` + `macro-transmission`	主线研判加 `market-mainline`；板块轮动加 `sector-comparison`	不能只做指数涨跌描述
个股全面分析	`stock-deep-research` + `valuation-pricing`	按问题加 `business-model` / `quality-growth` / `peer-comparison` / `industry-chain`	"全面"不能只加载个股初探
技术指标 / 形态	`price-action-tools`	仅突破、VCP、波缩、真假突破时加 `breakout-patterns`	MACD/RSI 查询不强制加载 VCP
红利 / 分红 / 回购	`dividend-buyback`	估值性价比加 `valuation-pricing`；现金质量加 `quality-growth`	不能以单次股息率代替持续性验证
政策 / 题材 / 热点	`policy-impact`	市场主线加 `market-mainline`；产业映射加 `industry-chain`	必须给出政策→行业→公司传导链
订单 / 合同负债 / 前瞻指标	`earnings-preview` + `quality-growth`	收入模式加 `business-model`；涉及定价兑现才加 `valuation-pricing`	不能把所有经营前瞻指标机械路由到估值

第三步：自检（输出前必须通过）

每个主场景是否都有核心方法论 reference？
数据源是否按路由表选择，且降级原因合理？
用户要求的关键分析维度是否均已覆盖？
方法论是否实际体现在答案中，而不是只完成文件读取？
每个关键数据是否能对应到来源、时点和口径；不同来源/周期的子项是否分别标注？
是否包含具体买卖、价位或仓位建议；若包含，固定免责声明是否完整位于回复末尾？
若存在缺失，继续补充、重新查询或明确缩小回答范围，禁止假装完成全面分析。

html-report-style.md 只负责输出格式，必须在方法论匹配完成后加载，不能替代任何方法论 reference。 禁止仅加载格式类、工具类或数据源类 reference 就直接输出分析结论。

优先用 scripts/ 现成工具，不要从零重写算法：scripts/price-action/ 含 7 个技术分析信号引擎（K 线 / 谐波 / 波浪 / 缠论 / 一目 / SMC / 基础指标），scripts/quant/ 含 6 个量化策略引擎（配对 / 季节性 / 波动率 / 多因子 / 基本面 / 分钟级），scripts/ib/ 含 2 个投行 utility（DCF Excel 校验 / 投行材料数字一致性）。涉及技术指标计算 / 量化策略 / DCF 审核等场景时，先 Read 对应 script 看输入约定，再 Bash 执行，远比 model 自己重写算法快且不出错。具体工具清单见对应 reference 末尾的"可执行工具"section
多角度深度挖掘（数据返回后必跑反思）：拿到工具数据不是答题终点而是挖掘起点。每次数据返回后过 5 维，任一维度触发新线索 → 继续检索；五维都无增量才收尾。不为凑深度硬造，但也不要拿到一条数据就收尾
- ① 纵向再追一个"为什么"：查到"净利润下滑"→ 继续拆成本 / 收入结构
- ② 横向看上下游 / 竞对：查到"比亚迪毛利走低"→ 顺查赛力斯 / 理想看是不是行业性
- ③ 时间放到 3-5 年周期看分位：查到"PE 25×"→ 调 5 年 PE 带看历史分位是高是低
- ④ 反面找最薄弱假设：依赖"消费复苏"→ 主动查社零 / CPI 反驳信号
- ⑤ 行动给条件化决策：补"若 X 跌破 Y 则 ……"，让用户拿到可操作框架
有观点 + 反向声音：分析类回答必须给经过推演的判断（不是平铺 N 种可能让用户自选）；主动点出"市场普遍知道什么、还没充分定价什么"，必要时给反向声音（"这个加仓决定可能基于一个错误的归因 —— X 的上涨其实是 Y 引起的"），不要顺着用户思路一路点头

时间口径（跨时区/跨市场必查）

金融数据强时效，回答时遵守以下规则：

先判断交易状态：回答"现价/最新/今天"前，先确认是不是该市场交易时段；不在时段内必须标注"盘前/盘中/盘后/休市"和对应的最近一次 close
美股时间先核对 DST：美国夏令时期间美股开盘对应北京 21:30，冬令时对应 22:30；每次按当前日期推导，不要硬记切换日
事件时点本地+北京双标：财报、央行决议、经济数据等事件，同时给本地时间和北京时间，并标注盘前还是盘后。例：苹果 FY25Q1 财报 = 2025-01-30 美东盘后 16:30（北京时间 2025-01-31 05:30）
相对时间默认北京时区：用户说"今天/昨天/本周"按北京时间解释；有歧义时（如"昨天美股"）第一句先点明绝对日期
跨市场比较先对齐窗口：A股 T 日收盘 / 港股 T 日收盘 / 美股 T-1 夜盘 / 美股 T 日盘不是同一时点；做联动分析时点明用的是哪种对齐
跨市场财报同期对比按自然年季度对齐：FY 标号本身不能直接对（如腾讯 FY26Q1 = 自然年 2026Q1，阿里 FY26Q1 = 自然年 2025Q2，对不上）。先把每家 FY 拆成它实际覆盖的自然年季度（腾讯 FY = 自然年；阿里 FY 4 月制；苹果 FY 9 月底制；微软 FY 7 月制），再按"自然年同季度"配对做季度比，或用 TTM 滚动 4 季 做年度比——TTM 本身就是按自然年季度滚动求和，自动消除 FY 定义差异。详细步骤与币种 / 估值口径一致性见 references/peer-comparison.md 与 references/valuation-pricing.md

数据口径与标的核对

先核对标的身份：公司名、港股代码、美股代码、ADR、ETF、同名公司必须先确认，避免把不同上市主体、ADR、本地股、ETF 或同名公司混用
香港产品先确认类型：港股 7709.HK 这类代码可能是 ETF、杠杆产品、牛熊证或结构化产品；查 NAV 前必须先确认产品类型。对香港 ETF/杠杆产品，优先搜索基金管理人、HKEX、etnet/基金专页
多源交叉验证：同一指标不同数据源给出不同数值时，至少列两个来源，优先采信交易所/公司公告/年报等一手来源，并显式说明分歧；不要静默选一个高于另一个的版本作为答案

场景方法论 references

references/ 目录下是按场景蒸馏的金融分析方法论，覆盖个股研究、估值、财报事件、交易决策、板块主线、资金机构、宏观传导、技术分析、量化策略、衍生品、跨资产、危机周期、投行建模、日常 routine 以及 HTML 输出规范等。当用户的请求落入对应场景时，先读取相应 reference 再作答。

使用规则：

每条 reference 是"方法论 + 量化阈值 + 避坑"三段式，不是输出模板——分析时按其框架思考，但不照抄章节标题或字数限制
多场景叠加时（如"分析 A 股票该不该买"同时涉及个股研究 + 估值 + 仓位决策），并行读取多个 reference 综合判断
方法论类 references 只管"分析框架"，数据获取走 web_search 工具 / 通达信 MCP（如可用）

索引（按场景类别分组）：

数据源调用

tdx-mcp-quick-reference.md 通达信 MCP 调用速查（10 个工具实测示例、fixedTag 路由表、避坑清单、已知限制）—— 仅在用户装了通达信 MCP 时使用

个股研究

stock-first-look.md 个股初探（含热门股快读）
stock-deep-research.md 个股深度研究（投资逻辑研究）
business-model.md 业务模式拆解
valuation-pricing.md 估值与定价（PE/PB/DCF/PEG/分部估值）
moat-quality.md 护城河与公司质地
management-assessment.md 管理层体检
peer-comparison.md 同业比选
quality-growth.md 质量增长匹配（高质复利 / 增长质检 / 价值股息）

财报与事件

earnings-preview.md 财报前瞻
earnings-review.md 财报后反应（业绩会提炼 / 财后漂移）
announcement-impact.md 公告影响与股东信解读
event-catalyst.md 事件驱动短线催化

交易与持仓

trade-plan.md 交易计划与买卖点
position-sizing.md 仓位决策与加减仓
portfolio-checkup.md 持仓体检与风控
stop-discipline.md 止损纪律
monitor-alert.md 监控告警与停复牌

板块主线题材

sector-comparison.md 板块比较与轮动
market-mainline.md 市场主线与情绪
market-state.md 市场状态与广度
theme-lifecycle.md 题材周期与龙头
leader-game.md 涨停龙头博弈与龙虎榜

资金与机构

fund-flow.md 资金流与北向
institutional-holding.md 机构持仓与拥挤度

宏观/政策/产业链

macro-transmission.md 宏观行业个股传导
policy-impact.md 政策解读与受益映射
industry-chain.md 产业链映射与卡点

技术分析

breakout-patterns.md 波缩突破与 VCP
price-action-tools.md 技术指标与形态识别（K 线 / 谐波 / 波浪 / 缠论 / 一目 / SMC）
abnormal-detection.md 放量异动与跳空归因

风险与量化

risk-stress.md 风险压力测试（VaR / CVaR / 蒙特卡洛）
quant-factor-research.md 因子研究框架
systematic-strategies.md 量化策略库（配对 / 事件驱动 / 季节性 / ML / 对冲 / 波动率）
portfolio-optimization.md 资产配置与组合优化

衍生品与跨资产

options-strategies.md 期权策略（多腿组合 + Greeks）
fixed-income.md 固定收益与可转债
forex-commodity.md 外汇与大宗商品
crypto-derivatives.md 加密衍生品（仅在用户明确要求时使用）

主题

dividend-buyback.md 分红回购与股东回报
going-global.md 出海链投资
crisis-event.md 危机 / 反转 / 周期拐点

投行建模

ib-models.md 投行估值建模（DCF / LBO / comps / 三表 / M&A / Unit Economics）
ib-deal-prep.md 投行交易准备（尽调 / 投委会 / IM / pitch / NDA）

日常 routine

daily-briefing.md 每日投研简报（盘前 / 收盘 / 晨会）

输出规范

html-report-style.md HTML 研报输出（JS 自检 / ECharts 骨架 / 图表分工与质量细则）——产出 HTML 前先读

通达信 MCP（如可用）

仅在用户环境装了通达信 MCP 时启用——通过列出的 MCP 工具是否包含 tdx_quotes / tdx_kline / tdx_api_data / tdx_indicator_select / tdx_screener / tdx_lookup_stock / wenda_news_query / wenda_notice_query / wenda_report_query / wenda_macro_query 来判断。可用时优先在以下场景调用：

上面没覆盖或返回不全的细分接口（深度财务三表多期、十大流通股东全历史、限售解禁、股本变动、港股财报多期回溯、个股 / 全市场龙虎榜结构化、自然语言条件选股、宏观时序数据）
需要按通达信特有路由（entry + fixedTag + code）取结构化字段，而不是 LLM 描述
验证上面给出数据是否准确（多源交叉验证）

调用前先读 references/tdx-mcp-quick-reference.md —— 里面是 10 个工具的实测调用示例、参数含义、fixedTag 路由表、错误排查方法、已知限制。不要凭记忆拼参数（setcode、target、fixedTag 都有踩坑点）。

Publisher	crane-in-clear-sky
Repository	`WorkWit-AI-Agent`
Skill name	`wb_finance_skill`
Stars	118
Forks	5
Bundled files	Instructions only
Links	Skill source Repository

Wb Finance Skill

Overview

Installation

Install in TypingMind

Install in another agent

Use it in TypingMind

Works with any AI model

Skill instructions

触发顺序硬约束

红线（金融场景一票否决）

检索策略

数据底线

使用指南

时间口径（跨时区/跨市场必查）

数据口径与标的核对

场景方法论 references

通达信 MCP（如可用）

Frequently asked questions

Set up your own AI workspace now

Overview

Installation

Install in TypingMind

Install in another agent

Use it in TypingMind

Works with any AI model

Skill instructions

触发顺序硬约束

红线（金融场景一票否决）

检索策略

数据底线

使用指南

时间口径（跨时区/跨市场必查）

数据口径与标的核对

场景方法论 references

通达信 MCP（如可用）

Frequently asked questions

Related AI Skills

Set up your own AI workspace now