有关 Skill 的一些思考
Why Skill?
在某段实习期间，某位老师给我发送了一个使用 Claude Code 现搓的 Skill。这个 Skill 的功能非常简单，就是根据用户输入的日期，通过两个 MCP (Model Context Protocol) 接口的调用，获得数据，最后制作成日报返回给用户。
具体而言，分为以下的四个步骤：
- 解析日期
- 数据获取：
- 调用A：iFind 查 5 个 A 股宽基指数（上证、沪深300、中证500/1000、创业板）
- 调用B：iFind 查 31 个申万一级行业涨跌幅
- 调用C：iFind EDB 查恒生指数、恒生科技
- 调用D：Alpha 派召回当日宏观政策与市场事件
- 生成 HTML
- 导出 PDF
部分的效果大致如下：
申万一级行业（2026-04-14，↑19涨 ↓12跌）
上涨红色 / 下跌绿色
我拿到手的第一反应是，使用 iFind 和 Alpha 派的 MCP 还是太吃操作了[1]，那么，有没有更加优雅的方式呢？。
有的，兄弟，有的。
我完全没有思考，直接开始微操。将 iFind MCP 替换成了 Akshare 的免费数据接口，将 Alpha 派的 MCP 替换成了「华尔街见闻」的爬虫，以替代数据获取部分[2]。
但就在代码跑通的那一刻，我突然意识到了一丝不对劲。
回顾整个执行过程，Agent 实际上只干了三件事：把自然语言转化成日期参数、在终端里运行我写好的 Python 脚本、最后对爬回来的快讯做个文本总结。与其说这是 Agent 在主导整个工作流，不如说是用自然语言操控 Agent 点击运行按钮。
再优化一下，发起一个 API 请求，将爬取的文字和提示词传入，那真的全流程都没有 Agent 啥事了……[3]
重构后的文件结构如下：
1 | daily-market-report-akshare/ |
在这个结构下，我甚至提供了 uv 与 pip 两种依赖安装方式。现在看来，能够自己检查并安装依赖、确保程序跑通，可能已经是这个 Agent 在整个项目中展现出的唯一「智能」了。
纵观这次重构，我的失败彻彻底底：项目依赖变得极其复杂，功能反而受限，而每次启动 Agent，它都在做「运行脚本」这种枯燥的确定性任务。
Why Agent？
很显然，我的替代方案和重构不行，原方案也不行。
何时应该使用 Skill 我们暂且不论，我们聚焦于这个几乎所有金融相关企业都需要的日报项目：
日报是一项确定性极高的任务。几点钟获取数据、获取哪些指数、按什么格式排版，都是确定的。而 Agent 的核心魅力在于其自主规划和随机性。在一个需要确定性的传统工作流中引入 Agent，不仅是大材小用，更是给自己埋雷。
这件事最优雅的解法是什么？是一个传统的 Python 脚本，中间在总结资讯的环节通过 API 调用一下 LLM，然后挂在服务器上用终端工具每天定时静默运行，自动保存 PDF。
换而言之，我们需要根据工作内容选择工具。不该 Agent 干的活，就不应该交给 Agent。为了写日报而去编写一个包含各种复杂逻辑的 Skill，完全是本末倒置。除了生成这份日报，这个 Skill 没有任何泛用性意义。
说到工作流，不得不提一下当前主流的 Agent/Workflow 平台（比如 coze/n8n/dify）。我非常跟风地在自己的服务器上部署了一套 n8n，但尴尬的是，至今上面暂时没跑任何实际项目。
原因很简单：每当我产生一个自动化需求，脑海里构思完逻辑后，我都会下意识地去写代码，远比在画布上连线更加可控和自然。更何况，现在的各种 Coding Agent 在纯代码领域能够极大提升开发效率，此时强制使用连线 GUI 节点，反而会拖慢整体工程进度。
对我而言，使用这样的平台似乎有些奇怪。拖拽节点看似降低了门槛，但是既没有减少需要编写核心程序的工程量，也没减少将其集成进自定义 GUI 的对接工程量，忙到最后好像只是限制了一下上限。
The Future
相比较于尚未完善的 Agent & Workflow，我们在金融领域落地 AI 时，面临着一个更现实的底层阻碍：数据获取。
在国内的金融环境下，高质量的结构化数据基本被 Wind、iFind 等几家头部数据服务商垄断。公开数据集严重缺失，像 Akshare 这样优秀的开源项目虽然能解燃眉之急，但在企业级应用要求的绝对稳定性面前，依然显得堪忧。而如果要自建个人数据库，其背后的算力、存储和清洗代价，根本不是个人或小团队能承担的。
这导致了一个有趣的现象：在这波轰轰烈烈的 AI 浪潮中，相比于将 LLM 深度融入公司核心业务系统，当前大多数机构只是把 LLM 当作一个零散的工具，鼓励员工个人使用，最终继续交付如 Word/Excel 等传统格式的结果[4]。
但凡事都有两面性。一个意料之外的好消息是：AI 对于高质量数据的极度渴望，正在极其强烈地倒逼金融机构进行「数字化转型」，而非直接跳到「智能化转型」。
大家突然发现，要想用上 AI，现有的数据基建根本不合格：接口不统一、数据不干净、文档满天飞。为了能给未来的大模型喂数据，机构们不得不开始系统性地梳理底层数据资产。可以说，目前来看，AI 有望使得各个金融机构的数字化水平提升到相当的高度，它构成了当前金融机构补齐数字化短板的最强内在动力。
How to do
- 95%的软件工程 + 5%的 LLM 调用
- 不要造轮子，有开源用开源