Claude Skills 做理财复盘：可用技能清单与自动化流水线
订阅额度用不完、Skills 却只拿来跑代码审查，是不少 Claude 用户的常态。这篇整理了讨论中出现的理财与效率类 skill，包括取数、资产归集、联网搜索、浏览器自动化与 MCP 数据底座，并给出一条从每日复盘生成、校验到 GitHub 推送、Vercel 展示的可落地方案，同时说明各类做法的取舍、合规红线与常见坑。
每周订阅额度用掉不到八成，Skills 却只拿来跑代码审查和重构——这是不少 Claude 重度用户的真实状态。有开发者提出：既然「读一堆材料、按固定格式产出结论」这类活儿跑得不错，能不能把同一套方法搬到个人理财上——每天生成一份持仓复盘，自动推送到 GitHub，再由 Vercel 渲染成网页。这条链路用客户端提问的方式其实已经能跑通，真正缺的是「理财向的 skill 有哪些、怎么组合起来」。
先摆正预期。模型不是投资顾问，这类工具的价值在整理、归档、提醒和可视化，而不是预测涨跌或替代决策。模型很容易在缺数据时编出看起来合理的数字，所以整条流水线里最关键的环节不是「让 AI 写得更像分析师」，而是「让写出来的每个数字都可回溯到原始数据」。
一、理财类 skill 通常分三层
理解分层比记住名字更有用，因为多数 skill 只覆盖其中一层：
- 取数层：调用财经 API、读取券商导出的 CSV、解析财报 PDF。这一层决定后面所有分析的可靠性。
- 分析层：计算持仓分布、行业敞口、回撤、定投成本，或者跑一段简单回测。这一层大多是脚本，模型只负责组织语言。
- 产出层：把结果写成固定模板的 Markdown、生成图表、推送到仓库或笔记系统。这一层和「代码审查」类 skill 的形态最像。
一个常见的误区是拿一个分析类 skill 当全流程用。实际上把三层拆开、各自可替换，出问题时才好定位是数据错了还是措辞错了。
二、讨论中被提到的几个 skill
| 名称 | 主要用途 | 需要注意的点 |
|---|---|---|
| quant-analysis | 调用免费财经 API 拉股票、基金数据，做基本面与量化分析，适合定投策略和资产配置的初步测算 | 需确认数据源覆盖哪个市场、是否需要申请 key、免费额度与调用频率限制；不同版本差异较大 |
| portfolio-tracker | 归集多平台资产，生成资产分布与风险敞口报告 | 依赖手动录入或导入，录入错误会一路传导到结论 |
| web-search | 补足内置搜索，抓取财经新闻、财报信息，减少手动找资料 | 部分实现依赖第三方搜索服务，需要单独的 key 或额度，用前先看 README |
| obsidian-publisher | 把笔记发布成静态页面 | 主要面向 Obsidian 生态；若已有 GitHub→Vercel 链路，再叠一层收益不大 |
| anthropics 官方金融示例集 | 一组参考实现，覆盖数据获取到报告生成的常见模式 | 更适合当模板改，而不是直接投产 |
| autoglm-browser-agent | 基于本地浏览器的自动化，能保留登录态，支持 macOS 与 Windows | 只适合「读页面」，登录金融账户本身有账号安全与平台条款风险 |
| catfolio.app | 记账与持仓工具，覆盖多家券商、支持 CSV 导入，Mac 版提供 MCP 接口 | 可作为数据底座，让模型通过 MCP 取数，再跑回测或归因分析 |
其中最后一条的思路值得单独说：与其让模型去「抓」数据，不如让它连一个已经整理好数据的本地工具。MCP 这类接口把「取数」和「生成」解耦，稳定性通常比浏览器自动化高一个数量级。
三、把每日复盘做成流水线
已经跑通「Markdown 推 GitHub → Vercel 钩子自动构建」的话，剩下的是把它变成每天自动发生的事。
1. 目录与模板先定死
portfolio/
data/2025-01-01.json # 原始数据，不进公开仓库
reports/2025-01-01.md # 复盘文档
templates/review.md # 固定结构
scripts/build_review.py # 取数与校验
模板里固定几块：持仓变动、当日操作及理由、与基准的偏离、下周计划、需要复核的疑点。结构定死的好处是，模型没有发挥空间去「创作」数据。
2. 取数优先走导出和接口
能导出 CSV 就别爬网页，能调官方接口就别用浏览器点击。券商页面结构随时会变，自动化脚本的维护成本远超预期，而且自动登录金融账户这件事本身要谨慎对待。
3. 生成之后必须做一次数字校验
写一个几十行的脚本，把复盘文档里出现的金额、比例、代码与 data/*.json 对一遍，不一致就退出非零状态、中断发布。这一步能挡掉绝大部分幻觉。也可以反向要求模型：数据文件里没有的数字一律写「待补充」。
4. 发布环节
推送到私有仓库，由 Vercel 关联仓库自动构建。两点提醒：
- 别把原始持仓数据放进公开仓库，即使仓库私有，也建议对预览页面加访问保护，或只发布脱敏后的比例数据。
- 免费额度的构建次数与带宽限制会调整，长期跑之前先看官方最新的套餐说明。
5. 定时触发
用 GitHub Actions 定时跑是最省事的，大致骨架如下（提交前记得配置 git 身份）：
name: daily-review
on:
schedule:
- cron: "0 22 * * *" # UTC 时间，注意换算
workflow_dispatch:
jobs:
review:
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v4
- run: python scripts/build_review.py
- run: |
git config user.name "bot"
git config user.email "bot@example.com"
git add reports && git commit -m "review" || exit 0
git push
这里有个容易忽略的点：订阅制客户端和 API 计费是两套体系。把任务搬进 CI 后通常需要单独的 API key，费用和条款以官方最新说明为准，别默认每周额度能直接用在流水线上。如果不想额外付费，就让 Actions 只负责跑脚本和发布，把「生成」这一步留在本地手动触发。
四、几种做法的取舍
- 浏览器自动化 vs 接口/导出：前者对「只有网页版」的平台是唯一选择，能保留登录态确实比每次都开新会话好用，但速度慢、易碎、有账号风险；后者稳定但覆盖有限。建议只把前者用于公开信息的读取。
- 自建搜索要不要买额度：如果复盘只需要几篇新闻和财报摘要，内置搜索加手动贴链接就够了；需要每天批量抓取时再考虑付费搜索服务。
- 是否再引入一个笔记发布工具：链路已经跑通就别加中间层，每多一个环节就多一处可能断掉的地方。
- 分析深度：跑回测、算因子听起来高级，但个人持仓样本很小，结论的统计意义有限。把精力放在「记录当时的判断」上，长期回报更高。
五、几条不建议越过的线
- 不要让模型或脚本代替你下单，也不要让它保存交易密码。自动化交易出错的代价不可逆。
- 用浏览器自动化登录券商、银行类账户，可能违反平台用户协议，也有被盗号的风险。只读、公开页面、不涉及凭证，是相对安全的边界。
- 模型给出的资产配置建议只能当草稿，涉及税务、合规的部分请以官方和持牌机构的口径为准。
- 复盘文档里如果包含账户截图，注意打码后再进入版本库。
六、如果定时任务总被打断
每日复盘依赖「到点就跑」。本地笔记本合盖休眠、网络抖动、浏览器会话过期，都会让当天的报告断掉。一种可选做法是把这类常驻任务放到一台长期在线的机器上，比如整台 Mac mini 放在机房的远程租用方案，按月使用、远程连接，网络环境相对稳定，适合跑 Claude Code 这类需要长时间在线的任务，也能承载需要在 macOS 上运行的 skill。是否值得取决于任务频率和对稳定性的要求，成本需自行评估；涉及账户凭证的操作，仍建议留在这类环境之外。
小结
把 Claude 用在理财上，靠谱的路径不是「让 AI 给建议」，而是「让 AI 把每天的账整理清楚」。落地时按这个顺序推进：先定模板，再打通取数，然后加数字校验，最后才考虑定时与发布。skill 的选择上，优先挑那些明确写了数据来源、有可读脚本、不要求你交出账户凭证的。每引入一个，先手动跑一周，确认输出稳定后再接进自动化。
