开源游资Skill助A股收益率超66%，51位AI评委在线分析个股

背景

该帖由 LINUX DO 社区用户发布，介绍其开源项目 UZI-Skill（游资技能）。项目旨在通过集成 51 位投资虚拟评委（如格雷厄姆、陈小群等）、22 维数据、180 条量化规则和 17 种机构分析方法，为用户提供 A 股、港股、美股的个股分析辅助。发布者声称使用该项目后今年 A 股收益率达到 66.13%，并持续更新修复 bug、增加数据源和功能。项目已获 GitHub 3000+ Star，并申请了“C 老师的开源计划”。

核心内容

该项目是一个基于 AI agent 的股票分析工具，以插件形式发布于社区（如 Claude、Codex、Gemini、Grok 等平台），用户可通过 /analyze-stock <股票名称/代码> 命令调用。核心功能包括：

• 51 位虚拟评委：模拟格雷厄姆、陈小群等知名投资者或分析师的风格，对个股进行多维度评分。系统会根据股票板块、风格（短线、蓝筹、小市值、防守等）自适应调整评委权重，减少对大多数 A 股“避雷”的倾向。
• 多数据源聚合：整合 22 维数据，涵盖财务数据、市场情绪、资金流向、板块热度、历史走势等，并持续新增数据源（如基金持仓、ETF 分析、雪球等需登录的网站数据，通过 Playwright agent 主动采集）。
• 量化规则与机构方法：内置 180 条量化规则，结合 17 种机构分析手段（如技术面、基本面、资金面等），输出综合评分及详细分析报告。
• 输出效果：生成包含评分、理由、风险提示、历史对比等内容的可视化界面（帖中展示了多张截图，但未提供具体文字说明）。
• 更新日志亮点：
  • 修复大量 bug，改进 agent 安装方法，强化评委风格限制。
  • 增加基金和 ETF 分析功能，自动截取持仓信息分析底层股票。
  • 引入 Playwright 等工具解决反爬问题，实现“真实”爬取。
  • 重构分支 refactor/v3.0.0-pipeline-architecture，提升稳定性。
  • 正在开发的功能包括：经典反指数据（如抖音王小雨等）、图网络热点分析、顽主杯/实盘大赛数据源、世界级企业关联分析（如柴淮动力 vs 卡特彼勒）、宏观经济史观、Polymarket 关联分析（如华为概念绑定 DeepSeek V4 发布时间预测）。
• 已知问题：非 Claude 使用会出现评委数据不对齐；部分数据源触发反爬；整体评分偏保守（可能因为 A 股多数票本身表现不佳）；多端支持（OpenCode、Codex 等）存在 token 消耗和超时卡死问题，正在优化。

关键要点

• 项目名称：UZI-Skill（游资技能），GitHub 地址：https://github.com/wbh604/UZI-Skill。
• 安装方式：通过 /plugin marketplace add wbh604/UZI-Skill 和 /plugin install stock-deep-analyzer@uzi-skill 安装。
• 推荐使用 Claude 以获得最佳效果，但也支持 Codex、Grok、Gemini 等。
• 发布者声称今年 A 股收益率 66.13%，但未提供独立验证，该数据仅作为项目效果的宣传素材。
• 项目持续迭代，从 4 月 16 日到 5 月 10 日多次更新，修复 bug、增加数据源、优化分析逻辑。
• 主要功能模块：51 位评委 → 多维数据 → 量化规则 → 自适应权重 → 综合评分与报告。
• 待办清单包括：适配 Hermes 模型、反指数据、图网络热点分析、实盘大赛数据、世界级企业对比、宏观经济史观、Polymarket 关联预测等。
• 已知 Bug 和限制：评委数据对齐问题（非 Claude 场景）、反爬、评分偏保守、多端 token 消耗与超时。

意义与影响

• 技术层面：该项目展示了如何将 LLM（大语言模型）agent 与股票分析场景结合，通过多评委模拟、多数据源聚合、动态权重调整等机制，构建一个相对复杂的自动化分析系统。其开源性质鼓励社区参与改进，推动 AI 投研工具的民主化。
• 用户层面：为普通投资者提供了一种低门槛、高信息密度的分析辅助工具，尤其适合那些希望快速获取多维度观点的用户。但需注意，项目声明中提到的收益率无法核实，且评分偏保守，不应作为投资决策的唯一依据。
• 社区层面：该帖在 LINUX DO 社区引发广泛讨论（249 posts，137 participants），体现了开源社区对 AI + 金融工具的高度兴趣。项目获得 3000+ Star，说明其功能设计在一定程度上满足了用户需求。
• 潜在风险：依赖外部数据源可能因反爬或 API 变更而失效；评委评分机制基于公开数据与规则，无法覆盖所有市场异常情况；用户需自行承担使用风险，避免过度依赖自动化分析结果。