1.1 Claude Code 的功能定位与模型分层

Claude Code 是 Anthropic 基于 Claude 系列大模型能力推出的 CoWork 类 AI 编程智能体，依托 Claude 大模型体系与多智能体协同架构，面向代码开发、资料处理、研究流程编排和知识工作自动化等场景。相较于传统单轮问答式大模型工具，Claude Code 更强调项目制、连续式的任务处理方式，无需复杂环境配置即可在本地开展文件读取、代码执行、结果调试等任务，并通过 Skills、MCP 工具生态及多 Agent 协同机制扩展复杂任务处理能力。

从投研工作的实际场景看，Claude 内置模型可根据任务复杂度与执行成本进行分层调用。Haiku 定位为轻量高速型模型，适合批量数据清洗、简单指标计算、基础脚本处理等高频低复杂度任务，优势在于响应速度快、调用成本低；Sonnet 定位为均衡模型，适合日常指数分析、常规研究脚本、图表生成和底稿制作等中等复杂度任务，可作为多数投研工作的默认模型；Opus 定位为深度推理型模型，适合复杂因子计算、多步骤流程自动化、回测框架搭建和长链路任务调试等高难度场景，优势在于推理深度和任务稳定性更强；Fable 则对应最高能力级别，主要面向超大型工程任务和超复杂全链路 Skill 开发等场景，目前暂时无法使用。

1.2 Claude和其他Cowork类工具对比

当前主流 CoWork 类工具在底层模型、模型扩展、Skills 生态和多 Agent 调度能力上有所不同。Claude Code 依托 Claude 全系列模型，在长上下文理解、桌面端文件交互、项目制任务推进和子智能体拆分方面具有较强优势，更适合多文件协同、长流程分析和复杂研究任务。Codex 依托 GPT 系列模型和代码开发生态，支持 GPT-5.4、GPT-5.4-Mini、GPT-5.3-Codex 等模型，整体更偏向 CLI、IDE 插件嵌入和高自动化代码执行场景，在代码生成、脚本调试和短平快工程任务中效率较高。WorkBuddy 则基于国产大模型体系，支持 GLM、Kimi、MiniMax 等多类模型，并具备自定义模型、Skills 调用和多 Agent 并行能力，叠加微信、飞书、钉钉等本土化远程连接生态，在国内办公场景、文件理解、流程执行和合规适配方面等更具优势。

2.1 如何写好Skill？底层机制和书写技巧

在基于 Claude Code 搭建的投研自动化体系中，Skill 是承载单项研究任务的标准化执行单元，也是复杂 Plugin 和工作流的基础模块。其核心机制为“渐进式披露”，即模型先读取 Skill 的名称和功能描述，判断是否匹配当前任务；若需要调用，再进一步加载完整指令、脚本、模板和其他资源。该机制避免无关信息一次性进入上下文，减少推理窗口占用，使数据提取、指标计算、文本归纳和报告生成等能力可以按需调用、重复复用，从而提升长链路投研工作流的效率、稳定性和可迭代性。

一项完整的 Skill 通常需要明确五类要求：界定适用场景和典型需求；规定任务范围；固化从需求解析、输入确认、工具调用到结果校验和结论输出的流程；统一日期、样本范围、指标阈值及排序规则等分析口径；规范数据来源、输出格式和质量检查要求。上述规则有助于使同类投研任务遵循一致的数据与表达口径。

为充分发挥渐进式披露的机制优势，保障 Skill 在多场景调用中的稳定性与输出质量，标准化 Skill 的撰写需遵循从顶层定位到落地校验的全流程规范，核心包含五大维度：

（一）明确适用场景：作为 Skill 设计的起点，需清晰界定其面向的任务类型与典型用户需求，为模型提供明确的调用判定依据，帮助模型在复杂任务流中精准判断触发时机，减少误调用与无效加载。

（二）规定任务范围：需明确 Skill 的职责边界与场景适配性，严格限定输入输出的范畴，避免模型出现能力泛化、调用逻辑混乱等问题，确保单一 Skill 聚焦既定目标。

（三）固化执行流程：需将完整任务拆解为需求解析、输入确认、工具调用、结果校验与结论输出的标准步骤，将隐性的分析逻辑转化为显性的执行路径，降低模型推理的随机性，提升结果的可复现性。

（四）统一口径标准：需预先约定日期规则、样本范围、指标阈值、排序规则等默认处理方式，消除计算口径歧义，保障不同批次、不同标的下输出结果的一致性与横向可比性。

（五）规范输出与校验：需明确数据来源、输出格式与质量检查要求，建立结果校验机制，确保产出内容可追溯、可解释、可复核，契合投研工作的严谨性与合规要求。

2.2 从板块指数分析到ETF研究的skills体系搭建

在传统的指数与ETF研究过程中，研究员通常需要分别完成数据整理、指标计算、图表绘制以及结论撰写等多个步骤。这一流程往往数据来源分散，而且在不同产品之间存在大量重复性劳动和流程复用问题。

针对上述痛点，本文基于Claude Code及CoWork等AI编程与Agent工具，构建了面向“板块指数—指数特征—ETF产品”的三层分析Skills体系，从而实现对指数与ETF研究流程的系统化封装与自动化重构。该体系整体可划分为三类核心能力模块：

首先是板块指数分析类Skills，主要面向行业板块层面维度，覆盖政策事件跟踪、宏观环境研判、卖方观点提炼以及行业景气度评估等内容，用于刻画板块层面的驱动逻辑与外部环境变化。

其次是指数特征分析类Skills，聚焦指数本身的结构与定量特征，包括指数业绩表现、成分股解构、估值盈利水平统计、以及一致预期分析等内容；

第三是ETF产品分析类Skills，该Skill延伸至产品层面，主要包括ETF供给分析、产品要素梳理、规模与资金流向监测、跟踪误差测算以及同类产品横向比较等，用于进行同类产品对比等。

在上述三类Skills的基础上，可以进一步通过灵活组合形成更高层次的综合分析框架，实现对板块、指数与ETF的统一整合，包括综合评分和投资建议生成等，构建一个标准化、可复用的自动化研究体系。

2.3 图表与行文规则智能蒸馏及Skill化生成

蒸馏是指从历史报告和既有数据中提炼可复用规则，并将其固化为标准化 Skill 的过程。该流程主要分为图表蒸馏和话术蒸馏两条路径：前者从过往图表中提取配色、图型、排版和指标呈现规则，形成图表风格模块，用于自动生成标准化投研图表；后者从历史文本中提炼分析路径、表达口径和结论组织方式，形成文本写作模块与模板规则，用于生成符合投研风格的报告文字。通过该机制，图表样式、文字话术和报告结构均可根据机构模板与客户场景进行定制化输出。

2.4 指数、板块与ETF分析Skills框架总览

该 Skill 框架主要分为四层：产业研判层、指数画像层、ETF 分析层和排版层。产业研判层通过 industry-prosperity、analyst-view 等 skill 梳理行业景气、政策事件与卖方观点；指数画像层通过 index-metrics-calc、index-valuation 等 skill 刻画收益风险、估值盈利、成分结构和风格特征；ETF 分析层通过 etf-product-comparison 等 skill 聚焦产品要素、同类对比和跟踪偏离。排版层则将分析结果统一生成特定风格的 Word 章节、Excel 底稿、PPT 图表及 HTML 展示页面。

3.1 行业政策层Skills：政策与宏观事件整理macro-news-collector

政策环境与产业事件梳理是指数研究的重要前置环节，可用于判断指数所处产业周期、政策支持方向与景气变化趋势。我们结合研报和新闻数据库，构建政策与宏观新闻分析 skill（macro-news-collector），从研报和新闻数据库中自动提取目标指数相关的重点政策文件与近期事件，并按时间、标题和核心内容进行结构化归集。

以科创芯片指数为例，调用该 Skill 梳理近年重点政策文件与近期标志性事件。结果显示，近年政策持续聚焦集成电路、AI 算力和先进制造等方向，所处行业的中长期政策环境整体向好。

3.2 行业政策层Skills：卖方观点提炼analyst-view

卖方观点反映了市场对行业景气、盈利趋势、估值水平和核心催化的外部预期；我们构建卖方观点提炼 Skill，从公开研报中提取相关行业观点，并自动归纳共识方向、核心逻辑与主要分歧。

以国证通信指数为例，调用该 Skill 梳理近一季度卖方观点。市场共识主要集中在 AI 算力驱动光模块高景气、国产算力链自主可控加速、通信网与算力网融合发展等方向；分歧则主要体现在高估值下的业绩兑现节奏，以及运营商与设备商之间的走势分化。

3.3 行业政策层Skills：景气度行业分析industry-prosperity

景气度分析是指数研究中的重要组成部分，可用于判断指数所处产业链环节的需求、价格、产能与盈利趋势。本文构建行业景气度分析Skill（industry-prosperity），基于国金行业景气评级框架，将景气状态划分为底部企稳、拐点向上、稳健向上、加速向上、高景气维持、略有承压、持续承压和下行趋缓等类型，并对指数核心细分赛道进行逐一评估。

以国证通信指数为例，调用该Skill对其进行分析后可以看到， 光模块受 AI 算力需求拉动景气加速上行，通信线缆/光纤维持稳健，通信设备受 5G-A 与算力网络建设带动温和改善，电信运营商整体略有承压。

4.1 指数画像层Skills：编制方式梳理和相似指数搜索

我们首先构建指数要素识别Skill，自动整理指数基日、样本空间、加权方式、定期调整规则等基本信息，并进一步基于编制方法、成分结构和行业暴露，筛选市场上具有可比性的相似指数。

以中证军工指数为例，该Skill可提取其指数代码、发布日期、成分数量、样本空间、选样方法及市值加权规则，并匹配军工龙头、中证国防、国证航天、通用航空等相近主题指数，为后续收益表现比较、估值盈利分析和ETF产品对比选择提供基础。

4.2 指数画像层Skills：业绩表现计算index-metrics-calc

指数业绩表现是判断指数投资价值的基础环节，通常需要同时考察收益弹性、波动水平和回撤控制能力，并在不同周期下与同类行业指数及宽基指数进行横向比较。基于此，我们构建了业绩表现计算 Skill（index-metrics-calc），可自动调用行情数据，测算目标指数近 1 月至近 5 年多周期的累计收益、年化收益、年化波动、夏普比率和最大回撤等核心指标，并生成多周期对比表和净值走势图。

4.3 指数画像层Skills：成分股分析index-constituents

成分股分析是指数研究中的关键环节，能够帮助研究员识别指数收益来源、权重集中度与行业暴露结构。本文构建成分股分析Skill（index-constituents），基于指数基本信息自动梳理前十大成分股、权重集中度以及行业分布情况。

以数字经济指数为例，截至2026年5月29日，该指数50只成分股在个股和行业两个维度均呈现较高集中度。个股层面，前十大成分股合计权重为63.58%，前五大成分股合计权重为47.35%，其中第一大权重股中际旭创权重达到19.79%；行业层面，通信行业单一行业权重为42.27%，通信、电子与计算机行业合计权重达到84.33%。整体来看，该指数显著集中于数字硬科技与算力产业链。

4.4 指数画像层Skills：估值盈利水平分析index-valuation

估值盈利水平分析主要用于判断指数当前相对历史区间的性价比与配置位置。本文构建估值分析Skill（index-valuation），基于万得数据库，自动提取PE、PB、股息率等核心估值指标，并生成估值指标汇总表、历史分位结果及估值时序走势图。

以中证医疗指数为例，截至2026年5月29日，该指数PE-TTM约为27.51倍，PB约为3.07倍，股息率为1.46%。从历史分位看，近3年PE分位约为18.0%，PB分位约为3.0%，整体处于历史相对低位。

4.5 指数画像层Skills：一致预期分析index-consensus-forecast

一致预期数据汇总了市场机构对指数成分股未来收入、利润和估值水平的预测，可用于观察市场对指数未来盈利增长、业绩兑现节奏和动态估值变化的共同判断。相较于单纯依赖历史财务数据，一致预期更能反映市场对未来基本面变化的前瞻性定价。

我们构建 index-consensus-forecast Skill，将个股层面一致预期按照指数成分权重汇总至指数层面，重点分析 EPS、净利润、营收增速、净利润增速和动态市盈率等核心指标，从而刻画指数未来盈利弹性、增长质量和估值消化能力，为指数基本面趋势判断提供统一口径。

4.6 指数画像层Skills：指数盈利分析index-profitability

盈利能力是判断指数基本面质量和长期回报潜力的重要维度，其中 ROE 可反映成分股整体资本回报水平，股息率则体现指数成分公司的现金分红能力与股东回报特征。相较于短期价格表现，盈利能力指标更能刻画指数底层资产的经营质量和中长期配置价值。

通过构建 index-profitability Skill，可基于指数成分股及权重数据，自动测算指数 ROE、股息率及其历史变化情况，并进一步观察其所处分位水平和边际变化方向，从而帮助投资者判断指数盈利质量、分红特征及基本面改善趋势。

4.7 指数画像层Skills：指数风格分析index-style-box

指数风格分析主要用于刻画指数在价值/成长和大小盘维度上的风格定位，并跟踪其历史风格漂移情况。本文采用晨星风格箱（Morningstar Style Box）划分方法，构建指数风格分析Skill（index-style-box），通过成分股估值因子、成长因子和市值特征，对指数当前风格属性进行系统识别。

以国证油气指数为例，该Skill可输出指数在九宫格风格箱中的分布结果，并进一步展示历史风格变化及综合分析结论。从结果看，当前指数主要落在大盘价值区域，风格暴露相对集中；历史变化上，指数在过去若干期整体维持大盘价值特征，但在价值强度和市值暴露上仍存在一定波动。

5.1 ETF分析层Skills：ETF基本要素分析etf-product-info

ETF是指数投资中的重要配置工具，产品数量、管理规模及管理费率等要素能够反映市场资金对相关指数的认可度与配置需求。由于同一指数对应的ETF产品会随新发、份额变化及规模扩张持续动态调整，可以构建 ETF 要素分析 Skill（etf-product-info） 实现快速整理。

以沪深300指数为例，该Skill能够快速输出跟踪指数的ETF产品清单及规模分布情况，从而为ETF产品比较、资金偏好判断和后续配置分析提供参考。

5.2 ETF分析层Skills：ETF基本要素统计etf-product-info

除 ETF 产品基本要素统计外，etf-product-info 还可进一步覆盖产品持有结构与交易行为分析，自动生成 ETF 持有人结构、近期资金流入流出以及成交额变化等结果。通过引入机构与个人投资者占比、区间净申赎、成交活跃度等指标，该 Skill 能够更完整刻画 ETF 产品的资金属性与市场交易特征。

5.3 ETF分析层Skills：ETF跟踪误差分析etf-benchmark-deviation

ETF 跟踪精度是评价指数产品质量的重要维度。由于 ETF 的核心目标是尽可能紧密复制标的指数表现，因此日均跟踪偏离度和年化跟踪误差能够直接反映产品在组合复制、申赎管理和运作效率上的差异。基于这一需求，我们构建 ETF 跟踪误差分析 Skill（etf-benchmark-deviation），对成立满 60 个交易日的产品自动测算跟踪偏离度和年化跟踪误差，并生成产品对比表与误差分布图。

以跟踪创业板指的规模前 15 大 ETF 为例，该 Skill 可直观展示不同产品的跟踪精度差异，帮助投资者在同类产品中识别运作稳定性更高、跟踪效果更优的 ETF。

5.4 ETF分析层Skills：相似ETF比较similar-etf-analyzer

我们构建相似 ETF 比较 Skill，用于在同一主题或相近赛道下筛选可比产品并形成横向对比结果。该 Skill 首先基于指数编制方式、成分范围、行业暴露和主题属性识别相似指数，随后进一步匹配对应 ETF 产品，并从产品规模、数量分布、管理费率、托管费率、成交额和流动性等维度进行比较。通过该模块，研究员可以快速判断目标指数对应 ETF 的市场供给情况、费率竞争力和交易便利性，为后续产品筛选和配置分析提供参考。

6.1 Plugin：集成数据、指令、脚本与Skills的投研工作流

Plugin 是在多个 Skill 基础上，对调用入口、配置文件、执行脚本和资源说明进行统一封装的工程化组织形式，可理解为面向具体投研场景的可部署、可复用工作流载体。相较于单个 Skill 主要解决某一类标准化任务，Plugin 更强调多模块协同与端到端流程编排，能够将数据获取、指标计算、图表生成、文本撰写和材料输出等环节整合到同一套调用体系中，从而降低重复配置成本并提升跨场景复用效率。

Plugin 主要由五部分组成：plugin.json 用于记录插件名称、版本和基础信息；commands 用于定义自然语言调用入口，负责将用户指令映射到具体任务；configs 用于存放指数代码、报告风格、图表样式等个性化配置；scripts 用于执行数据处理、指标计算、底稿导出和报告生成等程序化操作；skills 用于说明各分析模块的适用场景、调用条件和执行步骤。通过上述结构，Plugin 可以统一管理指令、配置、脚本和 Skill 能力，既支持完整报告的一键生成，也支持单个模块的独立调用。

6.2 从自然语言指令到投价报告：Plugin自动化流程框架

Plugin自动化流程的核心在于将自然语言指令转化为可执行的投研生产链条。用户仅需输入“分析某一指数及其代码”，系统即可自动完成任务识别与流程调度，减少人工在数据获取、模块调用和报告排版之间的重复切换。

具体流程上，gjzq_index_etf_report_plugin首先对接万得数据库、财联社新闻数据库、聚源研报数据库及国金金工因子数据库，完成指数行情、产品信息、新闻事件和研究观点的数据整合；随后调用多类skill开展分析，包括政策环境、景气度、卖方观点等基本面研究，指数编制、业绩表现、成分股、估值、一致预期和盈利水平等指数画像分析，以及ETF产品对比分析。在此基础上，系统进一步完成投资建议与评级生成，并对文本和图表风格进行统一修饰，最终输出Word投资价值报告、Excel数据底稿和PPT样例展示。

6.3 指数与ETF投价报告Plugin输出结果展示

以科创芯片指数为例，调用指数与 ETF 投资价值报告 Plugin 后，系统可自动整合产业研判、指数画像和 ETF 分析结果，生成完整的投资价值分析报告。报告内容包括政策环境与产业事件梳理、行业景气判断、卖方观点汇总、指数编制信息、收益风险表现、成分股结构、估值盈利分析以及跟踪 ETF 产品对比等模块，并进一步输出综合评级、核心逻辑和投资建议。除 Word 报告外，系统还可同步生成完整 Excel 底稿。 下图以科创芯片指数为例，展现了此Plugin的输出成果。

Claude Code 等 CoWork 工具具备长上下文理解、文件调用和代码执行能力，不同模型可按任务复杂度分层使用。相比其他工具，Claude Code 更适合多文件协同、长流程拆解与投研任务自动化；

本文围绕指数、板块与 ETF 分析，基于大模型构建可复用 Skills 体系，将宏观政策、行业景气、卖方观点、指数画像、估值盈利、成分结构、ETF 产品比较等常见核心分析环节拆解为标准化模块，从而大幅提升工作效率，降低流程复用问题；

各子 Skill 可独立完成数据读取、指标计算、图表生成和文字输出，并同步产出 Word 章节、Excel 底稿、PPT 图表及 HTML 展示页面；同时，通过图表与行文规则蒸馏，可使最终成果更具定制化；

进一步地，我们将多个子 Skill 组合封装为 Plugin 工作流，实现从自然语言指令到完整指数与 ETF 投价报告的一体化生成。

1、指数历史表现不代表未来，其未来表现可能会受到宏观经济、政策等因素影响。

2、基金管理人历史业绩不代表未来，需警惕基金业绩不及预期的风险。

3、以上结果根据历史数据计算、统计得出，在市场环境发生变化时可能会发生变化。

4、基金相关信息及数据仅作为基金研究使用，不作为募集材料或者宣传材料。

5、本报告部分内容由 AI 生成，仅供参考，不构成投资建议。

1. 《主动量化：ChatGPT思维链推理机构调研选股策略》

2. 《主动量化研究之二：当绩优基金重仓股遇到调研会发生什么“共振”？》

3. 《主动量化研究之一：择时、选股、选基——自主可控概念量化投资指南》

Beta猎手系列

1. 《Beta猎手系列之十三：多种类、多周期事件化的开放式择时框架》 

2. 《Beta猎手系列之十二：RAG-ChatGPT提前布局热点概念领涨股》

3. 《Beta猎手系列之十一：基于红利风格择时+红利股优选构建的固收+策略》

4. 《Beta猎手系列之十：个股K线图形态AI识别构建市场风格预测》

5. 《Beta猎手系列之九：人工智能全球大类资产配置模型》

6. 《Beta猎手系列之八：基于偏股型转债的择时与择券构建固收+策略》

7. 《Beta猎手系列之七：追上投资热点——基于LLM的产业链图谱智能化生成》

8. 《Beta猎手系列之六：基于宏观量价信号叠加的微盘股茅指数择时轮动策略》

9. 《Beta猎手系列之五：基于机构调研热度和广度视角的行业配置策略》

10. 《Beta猎手系列之四：如何利用ChatGPT解析卖方策略观点并构建行业轮动策略？》

11. 《Beta猎手系列之三：行业超预期的全方位识别与轮动策略》

12. 《Beta猎手系列之二：熵池模型：如何将纯主动观点纳入量化配置模型》

13. 《Beta猎手系列：基于动态宏观事件因子的股债轮动策略》

智能化选基系列

1. 《智能化选基系列之十一：公募新规下主动权益基金业绩基准选择框架》

2. 《智能化选基系列之七：基于AI预测中的个股Beta信息构建ETF轮动策略》

3. 《智能化选基系列之六：如何用AI选出持续跑赢市场的基金》

4. 《智能化选基系列之五：如何如何刻画基金经理的交易动机并进行基金优选？》

5. 《智能化选基系列之四：如何用LLM生成基金经理调研报告并构建标签体系？》

6. 《智能化选基系列之三：基金经理多维度能力评价因子优化》

7. 《智能化选基系列之二：风格轮动型基金的智能识别与量化优选》

8. 《智能化选基系列：如何通过全方位特征预测基金业绩并构建跑赢指数的基金组合》

1. 《金融工程2023年度投资策略：拨云见日终有时》

2. 《金融工程2024年度策略：小盘股为帆，AI量化掌舵》

3. 《金融工程2025年度策略：LLM破局Alpha困境，拥抱Beta大时代》

4. 《金融工程2026年度策略：拥抱AI投研巨浪，迎接量化投资新篇章》

点击下方阅读原文，获取更多最新资讯