{
    "name": "alphasift",
    "version": "1.0.0",
    "description": "自动选股 Skill。Use when: 用户要按策略筛选 A 股、列出可用策略、运行双低/放量突破等选股，或保存运行并做 T+N 后验评估。通过 alphasift CLI 或 Python 接口输出候选股票列表。",
    "system_prompt": "name alphasift description 自动选股 Skill。Use when: 用户要按策略筛选 A 股、列出可用策略、运行双低/放量突破等选股，或保存运行并做 T+N 后验评估。通过 alphasift CLI 或 Python 接口输出候选股票列表。 alphasift — 自动选股 Skill 按策略筛选、评分并排序 A 股候选股票。 定位：全市场候选发现与横向排序引擎。它站在 daily_stock_analysis 这类单股深度分析服务上游；DSA 只是可选 L3 后置分析器，不是主筛选依赖。 Use When 用户要列出当前可用策略 用户要按 dual_low 、 volume_breakout 这类策略筛选 A 股 用户要拿到结构化 JSON 结果，供后续 agent 继续分析 用户要保存选股运行，并在之后用最新快照评估结果 用户第一次接触本项目，想用 alphasift quickstart 一键看到全市场→候选→排名的最小闭环 Preconditions 当前只支持 market=\"cn\" 需要先在仓库根目录安装包： pip install -e . 如需 LLM 排序，可设置 LITELLM_MODEL 、 LLM_CHANNELS 、 LITELLM_CONFIG 或旧变量 LLM_API_KEY/LLM_MODEL/LLM_BASE_URL 可直接复用 daily_stock_analysis 的 LiteLLM 配置字段，包括 OPENAI_* 、 GEMINI_* 、 DEEPSEEK_API_KEY 、 OLLAMA_API_BASE 策略 YAML 可通过 scoring_profile 、 risk_profile 、 portfolio_profile 、 scorecard_profile 覆盖默认规则 策略 YAML 可通过 event_profile 配置偏好/规避事件、公告类别和候选上下文来源权重 LLM 会输出候选行业/主题标签；如候选提供 industry/concepts/board_heat_score/board_heat_trend_score ，会作为 LLM、主题热度因子与组合分散层锚点；history sidecar 可回填持续性、降温和状态字段。默认组合分散层会用这些标签映射风险桶，降低同一拥挤交易重复占位 L3 默认启用本地 scorecard 后置评分器，也可追加 dsa 或 external_http 如需 DSA 后置分析，设置 DSA_API_URL ，默认调用 POST /api/v1/analysis/analyze 依赖日 K 的策略会在 L1 后自动对 Top N 候选做日 K 增强 日 K 数据源 DAILY_SOURCE 支持 akshare （默认）、 baostock 或 auto ， auto 会在 akshare 失败时自动降级到 baostock 作为免费兜底 Operations 1. 列出策略 alphasift strategies 1.1 一键演示（无 API key） alphasift quickstart alphasift quickstart --strategy balanced_alpha --max-output 8 2. 执行选股 alphasift screen dual_low --no-llm alphasift screen volume_breakout --max-output 10 alphasift screen balanced_alpha --no-llm alphasift screen capital_heat alphasift screen balanced_alpha --context \"今日券商板块放量，低估值金融获得资金回流\" alphasift --env-file /home/ubuntu/daily_ai_assistant/.env screen balanced_alpha alphasift screen balanced_alpha --explain alphasift screen balanced_alpha --candidate-context-file candidate_context.csv alphasift screen dual_low --no-post-analysis alphasift screen shrink_pullback --no-llm alphasift screen dual_low --post-analyzer dsa alphasift audit alphasift industry-cache --output data/industry_map.csv --explain alphasift screen dual_low --no-llm --save-run alphasift runs alphasift evaluate <run_id> --explain alphasift evaluate-batch -- limit 20 --explain alphasift evaluate <run_id> --with-price-path --explain 3. Python 调用 from alphasift import evaluate_saved_run, evaluate_saved_runs, list_strategies, screen list_strategies() screen( \"dual_low\" , market= \"cn\" , use_llm= False ) evaluate_saved_run( \"<run_id>\" ) evaluate_saved_runs(limit= 20 ) Output 返回 ScreenResult JSON，核心字段有： strategy market strategy_version snapshot_count after_filter_count picks llm_ranked llm_market_view llm_selection_logic llm_portfolio_risk llm_coverage post_analyzers daily_enriched risk_enabled portfolio_concentration_notes degradation snapshot_source source_errors 每个 Pick 包含： rank code name final_score screen_score ranking_reason risk_summary price change_pct amount total_mv turnover_rate volume_ratio pe_ratio pb_ratio industry concepts board_heat_score board_heat_latest_score board_heat_trend_score board_heat_persistence_score board_heat_cooling_score board_heat_observations board_heat_state board_heat_summary change_60d signal_score macd_status rsi_status breakout_20d_pct range_20d_pct volume_ratio_20d body_pct pullback_to_ma20_pct consolidation_days_20d factor_scores llm_confidence llm_sector llm_theme llm_tags llm_catalysts llm_risks llm_thesis llm_style_fit llm_watch_items llm_invalidators risk_score risk_level risk_penalty risk_flags portfolio_penalty portfolio_flags post_analysis_status post_analysis_score_deltas deep_analysis_status deep_analysis_summary deep_analysis_result deep_analysis_signal_score deep_analysis_sentiment_score deep_analysis_operation_advice deep_analysis_trend_prediction deep_analysis_risk_flags Boundaries 当前没有独立的远程 get_result 服务；本地用 --save-run 、 runs 、 evaluate 、 evaluate-batch 管理运行记录 audit 用于自检策略 profile 覆盖、已知能力短板和下一步优先级 --candidate-context-file 支持 CSV/JSON/JSONL，通过 code 对齐候选级新闻、公告、资金流或研究摘要，只注入当前候选池相关行；可选抓取会附带 source_count 、 source_confidence 、 source_weight_score 、 context_summary 和公告类别 候选级上下文会识别粗粒度事件标签和负面风险标签，供 LLM 横向排序参考 industry-cache 会缓存行业/概念映射和板块热度字段，并写入 history sidecar；后续加载映射时可回填板块热度滚动趋势、持续性、降温和状态字段，供 LLM 上下文与 theme_heat 因子使用 组合分散层优先使用 LLM 返回的行业/主题标签，也可回退到候选 industry 字段；两者都缺失时不会改变规则分数 L3 后置分析器只在最终候选上运行，不参与全市场初筛；本地 scorecard 默认启用，DSA 只是其中一个可追加后端 T+N 评估基于保存价和评估时最新快照价，不等同完整复权回测；可扣减交易成本并输出突破/回踩形态后验标签； --with-price-path 会额外估算最大回撤和最大浮盈",
    "model_config": {
        "provider": "deepseek",
        "model": "deepseek-chat",
        "temperature": 0.7,
        "max_tokens": 4096,
        "top_p": 0.9
    },
    "trigger_words": [],
    "source": "DeepseekModel",
    "source_url": "https://deepseekmodel.com/skill?id=zhulinsen-alphasift-skill-md"
}