BondClaw固收投研系列四：Skill中间件架构赋能，以周度回顾场景为例

固收投研Skill中间件架构赋能

核心思路

研究能力拆解为积木，卖方造零件、买方组装车，通过AI打通卖方研究积累与买方投资场景需求，将研究能力拆解为数据、逻辑、回测、输出四层，逐层Skill化形成可复用、可叠加的中间件体系，实现投研想法的快速实现。

四层架构

1. 数据层：将Wind、iFinD、AKShare等取数方式索引化，实现AI取数变成查字典。
2. 逻辑层：将Excel数据库拆成AI可执行的Skill文件，初步梳理出13个主题数据库、约500个分析逻辑。
3. 回测层：将策略与引擎解耦，构建个券和ETF两套框架，逻辑层产出可直接注册为回测信号。
4. 输出层：让同一份数据一键切换周报、PPT、看板、微信等多种形态，改一处处处生效。

实际效果

以信用利差回顾为例，过去需要手动刷新、逐行核对、手写点评，现在AI调用Skill自动完成取数、计算、判断、出图全流程，且可在交互中持续优化逻辑。以"资金分层消失→短端利差压缩"为例，基金经理从产生想法到拿到回测结论和一页PPT，过去需要一两天跨部门协作，现在一次对话即可完成。研究能力的积累从月度迭代变成增量叠加。

使用案例

1. 信用利差回顾：信用利差数据库Skill初步覆盖了11个分析视角，如"中短票利差矩阵"页自动标注判断利差水平、周环比、2022年以来分位数。
2. 资金面回顾：资金面数据库Skill初步纳入了34个分析视角，如"综合评分"页自动给出偏松/中性/偏紧的结论和下周关注点。
3. 搭积木：研究能力的积累是增量的，例如固收周报通过组合资金面、信用利差、利率债、转债等Skill实现，新增分析视角只需在对应Skill里迭代。

风险提示

1. Skill定义完备性不足，若定义存在遗漏或偏差，AI输出结果可能失真。
2. 数据源口径变更或更新滞后，可能影响分析结果的准确性和时效性。
3. AI辅助分析存在偏差，不能完全替代研究员的专业判断。
4. 方法论适用性因机构和市场环境而异，照搬套用可能水土不服。