这是一个面向基金研究场景的 Agent Skill 项目，核心目标是让 Claude、WorkBuddy、Cursor、ChatGPT 等 AI 工具能够基于郑希公开观点原文、投资方法归纳和基金真实数据进行可溯源问答、观点演变分析、持仓/业绩对照以及基金风格评分。项目强调“不杜撰”：语料中有原文则引用出处，语料外问题则明确声明是基于郑希方法框架的推演，不代表本人观点。它更像是一个垂直投研知识库 + AI 技能包，而不是传统 Python 应用。
适用领域
金融科技 / 公募基金研究 / 投资研究辅助 / Agent Skill / 知识库问答 / 中文金融语料检索 / 基金经理观点分析 / 基金数据抓取与评分
配置难度
中等。普通用户若只在 Claude、WorkBuddy 或 ChatGPT 中使用知识库问答，安装和使用难度较低；但如果要完整启用实时基金抓取、全市场对比、自动评分和跨平台部署，需要理解 Python 环境、依赖安装、AI Skill 目录结构、联网权限和数据缓存机制。对于中文开发者来说，主要难点不在代码复杂度，而在金融数据口径、AI 行为约束和合规边界控制。
商业价值
未知
01
技术亮点
- 定位清晰：专门围绕易方达基金经理郑希的公开观点构建垂直投研 Skill。
- 强调可溯源：回答要求回到公开原文，给出时间、出处和原话，降低大模型幻觉风险。
- 语料体系完整：包含 2012–2026 年公开观点、定期报告、基金经理手记、媒体报道、基金经理简介和管理基金清单。
- 方法框架有证据：references/method.md 中的方法论来自公开语料蒸馏，并要求每条有原话佐证。
- 结合真实基金数据：内置郑希管理过的 8 只基金的持仓、净值、业绩、规模、资产配置等数据快照。
- 支持全市场基金扩展：references/all_funds 中包含约 2.7 万只基金列表，可按需抓取任意基金并进行对比或评分。
- 跨平台设计：兼容 Claude Code、Claude.ai、WorkBuddy、Cursor、ChatGPT、Gemini 等不同使用方式。
- 对 AI 行为边界约束较强：明确要求区分原话、归纳和推演，语料外内容需声明不代表本人观点。
- 具备实用脚本：包含 search_corpus.py、fund_lookup.py、fetch_any_fund.py、score_fund.py 等工具脚本，便于检索、抓取和评分。
- 适合作为中文金融 Agent Skill 的参考模板。
02
目标用户
- 关注公募基金和基金经理风格的个人投资者
- 基金研究员、财富顾问、投顾内容团队
- 需要做基金经理观点整理的金融媒体或自媒体作者
- 希望构建垂直金融 Agent Skill 的 AI 开发者
- 使用 Claude Code、Cursor、WorkBuddy 等工具的中文开发者
- 学习如何用公开语料构建可溯源问答系统的研究者
03
配置要求
- Python 环境：项目脚本使用 Python 编写。
- 基础问答无需第三方依赖，主要依赖本地 references 语料文件。
- 实时基金数据抓取、全市场基金查询和评分功能需要安装 requirements.txt 中的依赖，README 提到包括 requests、beautifulsoup4、lxml。
- 需要 AI 工具具备读取本地文件的能力，才能使用 references 中的语料和基金数据。
- 如果要使用 fetch_*、score_fund.py 等脚本，需要 AI 工具或本地环境允许执行 Python。
- 如果要实时抓取全市场基金数据，需要联网权限。
- Claude Code 若希望减少每次执行 Python 的确认，可在 ~/.claude/settings.json 中添加 Bash(python:*)、Bash(python3:*) 放行规则，但这会放行所有 Python 命令，应谨慎使用。
- ChatGPT Code Interpreter、Claude.ai 网页沙箱等环境可能没有外网，实时抓取功能可能不可用，需要提前本地抓取数据后上传。
04
适用场景
- 查询郑希对某个行业、主题或技术方向的公开观点，并返回原文出处
- 梳理郑希投资方法，例如选股逻辑、行业判断、ROE 偏好、周期拼接等
- 对照郑希公开表态与其基金真实持仓，判断言行是否一致
- 基于郑希的方法框架，对未直接公开谈过的行业进行风格化推演
- 模仿郑希季报或访谈风格撰写基金点评或市场展望
- 抓取并对比全市场基金数据，例如与其他基金经理管理产品横向比较
- 使用郑希框架为指定基金打分，判断该基金与郑希投资风格的契合度
- 作为 Agent Skill 示例，学习 SKILL.md、references、scripts 的组织方式
05
部署与配置
- 克隆仓库：git clone https://github.com/lyra81604/zhengxi-views.git
- 进入项目目录：cd zhengxi-views
- 如果只使用语料问答和本地知识库功能，可直接将 SKILL.md、README.md、references、scripts 复制到对应 AI 工具的技能或知识目录。
- Claude Code 推荐安装路径：mkdir -p "$HOME/.claude/skills/zhengxi-views" && cp -R SKILL.md README.md references scripts "$HOME/.claude/skills/zhengxi-views"/
- Windows PowerShell 可创建 $HOME\.claude\skills\zhengxi-views 目录，并复制 SKILL.md、README.md、references、scripts。
- 完整重启 Claude Code 后，输入类似“郑希怎么看光通信？”即可尝试触发 Skill。
- 如需抓取基金数据、全市场基金查询或评分功能，安装 Python 依赖：pip install -r requirements.txt。
- WorkBuddy 用户可将整个文件夹放入 WorkBuddy 的 skills 目录，通过 skill.yml 导入启用。
- Cursor 用户可把项目放入工作区，并将 SKILL.md 内容写入 .cursor/rules/zhengxi.mdc 作为规则。
- ChatGPT、Gemini、Claude.ai 等平台可通过自定义指令 + 上传 references 知识文件的方式复刻部分功能；实时抓取能力取决于平台是否允许 Python 联网。
06
风险与注意事项
- 投资合规风险：虽然项目声明不构成投资建议，但功能涉及基金评分、风格判断、前瞻推演，实际使用中容易被用户误解为投资建议。
- 数据时效风险：基金持仓、净值、规模等数据随时间变化，仓库内快照可能滞后，实时抓取也可能受数据源变更影响。
- 数据源依赖风险：脚本依赖公开网站结构，如天天基金或基金公司官网页面结构变化，抓取脚本可能失效。
- 模型误用风险：如果接入的 AI 没有严格遵守 SKILL.md 约束，仍可能将推演内容包装成郑希本人观点。
- 版权与转载风险：语料来自公开披露内容，但批量整理、引用和再分发仍需关注原始内容版权、网站条款和合理使用边界。
- 许可证不一致风险：仓库元数据中 license 为 NOASSERTION，但 README 显示 MIT，需要开发者以仓库实际 LICENSE 文件为准确认授权。
- 安全风险：为 Claude Code 放行 Bash(python:*) 会允许所有 Python 命令执行，不适合不可信环境。
- 金融数据准确性风险：公开抓取数据可能存在复权口径、更新时间、基金份额类别、基金代码匹配等问题，评分结果不应直接用于交易决策。
- 过度拟人化风险：项目会“模仿郑希口吻”写点评，若没有清楚标注为风格化模拟，可能造成误导。
- 单一基金经理框架局限：评分是衡量某基金与郑希风格的契合度，不代表基金质量、收益潜力或风险收益比。
2026-06-24
第3名
新收录 · github_search
2026-06-23
第5名
新收录 · github_search
