利用业余时间捣鼓了一个 side project，叫 Alpha Skill。起因很简单：我自己一直在用各种 AI 助手做投资分析，但每次都要在聊天框里重新描述一遍需求，来回折腾提示词，效率很低，也很枯燥。于是就想做一个东西，把“和 AI 聊投资”这件事变得更好用一点。做出来之后发现除了投资这个具体场景，中间踩的几个坑和想通的几个道理，可能比结果本身更值得写下来。

先放一段完整流程的录屏，大致感受下从提需求到生成一个可用 Skill 的过程：

从一句需求到一个可交互 Skill 的完整构建过程

1. Chat 输入框太单调了，给 Skill 装一个 UI

用惯了各种 AI Chat 产品会发现一个通病：不管你要做什么事，交互的起点永远是同一个空荡荡的输入框。想分析一只股票的图表型态，得先打字告诉 AI 我要哪只股票、看多长周期、关注哪类形态——这些参数其实是结构化的，用表单选一下比敲字快得多，AI 也不用再费一轮猜参数。

所以 Alpha Skill 里每个 Skill 除了一段 Prompt，还会自动生成一个对应的操作界面（Params2UI）：

Alpha Skill Params2UI 表单界面

生成完直接就是一个独立可用的页面，同样的表单，脱离了 Studio 也能单独打开：

独立部署的图表型态分析 Skill 页面

股票代码、分析周期、分析重点直接选，选完点“开始分析”，比在 Chat 里一句一句描述省心太多。更有意思的是这个 UI 本身也是可以对话着改的，比如我在 Chat 里说了句“把分析重点改成 select”，界面就直接从卡片选择变成了下拉框——UI 不再是写死的模板，而是能被自然语言持续调整的东西：

对话着改 UI：一句“把分析重点改成 select”，卡片选择就变成了下拉框

分析结果的呈现同样不满足于一段文字。比如“图表型态分析”这个 Skill，我让它在结果页里同时用 Infographic 示意图讲清楚“上升三角形”这种形态的标准特征，又用 ECharts 画出真实股票的 K 线图做对照：

Infographic 示意图 + ECharts K 线图混排

一边是教科书式的形态讲解，一边是这只股票当下的真实走势，两者放在一起看，比单纯读一段 AI 生成的文字判断力强多了。做完之后这个 Skill 会变成一个独立可分享的小应用，直接把 URL 发给别人就能用：

生成的独立分析应用

实际跑起来是这样的，打开链接直接就是那个专属的分析界面，不用再和 AI 解释一遍自己想干什么：

生成后的独立 Skill 应用，打开即用

2. 让系统把“解决问题的过程”自己变成“能力”

这是这个项目里我最想验证的一个想法。现在大部分 AI 应用的模式是：每次对话都从零开始推理，同样的问题被反复以自然语言的方式“重新想一遍”，浪费的不仅是时间，还有大量 token。但人类专家不是这么工作的——一个分析师做过几次“图表型态分析”之后，会沉淀出一套稳定的分析框架，下次遇到同类问题，变的只是股票代码和参数，思路是复用的。

Alpha Skill 想做的就是这件事：把一次性的问题解决过程，转化成系统自身可复用的能力。具体的做法是把每次对话拆成两部分——

  • 重复的部分 prompt 化：分析框架、判断逻辑、输出结构这些跨请求不变的东西，沉淀成一份 Skill 的 Prompt。
  • 差异的部分参数化：股票代码、时间周期、关注的形态类型这些每次都不一样的东西，抽成结构化参数，通过 UI 表单收集，而不是每次都用自然语言重新描述一遍。

打开生成出来的文件目录能更直观地看到这个“可复用资产”长什么样：一份 prompt.md 承载分析框架，params2ui、a2ui 两个目录各自是独立的 UI 组件，外加一份 schema.json 定义参数结构：

Skill 生成的完整文件结构：prompt.md、params2ui、a2ui、schema.json

效果是：第一次做“图表型态分析”可能要走完整的推理和构建过程（20 多步），但这个过程本身就是在生产一个可复用资产——一份 prompt.md，一套 UI 组件，一份参数 schema。第二次同样的需求，不再需要 LLM 重新“想”一遍分析框架，只需要把新的参数灌进去执行既有的 Skill 就行，响应更快，token 消耗也大幅下降。系统用得越多，沉淀下来的 Skill 库越厚，往后要做的“新鲜推理”占比就越低——这本质上是一种把 LLM 的即时推理能力，逐步转化为结构化、可复用能力的架构，某种意义上是让系统具备了“经验积累”的能力。

3. 落到投资这个具体场景：发现、验证、执行

前两点是我在做这个项目时琢磨出的通用架构思路，但项目本身还是要解决一个具体问题——帮我自己（以及愿意用它的人）在投资上少走弯路。我给它定的目标是覆盖投资决策的一整条链路：

  • 发现能持续产生超额收益的投资能力，而不是碰运气式的单次判断；
  • 验证这种能力是否真的站得住脚，而不是自己骗自己；
  • 执行下来，把想法落到实际的交易动作上。

这条链路上每一段都对应着一批可以沉淀的 Skill：形态识别、事件驱动分析、仓位管理、复盘总结……每个 Skill 既是一个独立的分析工具，又在被使用的过程中反过来验证自己是不是真的“有效”。这也是为什么我觉得第 2 点的架构思路特别适合投资这个场景——投资本身就是一件需要不断试错、沉淀经验、然后把经验固化下来复用的事情，和“把问题解决过程转化为能力”这个思路天然契合。

目前项目还在很早期，很多地方粗糙得很，但这几个方向——用 UI 替代单调的 Chat 输入、让系统自己积累能力、服务于投资决策的完整链路——我觉得是值得继续投入的。后面做出更多东西再来更新。