🔗 开源项目地址：https://github.com/zer0quant/zer0share

这是本地股票数据系统系列的第三篇。前两篇主要讲怎么把行情数据同步到本地、怎么补上前后复权；这一篇继续往下走：有了自己的数据库之后，怎么让 AI agent 直接调用它，帮我们做复盘、选股和投研分析。

说明：文中出现的股票、指数、期货品种和代码，只是为了演示本地数据系统和 agent 的使用方式，不代表任何投资建议。

前两篇文章，我主要围绕一件事展开：把数据先沉淀到本地。
第一篇介绍了如何使用 Tushare 和 Claude Code 搭建本地股票数据同步系统，实现了基础信息、交易日历和日线行情等核心数据的自动化采集与存储。 我用 Tushare + Claude Code，手搓了一套本地股票数据同步系统（已开源）

第二篇则深入讲解了复权处理，通过同步 Tushare 的复权因子，基于原始行情数据合成前复权和后复权价格。我用 Tushare + Codex，把本地股票数据库补上了前后复权行情（已开源）

到这里，数据系统已经不只是“能拉数据”了，而是具备了一个比较清晰的本地数据底座：

• 数据源相对稳定；
• 本地存储结构清楚；
• 有交易日历驱动；
• 有不复权、前复权、后复权行情；
• 后续可以继续扩展指数、期货、期权、因子等数据。

但数据放在本地，只是第一步。

真正有意思的是下一步：

能不能让 AI agent 直接调用这些本地数据，用自然语言完成复盘、筛选和分析？

这篇文章就接着讲这件事。

一、vibe coding 很爽，但一定要回头重构系统

这几周我一直在高强度 vibe coding。

ChatGPT Plus、Claude Pro和GLM 5.1 Coding Plan 一起用。不得不说，模型写代码的速度确实很容易让人上头。

但很快我也遇到了一个问题：

vibe coding 一时爽，后面代码也会修得停不下来。

一开始，只要功能能跑，感觉就很开心。

但等我回过头仔细 review 项目代码时，发现很多地方其实并不适合长期维护。测试样例是能 pass，但代码结构、模块边界、命名方式、文档上下文，都有不少需要整理的地方。

更直接一点说：

有些代码像是“写给 AI 继续改的”，而不是“写给人长期维护的”。

所以我后来花了不少时间重构整个项目，并且拓展了一下期货期权的数据。

这个系统逐渐稳定之后，我开始给这个数据库加上了skill，让agent可以直接调用这些本地数据。

二、为什么我开始试 Hermes Agent？

在讲 zer0share-data skill 之前，先说一下这次用的 agent 工具：Hermes Agent。

前几个月，OpenClaw 很火，我也看到不少人用它来做行情抓取、页面操作和自动化任务。

但实际用了一段时间后，我自己的感受是：它对我现在这个场景有点重。

我更想要的是一个能比较轻地接入本地工具、能跑 skill、能远程访问、能自然语言交互的 agent 环境。

于是最近我开始试 Hermes Agent。

Hermes Agent 也出了桌面版本，但安装过程并不是完全无感。依赖比较多，网络环境不好的时候会卡很久，整个过程还是需要一点耐心。

如果想远程访问，可以用一条命令启动 dashboard：

hermes dashboard

它会监听本地 9119 端口，然后打开一个 Web 界面。

界面看起来比较复古，但能用。

这次我主要用的模型是 DeepSeek V4 Pro。

整体感受是：价格比较友好，响应速度也不错，适合这类需要频繁调用工具、反复试提示词的场景。

三、把 zer0share-data skill 装进 Hermes Agent

Hermes Agent 环境准备好之后，下一步就是安装 zer0share-data skill。

这个 skill 的目标很明确：

让 agent 能够通过标准工具接口访问我的本地 zer0share 数据库。

也就是说，agent 不需要知道底层数据到底是 Parquet、DuckDB，还是某个目录结构。

它只需要通过 skill 暴露出来的能力，去查询行情、指数、股票池、期货数据等。

安装过程很简单，一句话就能装上：

安装完成后，就可以直接用自然语言提问。

我先试了一个最简单的问题：

用 zer0share-data 给我做一份 2026-06-10 A 股收盘复盘

结果它自己开始拆解“收盘复盘”这件事。

它会先确认交易日，然后从指数表现、涨跌比、行业板块、个股排名等角度组织报告。

这点还挺有意思。

哪怕提示词非常简单，agent 也会根据自己对“市场复盘”的理解，主动扩展分析维度。

当然，如果你觉得不够细，也可以继续追问，比如要求增加行业轮动、成交额变化、强势股、弱势股等维度。

四、报告能生成，但一定要 review

不过，这份报告也暴露了一个很典型的问题：大模型会补全它以为存在的数据。

我仔细看了一下，它在报告里提到了“中证红利”相关内容。

但问题是，我的本地数据库里当时并没有存储中证红利指数。

它给出的 000985 也不对，这个代码对应的是中证全指。

这就是 agent 做数据分析时必须注意的地方：

工具能访问真实数据，不代表最终报告就一定没有幻觉。

尤其是当数据维度不完整时，大模型很容易基于经验补一个看起来合理的内容。

所以我现在对这类报告的态度是：

• 先让 agent 生成初稿；
• 再检查数据来源和关键结论；
• 对不存在的数据、错误代码、过度推断保持警惕；
• 最后再把可信内容沉淀成模板。

AI 能明显提高分析效率，但投研场景里，review 这一步不能省。

五、同样是复盘，数据维度越多，报告越丰富

为了对比，我又用最近在用的 WorkBuddy 连接通达信，再让 DeepSeek V4 Pro 生成一份收盘报告。

这次出来的报告样式明显更完整，也更像一份可以直接阅读的市场复盘。

它比我当前这个 zer0share-data skill 生成的报告多了不少维度，比如：

• 资金面；
• 龙虎榜；
• 新闻资讯；
• 更完整的市场叙事；
• 更精美的 HTML 展示。

这其实说明一个很现实的问题：

agent 的分析质量，不只取决于模型本身，也取决于你的分析框架和它能访问到的数据。

如果你只让它看日线行情，它最多只能围绕涨跌幅、成交额、强弱排序这些维度做分析。

但如果你知道一份复盘还应该看资金面、龙虎榜、新闻催化、股指期货、期权波动率、宏观事件等线索，并且这些数据都能被工具查到，它组织出来的报告自然会更接近真实投研场景。

所以，skill 本身只是接口。

真正决定分析深度的，是三件事：你的市场分析经验、背后的数据系统，以及 agent 能不能把问题正确拆成查询和计算。

六、你给的视角越清楚，agent 越容易做出有价值的分析

还有一个很重要的点：不要只期待 agent 自己想分析角度。

如果你本身有交易经验，或者知道应该从哪些维度看市场，那么可以直接把分析视角告诉它。

比如我给了一个更具体的方向：

从股指期货和期权的角度，帮我做一份收盘复盘。

Hermes Agent 立刻就会往期货、期权的维度扩展。

下面是其中一部分结果，主要是期货方面的分析：

我用同样的提示词给 WorkBuddy，它也能做出不错的分析。

不过美中不足的是，这次它没有把基差算出来。

这给我的启发是：

agent 不是替代你的市场理解，而是放大你的分析框架。

如果你只说“帮我复盘”，它会给你一份通用报告。

但如果你说“从股指期货、期权、基差、贴水结构、持仓变化的角度复盘”，它就更容易生成一份接近你真正想要的分析。

后面我又让 WorkBuddy 生成了一份 2026 年 6 月 11 日的收盘报告。

有意思的是，两天生成出来的报告版式和结构并不完全一样。

这其实也说明，早期可以多让 LLM 生成不同版本的报告，然后从里面挑出你觉得最有价值的结构，慢慢沉淀成自己的复盘模板。

简单说就是：

先让 AI 多探索，再把好的部分固化成模板。

七、那 zer0share-data skill 的价值在哪里？

看到这里可能会有一个问题：

既然 WorkBuddy 连接通达信之后，能生成更漂亮、更丰富的报告，那 zer0share-data skill 的价值在哪里？

我的答案是：全量历史数据分析。

行情软件和外部工具很适合做当下市场观察，但本地数据库的优势在于：

• 数据可以长期沉淀；
• 口径可以自己控制；
• 可以做跨年份回看；
• 可以批量跑筛选和统计；
• 可以把自然语言转成代码，在自己的数据库上执行。

这就不只是“帮我写一段复盘文字”了，而是让 agent 直接参与到数据分析里。

比如，我让它做一个简单的因子选股：
当然我之前也写过关于因子投研的东西，如何提升写因子的效率:
我用 Codex，把“投资研报到股票因子”的流程做成了一个 Skill
如何构建一个简单的因子评估系统:
我用 Codex + Alphalens，搭了一套适配 A 股的因子评估流水线(已开源)

使用过去 20 个交易日的滚动日内收益率，也就是开盘到收盘之间的收益，不包括隔夜收益；价格使用后复权价格；在中证 1000 里选出这个指标最低的 10 只股票。

这个问题如果手工写 SQL 或 Python，当然也能做。

但用 skill 的好处是：你可以用自然语言描述研究想法，让 LLM 自动把它翻译成查询和计算逻辑，再到本地数据库里执行。

这才是本地数据系统和 agent 结合之后真正有价值的地方。

不过现在 Hermes Agent 桌面版还有一个小问题：执行代码不太容易直接在当前界面里 review，需要再开一个窗口看生成的代码。

对投研分析来说，我还是希望后面能更方便地看到：

• 它查了哪些数据；
• 生成了什么代码；
• 中间结果是什么；
• 最后结论来自哪里。

因为只要涉及投资研究，可追溯性比表面上生成得漂亮更重要。

八、再试一个期货例子：玉米季节图

除了股票，期货数据也很适合交给本地数据库和 agent 来分析。

做期货价差交易的人，应该对“季节图”不陌生。

于是我让 skill 生成一个玉米期货的季节性分析图。

这里还有一个小插曲：一开始我用的还是 DeepSeek V4 Pro，但生成出来的网页样式一直不太稳定，有时候数据也显示不出来。后面切换到 GLM-5.1，才把这个季节图网页顺利生成出来。

就这次网页生成任务来说，GLM-5.1 的编码能力确实比 DeepSeek V4 Pro 更稳一点。

最后生成出来的是一个网页：

从图上可以比较明显地看到玉米的季节性规律：

春播涨，秋收跌。

3 到 5 月春耕播种期，供应相对偏紧，价格中枢容易上移。

9 到 11 月秋收集中上市，供给压力加大，价格更容易季节性回落。

当然，这只是一个初步观察。

真正做期货分析，还要继续结合库存、基差、仓单、进口、天气、政策等因素。

但这个例子说明一件事：

只要数据在本地，agent 就可以把自然语言问题转成代码，再生成图表和初步解释。

这比单纯问大模型“玉米有什么季节性规律”要靠谱得多。

因为它至少是在你的真实数据上跑出来的。

九、这次最大的体会：agent 做分析，拼的是经验、数据和模型

回过头看，前两篇文章其实是在搭数据地基。

这一篇开始，就进入了另一个阶段：

让数据地基真正被 agent 用起来。

这次最大的体会，不是“agent 一接上数据库就什么都会了”，而是：你怎么提问题，会很大程度决定它能分析到哪一步。

如果只是说“帮我复盘”，它会生成一份通用报告。

但如果问题里带上你的分析框架，它就更容易把本地数据调用起来，给出更接近投研场景的结果。

而这些分析框架，本质上来自你的交易经验，来自你对市场的理解。agent 能做的是把你的问题拆开，把能查的数据调出来，再用模型能力组织成分析结果。

所以和 agent 做分析，最后拼的其实是三件事：经验、数据和模型。

有经验，才知道该问什么；有数据，才不会只能靠模型凭空推断；有模型，才能把自然语言问题翻译成查询、计算和报告。

但最后还有一步不能省：review。因为即使接上了本地数据，模型偶尔还是会出现幻觉，尤其是在数据缺失、代码口径、指数名称和关键结论这些地方。

一起交流

如果你也在做类似的本地数据系统、AI agent 投研工具链，或者对 skill 辅助研究感兴趣，可以通过公众号菜单「认识我」找到我交流。

我平时更关注数据系统、工具链和研究流程的工程化，也很好奇大家现在都在用什么 skill 或 agent 辅助投研。

参考链接

• 本地数据系统项目：zer0share

如果这篇文章对你有帮助

• ⭐ Star 一下项目：https://github.com/zer0quant/zer0share
• 也可以看看前两篇本地数据系统文章
• 关注公众号，后面继续更新本地数据系统、AI agent 和投研工具链

我们下篇见。