BigQuant Cowork 智能体 Skill 全指南：从创建到调用的完整教程

由bqpveu9w创建，最终由bqpveu9w更新于2026-07-16 06:39 被浏览 5 用户

一句话总结：本文系统介绍 BigQuant Cowork 智能体的 Skill（技能）体系——如何创建、更新、发布和调用触发，并结合高频因子投研实战案例，展示 AI 原生量化投研的新范式。

一、为什么需要 Cowork？从"马车装引擎"到"汽车工业"

与 AI 助手的传统交互，是一种即时的、一问一答的对话模式：我们提出问题，模型给出回答。但当任务涉及多个步骤、本地文件处理或长时间运行时，这种模式力不从心。

BigQuant 创始人兼 CEO 梁举指出：真正的 AI 原生并非在现有软件架构上修补或安插一个 AI 聊天窗口——这种做法如同"给马车安装内燃机"，本质仍受限于旧有框架。真正的变革是从零开始设计"汽车"，将 AI 视为核心引擎，对业务逻辑、研发流程及组织架构进行彻底重构。

BigQuant Cowork 正是这一理念的产物——国内首个专为量化投资设计的 AI 原生协同平台。它不只是一个辅助工具，更是一个能深度理解金融逻辑、自主执行复杂任务的"AI 研究员"基地。

Cowork vs 标准聊天：核心差异

Cowork 的核心能力

二、Skill：Cowork 的能力扩展引擎

什么是 Skill？

Skill（技能） 是 Cowork 智能体的能力扩展机制。简单来说，Skill 是一组被封装好的、可复用的专业知识与工作流程，它让 Cowork 从"通用助手"进化为"领域专家"。

一个 Skill 可以是：

• 一个投研流程：如"因子挖掘与清洗"的完整标准化流程
• 一组专业知识：如"华泰金工因子库"的结构化知识包
• 一个自动化任务：如"策略过拟合检测"的自动检查规则
• 一个数据 pipeline：如"研报 PDF 解析与因子提取"的处理链

Skill 的核心价值

Skill 的技术架构

一个完整的 Skill 包含以下核心组件：

Skill（技能）
├── SKILL.md          # 技能定义文件（元数据 + 指令）
├── references/       # 参考资料（文档、API说明等）
├── scripts/          # 可执行脚本（Python/SQL等）
└── assets/           # 静态资源（模板、配置文件等）

SKILL.md 是每个 Skill 的核心，其结构如下：

---
name: factor_mining_pipeline    # 技能名称
description: 高频因子挖掘与清洗的完整流程  # 技能描述
version: 1.0.0                  # 版本号
author: your_name               # 作者
tags: [因子挖掘, 量化投研]        # 标签
triggers:                       # 触发词
  - 挖掘因子
  - 因子清洗
  - factor mining
---

# 技能正文

## 目标
从自然语言描述出发，自动完成因子从构思到回测的全流程。

## 工作步骤
1. 解析用户因子逻辑描述
2. 生成 SQL/Python 因子计算代码
3. 自动回测与因子分析
4. 输出因子绩效报告
...

三、创建 Skill：从 0 到 1 构建专属能力

3.1 创建流程总览

创建一个 Skill 需要经过以下步骤：

确定技能目标 → 编写 SKILL.md → 准备参考资料 → 编写脚本 → 本地测试 → 发布

3.2 详细步骤

Step 1：确定技能目标

在创建 Skill 之前，先想清楚三个问题：

• 解决什么问题？ （如：自动化因子挖掘、研报复现、过拟合检测）
• 输入是什么？ （如：自然语言描述、PDF 文件、股票代码列表）
• 输出是什么？ （如：因子计算代码、回测报告、可视化图表）

最佳实践：从你重复执行最多的工作流入手。如果你发现自己每周都在做类似的因子清洗，那就是一个完美的 Skill 候选。

Step 2：编写 SKILL.md

SKILL.md 是 Skill 的灵魂。它定义了技能的元数据和具体指令。

模板示例——因子挖掘 Skill：

---
name: high_freq_factor_mining
description: 高频因子低频化挖掘流程，支持傅立叶变换、量价分析等多种方法
version: 1.0.0
author: quant_researcher
tags: [因子挖掘, 高频因子, FFT]
triggers:
  - 挖掘高频因子
  - 因子魔改
  - FFT因子
---

# 高频因子挖掘流程

## 适用场景
当用户需要从高频量价数据中挖掘低频化因子时触发此技能。

## 前置条件
- BigQuant 平台访问权限
- DAI 数据接口可用

## 工作流程

### 1. 需求解析
- 解析用户的因子逻辑描述
- 识别因子类型（量价、资金流、波动率等）
- 确定计算频率和数据范围

### 2. 因子代码生成
- 根据 BigQuant DAI 接口生成 SQL 查询
- 使用 UDF（用户自定义函数）封装复杂计算逻辑
- 自动处理数据清洗（去极值、去缺失值）

### 3. 因子回测验证
- 调用 BigQuant 因子分析模块
- 计算 IC、IR、换手率等核心指标
- 生成因子绩效图表

### 4. 因子优化建议
- 分析因子表现，给出改进方向
- 提供多角度魔改思路（频带组合、时变分析等）

Step 3：准备参考资料

将领域知识、API 文档、研报要点等放入 references/ 目录：

references/
├── dai_api_guide.md        # DAI 接口使用指南
├── factor_library.md       # 常用因子公式库
├── research_note_template.md  # 研报笔记模板
└── best_practices.md       # 量化投研最佳实践

Step 4：编写可执行脚本

将可复用的代码逻辑封装到 scripts/ 目录：

# scripts/factor_calc.py
import dai
import numpy as np
import pandas as pd

def calc_fft_factor(buy_vol, sell_vol, period=(2, 5)):
    """
    计算基于傅立叶变换的成交量周期性因子
    源自"滴水穿石"因子思路的魔改版本
    """
    def band_power(x):
        x = np.asarray(x, dtype=np.float64)
        if x.size < 10:
            return 0.0
        # MAD去脉冲
        median = np.median(x)
        mad = np.median(np.abs(x - median))
        if mad > 1e-8:
            x = np.clip(x, median - 3*1.4826*mad,
                           median + 3*1.4826*mad)
        # FFT流程
        x = x - x.mean()
        window = np.hanning(x.size)
        xw = x * window
        if xw.size < 256:
            xw = np.pad(xw, (0, 256 - xw.size), 'constant')
        FFTc = np.fft.rfft(xw)
        P = np.abs(FFTc) ** 2
        freq = np.fft.rfftfreq(xw.size, d=1.0)
        mask = ((freq >= 1.0/period[1]) &
                (freq <= 1.0/period[0]) &
                (freq != 0.0))
        bp = float(np.sum(P[mask]))
        tp = float(np.sum(P[freq != 0.0]))
        return bp / (tp + 1e-8)

    return band_power(buy_vol) - band_power(sell_vol)

Step 5：本地测试

在发布前，通过 Cowork 对话测试 Skill 是否按预期工作：

提示词示例：
"使用 high_freq_factor_mining 技能，
基于滴水穿石因子的思路，
帮我挖掘一个买卖方向分离的 FFT 因子，
计算 2024 年全年的因子值。"

观察 Cowork 是否：

• 正确识别并加载了 Skill
• 按照 SKILL.md 中定义的流程执行
• 生成了符合预期的输出

3.3 创建 Skill 的最佳实践

四、更新 Skill：持续迭代与进化

4.1 为什么需要更新？

量化投研是一个快速演进的领域：

• 新的研报方法论不断出现
• 市场结构变化导致因子失效
• 平台 API 升级
• 用户反馈发现的问题

Skill 的更新机制让你能够持续优化，保持技能的时效性和准确性。

4.2 更新流程

分析改进需求 → 修改 SKILL.md / 脚本 → 递增版本号 → 测试验证 → 重新发布

修改 SKILL.md

直接编辑 SKILL.md 文件，更新指令内容。例如，当发现新的因子魔改方向时：

---
name: high_freq_factor_mining
description: 高频因子低频化挖掘流程，支持FFT、小波变换、量价协同等多种方法
version: 1.1.0                    # ← 版本号递增
author: quant_researcher
tags: [因子挖掘, 高频因子, FFT, 小波变换]
triggers:
  - 挖掘高频因子
  - 因子魔改
  - FFT因子
  - 小波因子                     # ← 新增触发词
---

# 高频因子挖掘流程（v1.1.0 更新）

## v1.1.0 更新内容
- 新增小波变换因子计算方法
- 新增量价协同分析模块
- 优化去脉冲算法（支持自适应阈值）
- 修复 NaN 值处理问题
...

更新脚本

# scripts/factor_calc.py (v1.1.0)
# 新增：自适应去脉冲
def advanced_despike(x):
    """自适应阈值去脉冲，替代固定IQR"""
    x = np.asarray(x, dtype=np.float64)
    median = np.median(x)
    mad = np.median(np.abs(x - median))
    # 滚动标准差自适应
    rolling_std = pd.Series(x).rolling(
        window=30, min_periods=1).std().values
    lower = np.where(median - 3*1.4826*mad < median - 3*rolling_std,
                     median - 3*1.4826*mad,
                     median - 3*rolling_std)
    upper = np.where(median + 3*1.4826*mad > median + 3*rolling_std,
                     median + 3*1.4826*mad,
                     median + 3*rolling_std)
    return np.clip(x, lower, upper)

4.3 更新注意事项

五、发布 Skill：共享投研智慧

5.1 发布流程

完成测试 → 填写发布信息 → 提交审核 → 审核通过 → 上线可用

5.2 发布前的检查清单

发布前请确认：

• [ ] SKILL.md 元数据完整（name, description, version, author, tags）
• [ ] 触发词（triggers）准确且无歧义
• [ ] 所有脚本经过测试，无报错
• [ ] 参考资料文档齐全
• [ ] 不包含敏感信息（密码、Token 等）
• [ ] 遵循平台规范和命名约定

5.3 发布范围

5.4 优质 Skill 的发布标准

一个高质量的 Skill 应当具备：

1. 清晰的描述：用户一眼就知道这个 Skill 能做什么
2. 完整的文档：包含使用示例和参数说明
3. 健壮的代码：异常处理完善，边界条件覆盖
4. 合理的触发词：覆盖用户可能的自然语言表达
5. 实际验证：有真实使用案例支撑

六、调用与触发：让 Skill 为你工作

6.1 触发方式

Skill 支持多种触发方式，让调用变得自然且高效：

方式一：自然语言触发

在日常对话中，Cowork 会根据你的描述自动匹配并加载合适的 Skill：

用户："帮我用FFT方法挖掘一个高频因子，参考滴水穿石研报的思路"

Cowork → 自动识别触发词 "FFT因子" / "挖掘高频因子"
       → 加载 high_freq_factor_mining 技能
       → 按技能流程执行

方式二：显式调用

直接指定要使用的 Skill：

用户："使用 high_freq_factor_mining 技能，计算2024年全年的买卖方向分离FFT因子"

方式三：自动化触发

在自动化工作流中，Skill 可以被其他流程自动调用：

定时任务 → 每日盘后自动运行因子更新 Skill
研报监控 → 新研报发布时自动触发研报复现 Skill
策略巡检 → 定期触发过拟合检测 Skill

6.2 触发词设计指南

好的触发词是 Skill 能否被正确调用的关键：

6.3 调用示例

以下是一个完整的调用流程示例：

━━━ 用户输入 ━━━
"这是篇高频因子低频化的研报，通过傅立叶变换寻找主力的痕迹。
我复现的代码在这里：/home/aiuser/work/.../因子2历史计算.ipynb
帮我看一下这个研报有什么魔改的地方，帮我用SQL完成因子魔改。"

━━━ Cowork 执行过程 ━━━
[1/6] 🔍 识别任务类型 → 匹配 Skill: high_freq_factor_mining
[2/6] 📄 读取研报 PDF → 提取核心因子逻辑
[3/6] 💡 生成魔改思路 → 8个改进方向
[4/6] 💻 生成 SQL + UDF 代码 → 自动注册
[5/6] 🐛 自动修复 Bug → 2轮自动调试
[6/6] 📊 输出因子计算结果 → 保存 CSV

━━━ 输出结果 ━━━
✅ 因子计算完成，共 50,000+ 条记录
✅ 已保存至 /factors/drip_stone_buysel_202401.csv
📊 因子统计：mean=0.012, std=0.085, IC=0.05

七、实战案例：用 Cowork Skill 进行高频因子投研

7.1 案例背景

以方正金工《滴水穿石》因子为例，展示从自然语言到因子交付的完整流程。

因子核心逻辑：通过傅立叶变换识别日内成交量的周期性节奏——机构分批买入形成 2-5 分钟周期性脉冲 → 预示持续吸筹 → 未来表现更好。

7.2 全流程展示

第一步：告诉 Cowork 要做什么

提示词：
"这是篇高频因子低频化的研报，通过傅立叶变换寻找主力的痕迹。
我复现的代码在这里：/home/aiuser/work/AIQuANT/私享会/DEMO/因子更新/因子2历史计算.ipynb
帮我看一下这个研报有什么魔改的地方，可以从什么其他角度改进，
帮我用我的例子（SQL）去完成因子魔改。"

第二步：Cowork 自动分析并给出魔改方向

Cowork 识别到因子挖掘 Skill 后，自动给出了 8 个魔改方向：

第三步：自动生成代码

Cowork 自动生成了包含 UDF 定义和 SQL 查询的完整代码：

# UDF: 买卖方向分离的 FFT 因子
def volume_net_buy_safe(buy_vol_array, sell_vol_array,
                        period=(2, 5)) -> float:
    """计算净买入周期性因子"""
    def calc_band_power(x_array):
        x = np.asarray(list(x_array), dtype=np.float64)
        x = x[np.isfinite(x)]
        if x.size < 10:
            return 0.0
        # MAD去脉冲
        median = np.median(x)
        mad = np.median(np.abs(x - median))
        if mad > 1e-8:
            x = np.clip(x, median - 3*1.4826*mad,
                           median + 3*1.4826*mad)
        # FFT计算
        x = x - x.mean()
        window = np.hanning(x.size)
        xw = x * window
        if xw.size < 256:
            xw = np.pad(xw, (0, 256 - xw.size), 'constant')
        FFTc = np.fft.rfft(xw)
        P = np.abs(FFTc) ** 2
        freq = np.fft.rfftfreq(xw.size, d=1.0)
        mask = ((freq >= 1.0/period[1]) &
                (freq <= 1.0/period[0]) &
                (freq != 0.0))
        bp = float(np.sum(P[mask]))
        tp = float(np.sum(P[freq != 0.0]))
        return bp / (tp + 1e-8) if tp > 1e-8 else 0.0

    return calc_band_power(buy_vol_array) - \
           calc_band_power(sell_vol_array)

第四步：自动修复 Bug

在实际运行中，Cowork 自动处理了两轮 Bug：

第五步：因子计算与测试

• 使用按月计算策略，避免内存溢出
• 计算环境规格：K3
• 2年高频因子数据仅耗时 15 分钟

第六步：因子绩效对比

7.3 案例总结

从 Prompt 到获得结果，总共用了不到 20 分钟，进行 4 轮对话，代码改了不到 10 行。

对一个从事多年因子研究的人来说，除了震撼，还是震撼。

八、常用 Skill 场景一览

BigQuant Cowork 的 Skill 体系可以覆盖量化投研的全光谱场景：

效率提升对比

九、垂类模型 vs 通用模型：为什么需要专门的投研 Skill？

在量化投资的专业场景下，通用大模型虽然具备极强泛化能力，但在面对金融领域的极高精度要求、实时性约束以及复杂合规性时，往往力不从心。

Cowork Skill 的核心竞争力在于"垂类深度"而非"通用广度"：

• 外脑级能力：深度集成专业因子和实盘逻辑，具备"感知-决策-行动-优化"闭环
• 端到端交付：从灵感到实盘，全流程自动化
• AI 原生驱动：90% 以上代码由 AI 生成，效率提升百倍甚至千倍

十、安全使用指南

赋予 AI 直接操作文件和数据的能力是一把双刃剑。在使用 Cowork Skill 时，请遵循以下最佳实践：

十一、总结与展望

本文核心要点回顾

新时代 Quant 的角色转变

在 BigQuant Cowork 的愿景下，人类工程师的角色正在发生根本性转变：

从繁重的 Coder → 到 Goal Setter & Reviewer

• Goal Setter：设定战略目标和投资逻辑
• Reviewer：审核 AI 生成内容的严谨性
• Skill Architect：设计和维护投研技能体系

人类的智慧得以释放，用于探索更深层次的金融市场规律。

未来已来

2025 年是智能体（Agent）元年。技术应用正从简单的指令响应式交互，转向具备自主目标设定与执行能力的端到端协作模式。

BigQuant Cowork 的 Skill 体系，正是这一趋势在量化投资领域的具体落地。通过创建、更新、发布和调用 Skill，每一个 Quant 都能构建属于自己的"数字员工"集群。

一人即私募的时代，也许离我们很近。

附录：快速上手 Checklist

创建第一个 Skill

1. □ 确定你要解决的投研问题
2. □ 创建 SKILL.md 文件，填写元数据和指令
3. □ 准备参考资料放入 references/
4. □ 编写可执行脚本放入 scripts/
5. □ 在 Cowork 中测试触发和执行
6. □ 修复问题，迭代优化
7. □ 发布并分享

相关资源

• 直播回放：使用 CoWork 进行端到端因子投研
• 方正因子研报：滴水穿石因子原文
• SQL 复现 Baseline：BigQuant 代码分享

\