Awesome-finance-skills架构解析SQLite本地数据库混合搜索如何支撑金融技能链【免费下载链接】Awesome-finance-skillsA collection of Awesome Finance Agent Skills for free and easy to start | 一系列开源免费的金融分析Agent Skills项目地址: https://gitcode.com/gh_mirrors/aw/Awesome-finance-skillsAwesome-finance-skills 是一套开源免费的金融分析 Agent Skills技能集合把大模型 Agent 变成华尔街分析师实时财经新闻、A股/港股行情、情感分析、逻辑链路可视化与 Kronos 行情预测开箱即用。它没有复杂的后端服务核心架构只有两块基石——SQLite 本地数据库与混合搜索BM25 向量语义 RAG。本文带你读懂这两块基石如何串联起整条金融技能链。1. 技能链全景8 个技能如何分工协作仓库的skills/目录下按职责拆分了 8 个独立技能每个技能自带SKILL.md能力说明书与scripts/工具脚本可单独安装、也可组合使用技能职责入口文档alphaear-news 聚合财联社、华尔街见闻、微博等 10 信源热点SKILL.mdalphaear-stock A股/港股代码搜索、OHLCV 历史行情SKILL.mdalphaear-sentiment ❤️FinBERT/LLM 情感打分-1.0 ~ 1.0SKILL.mdalphaear-predictor Kronos 时序预测 新闻情绪修正SKILL.mdalphaear-search 全网搜索 本地 RAG 混合搜索SKILL.mdalphaear-logic-visualizer 自动生成市场传导链路图SKILL.mdalphaear-reporter 规划→撰写→编辑→图表 的研报生成SKILL.mdalphaear-signal-tracker 投资信号演化追踪强化/弱化/证伪SKILL.md数据流非常清晰news/stock 负责采sentiment 负责评search 负责查predictor/logic-visualizer/reporter 负责算与写。下面拆解支撑这条流水线的两大基建。2. SQLite 本地数据库全链路的共享记忆所有技能的数据底座都是同一个文件——data/signal_flux.db由 Python 标准库sqlite3直接驱动零部署、零服务、零成本。各技能共享同一份DatabaseManager封装如 skills/alphaear-search/scripts/database_manager.py首次运行时自动建表daily_news— 新闻主表source、rank、title、url、content、publish_time、sentiment_score等字段并建了crawl_time与source两个索引支撑取最近 N 天某信源新闻这类高频查询见 skills/alphaear-news/scripts/database_manager.py 的get_daily_news。search_cache/search_detail— 搜索缓存表以query_hash引擎查询条数的 MD5为主键记录每次搜索的结果快照与时间戳避免重复发起网络请求。这套设计的巧妙之处在于技能间解耦但数据互通news 技能爬来的新闻落库后sentiment 技能可以对同一批数据打分predictor 读取新闻文本修正预测search 技能则把整库当作私有知识库来检索。一个 1MB 级的 SQLite 文件就承担了消息队列、缓存层与数据库三重回合一。3. 混合搜索BM25 关键词 向量语义的 RRF 融合local引擎的检索核心在 skills/alphaear-search/scripts/hybrid_search.py 的HybridSearcher实现了教科书级的混合 RAG 流程语料准备用jieba对新闻的title content做中文分词构建 BM25BM25Okapi倒排索引——擅长精确关键词命中如降准、600519。语义向量可选加载sentence-transformers多语言嵌入模型默认paraphrase-multilingual-MiniLM-L12-v2可用环境变量EMBEDDING_MODEL覆盖对语料批量编码擅长语义模糊匹配如央行放水能匹配到降准。RRF 融合排序两路各出一份排名用倒数排名融合Reciprocal Rank Fusionk60合并单路在榜首的文档不会因另一路缺席而掉队兼顾精确与泛化。延迟加载向量模型默认不预载首次搜索时才加载并训练向量索引兼顾启动速度与内存。在此之上派生两个变体LocalNewsSearch负责持久态——从daily_news表拉取历史新闻建索引默认 30 天窗口InMemoryRAG负责内存态——供 reporter 在撰写研报时跨章节检索已有内容保证长报告前后一致。4. 多引擎搜索与智能缓存SQLite 的另一重身份skills/alphaear-search/scripts/search_tools.py 中的SearchTools把四个引擎注册成统一接口引擎定位缓存策略jinaLLM 友好输出需配置JINA_API_KEY命中缓存直接返回ddgDuckDuckGo英文/国际资讯同上baidu百度中文/国内资讯同上local本地历史新闻混合搜索上文第 3 节不缓存本身就是查库两个值得注意的工程细节TTL 缓存默认 1 小时SEARCH_CACHE_TTLttl0可强制刷新——SQLite 在这里充当了轻量级 Redis 的角色。降级链jina 失败自动回退 ddgddg 失败回退 baidu保证搜索能力永不掉线。另外缓存不只是命中即返回find_similar_queries支持模糊查找相似历史查询Agent 可先读缓存、自行判断相关性再决定是否复用提示词见 skills/alphaear-search/references/PROMPTS.md这是一种Agentic 缓存思路。5. 两条基石如何被各技能复用技能用 SQLite 做什么用混合搜索做什么alphaear-news落库 10 信源热点save_daily_news—alphaear-search搜索缓存 相似查询LocalNewsSearch历史新闻 RAGalphaear-predictor读取新闻文本修正预测新闻感知调整预测区间alphaear-reporter共享新闻库写研报InMemoryRAG跨章节检索去重alphaear-signal-tracker追踪信号演化状态检索历史信号佐证强化/证伪可以看到每个技能只需实现自己的业务逻辑存储与检索全部委托给共享底座——这正是技能链能低成本横向扩展的原因。6. 快速上手3 分钟跑通# 方式一一键安装单个技能 npx skills add RKiding/Awesome-finance-skillsalphaear-search # 方式二克隆后复制到你的 Agent 技能目录以 OpenCode 为例 git clone https://gitcode.com/gh_mirrors/aw/Awesome-finance-skills cp -r Awesome-finance-skills/skills/* ~/.config/opencode/skills/安装完成后直接对 Agent 说分析贵金属跳水对A股的影响它会自动调度 news → sentiment → search(local) → predictor 这条技能链而幕后默默工作的正是那个signal_flux.db与 BM25向量混合索引。总结Awesome-finance-skills 证明了小而美的 Agent 架构同样能支撑严肃的金融分析场景——SQLite 解决数据从哪来、存哪去、如何复用混合搜索解决海量历史中如何精准语义地找到关键信息。两者结合让 8 个技能共享一套记忆、一套检索无需任何服务器即可运转。想深入某个技能的提示词设计可继续浏览各技能references/PROMPTS.md。【免费下载链接】Awesome-finance-skillsA collection of Awesome Finance Agent Skills for free and easy to start | 一系列开源免费的金融分析Agent Skills项目地址: https://gitcode.com/gh_mirrors/aw/Awesome-finance-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Awesome-finance-skills架构解析：SQLite本地数据库+混合搜索如何支撑金融技能链
Awesome-finance-skills架构解析SQLite本地数据库混合搜索如何支撑金融技能链【免费下载链接】Awesome-finance-skillsA collection of Awesome Finance Agent Skills for free and easy to start | 一系列开源免费的金融分析Agent Skills项目地址: https://gitcode.com/gh_mirrors/aw/Awesome-finance-skillsAwesome-finance-skills 是一套开源免费的金融分析 Agent Skills技能集合把大模型 Agent 变成华尔街分析师实时财经新闻、A股/港股行情、情感分析、逻辑链路可视化与 Kronos 行情预测开箱即用。它没有复杂的后端服务核心架构只有两块基石——SQLite 本地数据库与混合搜索BM25 向量语义 RAG。本文带你读懂这两块基石如何串联起整条金融技能链。1. 技能链全景8 个技能如何分工协作仓库的skills/目录下按职责拆分了 8 个独立技能每个技能自带SKILL.md能力说明书与scripts/工具脚本可单独安装、也可组合使用技能职责入口文档alphaear-news 聚合财联社、华尔街见闻、微博等 10 信源热点SKILL.mdalphaear-stock A股/港股代码搜索、OHLCV 历史行情SKILL.mdalphaear-sentiment ❤️FinBERT/LLM 情感打分-1.0 ~ 1.0SKILL.mdalphaear-predictor Kronos 时序预测 新闻情绪修正SKILL.mdalphaear-search 全网搜索 本地 RAG 混合搜索SKILL.mdalphaear-logic-visualizer 自动生成市场传导链路图SKILL.mdalphaear-reporter 规划→撰写→编辑→图表 的研报生成SKILL.mdalphaear-signal-tracker 投资信号演化追踪强化/弱化/证伪SKILL.md数据流非常清晰news/stock 负责采sentiment 负责评search 负责查predictor/logic-visualizer/reporter 负责算与写。下面拆解支撑这条流水线的两大基建。2. SQLite 本地数据库全链路的共享记忆所有技能的数据底座都是同一个文件——data/signal_flux.db由 Python 标准库sqlite3直接驱动零部署、零服务、零成本。各技能共享同一份DatabaseManager封装如 skills/alphaear-search/scripts/database_manager.py首次运行时自动建表daily_news— 新闻主表source、rank、title、url、content、publish_time、sentiment_score等字段并建了crawl_time与source两个索引支撑取最近 N 天某信源新闻这类高频查询见 skills/alphaear-news/scripts/database_manager.py 的get_daily_news。search_cache/search_detail— 搜索缓存表以query_hash引擎查询条数的 MD5为主键记录每次搜索的结果快照与时间戳避免重复发起网络请求。这套设计的巧妙之处在于技能间解耦但数据互通news 技能爬来的新闻落库后sentiment 技能可以对同一批数据打分predictor 读取新闻文本修正预测search 技能则把整库当作私有知识库来检索。一个 1MB 级的 SQLite 文件就承担了消息队列、缓存层与数据库三重回合一。3. 混合搜索BM25 关键词 向量语义的 RRF 融合local引擎的检索核心在 skills/alphaear-search/scripts/hybrid_search.py 的HybridSearcher实现了教科书级的混合 RAG 流程语料准备用jieba对新闻的title content做中文分词构建 BM25BM25Okapi倒排索引——擅长精确关键词命中如降准、600519。语义向量可选加载sentence-transformers多语言嵌入模型默认paraphrase-multilingual-MiniLM-L12-v2可用环境变量EMBEDDING_MODEL覆盖对语料批量编码擅长语义模糊匹配如央行放水能匹配到降准。RRF 融合排序两路各出一份排名用倒数排名融合Reciprocal Rank Fusionk60合并单路在榜首的文档不会因另一路缺席而掉队兼顾精确与泛化。延迟加载向量模型默认不预载首次搜索时才加载并训练向量索引兼顾启动速度与内存。在此之上派生两个变体LocalNewsSearch负责持久态——从daily_news表拉取历史新闻建索引默认 30 天窗口InMemoryRAG负责内存态——供 reporter 在撰写研报时跨章节检索已有内容保证长报告前后一致。4. 多引擎搜索与智能缓存SQLite 的另一重身份skills/alphaear-search/scripts/search_tools.py 中的SearchTools把四个引擎注册成统一接口引擎定位缓存策略jinaLLM 友好输出需配置JINA_API_KEY命中缓存直接返回ddgDuckDuckGo英文/国际资讯同上baidu百度中文/国内资讯同上local本地历史新闻混合搜索上文第 3 节不缓存本身就是查库两个值得注意的工程细节TTL 缓存默认 1 小时SEARCH_CACHE_TTLttl0可强制刷新——SQLite 在这里充当了轻量级 Redis 的角色。降级链jina 失败自动回退 ddgddg 失败回退 baidu保证搜索能力永不掉线。另外缓存不只是命中即返回find_similar_queries支持模糊查找相似历史查询Agent 可先读缓存、自行判断相关性再决定是否复用提示词见 skills/alphaear-search/references/PROMPTS.md这是一种Agentic 缓存思路。5. 两条基石如何被各技能复用技能用 SQLite 做什么用混合搜索做什么alphaear-news落库 10 信源热点save_daily_news—alphaear-search搜索缓存 相似查询LocalNewsSearch历史新闻 RAGalphaear-predictor读取新闻文本修正预测新闻感知调整预测区间alphaear-reporter共享新闻库写研报InMemoryRAG跨章节检索去重alphaear-signal-tracker追踪信号演化状态检索历史信号佐证强化/证伪可以看到每个技能只需实现自己的业务逻辑存储与检索全部委托给共享底座——这正是技能链能低成本横向扩展的原因。6. 快速上手3 分钟跑通# 方式一一键安装单个技能 npx skills add RKiding/Awesome-finance-skillsalphaear-search # 方式二克隆后复制到你的 Agent 技能目录以 OpenCode 为例 git clone https://gitcode.com/gh_mirrors/aw/Awesome-finance-skills cp -r Awesome-finance-skills/skills/* ~/.config/opencode/skills/安装完成后直接对 Agent 说分析贵金属跳水对A股的影响它会自动调度 news → sentiment → search(local) → predictor 这条技能链而幕后默默工作的正是那个signal_flux.db与 BM25向量混合索引。总结Awesome-finance-skills 证明了小而美的 Agent 架构同样能支撑严肃的金融分析场景——SQLite 解决数据从哪来、存哪去、如何复用混合搜索解决海量历史中如何精准语义地找到关键信息。两者结合让 8 个技能共享一套记忆、一套检索无需任何服务器即可运转。想深入某个技能的提示词设计可继续浏览各技能references/PROMPTS.md。【免费下载链接】Awesome-finance-skillsA collection of Awesome Finance Agent Skills for free and easy to start | 一系列开源免费的金融分析Agent Skills项目地址: https://gitcode.com/gh_mirrors/aw/Awesome-finance-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
