Driven Skills：机构级投研能力，一句话就能调用
让一个通用 AI 助手「分析一下这只股票」，你会得到一段像是金融教科书写出来的推文：语气笃定、读起来顺畅，却在真正要紧的地方悄悄出错。模型把几种它自己都说不清名字的估值方法混在一起，靠训练时见得最多的说法作答，还会心安理得地编出一个目标价，附上一条根本不存在的引用。对好奇的投资者来说，这是个party trick；对真金白银在场上的人来说，这是风险。
Driven Skills Market 就是为填补这道鸿沟而生的。
Driven 中的 Skill 并不是提示词模板，而是一套可复用、有名有姓的工作流，扎根于具体的投资框架——马科维茨的现代投资组合理论、Jegadeesh-Titman 的动量研究、达利欧的增长-通胀四象限、墨菲的跨市场分析、经典的现金流折现。每个 Skill 都规定了该问哪些问题、调取哪些数据源、如何对证据排序与加权、以及如何呈现结果。你的 Agent 随时可以调用其中任意一个。你只管在对话里提问，纪律交给 Skill。
今天我们发布第一批内置 Skill，覆盖投资者的完整工作流：研究、宏观、行业、选股、个股、聪明钱和投资组合。Market 会从这里持续生长。
每个 Skill 之下，是 Driven 的数据底座：230+ 个专业投资 API，覆盖全球行情、财务数据、交易所公告、分析师一致预期、持股披露、宏观序列和另类数据。框架再好，也好不过它脚下的数据——所以我们把这一层直接接到了专业数据源上，而不是去爬公开网页。
还有一个值得说明的设计选择：Skill 输出中的每一个数字——财务数据、价格、估值输入、因子得分、持仓——都直接来自这些数据 API，而不是来自模型。大模型负责编排流程、叙述发现，不负责编造数字。所以当你在 Driven 的输出里看到一个数据时，它的来源是可追溯的——而不是一条看起来很像样、一查就崩的引用。
本文将介绍这些内置 Skill 背后的设计原则。
每个 Skill 背后的设计原则
1. 扎根于有名有姓的框架，而不是感觉
Market 中的每个内置 Skill，都锚定在一套具体、可引用的方法论上。不是泛泛而谈的「最佳实践」，而是学术界和机构金融经典中真实存在的框架。
- 板块雷达 采用 Jegadeesh & Titman（1993）的方法为动量加权，并刻意跳过 1 个月动量——短期反转的相关文献（自 Jegadeesh 1990 起）表明，在短周期上反转效应会盖过动量信号。
- 组合监控 使用马科维茨（1952）的协方差数学做风险分解——它揭示的洞见是：如果一个占比 50% 的仓位与组合其余部分同向波动，它可能贡献了全组合 66% 的风险。
- 市场脉搏 把宏观环境归入达利欧增长-通胀四象限之一，沿 IMF/BIS 的五条传导渠道（利率、信贷、资产价格、汇率、预期）追踪事件的扩散路径，并采用墨菲的跨市场准则：当跨资产信号与盘面走势矛盾时，以跨资产的读数为准。
- 个股分析 用 Altman Z-Score 衡量破产风险、用 Piotroski F-Score 衡量价值质量，为企业健康度打分。
- 估值矩阵 在 DCF、前瞻市盈率、EV/EBITDA、自由现金流收益率和分析师一致预期之间做交叉验证——并配有一次 反向 DCF，从当前市值反推出隐含的自由现金流增速，让你在同一次分析中同时看到 合理价值 与 市场预期。
点名框架有两重意义。第一，它诚实：一个答案的价值不会超过它背后的方法，而方法理应被看见。第二，它可审计：当某个 Skill 的输出让你意外时，你可以把逻辑追溯到公开文献，自行判断这套方法是否适用。
2. 同业相对打分，而不是绝对阈值
15% 的毛利率在企业软件里很弱，在生鲜零售里堪称顶尖。25 倍市盈率对高成长的复利机器是便宜，对公用事业则是昂贵。绝对阈值——通用助手默认使用的那一套——一旦跨越行业边界就会制造大量误判。
Driven 的打分类 Skill 在同业集合内部排名：
- 选股器 把估值打分成 相对其他入围标的的百分位，而不是对照一个写死的市盈率红线。缺失的维度（例如银行没有有意义的 EV/EBITDA）会给中性分，权重顺势重新分配。
- 竞品分析 从营收增速（30%）、盈利能力（25%）、运营效率（20%）、利润率动量（15%）和研发（10%）五个维度为每个可比公司排名；当同业集合本身不靠研发竞争时（日常消费、公用事业），研发权重会重新分配。
- 板块雷达 在被扫描的 ETF 集合内部比较市盈率——科技对科技，必需消费对必需消费。
最终效果是：你得到的结论在 它所属的比较范围内 有意义，而不是一个看着很漂亮、直到你想起自己身处哪个行业才发现不对的数字。
3. 多源交叉验证，而不是单源检索
AI 把一个事实说错，代价并不在事实本身，而在于包裹这个事实的笃定语气。深度研究 正是围绕这种不对称设计的。
当你要求做一次深挖时，这个 Skill 会并行铺开：网页搜索（宽泛问题用语义检索，精确代码匹配用关键词）、SEC 文件、财报电话会纪要、分析师文章和结构化财务数据。然后它会做一件多数 AI 流程会跳过的事：交叉验证。只有单一来源支撑的说法会被标记为未经证实；事实（财报数字、价格数据）与观点（评级、评论）被分开；过期内容会按日期标注。最终输出是一份带引用、分析师风格的简报，以可下载文件的形式交付，让对话保持清爽，完整分析随时可以回头查阅。
这里的设计经验是：广度胜过任何单一的「最佳来源」。如果 AI 告诉你英伟达上季度数据中心收入增长了 112%，你会想知道这个数字是否同时出现在 10-Q、财报新闻稿和会议纪要里——还是只来自一篇可能写错了的文章。
4. 深度自适应，贴合分析师的真实工作方式
专业人士不会用同一套流程去回答「特斯拉昨天为什么跌了 8%」和「Meta 在当前价位估值是否合理」。前者需要在一分钟内看完情绪和技术面；后者需要基本面、估值、技术面和情绪的交叉验证。
个股分析 和 估值矩阵 无需切换模式即可自动伸缩：深度跟着提问走。问一个聚焦的问题，得到一个聚焦的回答；要一份完整分析，就得到四个维度加交叉核对。这正是资深分析师真实的时间分配方式——不是每天早上跑同一份报告，而是为眼前的问题挑对镜头。
5. 信念度过滤，而不是原始信号
内部人追踪 跟踪四条聪明钱披露流——Form 4 内部人交易、13F 机构持仓、STOCK 法案下的美国国会议员交易，以及主要股东变动。但这个 Skill 不会止步于「内部人 X 卖出 500 万美元」，它会做过滤：
- 集群买入（同一标的、同一时间窗内多位内部人同时出手）比单笔交易更有分量。
- 高管与董事之分——CEO 和 CFO 的买入比董事的交易更有权重。
- 相对于既有持仓的规模——持有 1,000 万美元的人买入 500 万，很有意义；持有 5 亿美元的人买入同样金额，只是噪音。
- 预设的 10b5-1 计划、税务驱动的减持、分散化操作 会被刻意降权，因为单看内部人 卖出 很少构成看空信号。
- 13F 有 45 天延迟——Skill 会明确提示这一点，让你知道所看到的持仓已经是旧数据。
「追踪器」和「信号」之间的差别就是全部。原始披露数据流会用海量动态把你淹没；设计良好的 Skill 会把真正的信念度浮出水面。
用起来是什么感觉
用 Skill 而不是自由对话，差别是这样的：
之前。 「亚马逊现在便宜吗？」→ 一段泛泛的文字，把市盈率和标普 500 均值比一比，对成长性含糊带过，再给一个留有余地的结论。
之后。 同一个问题，交给估值矩阵 Skill → 悲观 / 中性 / 乐观三档 DCF 情景下的合理价值区间、市盈率与行业区间对比、资本结构中性口径下的 EV/EBITDA、对标行业的自由现金流收益率、作为交叉验证的分析师一致预期，以及当前股价已经隐含的自由现金流增速。你拿到的是合理价值与现价之间的差距，以及市场隐含增速与分析师预期之间的落差——判断权仍然在你手里。
同一个问题，不同形状的答案，不同质量的决策。
投资者做给投资者用
Driven 出自一支自己也在这些市场里投真金白银的团队。设计上的偏好来自一个朴素的前提：认真的投资值得认真的工具，而 AI 在这个领域通用了太久。每个 Skill 都是我们反复自问的某个具体投资问题的答案——每个设计选择的背后，都是另一种做法曾在真实场景里让我们吃过亏。
这也是这些 Skill 公开点名各自方法论的原因。你应该清楚地知道正在运行的是哪套框架、它为什么这样加权、以及它的短板在哪里。没有魔法，没有黑箱。投资者信赖了数十年的框架，由你的 Agent 一致地执行。
来试试 Skills Market
Market 中的每个 Skill 今天都可以在 Driven 中使用——一句话就能调用。不妨从你最近问过通用 AI、却看着它答得磕磕绊绊的那个问题开始，把同样的问题交给对的 Skill，再比较两边的回答。
这是我们能给出的最有力的说明。