任何 agent 里丢一句话 · 装好就能用。详细装法见 安装。

装好后最常用 4 条命令（任何 agent 里直接说）：

/stock-deep-analyzer:analyze-stock 贵州茅台    ← 完整 22 维 × 66 评委分析（5-8min）
/stock-deep-analyzer:quick-scan 002217         ← 30 秒速判
/stock-deep-analyzer:scan-trap 002217          ← 杀猪盘排查
/stock-deep-analyzer:dcf 600519                ← DCF 估值专项

💡 当前最新稳定版 v3.8.1 · 完整演进见 更新日志：

• 66 位评审团 · 9 大流派（v3.7 新增 a16z Andreessen / Naval / 黄仁勋 / 马斯克 / 高瓴张磊 / Burry / Chanos 等 13 位 + 独立 I 组 Serenity AI 卡位猎手）· 242 条量化规则
• Serenity 严谨化（v3.8）：8 罚分因子 + 3 级证据阶梯（"有定点量产"≈90 分 vs "仅题材"≈60 分）+ 供应链 8 层分层
• Tier-1 五方法（v3.8）：/ai-readiness /earnings-preview /model-update /returns /rebalance
• 多股对比 & 组合（v3.6）：--versus 2-4 只横向对决 · --portfolio CSV 组合健康度 · 暗色模式 + sticky TOC + 术语悬浮
• 流派视角锁定（v3.5）：--school A-I 只看一派的判断 · 报告带 SCHOOL LOCK banner
• 架构：v3.0 pipeline 默认主干 · 632 tests 全过 · v2.x API 100% 向后兼容（UZI_LEGACY=1 回老路径）

Hermes 用户：hermes skills install 被上游 Skills Guard 误判 · 用一键脚本装：curl -fsSL https://raw.githubusercontent.com/wbh604/UZI-Skill/main/install-hermes.sh | bash · 详见 INSTALL-HERMES.md.

拉群会被封，有想法的直接加我吧，只针对插件本身或者其他有趣的项目和量化，不聊个股

添加人过多，请备注好事宜，我才知道出什么问题了。。

学AI，上L站！ 感谢 Linux.do 社区支持。

一句话：输入一只股票，Claude 变成你的私人分析师，跑完 22 个维度的数据、调 17 种华尔街分析模型、让 51 个投资风格完全不同的大佬各自打分，最后吐出一份 600KB 的 Bloomberg 风格报告。

/stock-deep-analyzer:analyze-stock 国盾量子

5-8 分钟后你会得到：

• 一份 HTML 报告 — 可以直接用浏览器打开，自包含，离线也能看
• 一张朋友圈竖图 — 1080×1920，直接发
• 一张微信群战报 — 1920×1080
• 一段话摘要 — 复制粘贴就能发群里

之前看一只票的流程：东方财富翻基本面 → 同花顺看 K 线 → 雪球刷大 V 说了啥 → 研报系统找卖方观点 → Excel 算个 DCF → 结果买进去还是亏。

这些活儿本质上就是"搜集信息 → 多角度分析 → 给个结论"，让 AI 全干了不行吗？

市面上看了一圈，要么是输出三段废话的 GPT wrapper，要么是用不起的机构终端。Anthropic 出了个 financial-services-plugins，方法论很好（DCF / Comps / LBO 那套），但完全是美股视角 + 全要付费数据源。

所以自己搓了一个。全免费数据源，零 API key，A 股直接能跑。

不管你用什么 agent，都是丢一句话过去就行：

/plugin marketplace add wbh604/UZI-Skill
/plugin install stock-deep-analyzer@uzi-skill

装好后说 /stock-deep-analyzer:analyze-stock 贵州茅台。

⚠️ 必须带 stock-deep-analyzer: 命名空间前缀

Claude Code 装 plugin 后，所有 skill/command 都以 stock-deep-analyzer: 开头。 部分环境下短名（/analyze-stock）不会被自动解析——稳妥起见请一律用全名：

• /stock-deep-analyzer:analyze-stock <ticker>
• /stock-deep-analyzer:quick-scan <ticker>
• /stock-deep-analyzer:scan-trap <ticker>
• /stock-deep-analyzer:dcf <ticker>
• /stock-deep-analyzer:ic-memo <ticker>
• /stock-deep-analyzer:investor-panel <ticker>
• /stock-deep-analyzer:trap-detector <ticker>
• /stock-deep-analyzer:deep-analysis <ticker>
• 等全部 14 条

Cursor / Gemini CLI / Codex 同理：一律用 /stock-deep-analyzer:<cmd> 全名， 避免短名解析失败。

直接对 Codex 说：

请按照 https://raw.githubusercontent.com/wbh604/UZI-Skill/main/.codex/INSTALL.md 的指引安装 UZI-Skill，然后帮我深度分析 贵州茅台。

对龙虾说：

帮我安装 https://github.com/wbh604/UZI-Skill 这个股票分析技能，装好后分析 贵州茅台。

/add-plugin stock-deep-analyzer

然后说"分析 贵州茅台"。

gemini extensions install https://github.com/wbh604/UZI-Skill

对 OpenCode 说：

请按照 https://raw.githubusercontent.com/wbh604/UZI-Skill/main/.opencode/INSTALL.md 安装并分析 贵州茅台。

丢这句话进去：

克隆 https://github.com/wbh604/UZI-Skill ，读 AGENTS.md 了解怎么用，帮我深度分析 贵州茅台。

对任何 agent 说：

分析 贵州茅台，用远程模式，生成一个公网链接让我手机能看。

agent 会自动用 --remote 启动 Cloudflare Tunnel，给你一个 https://xxx.trycloudflare.com 链接。

/stock-deep-analyzer:analyze-stock 水晶光电
/stock-deep-analyzer:analyze-stock 002273
/stock-deep-analyzer:analyze-stock 00700.HK
/stock-deep-analyzer:analyze-stock AAPL

都要加 /stock-deep-analyzer: 前缀才保证执行得通。

python run.py 600519.SH --depth lite --no-browser   # 30-60s 快速档
python run.py 300394.SZ --school I                  # 只看 Serenity 卡位视角（A-I 九派任选）
python run.py --versus 茅台 五粮液 002594.SZ         # 2-4 只票横向对决 · ★WIN 高亮
python run.py --portfolio holdings.csv             # CSV 组合 · 加权评分 + 健康度
python run.py 600519.SH --output-dir /tmp/out      # SaaS 集成 · index.html + meta.json

用户反馈"茅台 47 分"、"没超过 65 分"—— 诊断发现两处公式偏严苛，v2.11 校准：

公式（未变）：overall = fund_score × 0.6 + consensus × 0.4

典型白马（如茅台）预期：

• v2.9.1：fund=62 consensus=45 → overall 55 → 观望优先
• v2.11：fund=62 consensus=50 → overall 57 → 观望优先（但更接近"可以蹲一蹲"边界，白马行情启动时容易进 65）

两档合计影响 ~5-8 分。真正的坑仍会 < 35 → 回避，分数辨识度不降反升。

诊断字段 panel.json::consensus_formula.version = "v2.11 · (bullish + 0.6*neutral) / active" 可审计。

回归测试：tests/test_v2_11_scoring_calibration.py 8 个用例。

完整校准记录见 BUGS-LOG.md v2.11.0 章节。

给用户自己选择分析力度——快想 / 正常 / 深挖：

python run.py 600519 --depth lite     # ⚡ 速判模式（1-2 分钟）
python run.py 600519                   # 📊 标准分析（5-8 分钟）· 默认
python run.py 600519 --depth deep      # 🔬 深度研究（15-20 分钟）

或通过环境变量：

export UZI_DEPTH=lite       # 或 medium / deep
python run.py 600519

• 第一次安装 / .cache/_global 空时 → 自动切 lite（省首次冷启动时间）
• 网络预检 3+ 域不通 → 自动切 lite（避免卡死）
• 手动 --depth 始终覆盖自动判定

不是模板话术。每个人有自己的量化规则集（共 236 条），给出的建议必须引用具体命中了哪条。 v3.7.0 起新增 13 位新晋科技大佬 + 独立的 I 组 Serenity（AI 卡位/瓶颈猎手）；v3.9.0 再添从十年实盘交割单蒸馏的 股海贼王，覆盖 9 大流派：

v3.7.0（2026-06）新晋 13 人加粗。H 组是带着自家产业链视角的科技 CEO；I 组 Serenity 是单人特殊评委（见下）。

举个例子：

巴菲特 给水晶光电打 62 分 · 中性 "观望：护城河 27/40 可见；但 ROE 5 年最低 6.7%，达标率仅 0/5" ✅ 资产负债率 30% 保守 · ❌ ROE 5 年最低 6.7%

黄仁勋 给某 CPO 光模块股打 100 分 · 看多 "在 AI 算力链上 · 数据中心 Capex 直接受益 · 毛利率 ≥50% 定价权强——这是光速摩尔定律的受益方。" ✅ AI 算力需求强相关 · ✅ CUDA/生态绑定深

卡拉曼 给水晶光电打 0 分 · 看空 "看空核心：无 30% 安全边际"

重磅角色：2026 年 X（推特）爆火的海外散户研究员 @aleabitoreddit。 单独成组、单独评分——因为她的打法极度集中、极度逆共识，跟任何机构大佬都不一样。

• 自述背景：前 AI 研究科学家 · Nature 论文作者 · 前 RISC-V 基金会成员 · 半导体/光通信工程师
• 二次元头像、匿名、不露脸、不卖课、不跟单，研究全部免费公开，X 粉丝 30 万+
• 成名战：提前约一年押中 InP 磷化铟衬底瓶颈股 $AXTI（$12 → $70+，最高 $115–140），2026 Q1 被 IntelliEPI CEO 公开印证"InP 短缺是整个 AI 基建的瓶颈"

⚠️ 身份与收益均为自述/媒体转述、未经第三方审计，各来源数字互相矛盾。本项目仅蒸馏其方法论作为一个分析视角，不代表认可其真实战绩。详见 docs/serenity-research-dossier.md（全网 20+ 来源逐条档案）。

把她的「AI 产业链卡脖子/瓶颈点理论（Chokepoint Theory）」做成一个可量化的评委—— 不买 AI 龙头（英伟达这种已被充分定价的票），而是沿供应链往上游拆，找那个"全世界都绕不过去、又最容易供给见底"的二三线上游小盘，抢在市场定价前埋伏。

龙头被买爆 → 沿供应链往上拆 → 找最难替代的环节 → 找该环节里供给最紧的小盘 → 提前埋伏

核心打分逻辑「卡位决定态度」——不看估值便宜、不看成长快，只看一个变量：这家公司的产品在当前 AI 浪潮里有没有卡住别人的脖子。

判一个环节是不是"卡位点"看三件事：① 难替代（换供应商/材料/工艺要多久，越久越好 → 14_moat 切换成本）② 供给紧（产能跟不跟得上 AI 需求曲线，越跟不上越好 → 7_industry）③ 没被定价（市场还在用"周期股/老半导体/小众材料"旧叙事看它 → 5_chain + 15_events）。

python run.py 300394.SZ --school I       # 只看 Serenity 的"卡没卡位"判断
python run.py NVDA --school H             # 只看 H 组科技领袖派（黄仁勋/Musk/Altman/Saylor）

方法论六步法 + alpha 5 维详见 skills/deep-analysis/references/fin-methods/serenity-bottleneck.md； 语气库 + 评分规则见 skills/investor-panel/references/group-i-serenity.md。

从 anthropics/financial-services-plugins 移植方法论，适配了 A 股参数（rf=2.5% / ERP=6% / 税率 25% / 终值 g=2.5%）。首批 17 种 + v3.8.0 Tier-1 续引 5 种（/ai-readiness /earnings-preview /model-update /returns /rebalance · 见 专项命令）：

估值建模

• DCF（WACC 拆解 + 两段 FCF + Gordon Growth 终值 + 5×5 敏感性热力图）
• Comps 同行对标（PE / PB / EV-EBITDA 分位 + 隐含目标价）
• 三表预测（5 年 IS / BS / CF 联动）
• Quick LBO（PE 基金视角 IRR 交叉校验）
• 并购增厚/摊薄模型

研究工作流

• 首次覆盖报告（JPM/GS/MS 格式 · 评级 + 目标价 + 论点 + 风险）
• 财报 beat/miss 解读
• 催化剂日历（真实事件提取 + 未来预排 + 影响分级）
• 投资逻辑追踪（5 支柱健康度）
• 晨报 · 量化筛选 · 行业综述

深度决策

• IC 投委会备忘录（8 章节 · Bull/Base/Bear 三情景）
• Porter 五力 + BCG 矩阵
• DD 尽调清单（5 工作流 21 项 · 自动标注完成状态）
• 单位经济学 · 价值创造计划 · 组合再平衡

以下截图全部来自水晶光电（002273.SZ）的真实分析结果。

费雪 100 分 vs 卡拉曼 96 分，三轮互喷，每轮引用具体数字。

每个人一盏灯——绿色看多、红色看空、灰色中性。

评委们用自己的语言风格发言，引用命中的具体规则。

WACC 6.96% · 内在价值 ¥20.73 · 安全边际 -28.6%，颜色从深绿（低估）到深红（高估）。

Bull ¥26.95 / Base ¥20.73 / Bear ¥14.51，每个情景有概率和假设。

每个维度有独立可视化——K 线蜡烛图 / PE Band / 雷达图 / 供应链流程图 / 温度计 / 环形图。

全部免费，零 API key：

多层 fallback 链 — 一个源挂了自动切下一个。

散户情绪和杀猪盘题材经常先在抖音/小红书/微博发酵，DuckDuckGo 扫不到。v2.12 起 17_sentiment 维度自动查：

• 微博热搜 · 抓 weibo.com/ajax/side/hotSearch · 50 条实时热搜
• 知乎热榜 · 抓 zhihu.com/api/v3/feed/topstory/hot-list-web · 50 条
• 百度热搜 · 抓 top.baidu.com/api/board · 实时榜单
• 抖音热点 · 抓 douyin.com/aweme/v1/web/hot/search/list/ · 搜索热点
• 头条热榜 · 抓 toutiao.com/hot-event/hot-board/ · 热点事件
• B 站热搜 · 抓 s.search.bilibili.com/main/hotword · 全站热搜

股票名（含简称，如"贵州茅台"→"贵州"/"茅台"）在热榜标题里命中 → 计入情绪热度 + 记录具体条目。

数据结构：synthesis 的 17_sentiment.data.hot_trend_mentions：

{
  "stock_name": "贵州茅台",
  "platforms_ok": 6,
  "total_hits": 3,
  "by_platform_count": {"weibo": 2, "zhihu": 1, ...},
  "mentions": { "weibo": [{"rank":3, "title":"茅台 1499 回归", ...}], ... }
}

致谢：本模块设计参考了 run-bigpig/jcp (韭菜盘 AI) 的 hottrend 服务实现。

2026 年 push2.eastmoney.com 在大陆网络经常被反爬拦截。若设置 MX_APIKEY，UZI-Skill 会优先走官方 NLP API：

• 中文名纠错："北部港湾" → 自动识别为 "北部湾港(000582.SZ)"
• 行情快照：绕过 push2 直接拿到最新价/市值/PE/PB/行业

配置：

cp .env.example .env
# 编辑 .env 填入 MX_APIKEY（免费申领：https://dl.dfcfs.com/m/itc4）

无 key 时全部回退到 XueQiu/akshare 链，现有用户零感知。

部分数据源 2026 年起加了登录鉴权，UZI-Skill 默认不主动弹登录窗（保持无人值守）。 用户可按需启用：

# 1. 启用环境变量（一次性，可加进 .zshrc）
export UZI_XQ_LOGIN=1

# 2. 一次性登录（首次跑会弹有头浏览器，登录后回到终端按回车）
python -m lib.xueqiu_browser login
# → 浏览器弹出，手动账密 / 微信扫码 / 短信登录
# → 登录成功后回终端按回车，cookie 持久化到 ~/.uzi-skill/playwright-xueqiu/

# 3. 后续跑分析自动复用登录态（cookie 通常有效 ≥ 30 天）
python run.py 贵州茅台 --no-browser
# 19_contests 维度会显示真实雪球组合数 + 收益率分布

# 4. 如果直接跑 run.py 想启用，加 flag
python run.py 贵州茅台 --enable-xueqiu-login

不想登录？什么都不用做。XueQiu 维度会清晰标注 ⚠️ 需登录，0 cube， 其他 21 个维度照常工作。

python -m lib.xueqiu_browser status
# 显示：profile dir / cookie 是否存在 / 是否启用

若某些字段脚本拿不到（网络限制 / 新股 / 停牌），pipeline 不会塞默认值糊弄：

1. 生成 _data_gaps.json 列出每个缺口的建议恢复动作（浏览器 / MX / WebSearch / 推导）
2. Agent 按 HARD-GATE-DATAGAPS 逐条尝试补齐
3. 真的补不到 → 在 agent_analysis.json 里 data_gap_acknowledged 显式承认
4. HTML 报告顶部显示橙色 banner + 相关字段显示 "—" 并划线

这样你永远能分辨"这只股真的不适合买" vs "只是数据没拿到"。

UZI-Skill 在大陆和海外都能跑，但瓶颈不同，建议对号入座：

大陆网络 · pip install 失败怎么办？

run.py 和 setup.sh 会自动尝试国内镜像（清华 → 阿里云 → 中科大）， 所以常见情况你什么都不用做。若要手动指定：

pip install -r requirements.txt \
    -i https://pypi.tuna.tsinghua.edu.cn/simple \
    --trusted-host pypi.tuna.tsinghua.edu.cn

Codex / 海外 agent · 数据源访问慢怎么办？

国内数据源（尤其 push2.eastmoney.com）从海外访问经常超时。强烈建议 设置 MX_APIKEY（免费申领 → https://dl.dfcfs.com/m/itc4），它走 mkapi2.dfcfs.com 境内外都通，同时天然具备中文名纠错能力。

cp .env.example .env
# 编辑 .env 填入 MX_APIKEY
python run.py 贵州茅台

双端都不通：agent 应保留 _data_gaps.json / _resolve_error.json， 等网络恢复后直接跑 stage2() 可以复用已采集数据，不用从头来过。

详见 AGENTS.md · 网络受限环境 的场景 A/B/C 速查。

UZI-Skill/
├── run.py                              # ✅ 用户入口 (python run.py <ticker>)
├── AGENTS.md / CLAUDE.md / CODEX.md    # agent 指令 (v3.2 新增 CODEX.md)
├── GEMINI.md                           # Gemini CLI 指引
├── RELEASE-NOTES.md                    # 完整版本日志
├── docs/BUGS-LOG.md                    # bug 登记 + 防回归清单
├── .claude-plugin/plugin.json          # Claude Code manifest
├── .cursor-plugin/plugin.json          # Cursor manifest
├── gemini-extension.json               # Gemini manifest
├── commands/                           # 20 个 slash commands
├── personas/                           # 51 个 YAML persona (v2.15.0)
├── skills/
│   ├── deep-analysis/                  # ★ 主 skill (股票分析)
│   │   ├── SKILL.md
│   │   ├── references/                 # 方法论文档
│   │   ├── assets/                     # HTML 模板 + 65 头像 svg
│   │   └── scripts/                    # ← 所有 Python 业务代码
│   │       ├── run_real_test.py        # legacy stage1/stage2 (v3.1 瘦身 735 行)
│   │       ├── assemble_report.py      # HTML shell (v3.2 瘦身 587 行)
│   │       ├── fetch_*.py              # 22 fetcher · 也是独立 CLI
│   │       ├── compute_deep_methods.py # 机构建模
│   │       ├── tests/                  # 642 pytest
│   │       └── lib/
│   │           ├── pipeline/           # 🆕 v3.0 管道式架构（默认路径）
│   │           │   ├── run.py          # run_pipeline 编排入口
│   │           │   ├── collect.py      # 并发 collector (22 adapter)
│   │           │   ├── score.py        # scoring 段（调 rrt 纯函数）
│   │           │   ├── synthesize.py   # stage2 薄 wrapper
│   │           │   ├── score_fns.py    # 🆕 v3.1 · 1228 行纯函数
│   │           │   ├── preflight_helpers.py  # 🆕 v3.1 · 网络/ticker preflight
│   │           │   ├── fetchers/registry.py  # 22 adapter 工厂
│   │           │   └── renderer/       # 21 个 renderer stub
│   │           ├── tier1/              # 🆕 v3.8 · 5 个 Tier-1 方法（ai_readiness 等）
│   │           ├── versus_runner.py    # 🆕 v3.6 · --versus 多股对比
│   │           ├── portfolio_runner.py # 🆕 v3.6 · --portfolio 组合分析
│   │           ├── fund_holdings_runner.py # v3.4 · ETF/LOF 持仓循环
│   │           ├── report/             # 🆕 v3.2 · assemble_report 拆分
│   │           │   ├── svg_primitives.py     # 19 svg_* + COLOR_*
│   │           │   ├── dim_viz.py            # 19 _viz_xxx + DIM_VIZ_RENDERERS
│   │           │   ├── institutional.py      # DCF/LBO/IC/catalyst/competitive
│   │           │   ├── panel_cards.py        # 66 评委 panel
│   │           │   └── special_cards.py      # fund/insights/school_scores
│   │           ├── investor_criteria.py      # 66 人 × 242 规则
│   │           ├── investor_evaluator.py     # 规则引擎
│   │           ├── stock_features.py         # 108 标准化特征
│   │           ├── playwright_fallback.py    # v2.13 兜底
│   │           ├── self_review.py            # 机械自查 13 check
│   │           └── ...                       # 其他 lib 模块
│   ├── investor-panel/                 # 评审团 skill
│   ├── lhb-analyzer/                   # 龙虎榜 skill
│   └── trap-detector/                  # 杀猪盘 skill
├── requirements.txt
└── LICENSE

v3.2 重构分层亮点：

Agent 驱动分析，脚本只是工具。

整个流程分两段——中间 agent 必须介入，最后必须自查（v2.9 起机械强制）：

Stage 1 (脚本)          → 数据采集 + 模型计算 + 规则引擎骨架分
        ⏸️ Agent 介入   → 读数据 → role-play 65 评委 → 写判断 → 审查假设
Stage 2 (脚本)          → 综合研判 + 自动跑 13 条自查 → 报告生成
                         ↑ v2.9 核心：critical 不过 → 拒绝出 HTML

51 个评委不是跑公式出分数——agent 要真正站在每个人的角度思考：

• 巴菲特分析苹果 → agent 知道这是伯克希尔第一大持仓 → override 看多
• 赵老哥分析美股 → agent 知道游资不做美股 → skip
• 木头姐分析白酒 → agent 知道她只看颠覆创新 → "不在平台里"
• 格雷厄姆看到 PE 33 → 不需要复杂推理 → 看空

每个判断都可以覆盖规则引擎的机械得分，但必须给出理由。

三层评估：真实持仓 → 行业亲和度 → 量化规则。真金白银比任何公式都有说服力。

过往 HARD-GATE-FINAL-CHECK 是"软要求"——agent 可能跳过、可能忘、可能做半截。BUG#R10（云铝被归为"农副食品加工"）就是全流程跑完报告发出去，才被用户发现行业分类错了。软 gate 不够，v2.9 起机械强制。

lib/self_review.py 13 条自动检查覆盖所有历史 BUG 经验：

assemble_report::assemble() 入口自动跑 review，critical > 0 → raise RuntimeError("⛔ BLOCKED by self-review")，物理上无法出报告，直到 agent 修完。

# agent 迭代流程
loop:
  python review_stage_output.py <ticker>
  读 .cache/<ticker>/_review_issues.json
  对每条 critical 执行 suggested_fix
  直到 critical == 0 才出 HTML

每次新 BUG 修完，对应的 check_* 规则都会加到 self_review，下次同类问题跑完就自动抓到，不再靠用户反馈。

Q: 跑一次要多久？ A: 5-8 分钟，主要是数据采集慢（22 个维度要调十几个 API）。纯计算的机构建模部分 < 1 秒。

Q: 需要付费数据源吗？ A: 不需要。全部免费源（akshare / yfinance / DuckDuckGo / 巨潮 / 东方财富 / 雪球），零 API key。

Q: 港股美股能用吗？ A: 能。/stock-deep-analyzer:analyze-stock 00700.HK 或 /stock-deep-analyzer:analyze-stock AAPL。

Q: 数据准不准？ A: 实时数据走东方财富 / 雪球，财报走巨潮 / akshare，和你在东方财富 App 上看到的一样。但 web search 质量不稳定（DuckDuckGo 中文搜索有时会返回无关结果），所以 Claude 会做二次审查。

Q: 能当投资建议吗？ A: 不能。这是工具不是神仙，66 个大佬的意见都是规则引擎模拟的，不代表真人观点。买不买你自己决定。

Q: 怎么知道这次报告数据是否可信？ A: v2.9 起强制机械自查。报告生成前跑 13 条检查，critical 不过物理上发不出报告。.cache/<ticker>/_review_issues.json 里能看到本次跑有没有 warning，每条都带 suggested_fix。每次新 BUG 修完都加对应检查 → 下次同类问题自动抓到，不靠用户反馈。

Q: 怎么升级到新版本？自动提示吗？ A: 会。v2.14.0 起每次启动 CLI 或 agent 会话都会后台检测 GitHub 最新 release：

• 有新版本 → 弹三选一提示（是 / 跳过本版 / 否）+ 改动摘要
• 选"是"→ 按你装的方式执行对应命令：
  • Claude Code: /plugin update stock-deep-analyzer
  • git clone: cd UZI-Skill && git pull
  • Hermes: hermes skills update wbh604/UZI-Skill/skills/deep-analysis
• 选"跳过本版"→ 该版本不再提示，下一个新版本出来时才再弹
• 选"否"→ 下次启动再问
• 网络慢 / 关掉检查：export UZI_NO_UPDATE_CHECK=1（CI / Codex 环境推荐）
• 缓存 6 小时 · 不会每次都打 GitHub API

Q: 之前报告里有 BUG 怎么办？ A: 2026-04-17 前跑过"工业金属 / 工业母机 / 工业机械"相关股票的用户，cache 里的 7_industry 维度是错的（云铝被归为农副食品加工的那个 bug）。清 cache 重跑即可：

rm -rf skills/deep-analysis/scripts/.cache/<ticker>/raw_data.json
python run.py <ticker> --no-resume

完整更新日志见 RELEASE-NOTES.md

• anthropics/financial-services-plugins — 机构级分析方法论
• obra/superpowers — 多平台架构 / HARD-GATE / hooks / sub-agent 设计
• akshare — A 股数据引擎
• titanwings/colleague-skill — Skill 架构参考
• virattt/ai-hedge-fund — Pydantic Signal 模式
• TauricResearch/TradingAgents — 多空辩论循环

本工具由 AI 模型基于公开数据生成分析报告。所有评分、建议、模拟评语均为算法输出，不代表任何真实投资者的实际观点。不构成投资建议，投资有风险，入市需谨慎。

实时 stars：

注：star-history.com 服务端有 24h 缓存，增长很猛的前几天图可能滞后（想看当前真实数字看上面的 shields.io badge，或点图进 star-history 官网会触发刷新）。