企业官网建设流程全解析

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-skills

Awesome-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：

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：

1. 语料准备：用jieba对新闻的title + content做中文分词，构建 BM25（BM25Okapi）倒排索引——擅长精确关键词命中（如"降准"、"600519"）。
2. 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"）。
3. RRF 融合排序：两路各出一份排名，用倒数排名融合（Reciprocal Rank Fusion，k=60）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。
4. 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：

两个值得注意的工程细节：

• TTL 缓存：默认 1 小时（SEARCH_CACHE_TTL），ttl=0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 ddg，ddg 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

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-skills@alphaear-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