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 08:07 被浏览 13 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、发布到 SkillHub 以及安装调用，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？

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 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 → 打包发布

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、发布与调用：SkillHub 实战流程

Skill 做好后，需要打包上传到 BigQuant 的 SkillHub 市场进行发布，然后在 Cowork 中安装使用。整个流程分为三步：打包 → 发布 → 调用。

4.1 打包 Skill

将 Skill 相关的所有文件（SKILL.md、references/、scripts/、assets/ 等）放入一个文件夹，然后打包为 .zip 格式：

my_skill/
├── SKILL.md
├── references/
│   ├── dai_api_guide.md
│   └── factor_library.md
├── scripts/
│   └── factor_calc.py
└── assets/
    └── template.png

→ 打包为 my_skill.zip

4.2 在 SkillHub 发布

访问 BigQuant SkillHub 技能市场：https://bigquant.com/skillhub

SkillHub 是一个"发现、分享并即插即用的 AI 技能市场"，已有大量社区贡献的投研技能包，如：

发布步骤：

Step 1: 访问 https://bigquant.com/skillhub
Step 2: 点击页面右上角的「发布技能」红色按钮
Step 3: 选择空间：「广场」（公开共享到社区）
Step 4: 上传打包好的 .zip 文件
Step 5: 填写技能名称、描述、标签等信息
Step 6: 点击「发布」，等待审核通过

注意：当前 SkillHub 采用社区共享模式，将技能发布到"广场"即可让所有 BigQuant 用户搜索和使用。发布前请确保不包含敏感信息（如密码、Token、个人隐私等）。

4.3 安装到 Cowork

发布成功后，在 SkillHub 的「最新发布」分区下找到你发布的技能，进入 Skill 详情页面，点击 「安装到 Cowork」 按钮。

安装流程：

安装到 Cowork → 在 Cowork 对话中点击 + 号 → 打开「Skill 管理」
→ 勾选已安装的技能 → 在本次对话中即可使用

4.4 调用方式

Skill 安装到 Cowork 后，可以通过以下方式调用：

方式一：Skill 管理面板激活

在 Cowork 对话框中点击加号（+），打开「Skill 管理」面板，勾选需要使用的技能。激活后，在本次对话中 Cowork 会自动识别该技能对应的触发关键词并调用。

方式二：自然语言触发

在对话中直接提到该 Skill 的触发关键词（triggers），Cowork 会自动匹配并加载对应的技能：

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

方式三：显式指定

直接指定要使用的 Skill 名称：

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"

4.5 触发词设计指南

好的触发词是 Skill 能否被正确调用的关键：

4.6 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

五、实战案例：用 Cowork Skill 进行高频因子投研

5.1 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。

5.2 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

5.3 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。

六、通用大模型 vs BigQuant Cowork：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。金融市场的博弈本质要求模型不仅要"懂"语言，更要"精"于逻辑与数据的耦合。

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

七、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

八、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：

九、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

2026 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、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

创建并发布第一个 Skill

1. □ 确定你要解决的投研问题
2. □ 和Cowork对话并让其分析聊天记录整理成skill
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. □ 将文件打包为 .zip 格式
8. □ 访问 https://bigquant.com/skillhub，点击「发布技能」
9. □ 选择空间为「广场」，上传 .zip 文件并发布
10. □ 在 SkillHub 最新发布区找到该技能，点击「安装到 Cowork」
11. □ 在 Cowork 对话框中点 + 号，打开「Skill 管理」，勾选该技能

相关资源

• BigQuant 官网：bigquant.com
• BigQuant SkillHub：bigquant.com/skillhub
• 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

本文基于 BigQuant Cowork 内测版本撰写，功能可能随版本迭代有所变化。 BigQuant Cowork 现已开启内测，首批体验资格仅限 BigQuant 私享会成员（专业机构及高净值投资者）。