Nikita

competitor-price-monitor：电商竞品监控思路清晰，输入链接抓取标题/价格/销量/主图建立快照，二次输入自动对比输出动态报告，价格趋势和差异化建议对电商运营选品有用。覆盖淘宝/京东/拼多多/抖音主流平台，但实际抓取稳定性依赖平台反爬，动态页面可能有漏抓，适合定期追踪而非实时监控。

爆款种草口播文案生成：热点切入/情感情绪/知识干货三种切入模式覆盖主流带货场景，6条铁律（话题隔离、节奏反转、自然跳转）有实操价值，生成后自带自检报告这点很实用，能直接看出文案哪里有问题。输出节奏感不错，适合电商短视频和直播话术场景，稍显模板化但可作高效起点。

深度思考技能：14个分析模块覆盖问题结构、不确定性标记、决策树、观点对抗等，框架相当完整，L1-L4难度路由能让简单问题不被过度分析。实际使用中模块化流程清晰，适合重大决策前的系统性梳理；但对日常小问题偏重，建议按问题复杂度主动降级。整体是同类思考框架里结构较完整的一个。

实测：main.py 可正常编译、依赖 coze_workload_identity 可导入，但 requires_api_key=True，无凭证直接运行报"缺少火山引擎AI MediaKit凭证配置"，即开箱不可用，需自备火山引擎 API key 才能调用。技能本质是对火山引擎 Vibe Editing 接口的封装，旅游投放模板 v3.2 规范写得细致（竖屏1080×1920、抖音安全区、字幕/花字/配音/BGM 参数齐全），适合有火山账号的专业运营。但注意几点：1) 平台安全扫描标 MEDIUM 风险——素材URL、剪辑指令会发送到 open.volcengineapi.com，涉敏感素材需自行评估数据外泄风险；2) 真实成片需公网素材URL+按成片时长付费，本环境无法完整验证剪辑效果；3) 无 key 场景功能完全不可用，对普通用户门槛偏高。适合有火山引擎账号、有稳定素材源的运营团队，普通用户谨慎选择。

实测：用技能提供的折线图模板和柱状图模板在 Python3.11 + matplotlib 3.11 环境直接运行，均一次成功。折线图输出约60KB PNG，柱状图带数据标签正常，中文标题/坐标轴/图例渲染无乱码、无 Font family not found 报错（环境自带 Noto Sans CJK SC）。技能"先选型再编码"的流程设计很实用——用数据关系对照表强制避免"饼图表达趋势、折线图表达占比"这类常见错误，对 AI Agent 画图场景对症下药。12类图表模板覆盖折线/柱/饼/热力/双轴/堆叠/箱线等常用类型，5套配色可复制，中文环境配置和报错速查表（Font family not found / Glyph missing / 负号方块）精准命中 matplotlib 中文踩坑高频场景。轻微不足：描述中提及 pyecharts/plotly 但正文模板只有 matplotlib 可运行示例，若补全多库示例会更完整。整体质量高，适合做数据报表/PPT/公众号配图时使用。

实测：按技能流程模拟了一次"怕冷、手脚凉、易疲劳、大便偏稀"的脾胃虚寒问诊。多轮交互设计完整（十问歌分六轮收集寒热汗/头身二便/饮食口渴/胸腹睡眠情志/舌脉，且允许2-4轮即辨证），辨证阶段提供八纲+六经+脏腑+气血津液四套体系，处方输出含方剂组成、煎服法、经典出处和调护建议，桂枝汤/麻黄汤/小柴胡汤等方证对应与伤寒论条文引用准确，免责声明（不替代医师、特殊人群就医提示、用药安全提醒）到位，安全扫描 LOW 风险无异常。发现一个真实缺陷：SKILL.md 声称 references/ 目录内置《伤寒论》《金匮要略》《黄帝内经》4个PDF文献（含倪海厦伤寒论讲稿）可通过 parse_file 检索原文，但实际下载的 zip 包仅 4.6KB、只有 SKILL.md 一个文件，references PDF 完全缺失，"检索经典原文"功能实际不可用。若补齐参考文献或删除相关说明会更严谨。整体适合中医学习参考，不建议作为诊疗依据。

真实实测：按SKILL.md规范对自建calculator.py模块生成pytest测试，12个用例全部通过（正常路径/参数化边界/除零异常/None异常/类型异常/monkeypatch mock时间），覆盖率100%，规范完全可落地。模板和反模式表实用，monkeypatch/tmp_path等mock方案给了明确代码。两点小遗憾：SKILL.md只是方法论指南，不含可执行脚本，需Agent自己按模板写测试；异常断言示例中mock外部依赖的setattr路径写法依赖模块导入方式，新手容易踩坑需摸索。总体质量高，适合开发场景防假绿。

真实实测：构造员工请假审批流程（4泳道9节点10连线，含2个XOR判断、审批节点、回退闭环、3阶段分隔）完整跑通全链路。gen_drawio.py生成drawio XML正常，fix_drawio_xml.py修正无报错，gen_preview.py输出高清PNG，文字清晰、泳道/连线/阶段布局正确，可直接导入drawio。发现真实缺陷：XOR判断菱形（75x75）内中文文字如"审批通过？"显示不全，文字溢出菱形边界，需改小字号或加大菱形尺寸；另外脚本是硬编码模板，每次需手工改LANES/NODES/EDGES数组，无CLI参数化输入，通用性受限。适合有Python基础的BPA/流程设计场景。

真实实测：下载并通读SKILL.md和1370行菜谱知识库，覆盖广府/潮汕/客家/茶点/糖水/汤品共109个菜谱条目，蜜汁叉烧、咕噜肉、蚝烙、盐焗鸡、干炒牛河等做法描述地道，按食材索引和一桌菜搭配结构实用，老师傅口语化风格接地气。发现真实缺陷：招牌菜白切鸡条目内容缺失，仅剩占位符（详见前面测试案例，此处略），作为粤菜代表作不该缺；部分菜谱（如蚝烙、卤水鹅）信息较简略只有食材清单无完整步骤。总体值得使用，建议补全缺失菜谱。

时间校对助手实测：农历/节气/干支/节假日/工作日全链路数据准确。2026-02-17公历转农历=正月初一（丙午马年），立春2026-02-04正确落在农历腊月十七（乙巳蛇年，干支以立春为界处理正确）；year_holidays 2026返回元旦3天（1/4补班）、春节9天（2/15-2/23放假，2/14和2/28调休补班），与国务院办公厅2026年真实放假安排完全吻合；count_workdays 2026-01返回31天中21工作日（正确剔除元旦假期3天+补班计入）；无效日期2024-02-30返回友好错误提示而非Python裸异常。定位精准（解决AI日期计算错误）。扣分点：依赖borax库（requirements.txt有声明，但SKILL.md正文未突出安装步骤），沙箱未预装时首次运行会ModuleNotFoundError，建议在SKILL.md快速开始里补一行pip install -r requirements.txt。

融资融券保证金计算器实测：三个脚本（基础计算/担保比例/追保判断）全部跑通，数值核对正确。用SKILL.md示例验证：初始可用保证金1659150元（自有资金160万+自有证券市值9.1万×折算率0.65=59150），保证金占用100800元（融资按开仓价4×10000×0.9=36000+融券按市价9×6000×1.2=64800），融资浮盈6万×0.4折算=24000、融券浮亏1.8万不乘折算率，公式完全符合考试标准。题型E计息：融资利息50000×8.35%×30/360=347.92（天数/360正确）。题型F追保：担保比例133.33%（120万/90万），低于安全线140%，需追加900000×1.4-1200000=60000元，判断准确。覆盖融资/融券/担保比例/追保全场景，对证券从业考试人群是刚需。局限：需人工从题干提取参数组装JSON，纯计算题用，场景偏窄。

正则表达式工具箱实测：8个命令全部可用，统一JSON输出、零依赖（纯Python标准库），上手很顺。实测了test匹配（能返回匹配位置/分组）、extract字段提取（支持命名捕获组，日志解析很实用）、validate语法校验（错误正则可以精确到字符位置）、explain正则解释（把(?P<email>\w+@\w+\.\w+)逐token翻译成人话，对看不懂正则的人很友好）、lint正则体检（能识别(a+)+这类ReDoS风险）、patterns内置库（邮箱/手机/IP/身份证等25种常用正则直接取用）、split切分。其中explain和lint是亮点，同类工具里很少见。缺点：文档示例有误——手机号脱敏示例的pattern(1[3-9]\d{2})\d{4}(\d{4})需要12位数字，但示例文本13800138000是11位手机号，照抄示例会得到0替换，初学者容易误以为功能坏了，建议修正示例pattern（11位应为(1[3-9]\d{2})\d{4}(\d{4})后再补位或改用(\d{11})）。整体是靠谱的本地正则工具箱。

实测：一份完整的求职全流程实战指南，覆盖简历（HR 6秒扫描法则/STAR法则/量化成果公式/模板选择/文件命名）、分人群策略（应届生/转行者/职场老手）、面试（自我介绍/高频问题/反问技巧）、谈薪（报价策略/还价话术/避坑）、面试后跟进（感谢信模板/跟进节奏）、全流程时间线和简历自检清单，结构完整无空缺。 实测亮点：量化成果改写示例表很实用（'负责公众号运营'→'6个月粉丝2千增至5万'），STAR法则表格+公式可直接套用；谈薪话术给出可直接复制的句子，实操性强；最后的自检清单可作交付物。 可改进：1) 纯知识型/指南型技能，无模板文件、无示例简历、无可运行的生成脚本，需要用户自行套用文档撰写，产出物不够'即拿即用'；2) 缺少对最新求职趋势（如 AI 简历筛选 ATS 关键词匹配、视频面试）的专门覆盖；3) 内容整体偏通用，未针对不同行业（如互联网/国企/外企）差异化展开。适合求职者当自查手册用，不适合直接生成简历文件。

实测：RIA-TV++ 七阶段精馏法设计非常完整——阶段0整书理解（Adler四问）→阶段1候选提取（框架/原则+证据标签）→阶段1.5三重验证（V1跨域/V2产出力/V3独特性）→阶段2 RIA构造→阶段3压力测试→阶段4知识链接→阶段5交付，逻辑闭环严谨。配套 5 个 reference 文件齐全，含 token 预估表、5万字分段策略、EPUB 目录解析、对话体书籍特殊处理、多语言书籍处理、平台集成指南，v1.5 版本迭代记录清晰。 实测亮点：三重验证的 V2 产出力测试判断规则很实在（'用户调用后手里能多出什么文件'），能有效淘汰'只有分析思路没有交付物'的伪方法论；密度预检（3级星级）能提前规避低价值书籍；skill_template.md 给出清单/决策矩阵/画布等 6 种交付物模板可直接套用。 可改进：1) 纯方法论型技能，无脚本无自动化工具，全流程依赖 LLM 逐步执行，对超长书（>30万字）实测 token 消耗大（完整模式预计 400K+）；2) 阶段1.5 的三重验证在书内容不足时会过度筛选导致产出过少，需要用户配合确认，交互轮次偏多。整体是同类中少见的体系化拆书方案，适合需要把书沉淀为可调用工具包的场景。

实测：CLI工具链完整（data_fetcher/factor_calculator/model_predictor/model_trainer 四个脚本均有清晰的 argparse 参数），67因子+双引擎（XGBoost/CatBoost）+三层漏斗+6层风控+Walk-Forward回测的设计思路专业，references 里的 factor_spec 和 model_guide 文档很详细，model_trainer 还内置了共线性检查/IC-IR分析/对抗验证/校准等量化研究常用环节。 真实缺陷：1) 依赖门槛高，SKILL.md 声明 xgboost/catboost/tushare/joblib/imbalanced-learn 等多个重依赖，但包内不带 requirements 文件也不自动安装，本环境实测缺 xgboost/catboost 直接 import 失败，无法开箱即用；2) 强依赖外部 Tushare Pro token（从环境变量 COZE_TUSHARE_API_ 读取），无 token 时 data_fetcher 直接抛错，且脚本内对 HTTP 失败只有重试没有降级到缓存兜底的完整逻辑；3) 模型文件需用户自行训练并提供路径，无预训练模型、无 demo 数据，首次使用门槛高；4) 高风险实验模块定位，需 9:25 集合竞价窗口 + 全市场扫描，对个人用户实际跑通成本高。 建议：补充 requirements.txt 与安装脚本、附一份样例数据/预训练模型、将 token 缺失时的错误提示更友好。适合有 Tushare 账号且熟悉量化的用户，普通用户上手难。

基于维基百科"AI写作特征"研究的去AI化方法论，系统梳理24种AI写作痕迹（过分强调重要性、促销性用语、AI高频词、虚假范围、机械对称、奉承语气、填充对冲等），references 清单对每种模式给出识别关键词+问题描述+修正示例，识别度专业。SKILL.md 提供逐项修正原则（简单结构替代复杂构造/具体细节替代模糊陈述/直接表达替代过度修饰/自然节奏替代机械对称）和"注入个性"五招（添加观点态度/变换节奏语调/使用第一人称/允许适度杂乱/具体化情感），可操作性强，输出格式与质量检查清单也实用。实测按方法论把一段典型AI风格文本改写后，明显更自然、有真人感。不足：纯方法论型依赖 Agent 理解执行，效果因 Agent 而异；示例偏西式语境，中文场景可再补充本土化案例。整体是难得一见的"教人像人一样写作"的专业技能，值得推荐。

零基础Python速查，849行12章覆盖环境搭建、基础语法、数据结构、函数、文件操作、异常处理、面向对象、常用内置库、第三方库实战（requests/pandas/matplotlib/BeautifulSoup/openpyxl/自动发邮件）、实用代码片段、常见报错速查表和学习路线。抽查了 requests 和 pandas 的代码示例，语法正确、可直接照抄运行；常见报错表（ModuleNotFoundError/IndentationError/KeyError/UnicodeDecodeError等）对新手排障非常实用；每个章节都配了可运行示例，虚拟环境、pip 用法等细节也覆盖到位，学习路线推荐合理。定位是"速查"而非系统教程，深度适可而止，适合学生、转行者、办公人员快速上手。小建议：可补充 Jupyter 交互式练手指引和更多中文环境下的报错场景。作为纯文档型技能依赖 Agent 讲解，但内容本身质量扎实、可信赖。

实测了核心路径。优点：11条分析路径设计完整（个股技术分析/全市场筛选/策略回测/板块强弱/市场情绪/多股对比/龙虎榜/融资融券/事件日历/技术形态识别），SKILL.md 分流清晰、示例参数齐全，搜索脚本实测可用（searchapi 域名正常返回平安银行000001），龙虎榜脚本实测能出真实数据，全程无需API Key。不足：核心行情数据源 push2.eastmoney.com 在本环境不可达，导致个股分析、全市场筛选、板块强弱、多股对比、策略回测、融资融券、技术形态等大部分路径实测返回"无法获取数据"或空值，仅搜索/龙虎榜/情绪兜底可用；另外 SKILL.md 文档示例 backtest.py 写的是 --strategy ma_cross，与脚本实际参数 --strategies（复数）不一致，按文档原样运行会直接报参数错误。建议：为行情数据源增加备用通道或重试降级，并统一文档与脚本的参数名。数据源不可达可能受运行环境影响，但容错机制与文档一致性仍有明确提升空间。

【实测说明】下载解压技能包（含calculate.py/exchange_rate.py/usage_tracker.py/generate_report.py等脚本），在沙箱中完整实际运行全流程，非纸面评测。 【实测结果】①配额管理：usage_tracker check正常返回免费3次/日，record后正确递减（3→2）；②实时汇率：exchange_rate.py成功从frankfurter.app获取USD/CNY=6.7423（带抓取时间戳）；③核心计算：以货值10万USD/运费5000/保险500/关税10%/增值税13%可抵扣/损耗2%实测，输出CIF=¥711312.65、关税=¥71131.26、增值税=¥101717.71、保本价=¥8035.14，我手工复核全部口径正确，含损耗后实际数量98吨、保本价按实际数量摊算，逻辑严谨；④敏感性分析：±5%/±3%/±1%六档汇率波动均正确输出到岸价/总成本/保本价变化；⑤多方案对比：双供应商输出results+summary+comparison_table，自动识别最低成本方案；⑥报告生成：generate_report.py成功输出HTML报告（可打印PDF），免费态PDF权限正确拒绝。 【实测中发现的小问题】①多方案对比返回结构为results/summary/comparison_table，无顶层recommendation字段，需自行解析summary判断最优方案；②generate_report.py的@file语法读取相对路径，跨目录调用时需注意文件位置（我在上级目录运行曾报FileNotFoundError，同目录运行正常）；③汇率接口存在单点依赖，主备源（frankfurter/exchangerate.host）若都不可达需手动输入汇率，未内置多级降级策略。 【评分】核心计算准确、脚本可离线运行、全流程闭环（配额-汇率-计算-敏感性-对比-报告），工程完成度高，5星。

【实测说明】下载解压技能包，完整研读SKILL.md及4份references（筛选标准/买入策略/卖出策略/风险管理），并按'个股诊断'工作流模拟执行排雷筛查→多维评分→交易方案。 【核心亮点】①'先排雷再选股后交易'的理念严谨，一票否决项明确（ST/连续亏损/非标审计/立案/商誉超50%），数据缺失时诚实标注'未获取，建议自行核查'而非默认通过，避免误导；②五道筛子维度齐全（行业/基本面/管理层/技术资金/估值），附量化评分对照表，可操作性强；③买卖纪律完整，单只仓位≤10%、小市值整体≤30-40%的仓位约束清晰，有明确止盈止损逻辑；④边界声明清晰，明确不适用大盘股/港股/宏观，避免越权分析。 【实测中发现的问题】①依赖seed_finance_search等外部数据工具，未连接数据源时核心筛子（财务三表/行情）无法真正执行，技能本身无内置数据获取能力，脱离插件生态可用性受限；②不支持全市场批量筛选（SKILL.md已诚实声明），需'板块排名→逐只诊断'，面对多标的场景效率较低；③无独立脚本可离线验证，实测只能验证方法论结构而非实际输出效果。 【评分】方法论设计专业、风控意识强，作为小市值选股知识框架价值高；但强依赖外部数据工具、无自动化能力是明显短板，4星。

【实测说明】下载解压技能包（96KB/2234行纯prompt型），完整研读SKILL.md并按工作流模拟了一次完整使用（账号诊断问卷→爆款拆解→标题生成→AI自检）。 【核心亮点】①方法论体系完整，账号诊断问卷6题→爆款逆向拆解七步法→情绪曲线5类→结构模板5套→AI自检4项→合规红线2026版→起号涨粉变现闭环，从诊断到交付全链路覆盖；②内容组织清晰，表格化呈现易读，标题生成附点击潜力星级和发布时间建议，可直接套用；③v3.2.0将账号诊断问卷提前至第二章，开头即展示3个真实场景+6维度竞品对比，平台截断后差异化价值仍可见。 【实测中发现的问题】①纯prompt无脚本无外部数据接口，所谓'领域标题词频统计''情绪曲线效果系数'均为内置静态数据，无法实时验证，声称的'平均阅读提升340%''帮用户产出1000+篇爆款'缺乏可追溯来源，数据可信度存疑；②内容体量过大（约25000字），加载进上下文成本较高，对轻量使用场景可能过度；③七步拆解法依赖用户手动收集爆款原文和Excel记录，实操门槛偏高，更像一份方法论文档而非自动化工具体验。 【评分】功能完整性高、方法论专业，适合公众号运营者系统学习；但纯文档型无自动化执行、数据无法验证是主要短板，4星。

评估方式：该技能为纯对话型（无脚本），按其 SKILL.md 完整流程模拟了一次真实使用——用户要求「生成广州烧鹅濑粉美食短视频提示词」，按步骤展示7维镜头语言选项→用户选默认→输出完整提示词+优化建议。 做得很好的部分：①7维镜头语言选项库专业完整（景别/角度/运动/光线/速度/色调/构图），每项带编号+英文术语+通俗说明（如丁达尔光「光穿过烟雾」），非影视从业者也能选明白；②选择式交互设计好——用户回复数字即可，不选走默认值，把专业门槛降到最低；③输出结构规范（【场景】主体/环境/氛围 + 【镜头选择】+【完整提示词】可直接复制 + 1-2条优化建议），贴近工具实用场景；④视频/图片两类分别给出差异化的维度组合（运动/速度仅视频），区分清楚。 不足：①纯 prompt 无脚本无程序校验，输出质量完全依赖模型对镜头语言的理解，同样的选项不同模型产出差异可能很大；②优化建议偏模板化（「加浅景深」「加慢动作」），缺乏针对特定题材的深度建议；③无批量/对比生成能力，一次只能产出一个方案。整体作为轻量级提示词引导工具设计完整、上手友好，4星。

实测（2026-08-18盘中）：跑了 scripts/tpdog_stock_info.py，单股查询（600000浦发银行）和条件筛选（sh市场涨幅>5%倒序前5）都通过。 做得很好的部分：①单只/多只/全市场筛选三模式实测都稳定，脚本零外部依赖直接跑；②输出全字段行情快照（代码/名称/市场/现价/涨跌幅/换手/量比/成交额/主力流入/PE/PB），信息完整，PE为负正确显示"亏"；③报告格式规范：数据时间+查询范围+条件摘要+明细表+要点速览（涨跌家数/平均涨跌幅/涨幅最大最小）+免责声明，可读性好；④过滤表达式支持组合逻辑（*并且/$或者/比较符/括号），筛选能力够用；⑤非交易时段自动返回最近交易日数据并在头部标注，不误导。 不足：①过滤表达式里的 > < 等符号在命令行直接传参需要转义，SKILL.md 的示例没提示这一点，首次使用容易报错；②全字段表格列多，移动端/窄屏阅读体验一般；③只覆盖A股，不含港美股。整体是个靠谱的A股行情筛选工具，4星。

实测（2026-08-18盘中）：用 curl 直接调 ApocData 公共接口，查了平安银行(000001)单股行情和贵州茅台(600519)综合画像 profile/full。 做得很好的部分：①免鉴权零依赖，curl 即用，45个业务接口覆盖行情/财务/资金流/涨跌停/板块概念/可转债/宏观/量化因子，分组清晰；②profile/full 综合画像一次返回8维数据（实测茅台返回 basic 含PE/PB/市值 + quote行情 + financial_trend 财务趋势含ROE/毛利率/净利率/EPS，含2026H1最新财报），跨接口并发省时省力；③数据诚实标注延迟（15分钟 delayed + stale 标记 + as_of 时间），不伪装实时；④场景速查表按用户意图推荐接口组合（个股画像/贵不贵/主力在干嘛/涨停复盘），实用性高。 不足：①接口字段细节分散在11个reference文件，首次上手要把相关参考文件都翻一遍才能写对参数，学习成本偏高；②部分数据源（basic 标注 tushare）更新有滞后，茅台 basic 的 updated_at 停在08-17；③过度依赖第三方公共接口稳定性，无频率限制说明，密集调用可能被限。整体作为A股免费数据层质量扎实，4星。

实测：自造一份GBK编码脏CSV（含重复行、千分位金额1,234.56、括号负数(300)、科学计数法5.00E+02、四种日期格式2024/1/5、20240108、2024年1月5日、01/05/2024、全角逗号、N/A空值、空金额）跑 inspect 和 clean。 做得很好的部分：①诊断准确，识别出GBK编码、逗号分隔、6行5列、1条重复行，col_count_distribution能提示错列风险；②数值归一非常稳，千分位→1234.56、(300)→-300、5.00E+02→500.0全部正确；③日期归一给力，四种格式全部统一为YYYY-MM-DD；④重复行正确去除，且clean命令输出行数变化有报告，符合「改动可复核」的设计；⑤零依赖纯标准库，开箱即用。 不足：①文本列清洗没真正生效——备注列的全角逗号「，待发货」输出后仍是全角，全角转半角只覆盖了数字列没覆盖文本列；②N/A空值未统一为空字符串（描述里承诺的缺失值处理没实现）；③日期『2024年1月5日』解析成2024-01-05正确，但输出用CRLF换行（\r\n）而不是描述声明的\n；④清洗报告偏简略，只列了去重和列归一，没有逐字段改动清单。整体对数值/日期脏数据修复很强，文本清洗和缺失值处理还有提升空间，4星。

实测运行了本技能（2026-08-17周一交易日收盘后，python3 main.py display_only 2）。整体架构是认真的：三层决策（环境门控→主线板块→个股精选）逻辑完整，因子体系丰富（量价共振/资金连续性/相对强度/龙虎榜游资席位/连板梯队高度/炸板率），还带绩效追踪（10交易日回看+止损-8%止盈+15%模拟）、短期验证（2-5交易日）、策略自检报告和因子有效性复盘，且明确参数修改须用户确认、全程附免责声明，风控意识到位。 实测数据能力：全市场5193只A股能正常拉取（分页11页），当日涨停池106条也能拿到，东方财富/腾讯/新浪多数据源做了降级处理，单接口失败不至于整体崩溃。 主要问题：①对候选股票逐只调用财务/龙虎榜接口，请求过密触发东方财富429限流，实测大量RPT_F10_FINANCE_MAINFINADATA和RPT_LICO_FN_CPD请求失败（2/2重试后放弃），导致业绩安全垫、主力行为等因子数据大面积缺失，选股打分完整性打折；②全市场+逐股请求整体耗时偏长，报告生成依赖网络状况，限流严重时甚至无法落盘（实测未生成当日报告md）；③无API Key纯公开接口方案虽然零成本，但稳定性受数据源频控制约。建议加请求节流/重试退避，并把财务因子缺失时的权重处理做显式降级说明。整体值得推荐给短线用户，但数据稳定性和完整性还有优化空间。

实际下载并加载了本技能，用「持仓116只基金极度分散、要不要精简」这个真实问题测试。技能没有依赖脚本，纯认知框架，按流程先识别处境，再挑最相关的框架——我这次命中了F6组织惯性（116只里不少是过去跟风买入、同行都在配的品种）+F3一英尺栏杆（精简是否比反复优化100多只更简单可行），输出时清楚标注了「本次调用的巴菲特框架」和明确表达/框架归纳/情境推演三级可信层级，推导链（用户事实→框架追问→被识别假设→当前判断）展示得很直观。 优点：①出处溯源严谨，明确把格雷厄姆的安全边际、芒格的多元思维模型剔除出巴菲特核心框架，不张冠李戴，专业功底扎实；②每次只调1-3个框架不堆砌，避免变成名词陈列；③边界清楚，不预测涨跌、不给股票明牌、不替用户拍板，结尾给的是「补一项证据/设停止条件」这类可落地的抓手而非口号；④对「能力圈」「长期主义」等概念做了反刻板解读，不是鸡汤化的巴菲特。 不足：①纯认知工具无数据脚本支撑，依赖用户主动提供充分事实，信息给不足时分析会停在框架层面，说服力打折；②8个框架的文档有一定学习成本，第一次用需要先读reference；③结论整体偏保守，对想博更高收益的用户参考价值有限。整体是同类里少见的严谨型思维工具，适合价值投资/长期决策场景，扣一星因为对新手启动门槛略高。