夜雨聆风很多人现在会让 AI 帮自己看股票。
但最容易被忽略的问题是：
AI 到底拿什么数据看？
如果只是让它凭记忆回答，时间会过期。
如果只是让它临时网页搜索，来源会混乱。
如果让它自己拼接口，代码映射、字段含义、风控、鉴权、失效接口，处处都是坑。
所以这两个项目有意思的地方，不是“又多了两个股票工具”。
而是它们把股票数据这件事，封装成了 AI coding agent 能直接调用的 Skill。
项目地址：
https://github.com/simonlin1212/a-stock-data
https://github.com/simonlin1212/global-stock-data
一句话概括：
a-stock-data 管 A 股。
global-stock-data 管美股和港股。
合起来，就是一套给 AI 投研工作流用的数据底座。
不是荐股系统，是数据工具箱
先把边界说清楚。
这两个项目不是荐股软件。
不是“输入代码，输出买卖点”。
也不是把某个神秘模型包装成投顾。
它们更像给 AI 助手配了一套数据工具箱：行情、K 线、财报、公告、研报、资金流、期权、SEC Filing，需要什么就调用什么。
a-stock-data 覆盖 A 股，README 里写的是 7 层架构、27 个端点、13 个数据源。
它关注的是沪深北市场里的本土数据生态：通达信行情、腾讯估值字段、东财研报和资金、同花顺热点、巨潮公告、融资融券、大宗交易、股东户数、分红送转。
global-stock-data 覆盖美股和港股，README 里写的是 8 层架构、18 个端点、5 个数据源。
它补上的是海外市场常用数据：新浪/腾讯/东财行情，Yahoo Finance 的 K 线、quoteSummary、期权链、机构持仓，以及 SEC EDGAR 的 10-K、10-Q、8-K 和 XBRL。
如果你平时只是问：
“帮我看看苹果财报怎么样”
AI 可能给你一段泛泛解释。
但如果它手里有这些 Skill，问题会变成：
先识别 AAPL。
再查行情。
再拉财报三表。
再看关键指标。
再对比估值。
必要时再看 SEC Filing 和机构持仓。
这才像一个工作流。
它解决的是“数据怎么拿”的问题
股票数据最麻烦的地方，不是没有数据。
恰恰相反，是入口太多、格式太乱、接口太容易变。
比如 A 股。
同一个股票，你可能要从不同地方拿不同东西：
- K 线和盘口走通达信
- PE、PB、市值、换手率走腾讯
- 龙虎榜、解禁、两融、大宗、研报走东财
- 公告走巨潮
- 题材和北向资金走同花顺
再比如美股和港股。
同一只股票，在不同数据源里代码格式不一样。
腾讯可能是 usAAPL。
新浪可能是 gb_aapl。
Yahoo 可能是 AAPL 或 0700.HK。
东财 push2 又要处理 secid 前缀。
这些东西让人记，很烦。
让 AI 每次临场写，也容易错。
Skill 的价值就是把这些脏活封装掉。
你给 AI 的问题可以很自然：
帮我对比 AAPL、MSFT、GOOGL 三家的估值或者：
688017 属于哪些概念板块？最近有没有公告和研报？AI 背后再去调用对应代码。
这比让它“搜索一下”可靠得多。
A 股这套，重点在本土市场细节
a-stock-data 的定位非常明确：
A 股全栈数据工具包。
它最新 README 里强调了几个变化。
第一，V3.0 之后彻底移除 akshare 依赖，改成直连底层 HTTP API。
这件事很关键。
很多数据工具的问题，不是源头接口坏了，而是中间封装层变了、版本不兼容了、字段映射被改了。
作者选择把底层 URL、参数、字段直接写在 Skill 里，优点是可调试、可修改、AI 抄代码也能看懂。
第二，它把数据源优先级写得很实在。
README 里的原则是：
行情、K 线、实时价、市值、财务能从 mootdx 或腾讯拿到的，一律优先用它们。
东财只用于独有数据，并且统一走 em_get() 限流。
这是个很懂实战的设计。
因为公开金融接口不是“永远稳定的 API 产品”。
它们可能风控、变字段、换路径、下线旧接口。
尤其东财系接口，README 里明确写了要串行限流、会话复用、随机抖动，并提示批量任务调大 EM_MIN_INTERVAL。
第三，它覆盖了很多真正做 A 股研究会用到的东西。
不是只有价格。
还有研报、题材归因、北向资金、龙虎榜、解禁预警、融资融券、大宗交易、股东户数、分红送转、个股新闻、全球资讯、巨潮公告。
举几个它 README 里的典型问法：
帮我估一下 688017，给我 PE / PEG / 消化时间今天哪些股票走强，主要是什么题材600519 最近的融资余额变化趋势这只股票未来 3 个月有没有限售解禁这种问题，如果靠网页搜索，会很散。
如果有 Skill，就能拆成多个数据调用，再组合成结构化分析。
美股港股这套，重点在跨市场拼图
global-stock-data 走的是另一条路线。
它覆盖美股和港股。
架构分成 8 层：行情、K 线、技术指标、基本面、资金面、期权、SEC Filing、工具层。
它的安装依赖非常轻：
pip install requests数据源包括东财、Yahoo Finance、新浪、腾讯、SEC EDGAR。
这里最值得看的，是它把不同来源的能力组合在了一起。
行情层：
新浪、腾讯、东财 push2 都能查，但字段侧重点不同。
K 线层：
美股日 K 可以走新浪，README 里说可回溯到 1984 年；美股和港股也可以走 Yahoo chart。
技术指标层：
MA、EMA、MACD、RSI、KDJ、布林带，都用纯 Python 基于 K 线计算，不额外依赖第三方指标库。
基本面层：
东财 datacenter 给中文财报三表和关键指标。
Yahoo quoteSummary 给财务数据、关键指标、分析师、机构持仓。
SEC EDGAR 则能拿美股 Filing 和 XBRL 结构化指标。
期权层：
Yahoo options 提供美股 calls 和 puts，港股期权不在覆盖范围内。
它 README 里的典型问题是这种：
AAPL 现在什么价，PE 多少TSLA 下个月到期的期权链，看看 call 和 put苹果最近的 10-K 年报什么时候发的从 SEC XBRL 拉 MSFT 近 5 年营收和净利趋势这类问题很适合 AI 做第一轮整理。
因为它不是单点数据，而是多源交叉。
怎么装
如果你用 Claude Code，安装方式就是把 SKILL.md 放到技能目录。
A 股：
mkdir -p ~/.claude/skills/a-stock-datacurl -o ~/.claude/skills/a-stock-data/SKILL.md \
https://raw.githubusercontent.com/simonlin1212/a-stock-data/main/SKILL.mdpip install mootdx requests pandas stockstats美股港股：
mkdir -p ~/.claude/skills/global-stock-datacurl -o ~/.claude/skills/global-stock-data/SKILL.md \
https://raw.githubusercontent.com/simonlin1212/global-stock-data/main/SKILL.mdpip install requests如果你用 Codex 或其他 AI 编程助手，也不是不能用。
因为 SKILL.md 本质上是结构化 Markdown 加内嵌 Python 代码。
只要你的 Agent 能读取上下文、能执行 Python，就可以把这些能力迁过去。
区别只是 Claude Code 有原生 Skill 目录，触发更顺手。
真正的看点：让 AI 少“编”
我最喜欢这两个项目的一点，是它们把“数据能力”从 prompt 里拆出来了。
很多人写投研 prompt，会写一大堆：
“请你联网搜索最新数据，请你对比财报，请你给出估值……”
但这其实把太多事情交给模型自由发挥。
它可能搜到旧页面。
可能漏掉代码后缀。
可能把 PE 字段和 PB 字段混了。
可能把港股、美股、A 股的数据源混着用。
有了 Skill，思路就变成：
模型负责理解问题和组织结论。
代码负责拿数据。
数据源负责提供原始事实。
这比“让模型凭感觉搜网页”更稳。
尤其是金融场景，稳比炫重要。
也有现实限制
这种项目也不是银弹。
第一，公开接口会变。
a-stock-data 的 changelog 里就有很多接口替换记录：百度 PAE 某些接口失效、财联社旧 API 下线、巨潮公告参数变更、东财字段结构变化。
这不是项目问题，而是公开数据源的真实生态。
第二，网络环境会影响可用性。
README 里写得很清楚：部分大陆住宅宽带 IP 访问东财 push2/search-api 会遇到间歇风控；Yahoo Finance 和 SEC EDGAR 在国内直连也可能不稳定。
第三，数据不等于判断。
拿到 ROE、PE、资金流、公告、期权链，只是研究的开始。
不是结论本身。
第四，合规边界要自己守。
如果你把这些数据接进自动化系统，尤其是批量筛选、交易信号、日志留存，要注意数据源条款、频率限制和投资建议边界。
所以更合理的定位是：
个人研究。
学习分析。
辅助整理。
内部工具原型。
不要把它包装成“自动赚钱机器”。
适合谁
如果你只是偶尔问一句“今天大盘怎么样”，这两个项目可能有点重。
但如果你有下面几种需求，它们就很值得研究：
- 想用 AI 做个股初筛
- 想批量对比多只股票
- 想把公告、研报、资金流、估值放进一个流程
- 想让 AI 分析美股 10-K / 10-Q
- 想把 A 股和美股港股放在同一套工作流里
- 想自己搭本地投研助手，而不是依赖单一网页
- 想看 AI 编程助手如何通过 Skill 调用真实数据
最好的用法不是问：
明天买什么？而是问：
帮我把这 5 只股票的估值、财务质量、资金流、公告风险整理成表格，并列出数据来源。前者是在找答案。
后者是在搭流程。
这就是差别。
最后
AI 投研不是让模型“猜市场”。
更靠谱的方向，是让 AI 做三件事：
读懂问题。
调用数据。
组织分析。
a-stock-data 和 global-stock-data 做的，正是中间那层。
它们不神秘，也不万能。
但很实用。
因为在金融分析里，第一步永远不是观点。
是数据。
参考资料：
- a-stock-data GitHub：https://github.com/simonlin1212/a-stock-data
- global-stock-data GitHub：https://github.com/simonlin1212/global-stock-data
- SEC EDGAR：https://www.sec.gov/edgar
- Yahoo Finance：https://finance.yahoo.com
风险提示：本文仅介绍开源数据工具和技术工作流，不构成任何投资建议。股市有风险，投资需谨慎。