// 面向中文自然语言的 Tushare 数据研究技能。用于把“看看这只股票最近怎么样”“帮我查财报趋势”“最近哪个板块最强”“北向资金在买什么”“给我导出一份行情数据”这类请求，转成可执行的数据获取、清洗、对比、筛选、导出与简要分析流程。适用于 A 股、指数、ETF/基金、财务、估值、资金流、公告新闻、板块概念与宏观数据等研究场景。
12-agent academic paper writing pipeline. 10 modes (full/plan/outline/revision/revision-coach/abstract/lit-review/format-convert/citation-check/disclosure). 6 paper types, 5 citation formats, bilingual abstracts, LaTeX/DOCX-via-Pandoc/PDF output. Style Calibration + Writing Quality Check + Anti-Patterns with IRON RULE markers. Triggers: write paper, academic paper, guide my paper, parse reviews, AI disclosure, 寫論文, 學術論文, 引導我寫論文, 審查意見.
Orchestrator for the full academic research pipeline: research -> write -> integrity check -> review -> revise -> re-review -> re-revise -> final integrity check -> finalize. Coordinates deep-research, academic-paper, and academic-paper-reviewer into a seamless 10-stage workflow with mandatory integrity verification, two-stage peer review, and reproducible quality gates. Triggers on: academic pipeline, research to paper, full paper workflow, paper pipeline, end-to-end paper, research-to-publication, complete paper workflow.
Universal deep research agent team. 13-agent pipeline for rigorous academic research on any topic. 7 modes: full research, quick brief, paper review, lit-review, fact-check, Socratic guided research dialogue, and systematic review with optional meta-analysis. Covers research question formulation, Socratic mentoring, methodology design, systematic literature search, source verification, cross-source synthesis, risk of bias assessment, meta-analysis, APA 7.0 report compilation, editorial review, devil's advocate challenges, ethics review, and post-research literature monitoring. Triggers on: research, deep research, literature review, systematic review, meta-analysis, PRISMA, evidence synthesis, fact-check, guide my research, help me think through, 研究, 深度研究, 文獻回顧, 文獻探討, 系統性回顧, 後設分析, 事實查核, 引導我的研究, 幫我釐清, 幫我想想, 我不確定要研究什麼, 研究方向, 研究主題.
撰写文笔精炼、富有深度的量化交易博文，论点清晰、证据确凿、叙事层次更加丰富。适用于量化交易博文、因子研究、回测复盘、数据源排查、市场微观结构、策略原理、风险控制、职业观察、量化人物故事等选题。文章将聚焦具体角度，提供详实的大纲、证据规划及成稿，力求内容兼具思想深度与诚实性，而非单纯口号式宣传；同时，通过人物经历、引言、贡献及行业背景的融入，让文章更具可读性和吸引力。
| name | tushare-data |
| description | 面向中文自然语言的 Tushare 数据研究技能。用于把“看看这只股票最近怎么样”“帮我查财报趋势”“最近哪个板块最强”“北向资金在买什么”“给我导出一份行情数据”这类请求，转成可执行的数据获取、清洗、对比、筛选、导出与简要分析流程。适用于 A 股、指数、ETF/基金、财务、估值、资金流、公告新闻、板块概念与宏观数据等研究场景。 |
| author | tushare.pro |
| version | 1.1.10 |
| credentials | [{"name":"TUSHARE_TOKEN","description":"Tushare Token，用于认证和授权访问Tushare数据服务。","how_to_get":"https://tushare.pro/register"}] |
| requirements | {"python":"3.7+","packages":[{"name":"tushare"}],"environment_variables":[{"name":"TUSHARE_TOKEN","required":false,"sensitive":true}],"network_access":true} |
把自然语言财经数据请求，转成可执行的 Tushare 数据工作流。
这是一个面向自然语言的金融数据研究 skill。
使用这个 skill 的典型场景：
先理解用户要解决什么问题，再去选接口、取数、整理、解释、交付。
当用户表达以下意图时，优先使用本 skill：
这个 skill 不适合：
如果数据权限不够、接口不可用或时间范围不合理，要明确说出限制，不要硬编。
即使用户完全不说 tushare、financials、macro 这些术语，只要意图符合以下含义，也应该触发本 skill。
用户说人话时，先理解任务，不要先回到接口名和字段名。 优先把：
如果任务有多个合理解释，再做最小澄清。
在真正请求数据之前，先做前置校验：
tushare 包是否已安装·TUSHARE_TOKEN 是否存在.若缺失 token，直接提示最短修复路径，例如：
export TUSHARE_TOKEN=your_token
不要等到主查询跑失败了才暴露环境问题。
先识别任务类型，再决定接口组合。
典型问题：
常用接口：
dailypro_barweeklymonthlystk_minsrt_k / rt_min（如确需实时口径且权限允许）daily_basic典型问题：
常用接口：
stock_basicfund_basicindex_basicstock_companystock_st / st典型问题：
常用接口：
income（营收 / 净利润趋势优先）fina_indicator（ROE / 毛利率 / 净利率等质量指标补充）balancesheetcashflowforecastexpressdisclosure_date典型问题：
常用接口：
daily_basicfina_indicator典型问题：
常用接口：
moneyflowmoneyflow_hsgthsgt_top10top_listtop_instmoneyflow_ind_dcmoneyflow_mkt_dc典型问题：
常用接口：
index_basicindex_dailyindex_classifyindex_member_allsw_dailyths_indexths_memberdc_indexdc_member典型问题：
常用接口：
limit_list_dlimit_stepkpl_listdc_hotths_hot典型问题：
常用接口：
anns_dnewsmajor_newsresearch_reportnprirm_qa_shirm_qa_sz典型问题：
常用接口：
cn_cpicn_ppicn_pmicn_gdpcn_msf_monthshiborshibor_lprus_tycrus_dailyhk_dailyindex_global典型问题：
常用接口：
600519.SH、000001.SZ若用户没有明确给时间范围，使用合理默认：
若用户只说“板块 / 行业 / 概念”但未指定分类体系：
在请求数据前先做规范化：
YYYYMMDDstart_date <= end_date000001 不要盲猜，能补全则说明补全规则，不能补全则澄清trade_date 与 start_date/end_date 同时给）要先裁决，不要直接乱传在写请求代码前，先确认：
不要仅凭记忆硬写字段名。
对 fields 参数，优先使用已知字段白名单或接口文档确认。
若用户要求字段不存在，应明确说明，而不是盲查。
长区间数据不要一次性全拉。 建议：
分段拉取后：
除非用户明确只要原始表，否则优先按这个结构输出：
按任务复杂度选择：
生成数据文件时，尽量同时记录：
下面这些模板，是本 skill 的核心。 不要直接从接口想起，而要从任务模板想起。
适用：
默认流程：
适用：
默认流程：
适用：
默认流程：
适用：
默认流程：
daily_basic 等估值指标适用：
默认流程：
适用：
默认流程：
适用：
默认流程：
适用：
默认流程：
适用：
默认流程：
拉取完成后，至少做这些检查：
空表不一定是失败，要区分：
不要把所有空结果都说成“接口坏了”。
为了让 skill 可长期复用，应优先支持：
stock_basic、交易日历、指数基础信息）推荐命名格式：
daily_600519.SH_20230101_20231231_20260322.csvfina_indicator_300750.SZ_20260322.parquet缓存命中时，最好说明哪些来自缓存，哪些是新拉取的数据。
优先用“人话 + 调试细节分层”的方式输出错误。
必要时补：
如果部分分段失败，不要说“成功完成”。 应明确说：
主 skill 正文不要塞几百个接口。 优先记住 80% 常用任务的核心接口集：
stock_basictrade_caldailypro_bardaily_basicfina_indicatorincomebalancesheetcashflowforecastexpressmoneyflowmoneyflow_hsgthsgt_top10top_listindex_basicindex_dailyindex_classifysw_dailyths_indexths_memberlimit_list_dlimit_stepnewsmajor_newsresearch_reportanns_dcn_cpicn_pmius_tycr全部数据接口，请参考 references/数据接口.md。
当用户在说：
就不要先想“有哪些接口”。 先想： 这是什么任务？默认该走哪条数据工作流？结果应该怎样交付才真正有用？