StockStar Investor - 证券之星投资者互动

查询上市公司投资者互动（董秘问答）与线索挖掘数据，数据来源证券之星（stockstar.com）。 支持两类视图：线索挖掘（结构化投资信号、重要性评级、边际变化追踪）和 投资者互动原始问答（含标签筛选、语义倾向、回复质量）。 触发词：投资者互动、董秘问答、董秘、问答、线索、信号、线索挖掘、 信号挖掘、边际变化、投资线索、公司回复、投资者提问、 证券之星、stockstar investor

证券之星投资者互动 Skill

bash

PYTHON=python3.12
IR=scripts/cli.py

通过自然语言查询上市公司投资者互动数据（董秘问答）和线索挖掘信号，数据来源证券之星。

适用场景

用户提到以下内容时触发本 Skill：

• 线索挖掘："浦发银行有哪些投资信号"、"浦发银行的线索挖掘"、"平安银行最近有什么变化"
• 投资者互动："看看浦发银行的董秘问答"、"投资者问了什么"、"董秘怎么回复的"
• 标签筛选："浦发银行市值管理相关的问答"、"房地产风险的回复"、"有哪些标签可以筛选"
• 模糊搜索："帮我查一下浦发银行"

核心约束

1. 数据真实性 — 禁止编造问答或信号数据，必须从真实 API/网页返回中提取
2. 覆盖范围 — 仅支持 A 股（6 位代码，自动补 sh/sz 前缀）
3. 查询限制 — 单次查询 1 只股票
4. 请求方式 — 使用 Python 脚本 scripts/cli.py（通过 $PYTHON $IR 调用），统一加 --json 参数
5. 输出格式 — 脚本输出 JSON，AI 负责组织语言呈现给用户，不直接输出 JSON 原文
6. 降级策略 — 线索挖掘返回空数据时（如茅台），自动降级提示用户使用 qa 命令查看原始问答

脚本命令

bash

$PYTHON $IR signals <stock_code> --json        # 线索挖掘（主视图）
$PYTHON $IR qa <stock_code> --json              # 投资者互动原始问答
$PYTHON $IR qa <stock_code> --domain 公司治理 --tag 市值管理 --json  # 按领域+标签精确筛选
$PYTHON $IR qa <stock_code> --domain 公司治理 --json  # 仅按领域筛选
$PYTHON $IR qa <stock_code> --tag 市值管理 --json     # 仅按标签筛选（自动发现领域）
$PYTHON $IR tags <stock_code> --json            # 查看可用标签列表
$PYTHON $IR search <keyword> --json             # 模糊搜索股票

工作流

流程 0（前置）：模糊搜索股票

当用户输入中文名或模糊代码时，先调用 search 确认股票身份。

步骤：

1. 调用 $PYTHON $IR search <keyword> --json
2. 分析返回的候选列表：
   • 如果第一候选明显符合用户意图 → 直接取其代码，继续执行
   • 如果前几项都合理 → 把前 3 个候选简要列给用户确认
   • 如果无结果 → 告知用户未找到，建议更换关键词

流程 1：查询线索挖掘（默认推荐）

当用户问"XX有什么信号/线索/变化"时，优先使用 signals。

步骤：

1. 调用 $PYTHON $IR signals <stock_code> --json
2. 解析返回 JSON，检查 signals 列表是否为空
3. 若非空：按重要性排序展示（高→中→低），每个信号包含：
   • 线索名 + 类别 + 变化类别 + 边际变化总结
   • 时间线（最近变化点）
4. 若为空：提示用户该股票暂无结构化信号，建议用 qa 查看原始问答

输出要点：

text

📡 浦发银行 (600000) — 线索挖掘

【高重要性】
• 浦发转债转股进展（公司治理 / 阶段跃迁）
  最新：首次披露转股数据，股价已高于转股价
  时间：2025-05-29 → 2025-07-03

【中重要性】
• AI大模型与数智化转型（研发管线 / 策略态度转变）
  最新：DeepSeek千亿级大模型完成全栈国产化部署
  ...

流程 2：查看原始问答

当用户问"XX对YYY是怎么回复的"或需要查看具体问答详情时。

步骤：

1. 调用 $PYTHON $IR qa <stock_code> --json
2. 解析返回 JSON，提取问答列表
3. 按时间倒序展示（最新在前），每条包含：
   • 投资者提问内容
   • 董秘回复内容
   • 标签（领域分类）
   • 语义倾向（乐观/中性/谨慎）
   • 回复质量（内容详尽/模板套话/回避敏感问题）

流程 3：按标签或领域筛选问答

当用户明确指定标签或领域时。--domain 和 --tag 可独立使用，也可组合使用。

三种筛选模式：

模式	参数	示例	策略
精确筛选	--domain + --tag	--domain 公司治理 --tag 市值管理	服务端过滤，分页准确
按领域	仅 --domain	--domain 公司治理	客户端过滤，分页基于全量数据
按标签	仅 --tag	--tag 市值管理	自动发现所属领域后服务端过滤

步骤：

1. 根据用户意图选择参数组合，调用 $PYTHON $IR qa <stock_code> [--domain 领域] [--tag 标签名] --json
2. 展示筛选后的问答列表（输出含 filter 字段标注筛选条件）

支持的领域（domain）：

• 公司治理 — 公司治理（英文别名：govern）
• 风险提示 — 风险提示（英文别名：risk）
• 业务运营 — 业务运营（英文别名：business）
• 热点题材 — 热点题材（英文别名：hot_topic）
• 财务能力 — 财务能力（英文别名：finance）

流程 4：查看可用标签

当用户需要按标签筛选但不知道有哪些标签时，先用 tags 查看可用列表。

步骤：

1. 调用 $PYTHON $IR tags <stock_code> --json
2. 解析返回 JSON，按领域分组展示标签名称和问答条数
3. 用户选定标签后，用 qa --domain <领域> --tag <标签名> 筛选问答

输出要点：

text

🏷️ 600000 — 可用标签

【公司治理】
  • 市值管理 (3条)
  • 股东人数 (2条)

【风险提示】
  • 回避问询 (2条)

可用 qa --domain <领域> --tag <标签名> 筛选问答。

异常处理

异常	处理方式
股票代码不存在	提示用户检查股票代码，建议用 search 搜索
网络超时	提示用户稍后重试
无搜索结果	提示用户更换关键词
线索为空	提示该股票暂无结构化信号，建议用 qa 查看原始问答
标签不存在	提示用户检查标签名称，建议用 tags 命令查看可用标签