新闻

舆情监控与情绪分析技能,扫描港股、美股、A股等公司公告、新闻报道、券商研报与社交媒体(微博、雪球),去噪后进行情绪打分(-10至+10),输出情绪温度计与重大事件清单。支持多渠道信息采集、来源权重加权、事件类型量化与操作建议生成,适用于投资决策辅助、舆情预警与市场情绪跟踪。基于Python脚本执行,通过自然语言指令驱动Agent完成任务.

News Sentiment Scan

舆情监控与情绪分析技能,扫描多渠道信息源并进行情绪打分。覆盖港股、美股、A股市场,采集公司公告、新闻报道、券商研报与社交媒体讨论,经去噪处理后输出情绪温度计与重大事件清单.

输入定义

参数名	类型	必填	说明
input	string	是	News Sentiment Scan处理的输入数据或指令
options	object	否	附加配置选项,如模式选择、格式偏好等
callback_url	string	否	异步处理完成后的回调通知URL

专业版增强能力

能力	免费版	付费版
基础功能	支持	支持
深度漏洞扫描与CVE关联	不支持	支持
安全基线合规审计	不支持	支持
批量资产风险评分	不支持	支持
威胁情报实时订阅与告警	不支持	支持
零日漏洞检测与防护规则下发	不支持	支持

运行环境

运行环境

• Agent平台: 支持SKILL.md的任意AI Agent（Claude Code / Cursor / Codex / Gemini CLI等）
• 操作系统: Windows / macOS / Linux

依赖项

依赖项	类型	是否必需	获取方式
LLM API	API	必需	由Agent内置LLM提供

API Key 配置

需要配置对应API Key，详见上文环境配置章节

可用性分类

• 分类: MD+EXEC（）

API Key配置方式:

bash

export API_KEY="${API_KEY:?请设置环境变量}"

配置后需重启会话或开启新终端生效。API Key应妥善保管,避免泄露到版本控制系统.

功能能力

多渠道信息采集: 覆盖公司公告、新闻报道、券商研报、监管文件、社交媒体(微博、雪球)与论坛帖子,按市场自动匹配信源. 去噪处理: 过滤广告、水军、重复转发与无关信息,保留实质性财经内容,降低噪声对评分的干扰. 情绪打分: 每条信息按内容映射到 -10(极度负面)至 +10(极度正面)区间,结合来源权重加权汇总为综合情绪温度计. 事件提取: 识别重大事件并量化其对整体情绪的贡献,输出事件标题、来源、时间、贡献分数与置信度. 来源权重加权: 不同信源按权威性赋权,公司公告与监管文件权重最高,社交媒体与论坛权重较低,确保权威信源主导评分. 输出报告: 情绪温度计可视化、重大事件清单、正/中/负面事件统计与操作建议,辅助快速判断市场情绪方向.

快速开始

1. 确认运行环境满足依赖说明中的要求
2. 在AI Agent对话中调用本技能,提供必要的输入参数
3. 检查输出结果,根据需要进行后续处理

详细的输入输出格式请参考下方章节说明。

启动指引

1. 确认运行环境满足依赖说明中的要求
2. 在AI Agent对话中调用本技能,提供必要的输入参数
3. 检查输出结果,根据需要进行后续处理

详细的输入输出格式请参考下方章节说明。

使用指南

1. 环境确认: 确认Agent平台已加载本skill，检查依赖说明中的环境要求
2. 指令输入: 向Agent描述需要执行的任务，引用news-sentiment-scan的相关能力
3. 执行处理: Agent按照核心能力章节的指令执行任务
4. 结果验证: 检查输出结果是否符合预期，参考错误处理章节处理异常

情绪评分标准

分数区间	情绪标签	含义
+8 ~ +10	极度乐观	重大利好,股价可能大幅上涨
+5 ~ +8	偏正面	利好消息,持续关注
+2 ~ +5	轻微正面	小幅利好,保持观察
-2 ~ +2	中性	无明显影响
-5 ~ -2	轻微负面	小幅利空,注意风险
-8 ~ -5	偏负面	利空消息,谨慎操作
-10 ~ -8	极度悲观	重大利空,股价可能大幅下跌

来源权重

来源	权重	说明
公司公告	1.0	官方信源,最权威
监管文件	0.9	交易所、证监会文件
券商研报	0.9	专业机构分析
主流媒体	0.8	财经媒体新闻
社交媒体	0.6	微博、雪球等
论坛帖子	0.5	股吧、社区讨论

事件类型与基础分数

事件类型	基础分数	说明
业绩超预期	+5	营收/利润大幅增长
政策利好	+4	行业政策支持
研报上调评级	+3	券商目标价上调
大股东增持	+3	管理层看好
产品发布	+2	新产品上市
业绩不及预期	-4	营收/利润下降
政策利空	-4	行业政策收紧
研报下调评级	-3	券商目标价下调
大股东减持	-3	管理层不看好
监管调查	-5	证监会/交易所调查

使用方式

脚本位于技能目录的 （请参考skill目录中的脚本文件）,通过Python3执行.

bash

python3 （请参考skill目录中的脚本文件） <股票代码> [监控天数] [市场]

参数说明:

• 股票代码: 港股用 0700.HK 或5位数字 00700; 美股用字母代码 AAPL; A股用6位数字 002594
• 监控天数: 默认7,须为正整数
• 市场: 可选,auto自动识别; 港股 hk、美股 us、A股 a

示例:

bash

python3 （请参考skill目录中的脚本文件） 002594 7
python3 （请参考skill目录中的脚本文件） 0700.HK 30
python3 （请参考skill目录中的脚本文件） AAPL 7 us

响应格式

报告包含监控周期、信息来源、情绪温度计、重大事件清单、情绪统计与操作建议。以腾讯控股(0700.HK)30天扫描为例,输出结构如下:

text

==================================================
舆情监控报告:腾讯控股(0700.HK)
==================================================
# ...
监控周期:最近30天
信息来源:公司公告、主流媒体、券商研报、社交媒体
生成时间:2026-07-20 09:30
# ...
情绪温度计:+6(偏正面)
# ...
重大事件清单:
1. [偏正面] 季度营收同比增长超预期
   来源:公司公告 | 时间:2026-07-15
   情绪贡献:+5 | 置信度:92%
# ...
2. [轻微正面] 券商上调目标价
   来源:券商研报 | 时间:2026-07-12
   情绪贡献:+3 | 置信度:85%
# ...
情绪统计:
正面事件:8条(62%)
中性事件:3条(23%)
负面事件:2条(15%)
平均情绪:+4.2
# ...
操作建议:情绪偏正面,可持续关注基本面变化

数据来源

• Yahoo Finance: 公司新闻、分析师评级
• Google News: 财经媒体报道
• Twitter/X: 社交媒体讨论
• 微博: 中国社交媒体(需网络访问)
• 雪球: 投资社区讨论

使用案例

案例一: 港股财报季情绪跟踪

腾讯控股发布季报前后进行30天情绪扫描,评估市场反应. 操作:

• 执行 python3 （请参考skill目录中的脚本文件） 0700.HK 30
• 查看情绪温度计与重大事件清单,关注业绩超预期与研报评级变动
• 结合来源权重判断情绪主要由公告驱动还是社交媒体炒作
• 参考操作建议与正负面事件占比决定是否调整持仓

案例二: A股政策影响评估

新能源政策发布后评估相关A股标的的情绪冲击. 操作:

• 执行 python3 （请参考skill目录中的脚本文件） 002594 7 a 扫描比亚迪近7天
• 比对政策利好事件的基础分数与实际情绪贡献
• 检查社交媒体权重是否放大情绪,必要时降低论坛信源可信度
• 汇总正负面事件占比判断短期情绪方向

案例三: 美股多标的横向对比

对美股科技龙头分别扫描,比较情绪温度计. 操作:

• 依次执行 python3 （请参考skill目录中的脚本文件） AAPL 7 us 与 python3 （请参考skill目录中的脚本文件） TSLA 7 us
• 对比两只标的的情绪温度计与平均情绪
• 关注情绪分化明显的事件,如产品发布或监管调查
• 结合事件置信度筛选高确定性机会

常见疑问

支持哪些市场的股票? 支持港股(0700.HK或00700)、美股(字母代码如AAPL)与A股(6位数字如002594),市场参数auto可自动识别,也可显式指定hk/us/a. 情绪分数如何计算? 每条信息按内容映射到-10至+10区间,再乘以来源权重加权汇总; 重大事件单独量化贡献分数与置信度,最终输出综合情绪温度计. 情绪分析准确吗? 基于自然语言处理,存在一定误差; 重大事件需结合基本面判断,社交媒体信息可能被操纵,建议以公司公告与监管文件等高权重信源为主. 监控周期设多少合适? 日常跟踪建议7天; 财报季或重大事件前后建议30天以捕捉完整情绪演变; 周期过短可能遗漏关键事件. 本工具能作为投资决策依据吗? 不能。本工具仅供参考,不构成投资建议; 情绪分析仅为辅助维度,投资决策需结合基本面、技术面与个人风险偏好. 如何提升社交媒体信噪比? 去噪模块已过滤广告与水军; 对噪声仍高的标的可参考事件置信度,优先采纳置信度高且来自高权重信源的事件.

Q1: 如何确保新闻情感分析的准确性和可靠性？

A: 我们通过使用先进的自然语言处理技术，结合机器学习和深度学习算法，对新闻文本进行情感分析。此外，我们定期对模型进行训练和优化，确保其能够适应不断变化的语言风格和表达方式。同时，通过交叉验证和错误分析，我们确保模型的准确性和可靠性。

Q2: 新闻情感分析是否能够处理复杂的情感表达，比如讽刺和讽刺？

A: 新闻情感分析在处理复杂的情感表达方面有一定局限性，尤其是讽刺和反讽。尽管我们使用了先进的文本分析技术，但在某些情况下，这些表达可能仍然难以准确识别。为了提高准确性，我们鼓励用户提供额外的上下文信息，以便更好地理解情感表达。

Q3: 如果一个公司同时发布了正面和负面的新闻，情感分析的结果会如何？

A: 如果一个公司在同一时间段内发布了正面和负面的新闻，情感分析会综合考虑所有新闻的文本内容和情绪倾向。结果可能会反映出整体的情绪温度，这可能是正面的、负面的，或者中性的，具体取决于新闻的总体影响和情感强度的对比。

Q4: 情感分析如何处理不同文化和地区的新闻语言差异？

A: 情感分析处理不同文化和地区的新闻语言差异时，需要考虑多种因素。我们通过收集和训练来自不同文化和地区的新闻数据来提高模型的适应性。此外，我们还在模型中嵌入了一些文化敏感度，以便更好地理解和解释不同文化背景下的情感表达。

Q5: 情感分析结果是否可以实时更新，以便快速响应市场变化？

A: 是的，新闻情感分析结果可以实时更新。我们的系统设计允许它实时处理和更新数据，这意味着一旦新的新闻发布，情感分析结果就会立即反映这些变化，从而帮助用户快速响应市场动态。

异常恢复方案

错误场景(续)	原因	处理方式
LLM响应超时或无响应	网络延迟或模型负载过高	请求重试；确认Agent平台LLM服务正常
输入内容格式不正确	用户输入不符合skill预期格式	检查输入是否符合skill使用说明中的格式要求，参考示例章节
执行结果与预期不符	指令描述不够明确或上下文不足	提供更详细的指令描述，补充必要的上下文信息
命令执行失败	运行环境不满足要求或权限不足	确认运行环境符合依赖说明中的要求；检查命令权限设置

限制条件

• 情绪分析基于自然语言处理,对反讽与隐喻表达识别有限,存在一定误差.
• 社交媒体信息可能被操纵,需结合高权重信源交叉验证.
• 依赖网络与各信源可用性,部分国内信源在受限网络下不可达.
• 本工具仅供参考,不构成投资建议,仅为情绪辅助维度.
• 小盘股或冷门标的可能因讨论量不足导致评分代表性弱.
• 实时性受采集周期限制,非实时流数据处理,存在时间滞后.
• 事件类型基础分数为预设规则,极端事件可能超出预设范围需人工复核.

安全操作准则

风险项	等级	防护措施	验证方法
API Key泄露	高	妥善保管API Key，避免泄露	定期检查API Key使用记录，确保安全
网络安全	中	使用安全网络连接，定期更新软件	使用VPN，定期更新操作系统和软件
数据安全	中	限制数据访问权限，定期备份数据	设置访问权限，定期进行数据备份
误操作	低	提供清晰的操作指南，限制错误操作	提供详细的操作指南，限制错误操作
系统故障	低	配备冗余系统，定期进行系统检查	配备冗余系统，定期进行系统检查

创新亮点

功能	效率提升量化分析
多渠道信息采集	提高信息覆盖范围，提升情绪分析的全面性
去噪处理	降低噪声干扰，提高情绪分析的准确性
事件提取	提供事件驱动因素，辅助投资决策
来源权重加权	确保权威信源主导评分，提高情绪分析的可靠性

功能	差异化对比
情绪分析	相比传统分析，更快速、更直观地反映市场情绪
事件提取	自动识别事件，提供事件驱动因素，辅助投资决策
情绪温度计	可视化展示市场情绪，便于快速判断市场趋势
操作建议	提供投资建议，辅助投资决策

主要特性

• 自动化执行: 扫描港股/美股/A股的公司公告、新闻、券商研报与社交媒体,去噪后按-10至+10打分,输出情绪温度计与重大事件清单。
• 文件处理: 支持多种文件格式的读取、解析和写入操作
• API集成: 通过标准化接口调用外部服务并处理响应
• 命令执行: 在安全沙箱中执行系统命令并收集结果
• 信息检索: 快速搜索和过滤目标数据

性能数据

操作场景	手动耗时	自动化耗时	效率提升
文件解析与提取	5-10分钟/个	<5秒/个	60-120x
批量文件处理(100个)	8-16小时	<5分钟	96-192x
API调用与响应解析	2-3分钟/次	<1秒/次	120-180x
多接口数据聚合	15-30分钟	<10秒	90-180x
命令执行与结果收集	3-5分钟/次	<2秒/次	90-150x
重复任务批量执行	因任务而异	线性缩减	5-50x
错误排查与修复	10-30分钟	<30秒	20-60x

特色分析

对比维度	新闻	传统手动方式	通用脚本工具
自动化程度	全流程自动	完全手动	部分自动
错误处理	内置错误恢复	依赖人工经验	基本try-catch
可复用性	参数化配置	一次性脚本	模板化
安全合规	内置安全检查	无安全保障	无安全保障
适用场景	扫描港股/美股/A股的公司公告、新闻、券商研报与社交媒体,去噪后按-10至+10	通用场景	通用场景

异常修复

针对新闻使用中可能遇到的常见问题,提供以下排查方案:

错误类型	原因分析	解决方案
API认证失败(401)	API密钥错误或过期	检查密钥配置,重新生成token
接口限流(429)	请求频率超出限制	降低调用频率,启用重试退避策略
响应超时(504)	网络延迟或服务端负载过高	增加超时阈值,检查网络连接
文件不存在	路径错误或文件未创建	检查路径拼写,确认文件已生成
文件格式不支持	扩展名不在支持列表中	转换为支持的格式后重试
权限不足	当前用户无读写权限	检查文件权限,以管理员身份运行
命令执行失败	参数错误或环境依赖缺失	检查命令语法,确认依赖已安装
进程超时	命令执行时间过长	增加超时设置,优化命令参数
网络连接失败	DNS解析失败或防火墙拦截	检查网络配置,确认代理设置

新闻通用排查步骤

1. 检查输入参数: 确认所有必填参数已提供且格式正确
2. 查看日志输出: 定位具体错误行和异常类型
3. 验证环境配置: 确认依赖库版本和运行环境满足要求
4. 逐步调试: 缩小问题范围,隔离故障模块

依赖说明

运行环境

• Agent 平台: 支持SKILL.md的任意AI Agent
• 操作系统: Windows / macOS / Linux

可用性分类

• 分类: MD（纯Markdown指令，通过自然语言驱动Agent完成操作）
• 说明: 基于Markdown的AI Skill，通过自然语言指令驱动Agent完成操作。