Install
openclaw skills install @whitertigerwilson/industry-research-cnopenclaw skills install @whitertigerwilson/industry-research-cn行业深度研究,10个维度结构化输出。
⚠️ 每次报告发布前必须执行,防止单一数据源错误(如代码错误)导致全报告失真。
核对流程:
https://qt.gtimg.cn/q=sz{代码}https://push2his.eastmoney.com/api/qt/stock/kline/get?secid=0.{代码}用户输入行业/商品名称,确认为单一商品(如"硫酸"、"铜"、"原油"),非行业整体。
使用 web_search 和 web_fetch 搜集:
优先数据源:AP News、BBC、NPR(英文主流媒体)→ 中文媒体(界面新闻、彭博中文、东方财富)作为辅助。
搜索关键词模板:{商品} price trend 2025 2026、{商品} 价格上涨 原因
从搜索结果中提取价格上涨/下跌的核心驱动因素,归类为:
梳理上游原料及占比、下游用途及消费占比。使用表格输出。
提取最近3-6条重大新闻,每条附来源。关注:产能变化、政策动向、地缘事件、进出口限制。
使用 scripts/stock_filter.py 筛选主营业务涉及该商品的上市公司:
python scripts/stock_filter.py <商品关键词>
输出:公司名称、股票代码、主营收入占比(%)、毛利润占比(%)、该商品产能。
若脚本不可用,用 web_search 手动搜索"A股 {商品} 上市公司"。
基于Step 6数据,分析:
使用弹性估算公式:
利润弹性 ≈ 价格变动幅度(%) × 产量 × 营收占比
综合以上分析,给出:
针对Step 8中明确受益的前3名公司,补充最近30个交易日的换手率数据。
数据获取:
python scripts/stock_turnover.py <股票代码> 30
输出指标:
判断标准:
5%天数>10天:主力频繁活动
针对Step 8中明确受益的前3名公司,补充技术面分析。
数据获取:
python scripts/kline_pattern.py <股票代码> 15
K线形态检测:
均线多头/空头排列判断(基于5日、10日、20日均线):
输出格式:
### {公司名}({代码})
**均线排列**:{多头/空头/震荡} | MA5={价格} MA10={价格} MA20={价格}
**K线形态**:共检测到N个信号
- {日期} [{WE/BE}] {形态名称} — {含义}
**综合判断**:{基于技术面的短期趋势描述}
# {商品} 行业深度研究报告
> 数据来源:xxx | 报告日期:2026年x月x日
## 一、价格走势
## 二、成因分析
## 三、上下游产业链
## 四、重大新闻
## 五、A股相关上市公司
## 六、受益/受损分析
## 七、投资机会与风险
## 八、重点公司换手率分析(近30交易日)
## 九、技术面分析(前3重点公司)
⚠️ 免责声明
⚠️ 以上内容仅供参考,不构成投资建议。数据来源于公开资料,部分为公司历史披露数据,请以公司公告为准。投资有风险,入市需谨慎。