agentleFS
B-M-Capital-ResearchB-M-Capital-Research/honeclaw/skills/position_advice/SKILL.md

Position Advice

Skill748 starsChanged 3 months agoMITView on GitHub

Cost-basis-aware position adjustment advice — add / hold / trim / cut-loss judgments grounded in the user's actual holdings, current-turn quotes, and per-ticker event-risk checks

Files
SKILL.md

Position Advice Skill

成本价语境(被套/回本/加仓/割肉)的调仓判断。核心纪律:先把持仓事实摆对,再逐只核验证据,最后给条件化建议——"若X则A,若Y则B",并附证伪条件。

第一步:实体解析 + 持仓事实复述

  1. 逐个解析用户点名的标的:data_fetch(data_type="search", query="...")。对 07709 这类非美股写法、中文名、缩写尤其要确认——实体解错,后面全错。解析结果向用户复述"你说的 X 我理解为 NAME (SYMBOL)",有歧义就列候选请用户挑。
  2. portfolio(action="view") 拉取真实持仓。找到该标的时,先复述持仓事实再谈建议:成本价、数量、当前价(当前轮 quote)、浮动盈亏%(自己算:(现价−成本)/成本)。
  3. 标的不在持仓记录里但用户在谈成本("我 180 买的"):按用户口述成本计算,标注"以下按你口述的成本 XX 计算",顺手问是否要记入持仓。
  4. 用户完全没给成本、持仓里也没有:仍然作答,但明确说明这是"不含你成本语境的标的判断",补上成本后结论可能不同。

第二步:逐只核验(覆盖完整性)

用户点名 N 只就核验 N 只、表态 N 只。每只至少覆盖:

证据调用用途
现价与涨跌data_fetch(data_type="quote", ticker=...)浮盈计算、当日语境
财报临近度data_fetch(data_type="earnings_status", ticker=...)下次财报日期、最新已发布季度——财报前夕加仓是事件风险,要主动提示
估值锚data_fetch(data_type="valuation", ticker=...)现价贵贱的粗锚
边际变化data_fetch(data_type="news", ...) / analyst_actions / web_search近期利空利好、评级与目标价变动

个别标的某项数据取不到:该只单独标注"证据不足(缺X)",基于已有证据给方向性判断并降低置信度,其余标的照常完整表态。价格字段只有两种写法:本轮 quote 返回的数(带时间),或「本轮未取到行情」;「~$414(公开行情)」「按最近交易区间估算」这类估算价一律不许出现,也不许拿估算价去算浮盈、权重或给价位。没取到行情的标的只能落「证据不足 + 补证清单」,不给清仓 / 减仓 / 加仓指令;组合权重只按已核验行情的标的计算并写明覆盖了几只。 该标的在本轮提示的【本轮相关行业】树里时,「关键证据」第一条就是那条「上游最近动作」(带日期数字),再写它怎么传到这家——加仓 / 持仓这类短路由也不例外,飞书渠道也不例外。不要因为一只缺数据就整体不答,也不要只核验了两只却对五只给出整体动作暗示——组合层面的话只能建立在全覆盖或明示缺口之上。

第三步:条件化建议

对每只标的输出五件套:

  1. 持仓事实:成本/数量/现价/浮盈%,附 quote 时间
  2. 关键证据:2-4 条;财务数字标注期间(季度/FY/TTM)+单位+GAAP/Non-GAAP+性质(历史 actual/公司指引/一致预期/分析师假设)
  3. 四态结论:加仓 / 持有观察 / 减仓·止损 / 证据不足
  4. 条件化动作:一律用若-则结构,如"若想控制事件风险,则等 X 月 X 日财报落地再定;若接受波动且长逻辑未变,则分批、单次不超过现有仓位的一定比例"。不给无条件的"今天可以加仓"
  5. 证伪条件:什么信号出现说明这个判断错了(如毛利率连续两季下滑、指引下修、关键客户流失、财报不及一致预期)

触发条件只认三类:估值区间端点、可查日期的事件(财报、FOMC、指数生效日)、可观测的经营指标;不用均线、整数关口、阻力 / 支撑位、「成交量萎缩确认」做触发或止损线。 仓位表达用相对/区间语言("分批""不超过现有仓位的一半");不写「目标 25%」这类精确比例,不给整仓清仓 / 一次性翻倍的指令。用户提出「翻倍」「暴富」一类目标时,先用概率与最大回撤把目标本身讲清(要多大的集中度与波动才可能,历史上这种路径的失败率),再谈结构;不顺着目标把持仓压到两三只上。目标价只在当前轮证据里真实存在时引用,并标注来源与性质(一致预期/单家分析师观点);没有就不编造精确点位。

数据不全时的出路

固定三步:如实披露缺口 → 基于已核验证据给方向性判断,用降置信度措辞("倾向于""证据偏向")→ 给补证清单(等哪天的财报、看哪份 filing、跟用户确认成本价)。每只标的永远落在四态之一,哪怕落点是"证据不足 + 补证清单"——没有结论本身就是一种失败。

组合层面追问

用户追问"那整体怎么调":先回读本对话已给出的逐只结论,在其基础上汇总,不另起炉灶重排;新结论与早先表态矛盾时先承认并修正自己。集中度与相关性要点名提示(如五只全在半导体/硬件链上,同涨同跌,分散意义有限)。

表达边界

以研究参考的口吻给建议:证据、条件、证伪写清楚,最终决策留给用户。不堆免责声明,结尾一句"以上为基于当前数据快照的研究参考"即可。

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.