金融类 AI 应用最怕两件事：一是把专业判断说成万能建议，二是每次都从零开始问模型。来源案例里提到的天禧 AI Skills 苍穹共创计划，核心价值不只是“提交一个 Skill 上架”，而是把 A 股研究、家庭财富规划、保险审查这类高重复、高门槛的工作，沉淀成可复用、可审核、可调用的工作流。
这类 Skill 不应该只是一个漂亮提示词。真正有用的金融 Skill，需要把输入边界、分析步骤、输出格式、风险提示和人工复核点都写清楚。这样它才像一个可交付的专业流程，而不是一次随机聊天。
Skill 化的关键：把“专家脑内步骤”拆成稳定流程
金融工作流通常不是单步问答。以 A 股研究为例，一个分析师可能会自然完成这些动作：
- 确认公司、行业、时间范围和使用场景；
- 区分事实、估算、观点和风险；
- 阅读财报、公告、研报摘要或行情数据；
- 输出投资逻辑、关键变量、风险点和后续跟踪清单。
如果直接问模型“帮我分析某股票”，输出很容易变成泛泛而谈。Skill 的价值在于把这个过程固定下来：先收集必要输入，再按步骤分析，最后用结构化结果交付。
家庭财富规划和保险审查也是同理。前者要区分收入、负债、现金流、风险承受能力和目标期限；后者要检查保障责任、免责条款、等待期、续保条件、保费压力和已有保障缺口。Skill 不是替用户做最终决策，而是把专业检查清单前置，让用户少漏项。
金融 Skill 必须有边界：辅助分析，不替代持牌建议
金融、保险、投资相关场景天然带有合规风险。设计 Skill 时，边界要写进工作流本身，而不是藏在页面底部。
比较稳妥的做法是：
- 输出中明确区分“事实摘要”“模型推断”“待核验信息”；
- 不承诺收益，不给出确定性买卖指令；
- 对数据时效性做提示，尤其是股票、基金、利率、保费等动态信息；
- 对高风险结论要求人工复核；
- 对保险条款、投资建议、税务安排等专业事项提示咨询持牌人士。
这不是保守，而是让 Skill 能够长期使用。一个金融 Skill 如果无法解释它为什么这样输出，也无法提示哪些地方需要用户核验，很难进入严肃工作流。
可以这样实践：用 YAML 定义一个保险审查 Skill
下面是一个可改造的最小 Skill 规格示例。它不是某个平台的官方格式，而是一个便于团队沉淀金融工作流的伪项目结构。你可以把它作为 Skill 设计文档、Prompt 配置或平台提交材料的起点。
把下面内容保存为 insurance_review_skill.yaml：
name: insurance_policy_review
version: 0.1.0
locale: zh-CN
purpose: 审查家庭保险方案中的保障责任、免责条款、保费压力和缺口
inputs:
required:
- policy_text
- insured_age
- annual_income
optional:
- existing_policies
- family_members
- health_notes
boundaries:
- 不替代保险经纪人、精算师、律师或持牌金融顾问意见
- 不承诺理赔结果
- 对条款不完整、截图不清晰、信息缺失的内容必须标记为待核验
workflow:
- step: extract_facts
instruction: 提取产品名称、投保人、被保人、保障期限、缴费期限、保费、保额、保障责任、免责条款、等待期、续保条件
- step: check_gaps
instruction: 结合年龄、收入和已有保单，识别重疾、医疗、寿险、意外、现金流压力方面的缺口
- step: flag_risks
instruction: 标记免责条款、等待期、续保不确定性、保额不足、保费占收入过高等风险
- step: generate_report
instruction: 输出摘要、风险清单、需要补充的问题、人工复核建议
output_schema:
summary: string
key_terms: list
risk_flags: list
missing_information: list
suggested_questions: list
human_review_required: boolean
再用一个简单的 Python 脚本检查配置是否包含必要边界，避免团队提交 Skill 时漏掉关键字段。
保存为 validate_skill.py：
import sys
import yaml
REQUIRED_TOP_LEVEL = [
"name",
"version",
"purpose",
"inputs",
"boundaries",
"workflow",
"output_schema",
]
REQUIRED_BOUNDARY_KEYWORDS = ["不替代", "不承诺", "待核验"]
def validate(path: str) -> None:
with open(path, "r", encoding="utf-8") as f:
spec = yaml.safe_load(f)
missing = [key for key in REQUIRED_TOP_LEVEL if key not in spec]
if missing:
raise SystemExit(f"Missing required fields: {', '.join(missing)}")
boundaries = "\n".join(spec.get("boundaries", []))
weak = [word for word in REQUIRED_BOUNDARY_KEYWORDS if word not in boundaries]
if weak:
raise SystemExit(f"Boundary is too weak, missing keywords: {', '.join(weak)}")
if len(spec.get("workflow", [])) < 3:
raise SystemExit("Workflow should contain at least 3 steps")
print(f"OK: {spec['name']} {spec['version']} is ready for review")
if __name__ == "__main__":
if len(sys.argv) != 2:
raise SystemExit("Usage: python validate_skill.py insurance_review_skill.yaml")
validate(sys.argv[1])
运行方式：
python -m pip install pyyaml
python validate_skill.py insurance_review_skill.yaml
你需要改的地方主要有三处：purpose 写清楚 Skill 解决的问题，workflow 写成你自己的专家步骤，output_schema 固定最终交付格式。金融类 Skill 尤其建议保留 boundaries，不要把它当成可有可无的免责声明。
从 A 股研究到家庭财富规划：复用的是结构，不是结论
不同金融场景的知识差异很大，但 Skill 设计可以复用同一套结构。
A 股研究 Skill 可以把工作流拆成：公司事实、行业位置、财务质量、增长变量、估值敏感性、风险因素、跟踪指标。家庭财富规划 Skill 可以拆成：资产负债、现金流、保障缺口、目标期限、风险偏好、应急资金、调整建议。
真正要沉淀的不是某一次结论，而是“每次都应该检查哪些问题”。这正是 Skill 比普通 Prompt 更适合专业工作流的地方：它把经验变成步骤，把步骤变成可复核输出，把输出变成可迭代资产。
上架前的检查清单
如果准备把金融 Skill 提交到技能平台或交给团队使用，可以用这份清单做最后检查：
- 输入是否足够明确，是否知道缺什么信息；
- 输出是否结构化，能不能被用户快速扫描；
- 是否区分事实、推断和建议；
- 是否包含风险提示和人工复核点；
- 是否避免收益承诺、确定性买卖建议和越权专业判断；
- 是否能在不同用户、不同材料下保持稳定格式；
- 是否有版本号，方便后续迭代。
金融 Skills 的难点不在于让模型“懂金融”，而在于让专业能力以稳定、克制、可复核的方式交付。能做到这一点，A 股研究、家庭财富规划、保险审查这些原本依赖个人经验的工作，才有机会变成真正可复用的 AI 工作流。