1. 为什么用 TuShare：优势与定位

TuShare（   https://tushare.pro/weborder/#/login?reg=1058174  ）是国内免费金融数据api提供商，具有以下优点。量化必备，想深入系统化研究a股必备。

1. 覆盖面广、结构化强

• 股票/指数/基金/期货/期权/宏观/行业等常用数据接口齐全
• 返回字段相对稳定，适合做“程序化拉取 + 清洗 + 入库”

1. 对中国市场友好

• A股、期货（上期/大商/郑商/中金所）等数据可直接对接
• 适合做日频/分钟级别的研究、策略因子、看板

1. 付费体系清晰、服务成熟

• 免费额度可试用，付费后可提升频率/权限
• 在量化圈使用广泛，资料/案例很多

1. 适合作为“代理工具”接入 LLM
   OpenClaw 的 skill 本质是“把一组可控的工具能力交给你的智能助理”。TuShare 很适合做成 skill：

• 让你用自然语言“查数据/做报表/做提醒”，而不是每次写脚本
• 能把数据拉取、缓存、落盘、汇总做成标准化流程

---

2. 在 OpenClaw 里做 TuShare skill：能做到什么

做成 skill 后，你可以让 OpenClaw 助手实现这些能力（按常见落地程度排序）：

• 数据查询：按自然语言查询期货/股票/指数数据
  例如：“给我 20260326 全市场期货主力合约的收盘价、持仓、成交额，按成交额排序前 20”

• 自动化报表：每日收盘后自动生成 CSV/Markdown 报告，甚至发到聊天渠道
  例如：“每个交易日 15:30 推送：期货主力合约涨跌幅榜 + 成交额榜 + 持仓变化”

• 监控与提醒：当某品种波动/成交/持仓异常时提醒
  例如：“若螺纹钢主力 30 分钟涨跌超过 1.5% 或持仓突增，提醒我”

• 数据落库/缓存：自动存储到本地（CSV/SQLite/Postgres），供后续分析
  例如：“把期货日线从 2018 到现在拉齐，增量更新”

• 策略研究辅助：用 LLM 解释/生成因子分析、画图（如果你接 matplotlib/plotly）
  例如：“帮我做一个‘成交额放大 + 价格突破’的简单回测草稿”

---

3. 搭建前准备（TuShare & OpenClaw）

3.1 需要的东西

• OpenClaw 已安装并能运行
• TuShare Pro Token（在 TuShare 官网注册后，个人中心获取）
• 你要在机器上能跑 Python（建议 Python 3.10+）

你当前 workspace 里我已经看到 TOOLS.md 里记录过 TuShare token（示例）：

• TuShare token (futures/daily): 0a2e...

建议：不要把 token 写进 skill 的代码仓库里，更合理是：

• 写进 ~/.openclaw/workspace/TOOLS.md（仅本机）
• 或者用环境变量 TUSHARE_TOKEN

安装流程

OpenClaw环境安装Tushare Skills

1.命令行方式

# 使用 clawhub 安装clawhub install tushare-data
# 升级更新tushare skillsclawhub update tushare-data

2 . 直接在聊天窗口粘贴，以下提示词

请安装最新版Tushare skills，名称为tushare-data，作者是lidayan。token=****（替换成你的个人中心获取的token）

等待安装完毕后，直接按上面自然语言提问，

---

4. Skill 设计思路（建议架构）

一个靠谱的 TuShare skill，建议拆成 4 层：

1. 配置层：读取 token、默认参数、缓存目录
2. API 层：封装 TuShare SDK 调用（统一重试、限频、错误处理）
3. 数据层：返回规范化数据结构（list/dict/CSV），并可落盘
4. 能力层（Skill tools）：对外暴露“几个明确的工具函数”，让 LLM 调用更稳定

Skill 最重要的不是“接口越多越好”，而是：

• 工具函数少而精、输入输出明确
• 默认参数合理（比如 trade_date、exchange、品种字段）
• 错误可解释（token 无效、权限不足、频率限制、字段缺失等）

---

5. 实战：做一个最小可用的 TuShare Skill（示例方案）

下面给你一个“最小可用”的 skill 功能设计，围绕你近期在用的 期货收盘数据：

5.1 功能清单（建议从这几个起步）

• futures_daily(trade_date, exchange=None)
  拉取某天期货日数据（或你自定义的“主力/次主力”汇总）
• futures_main(trade_date)
  只输出主力/次主力（main_rank=1/2），并落盘到 workspace/data/
• top_by_amount(trade_date, n=20)
  输出成交额 topN
• save_csv(data, path)
  标准化落盘（或者 API 层自动落盘）

5.2 依赖安装（Python）

TuShare 官方一般用 tushare Python 包。你需要在系统里安装：

bashCopy

python3 -m pip install tushare

如果你想做表格处理/聚合排序，建议再装：

bashCopy

python3 -m pip install pandas

（你这台机器目前 python 缺 pandas；我之前尝试读 CSV 时遇到 ModuleNotFoundError: No module named 'pandas'。）

---

6. 典型应用案例（给你 6 个可直接落地的）

案例 1：每日“期货主力概览”自动生成并推送

• 每个交易日收盘后
• 拉取当日主力、次主力合约
• 输出：收盘价、成交量、成交额、持仓量、主力归属
• 按成交额排序前 20 + 按持仓排序前 20
• 用 OpenClaw cron 定时推送到你常用聊天渠道

案例 2：品种热度监控（成交额/持仓突变）

• 监控：amount（成交额）、oi（持仓）
• 规则：日环比、周均值偏离
• 触发提醒：“XX 品种主力成交额放大 2.3 倍，持仓增加 8%”

案例 3：交易日历 + 自动补齐数据

• 先拿交易日历
• 对缺失日期自动回补
• 本地维护一个 “已拉取日期索引”，避免重复拉取

案例 4：期货连续合约（主力切换）序列构建

• 你可以基于 OI/成交来判主力
• 构建连续价序列用于指标/回测
• 产出：连续合约 close 序列、换月点、滑点假设

案例 5：宏观日历提醒 + 数据快照

• CPI、PMI、社融等发布日
• 发布后自动拉取数据并生成解读要点（LLM 写摘要）
• 存档成 Markdown

案例 6：面向团队的“日报机器人”

• 输出：指数、商品、黑色、有色、化工的涨跌/资金（成交额）概览
• 发到群里，格式统一
• 降低你每天重复查数据的时间成本

---

7. 最佳实践与坑位提醒

1. Token 不要硬编码
   用环境变量或 TOOLS.md；对外分享 skill 时要可脱敏。

2. 限频与重试
   TuShare 有频率限制：

• 做指数/批量拉取时一定要缓存
• 封装重试 + sleep（指数退避）

1. 字段标准化
   不同接口字段名不完全一致，建议你内部统一成：
   trade_date / ts_code / close / vol / amount / oi / exchange / underlying / main_rank

2. 落盘与可追溯
   每次拉取保存原始 JSON/CSV（带日期），便于复现和排查。