QVeris · 数据实测 

金融 Skill 通过 QVeris 连接真实能力并生成可审计结果 

过去一段时间，我集中改造和测试了一批金融 Skill。

它们覆盖 A 股行情、因子筛选、市场情报、财务研究、新闻情绪、估值审计和组合风险等场景。原本来自不同项目，使用不同接口、不同字段和不同运行方式。

把它们接入 QVeris 后，最直观的变化不是报告写得更长，也不是模型说话更像分析师。

真正的变化是：

AI 开始拥有一套可以发现、检查和调用真实金融能力的统一路径。 

用户可以直接说："帮我回顾 NVDA 最新财报""看看 TSLA 最近的市场情绪""检查这个组合的集中度和回撤风险"。

Skill 会理解任务，找到需要的行情、财务、新闻或风险能力，调用真实数据，再把结果整理成带证据、带数据质量说明的报告。

这次改造让我更确定一件事：

QVeris 的价值，不只是给 AI 多接几个 API，而是让各种专业能力真正变成 Agent 可以稳定使用的基础设施。 

01

金融 Agent 缺的不是表达能力，而是真实能力

现在的模型已经很会写。

给它一个股票代码，即使没有最新行情，它也能迅速组织出一篇结构完整的分析：公司介绍、行业趋势、估值逻辑、潜在风险，一项不少。

问题在于，金融研究不是作文比赛。

用户真正关心的是：

·今天的价格和成交发生了什么变化；

·最新财报是否超出市场预期；

·新闻与目标公司是否真的相关；

·资金、估值和基本面能否相互印证；

·哪些结论有证据，哪些只是暂时无法确认。

这些问题不能只靠模型参数里的旧知识回答。

Agent 需要连接实时行情、历史序列、财务报表、新闻、公告、资金流、情绪信号和宏观数据，还要知道每项能力需要什么参数、返回什么字段、调用是否成功。

过去，接入这些能力是一项重复而繁琐的工程工作。

开发者要一家家寻找数据源、阅读文档、申请密钥、适配字段、处理鉴权，再为每种错误单独写逻辑。换一个供应商，往往又要重新来一遍。

QVeris 把这条路径统一成三步：Discover、Inspect、Call。

先用自然语言发现能力，再检查参数、结构和质量信息，最后执行真实调用。

对开发者来说，这是统一的能力入口；对 Agent 来说，这意味着它不需要预先认识所有工具，也能根据当前任务找到合适的能力。

02

Skill 开始使用同一种"能力语言"

这些金融 Skill 原本有着不同的来源、结构和使用场景。

它们覆盖 A 股市场数据、公司资料、财务信息、因子筛选、新闻公告、市场情报、多市场股票研究、估值审计和组合风险等场景。

过去，它们可能各自依赖不同供应商、网页抓取、本地脚本或环境变量。现在，核心金融能力都统一收敛到 qveris_finance.*。

行情、财务、新闻、情绪、资金、市场宽度和事件数据，开始使用同一种调用方式和输出契约。

这个变化带来的好处非常直接。

第一，Skill 更容易迁移。

它不再绑定某个本地环境，也不需要用户分别配置多家供应商密钥。只要接入 QVeris，就可以围绕任务调用所需能力。

第二，开发成本明显下降。

Skill 作者可以把精力放在研究流程、业务规则和用户体验上，而不是反复处理不同 API 的鉴权与字段差异。

第三，能力可以持续扩展。

当 QVeris 增加新的数据或工具能力时，Agent 可以通过发现和检查机制使用它们，不必把每个工具都提前写死在代码里。

第四，多个 Skill 可以共享同一套质量标准。

无论任务是 A 股数据包、财报回顾还是组合风险检查，报告都可以统一呈现数据质量、缺失字段和调用记录。

这让 Skill 不再是互不相通的小工具，而是逐渐形成一套可组合的金融 Agent 能力体系。

03

用户只需要说人话，复杂调用留给 QVeris

改造完成后，我们使用接近真实用户的自然语言进行了端到端测试。

测试问题包括：

·回顾 NVDA 最新财报，并说明哪些结论有数据支持；

·审计 MSFT DCF 模型中的关键输入；

·生成 TSLA 的市场情绪与估值说明；

·检查 AAPL 财报和流动性情况；

·判断当前市场状态；

·分析一个投资组合的集中度与风险。

这些问题背后，需要调用的能力并不相同。

财报回顾可能需要实际值、市场预期、财务报表和电话会信息；市场情绪需要行情、相关新闻和情绪信号；组合风险则需要历史价格、波动、相关性和回撤数据。

但对用户来说，入口始终是一句话。

Skill 负责理解任务和组织研究流程，QVeris 负责连接真实能力，最终输出结构化、可阅读的 Markdown 报告。

多类自然语言任务均完成了完整流程。

这说明 QVeris 不只是一个面向开发者的接口集合，它已经能够支撑自然语言驱动的 Agent 工作流：用户描述目标，Agent 寻找能力，QVeris 执行调用，Skill 组织结果。

从"手动找接口"到"直接说任务"，中间被压缩掉的是大量重复的工程细节。

04

QVeris 让报告不只可读，还可以复查

金融 AI 很容易出现一种错觉：报告写得越完整，用户就越容易相信。

但真正可靠的系统，应该让用户知道报告是怎么来的。

接入 QVeris 后，Skill 会统一补充数据质量、缺失字段和调用记录。

第一类是数据质量。

报告会说明数据是否完整、时间窗口是否足够、财务期间是否匹配、新闻是否与目标公司相关。

第二类是缺失字段。

如果一致预期、电话会或情绪数据暂时没有拿到，报告会明确列出，而不是默默跳过或让模型补齐。

第三类是调用记录。

报告可以保留使用了哪些 QVeris 能力、关键参数、调用状态和降级路径，同时避免暴露底层敏感路由。

这意味着用户拿到的不再是一段无法拆解的 AI 文本，而是一份可以回头验证的研究结果。

"这句话用了什么数据？"

"为什么没有计算 forward valuation？"

"这项结论是完整证据，还是部分证据？"

这些问题都可以在报告中找到答案。

对金融 Agent 来说，这种可审计性非常重要。它让 AI 从一个会表达观点的聊天工具，向一个可以进入真实工作流的研究助手前进了一步。

05

真实世界不会永远返回完美数据，QVeris 的价值也在这里

这轮测试并非每次调用都一帆风顺。

我们遇到过能力暂时不可用、上游服务返回 503、时间序列过短、财务期间不匹配和新闻范围过宽等情况。

但这些现象恰恰说明，真实世界的 Agent 需要的不是一个"永远假装成功"的演示环境，而是一套能够处理复杂能力状态的基础设施。

QVeris 让 Skill 可以在调用前检查能力，在调用后验证返回结果，并根据问题类型采取不同处理方式。

上游服务暂时失败，可以进行轻量重试；能力当前不存在，可以停止调用并更换路径；返回对象或财务期间不符合任务要求，可以直接拒绝；数据点不足，则不继续计算趋势、波动和回撤。

于是，接口异常不再必然变成报告里的错误结论。

更重要的是，QVeris 把这些状态变成 Agent 可以理解和处理的信息。

这对开发者和用户都是利好。

开发者不用在每个 Skill 里重新实现一套零散的错误处理；用户则能够看到哪些证据已经获得、哪些信息仍需补充。

一个真正可用的能力平台，不只要帮助 Agent 在顺利时完成任务，也要帮助它在不顺利时做出正确选择。

06

从单个工具，到可以组合的金融 Agent 工作流

完成这些 Skill 的接入后，QVeris 更值得期待的方向开始显现。

它们不必永远独立运行。

一个完整的股票研究任务，可以先调用市场情报 Skill 获取行情与新闻背景，再调用财务研究 Skill 检查收入、现金流和估值输入，最后由风险 Skill 检查波动、流动性和事件风险。

一个 A 股候选池任务，也可以先用因子 Skill 完成初筛，再用数据层 Skill 补充公司与公告信息，最后生成带证据的研究卡片。

当所有 Skill 使用同一套能力入口、质量字段和调用记录时，这种组合会变得自然得多。

QVeris 在其中扮演的角色，很像 Agent 世界的能力路由层：

上面连接用户任务和不同类型的 Agent，下面连接分散的专业数据、工具与服务。 

Agent 不需要了解每个供应商的所有细节，只需要描述它需要完成什么工作；能力提供方也可以通过统一方式被更多 Agent 发现和调用。

这让金融 Skill 的开发，从"为一个接口写一个功能"，逐渐转向"围绕一个用户任务组合多种能力"。

07

QVeris 正在把金融 AI 推向真正可用

接入 QVeris 后，金融 Skill 已经可以完成自然语言理解、能力选择、真实调用、质量检查、失败降级和报告生成。

它们仍会继续完善，但已经证明了一条可行路径：

金融 Agent 不必绑定单一数据源，也不必在数据不足时继续盲猜。

通过 QVeris，Agent 可以先发现能力、检查能力、调用能力，再依据真实证据组织结论。

对普通用户来说，这意味着使用金融数据的门槛正在降低。

以前需要查终端、找接口、整理表格的工作，正在变成一句自然语言任务。

对开发者来说，这意味着构建专业 Agent 的门槛也在降低。

不用从零搭建每个外部能力的连接层，可以更专注于场景、流程和产品体验。

对能力提供方来说，QVeris 则提供了被 Agent 发现、评估和调用的新入口。

08

写在最后

如果只看文本生成，AI 早就会写金融报告了。

但从"会写"到"能用"，中间还缺少真实数据、专业工具、统一协议、质量校验和可审计记录。

这正是 QVeris 正在补上的部分。

把金融 Skill 接入 QVeris 后，我看到的不是简单的接口迁移，而是一种新的 Agent 工作方式：

用户用自然语言描述目标，Agent 理解任务，QVeris 连接能力，Skill 把数据变成结果，整个过程还能被检查和复用。

QVeris 让 AI 不只会回答问题，也开始真正拥有完成专业任务的能力 

当越来越多的数据、工具和服务可以通过同一套方式被发现和调用，Agent 能做的事情就不再受限于一个模型或一个应用预先写好的功能。

这可能才是 QVeris 最值得期待的地方：

它正在把分散的真实世界能力，变成每个 Agent 都能使用的基础设施。

本文记录 QVeris 金融 Skill 的产品改造与测试实践，仅用于技术与产品交流，不构成任何投资建议。