如何不运行真实请求就预览AlphaGBM Skills的结果demo fixtures与mock数据全解【免费下载链接】skillsBring realtime market data and research workflows into Claude Code, Cursor beyond — 29 open-source Skills for stocks, options and commodities.项目地址: https://gitcode.com/gh_mirrors/skills38/skillsAlphaGBM Skills 是一个为 Claude Code、Cursor 等 AI 工作区提供实时行情与研究工作流的开源 Skills 项目覆盖股票、期权和大宗商品。对于新手来说最大的顾虑往往是能不能在不配置 API Key、不触发付费请求的情况下先看看每个 Skill 的输出长什么样答案是肯定的——项目内置了两套完整的离线数据demo/目录下的合成 demo fixtures和mock-data/目录下的 mock 数据。本篇将带你完整读懂它们实现零成本、可复现的结果预览。上图就是 AlphaGBM Skills 在 AI 工作区中的典型输出效果一条命令得到结构化结果包含基本面、动量、风险三大板块以及数据来源和下一步核查建议。你现在就可以用仓库里的 fixtures 复现同样的形状。项目里有哪些离线预览数据整个预览体系由两个目录支撑分工清晰目录定位覆盖范围demo/五大结果型工作流 七大策略的合成 fixtures结果长什么样结论、证据、评分、下一步核查mock-data/单只标的的完整行情快照 各专题工具的示例输出数据长什么样报价、期权链、波动率、情绪指标两者都有明确的身份标签这一点非常关键后面会细说。快速上手读懂 5 个结果型 demo fixtures打开 demo/README.md 可以看到官方索引。五大核心工作流各有一份 fixture股票机会— demo/stock-opportunities.json演示结论 支持/反对证据 评分依据 下一步核查点的完整结构期权策略— demo/options-strategies.json报价时效、候选评分、损益与风险新闻影响— demo/news-impact.json区分报道的事实和影响推断研报拆解— demo/report-breakdown.json机构观点、评级、假设与来源日期投资复盘— demo/investment-review.json纯本地的前后快照对比不依赖云端历史以股票机会为例fixture 的核心字段一眼就能看懂{ demo: {status: illustrative_fixture, asOf: 2026-09-18, notForTrading: true}, contractVersion: stock-opportunities.v1, instrument: {type: stock, symbol: NVDA, market: US}, opportunity: {score: 74, method: stock-opportunity-composite-v2}, conclusion: The fixture shows a research candidate, not a buy instruction., evidence: {supporting: [...], opposing: [...]}, nextCheckpoints: [确认最新财务指引, 复核价格、情绪与事件数据] } 这种结论先行 双向证据 待验证项的结构正是 AlphaGBM Skills 证据优先设计理念的缩影——你不需要真实数据也能理解输出的信息密度和字段契约。七大策略 fixture每个策略都有 demo除了五大工作流demo/strategies/下还有 7 份策略 fixture与可安装的策略包一一对应策略Fixture演示重点期权策略strategies/options-strategy.json候选损益、报价时效、风险动量跟随strategies/momentum-following.json趋势状态、支撑证据、反转风险ETF 策略strategies/etf-strategy.json估值、质量、回撤、动量因子网格计划strategies/grid-plan.json价格区间、档位、资金分配、破格风险定投计划strategies/dca-plan.json投入计划、路径假设、缺失输入聪明钱跟踪strategies/smart-money.json披露资金流聚合而非抄单股息策略strategies/dividend-strategy.json股息质量、持续性、现金流、估值以网格计划 fixture 为例它完整演示了输入 → 计划 → 风险 → 缺失数据的链路{ inputs: {lowerPrice: 100, upperPrice: 140, currentPrice: 120, capital: 1000, gridCount: 8}, plan: {levels: 8, capitalPerLevel: 125}, riskFlags: [range break, gap risk, fees and slippage], missingData: [live_price_confirmation, execution_costs], nextChecks: [确认区间是否仍然成立, 价格大幅移动后重算] }注意missingData字段——demo 数据会诚实标注哪些信息它给不了这比伪造一份完整结果更有价值。mock-data单标的的完整行情快照mock-data/目录则面向更细粒度的工具预览包含 5 只热门标的的完整快照mock-data/AAPL.json、NVDA.json、META.json、TSLA.json、SPY.json。以 AAPL 为例一个文件里就包含了四类 Skill 需要的数据股票基本面价格、市盈率、RSI、均线、52 周高低点期权数据IV 期限结构、波动率曲面、含 Greeks 与评分明细的期权链样本、看涨价差/备兑看跌两个策略方案财报跳空历史历次财报前后的 IV 变化与隐含波动市场情绪VIX、恐贪指数、市场广度此外还有按 Skill 组织的专题示例如 mock-data/vix-status/example-sweet-spot.jsonVIX 甜蜜区状态含中英双语策略提示、fear-score/平静态与信号触发态两种示例、tepper-signal/、buffett-analysis/、marks-cycle/、take-profit/等。 这些 mock 数据的日期和数值都是故意固定的目的是让文档示例永远可复现——你在任何一天打开看到的结果都一样。更进一步用离线测试复现真实请求的完整流程如果你想验证的是整个工作流引擎而不只是看 JSON仓库的scripts/目录提供了现成的测试脚本如 scripts/test_stock_workflow.py。它用unittest.mock把网络函数fetch_json打补丁让 runtime/workflow.py 在不发任何真实 HTTP 请求的情况下跑完整逻辑——排序、评分资格校验、过期分数过滤等断言全部离线完成。同样runtime/review_engine.py 是纯离线的投资复盘引擎它只比较你本地提供的两份快照计算 SHA-256 摘要做差异对比全程不访问网络。这意味着alphagbm-investment-review工作流天然就是零请求的。运行一次完整检查也很简单仅验证、不修改仓库python3 scripts/test_stock_workflow.py python3 scripts/test_runtime.py如何一眼区分 demo 数据和真实结果预览 demo 数据时务必记住这套防伪标记它们也保证了 fixture 永远不会被误当成实时行情demo.status: illustrative_fixture— 每个 fixture 顶部都有这个字段notForTrading: true— 明确声明不可用于交易固定日期—asOf等时间戳被刻意冻结如2026-09-18missingData显式声明缺口— 缺什么就写什么不编造运行器兜底原则— 官方声明 runtime/workflow.py 生成的运行器不会用样例数据静默替换失败的请求即真实调用失败时会明确报错而不是悄悄返回 mock 结果另外docs/SKILLS_V2_AUDIT.md 中的发布门禁还要求每个 Skill 必须至少有一份真实数据响应或明确标注的 demo 响应才能发布——demo 数据在项目里是受流程约束的一等公民而非随便摆的占位文件。什么时候该切换到真实请求看完 fixtures 之后升级到真实数据只需一步以公开研究读取为例无需 API Keynpx skills add AlphaGBM/skills --skill alphagbm-research-reader然后直接对你的 AI 工具说用 AlphaGBM 找最近的半导体研究总结观点并保留来源和日期。 需要账户级深度研究时再配置ALPHAGBM_API_KEY环境变量即可切勿把 Key 粘贴进对话。各接口的访问边界详见 docs/ACCESS.md。小结你的需求用哪份数据是否需要网络了解某个工作流的输出结构demo/对应 fixture❌预览某只标的的完整数据形态mock-data/AAPL.json等❌验证工作流引擎逻辑scripts/test_*.py❌对比两份本地投资快照alphagbm-investment-review review 引擎❌获取实时研究结论安装 Skill 后向 AI 提问✅AlphaGBM Skills 的 demo fixtures 与 mock 数据设计让先看形状、再跑真实请求成为一条零风险的学习路径所有合成数据都明确标注、日期固定、字段缺口透明你可以放心地反复打开它们直到完全理解每个 Skill 的输出契约再去配置真实访问。【免费下载链接】skillsBring realtime market data and research workflows into Claude Code, Cursor beyond — 29 open-source Skills for stocks, options and commodities.项目地址: https://gitcode.com/gh_mirrors/skills38/skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 如何不运行真实请求就预览AlphaGBM Skills的结果：demo fixtures与mock数据全解
如何不运行真实请求就预览AlphaGBM Skills的结果demo fixtures与mock数据全解【免费下载链接】skillsBring realtime market data and research workflows into Claude Code, Cursor beyond — 29 open-source Skills for stocks, options and commodities.项目地址: https://gitcode.com/gh_mirrors/skills38/skillsAlphaGBM Skills 是一个为 Claude Code、Cursor 等 AI 工作区提供实时行情与研究工作流的开源 Skills 项目覆盖股票、期权和大宗商品。对于新手来说最大的顾虑往往是能不能在不配置 API Key、不触发付费请求的情况下先看看每个 Skill 的输出长什么样答案是肯定的——项目内置了两套完整的离线数据demo/目录下的合成 demo fixtures和mock-data/目录下的 mock 数据。本篇将带你完整读懂它们实现零成本、可复现的结果预览。上图就是 AlphaGBM Skills 在 AI 工作区中的典型输出效果一条命令得到结构化结果包含基本面、动量、风险三大板块以及数据来源和下一步核查建议。你现在就可以用仓库里的 fixtures 复现同样的形状。项目里有哪些离线预览数据整个预览体系由两个目录支撑分工清晰目录定位覆盖范围demo/五大结果型工作流 七大策略的合成 fixtures结果长什么样结论、证据、评分、下一步核查mock-data/单只标的的完整行情快照 各专题工具的示例输出数据长什么样报价、期权链、波动率、情绪指标两者都有明确的身份标签这一点非常关键后面会细说。快速上手读懂 5 个结果型 demo fixtures打开 demo/README.md 可以看到官方索引。五大核心工作流各有一份 fixture股票机会— demo/stock-opportunities.json演示结论 支持/反对证据 评分依据 下一步核查点的完整结构期权策略— demo/options-strategies.json报价时效、候选评分、损益与风险新闻影响— demo/news-impact.json区分报道的事实和影响推断研报拆解— demo/report-breakdown.json机构观点、评级、假设与来源日期投资复盘— demo/investment-review.json纯本地的前后快照对比不依赖云端历史以股票机会为例fixture 的核心字段一眼就能看懂{ demo: {status: illustrative_fixture, asOf: 2026-09-18, notForTrading: true}, contractVersion: stock-opportunities.v1, instrument: {type: stock, symbol: NVDA, market: US}, opportunity: {score: 74, method: stock-opportunity-composite-v2}, conclusion: The fixture shows a research candidate, not a buy instruction., evidence: {supporting: [...], opposing: [...]}, nextCheckpoints: [确认最新财务指引, 复核价格、情绪与事件数据] } 这种结论先行 双向证据 待验证项的结构正是 AlphaGBM Skills 证据优先设计理念的缩影——你不需要真实数据也能理解输出的信息密度和字段契约。七大策略 fixture每个策略都有 demo除了五大工作流demo/strategies/下还有 7 份策略 fixture与可安装的策略包一一对应策略Fixture演示重点期权策略strategies/options-strategy.json候选损益、报价时效、风险动量跟随strategies/momentum-following.json趋势状态、支撑证据、反转风险ETF 策略strategies/etf-strategy.json估值、质量、回撤、动量因子网格计划strategies/grid-plan.json价格区间、档位、资金分配、破格风险定投计划strategies/dca-plan.json投入计划、路径假设、缺失输入聪明钱跟踪strategies/smart-money.json披露资金流聚合而非抄单股息策略strategies/dividend-strategy.json股息质量、持续性、现金流、估值以网格计划 fixture 为例它完整演示了输入 → 计划 → 风险 → 缺失数据的链路{ inputs: {lowerPrice: 100, upperPrice: 140, currentPrice: 120, capital: 1000, gridCount: 8}, plan: {levels: 8, capitalPerLevel: 125}, riskFlags: [range break, gap risk, fees and slippage], missingData: [live_price_confirmation, execution_costs], nextChecks: [确认区间是否仍然成立, 价格大幅移动后重算] }注意missingData字段——demo 数据会诚实标注哪些信息它给不了这比伪造一份完整结果更有价值。mock-data单标的的完整行情快照mock-data/目录则面向更细粒度的工具预览包含 5 只热门标的的完整快照mock-data/AAPL.json、NVDA.json、META.json、TSLA.json、SPY.json。以 AAPL 为例一个文件里就包含了四类 Skill 需要的数据股票基本面价格、市盈率、RSI、均线、52 周高低点期权数据IV 期限结构、波动率曲面、含 Greeks 与评分明细的期权链样本、看涨价差/备兑看跌两个策略方案财报跳空历史历次财报前后的 IV 变化与隐含波动市场情绪VIX、恐贪指数、市场广度此外还有按 Skill 组织的专题示例如 mock-data/vix-status/example-sweet-spot.jsonVIX 甜蜜区状态含中英双语策略提示、fear-score/平静态与信号触发态两种示例、tepper-signal/、buffett-analysis/、marks-cycle/、take-profit/等。 这些 mock 数据的日期和数值都是故意固定的目的是让文档示例永远可复现——你在任何一天打开看到的结果都一样。更进一步用离线测试复现真实请求的完整流程如果你想验证的是整个工作流引擎而不只是看 JSON仓库的scripts/目录提供了现成的测试脚本如 scripts/test_stock_workflow.py。它用unittest.mock把网络函数fetch_json打补丁让 runtime/workflow.py 在不发任何真实 HTTP 请求的情况下跑完整逻辑——排序、评分资格校验、过期分数过滤等断言全部离线完成。同样runtime/review_engine.py 是纯离线的投资复盘引擎它只比较你本地提供的两份快照计算 SHA-256 摘要做差异对比全程不访问网络。这意味着alphagbm-investment-review工作流天然就是零请求的。运行一次完整检查也很简单仅验证、不修改仓库python3 scripts/test_stock_workflow.py python3 scripts/test_runtime.py如何一眼区分 demo 数据和真实结果预览 demo 数据时务必记住这套防伪标记它们也保证了 fixture 永远不会被误当成实时行情demo.status: illustrative_fixture— 每个 fixture 顶部都有这个字段notForTrading: true— 明确声明不可用于交易固定日期—asOf等时间戳被刻意冻结如2026-09-18missingData显式声明缺口— 缺什么就写什么不编造运行器兜底原则— 官方声明 runtime/workflow.py 生成的运行器不会用样例数据静默替换失败的请求即真实调用失败时会明确报错而不是悄悄返回 mock 结果另外docs/SKILLS_V2_AUDIT.md 中的发布门禁还要求每个 Skill 必须至少有一份真实数据响应或明确标注的 demo 响应才能发布——demo 数据在项目里是受流程约束的一等公民而非随便摆的占位文件。什么时候该切换到真实请求看完 fixtures 之后升级到真实数据只需一步以公开研究读取为例无需 API Keynpx skills add AlphaGBM/skills --skill alphagbm-research-reader然后直接对你的 AI 工具说用 AlphaGBM 找最近的半导体研究总结观点并保留来源和日期。 需要账户级深度研究时再配置ALPHAGBM_API_KEY环境变量即可切勿把 Key 粘贴进对话。各接口的访问边界详见 docs/ACCESS.md。小结你的需求用哪份数据是否需要网络了解某个工作流的输出结构demo/对应 fixture❌预览某只标的的完整数据形态mock-data/AAPL.json等❌验证工作流引擎逻辑scripts/test_*.py❌对比两份本地投资快照alphagbm-investment-review review 引擎❌获取实时研究结论安装 Skill 后向 AI 提问✅AlphaGBM Skills 的 demo fixtures 与 mock 数据设计让先看形状、再跑真实请求成为一条零风险的学习路径所有合成数据都明确标注、日期固定、字段缺口透明你可以放心地反复打开它们直到完全理解每个 Skill 的输出契约再去配置真实访问。【免费下载链接】skillsBring realtime market data and research workflows into Claude Code, Cursor beyond — 29 open-source Skills for stocks, options and commodities.项目地址: https://gitcode.com/gh_mirrors/skills38/skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考