Agent-Skills.md

Agent Skills: LLM Wiki Setup（投研第二大脑共创）

Co-create a personal investment-research LLM Wiki (Andrej Karpathy's pattern) where the user's OWN analysis framework becomes a living CLAUDE.md — by interviewing them, NOT by handing them a template. Use whenever the user wants to build a compounding research knowledge base, 投研第二大脑, 投研知识库, or 个人投研 wiki; instantiate Karpathy's LLM Wiki gist for finance/investing; turn their stock-picking, analyst-tracking, or earnings-watching workflow into a structured markdown vault; or build a wiki tracking companies / industries / macro / analysts over time. Pure markdown + wikilinks, NO RAG / vector DB (Karpathy's core idea — do not over-engineer). Also triggers for ingesting research reports / earnings calls / expert notes into an existing wiki, and for post-earnings prediction→fulfillment reviews. Core value = extracting the user's personal investment preferences into THEIR OWN schema, never imposing a standard one.

UncategorizedID: daymade/claude-code-skills/llm-wiki-setup

Repository

daymade/claude-code-skills
daymadeLicense: MIT
1,259208

Install this agent skill to your local

pnpm dlx add-skill https://github.com/daymade/claude-code-skills/tree/HEAD/llm-wiki-setup

Skill Files

Browse the full folder contents for llm-wiki-setup.

Download Skill

Loading file tree…

llm-wiki-setup/SKILL.md

Skill Metadata

Name
llm-wiki-setup
Description
Co-create a personal investment-research LLM Wiki (Andrej Karpathy's pattern) where the user's OWN analysis framework becomes a living CLAUDE.md — by interviewing them, NOT by handing them a template. Use whenever the user wants to build a compounding research knowledge base, 投研第二大脑, 投研知识库, or 个人投研 wiki; instantiate Karpathy's LLM Wiki gist for finance/investing; turn their stock-picking, analyst-tracking, or earnings-watching workflow into a structured markdown vault; or build a wiki tracking companies / industries / macro / analysts over time. Pure markdown + wikilinks, NO RAG / vector DB (Karpathy's core idea — do not over-engineer). Also triggers for ingesting research reports / earnings calls / expert notes into an existing wiki, and for post-earnings prediction→fulfillment reviews. Core value = extracting the user's personal investment preferences into THEIR OWN schema, never imposing a standard one.

LLM Wiki Setup（投研第二大脑共创）

帮用户搭一个金融投研专用 LLM Wiki（Karpathy 模式）：纯 markdown 文件 + [[wikilink]] 互联 + LLM 维护，知识随用复利。

但核心不是给一份投研模板——是引导用户把他自己的投资判断方式，提炼成他专属的 CLAUDE.md。

★ 先读这一条（这个 skill 的灵魂）

每个人用自己的语言、自己的投资偏好，建自己的 CLAUDE.md。

两个投资者看同一家公司，关注点可能完全不同——一个看「下季度订单能否超市场预期」，另一个看「管理层电话会上的语气和信心」。给他们同一份模板，就抹掉了让 wiki 有用的那个东西。

  • ✅ 你的工作 = 访谈用户 → 提炼他的关注维度 → 用他的话写进 CLAUDE.md
  • ❌ 你的失败 = 套一份「标准投研 schema」让他填空，或让他照抄 examples/

examples/investment-research-CLAUDE.md 是一个人长成的样子，给用户看可能性，禁止照抄。它像模板一样被搬走，这个 skill 就失败了。

不碰的红线（Karpathy 原意，别 over-engineer）

纯 markdown + wikilink + grep。不加 RAG / 向量库 / embedding。 知识靠预编译进结构化页「复利」，不是每次 query 重新检索原始文档——这是本模式相对 RAG 的根本区别，也是 Karpathy 的核心 idea。别加回任何检索层，别加 knowledge graph / 自动 health-check 之类机制（社区有些版本加了，那是 over-engineer）。

机制层 vs 规则层（贯穿全程的区分）

| | 内容 | 处置 | |---|---|---| | 机制层 | 三层目录 + wikilink + lint + git hook | ✅ 通用工程结构，scripts/init_vault.py 直接装 | | 规则层 | 看哪些维度 / 怎么记观点 / 要不要分析师归属 / 怎么复盘 / 要长报告还是三行 | ❌ 用户的投资大脑，访谈长出来，绝不给模板 |

机制层照抄没问题（它是 Karpathy 模式的工程卫生，跟「你怎么投资」无关）。规则层照抄 = 背叛方法论。

工作流

Phase 0 — 判断意图

  • 新建 vault → Phase 1
  • 已有 vault，ingest 一份源 → 直接读 references/ingest_sop.md
  • 已有 vault，财报后复盘某标的 → references/fulfillment_sop.md
  • query → 读 vault 的 index.md + 相关页，带 citation 综合答；好答案回填 synthesis

Phase 1 — scaffold 机制层

python scripts/init_vault.py <目标目录>

建空骨架（三层目录 + lint + hook 占位 + 空 index/log + CLAUDE 骨架）。这一步只装机制层，不写任何 schema。

Phase 2 — 访谈共创 CLAUDE.md ★核心步骤

读 references/interview.md，按它的 8 个维度一条条访谈用户，把回答用他自己的话写进 <vault>/CLAUDE.md 规则层的占位。

  • 一次问一个维度，别一口气灌
  • 用户不在乎的维度直接砍（极简 > 全面）
  • 卡住才翻 examples/ 给灵感，明说「别抄，挑你戳中的」
  • 自检：写好的 CLAUDE.md 像不像「这个人」？像通用模板就重来

Phase 3 — 启用防腐

cd <vault> && git init
git config core.hooksPath .githooks   # local 配置，换机/重 clone 要重设
PYTHONUTF8=1 uv run --no-project --with pyyaml python3 scripts/lint-vault.py wiki  # 确认绿灯

已有 vault — 刷新机制层工具

更新本 skill 后，显式刷新已复制进 vault 的 linter 与 hook：

python scripts/init_vault.py --refresh-tools <vault>

只更新 scripts/lint-vault.py 与 .githooks/pre-commit，不碰 wiki/、raw/ 或用户的 CLAUDE.md。文件有变化时先保留 .before-refresh 备份；若备份已存在则 fail-fast，先审阅并移走旧备份再重跑。

Phase 4 — 首次 ingest 演示

拿用户一份真实的源（研报 / 电话会 / 纪要），按 references/ingest_sop.md 走一遍 HITL 5 卡点，让他亲眼看到 wiki 怎么从源长出来。用用户自己的素材，不要用 examples。

后续运营（按需读 references）

| 场景 | 读 | |---|---| | ingest 新源 | references/ingest_sop.md（doc_type 用用户自己定的分类） | | 财报后复盘 | references/fulfillment_sop.md（分析师回测调 analyst-track-record skill，别重造） | | vault 卫生（派生值漂移） | references/prune_discipline.md | | 复盘页对抗审查 | references/counter_review.md | | 怎么访谈提炼用户的投资大脑 | references/interview.md（Phase 2 的完整方法） |

为什么这个 skill 是 inline（不设 context: fork）

它要调 analyst-track-record skill（复盘回测）、跑 Bash（scaffold / lint）、可能并行 Task 取财报数据——subagent 不能调 skill 或 spawn subagent，所以必须 inline。

Next Step

vault 搭好、用户开始 ingest 卖方研报后，如果他想回测某分析师过去准不准 → 建议接 analyst-track-record skill（双维度命中率，有 validated 脚本）。