用 Claude Code Skills 打造「越用越聰明」的投資分析 AI¶

原文: Claude Code Skills で「使うほど賢くなる」投資分析AIを作った話 Vol.2【Neo4j × 個人開発】

在上一篇文章（ Claude Code Skills 讓股票篩選自動化【Python × yfinance × Vibecoding】 ）中介紹了 Claude Code Skills による投資分析的自動化。從那之後過了幾個月，系統進化成了「越用越聰明」的機制。本篇文章將說明該機制以及個人開發中獲得的設計決策。

上一篇文章解決了什麼、沒解決什麼¶

上次，我們用 Claude Code Skills 解決了 Web 版 AI 的4個課題（回應品質、脈絡消失、再現性、處理量）。將分析邏輯固定在腳本中，使用 Yahoo Finance 的數據進行統一篩選。這樣一來「每次都能用相同標準找股票」的狀態是做出了。

但是，分析結果的累積與活用 卻沒能解決。

上週篩選找到的股票、上個月的健檢結果，下個 session 就忘了。「Toyota 怎麼樣？」每次問都要從零開始生成報告。系統不知道你是否持有、也不清楚你是否曾寫過擔憂的備忘錄。

明明越用數據越累積，但卻沒有運用到下次的判斷。 本篇文章的重點，就是說明如何解決這個問題。

系統的全貌¶

先讓你看見全貌。用戶只需要用自然語言對話。背後有3層的設計在協同運作。

graph TD
    %% 頂層：使用者
    subgraph USER ["使用者（僅需以自然語言溝通）"]
        U["「有推薦的台灣股票嗎？」<br>「台積電表現如何？」<br>「投資組合還安全嗎？」"]
    end

    %% 中間層：Claude Code Skills
    subgraph SKILLS ["Claude Code Skills（8 大功能技能）"]
        S1["🔍 標的篩選"]
        S2["📊 個股分析報告"]
        S3["💼 投資組合管理"]
        S4["📖 深度專題研究"]
        S5["⚡ 壓力測試"]
        S6["👀 觀察清單"]
        S7["📝 投資筆記"]
        S8["🔎 知識圖譜檢索"]
    end

    %% 底層：數據與知識層
    subgraph DATA ["數據與知識層"]
        YF["Yahoo Finance<br>(股價・財務數據)"]
        GR["Grok API<br>(新聞・社群媒體分析)"]
        NEO["Neo4j 知識圖譜<br>(累積過去對話脈絡)"]
        FS["檔案儲存<br>(分析結果原始稿)"]
    end

    %% 連線關係
    U --> SKILLS

    SKILLS --> YF
    SKILLS --> GR
    SKILLS --> NEO
    SKILLS --> FS

    %% 回饋機制
    NEO -- "下次執行時<br>自動注入歷史脈絡" --> SKILLS

    %% 樣式設定
    style USER fill:#ffffcc,stroke:#cccc00
    style SKILLS fill:#ffffcc,stroke:#cccc00
    style DATA fill:#f0fffd,stroke:#99e6ff

重點是 最下層的箭頭。 Neo4j 累積的知識，會在下次的技能執行時自動回饋。這就是「越用越聰明」的真面目，也是本篇文章要詳細解說的部分。

知識自動累積，活用於下次分析的機制¶

解決方案的核心是，只要使用就能讓知識自動循環的迴圈。

graph LR
    %% 節點定義
    A["執行技能<br>(報表、篩選等)"]
    B["雙重保存<br>(檔案 + 圖形資料庫)"]
    C["累積至知識圖譜"]
    D["下次分析時<br>自動顯示過去脈絡"]
    E["更高精度的<br>判斷與提案"]

    %% 連線關係
    A --> B
    B --> C
    C --> D
    D --> E

    %% 回饋循環
    E --> A

    %% 樣式設定
    style A fill:#ececff,stroke:#9370db
    style B fill:#ececff,stroke:#9370db
    style C fill:#ececff,stroke:#9370db
    style D fill:#ececff,stroke:#9370db
    style E fill:#ececff,stroke:#9370db

這個迴圈完全不需要手動操作。用戶只要正常使用系統，背後就會累積知識，下次分析時自動反映。

雙重保存：有一邊停止也沒關係¶

每次執行技能時，結果會保存到2個地方。

• 檔案保存（主要）：將分析結果以 JSON 檔案保存。留在本地端不會消失
• Neo4j（GraphDB）：將同樣的資料同步到圖形資料庫。用來查詢股票之間的關聯和過去的經過

重點是因為檔案保存是主要的方式，所以 即使 Neo4j 停了資料也一定會保留下來。 Neo4j 只是用來查詢。這種「一邊壞了還能動」的設計稍後會說明。

篩選、報告、買賣、健檢、研究、市況、壓力測試、將來預測——8種保存處理，在所有技能執行後自動執行。

「Nintendo 怎麼樣？」問3次會發生什麼變化¶

這個迴圈如何改變體驗。看一下問同樣問題3次時的變化。

第一次：初次見面¶

🆕 沒有資料。執行技能。

系統對 7974.T（Nintendo）一無所知。從零開始生成報告。

PER 24.5 / PBR 4.8 / 價值分數 58 / 「合理水準，考慮成長性後再検討」

這時背後，分析結果已保存到檔案，Neo4j 也記錄了報告和股票的資訊。用戶什麼都沒做。

第二次：1週後¶

⚡ 有最近資料 — 用差異模式輕量更新。

## 過去的經過: 7974.T
- [最近] 3/1 報告: 分數58, 「合理水準，考慮成長性後再検討」
- 備忘錄(投資主題):「Switch 的次世代機擴展遊戲事業」

明明是同樣的「 Nintendo 怎麼樣？」，但輸出不同了。上次的報告結果自動顯示，Claude 會做有差異意識的回答。

「前次 PER 24.5 → 本次 19.8，下降。次世代機發表後的期待已反映 → 發售前的調整格局嗎。
  前次主題『Switch 次世代機擴展遊戲事業』持續有效。可考慮逢低買进。」

不僅只是並列數字，前次對比comment 會自動加入。因為系統內建了「有前次資料就一定顯示差異」的規則。

第三次：3個月後（持有中）¶

🔄 資料過舊 — 完整重新取得。執行技能。

## 過去的經過: 7974.T (持有中)
- 持有: 100股 @ 9200日圓 (2/15買入)
- 主題:「Switch 次世代機擴展遊戲事業」 (92天前 → 建議複審)
- 篩選出現: 3次 (alpha, growth-value)
- 擔憂備忘錄:「次世代機延遲發售風險」

建議: 健檢（主題已過3個月 → 複審時機）

## 投資的學習
- [7974.T] 新產品發表前因期待買入 → 高價被套 → 下次不在 RSI70 超過時買入

這3個月之間用戶做的事情——買股票、記錄投資主題、記錄擔憂、從過去失敗中學習——全部自動成為脈絡。

Claude 不是「給出報告」而是「建議先做健檢好嗎？主題已過92天」。如果 RSI（技術指標）過熱，過去的學習會自動警告。

用戶每次都只是問同樣的「Nintendo 怎麼樣？」。背後累積的知識，從根本上改變了回答的品質。

AI 自動想起過去經過的機制¶

這個「變聰明」體驗的核心是，自動脈絡注入。

在所有 Claude Code Skills 腳本的開頭，都嵌入了自動取得過去經過的處理。每次執行技能時，從 Neo4j 搜尋過去的報告、買賣、觀察清單、投資備忘錄，交給 Claude。

這個自動取得有以下4個步驟：

1. 特定股票：「Toyota」→ 轉換成 7203.T 的股票代碼
2. 搜尋過去的經過：一次取得報告、買賣、觀察清單、備忘錄
3. 判定資料新舊：分為4階段，判斷是否需要重新取得
4. 建議最佳行動: 根據與股票的關係推薦下一步行動

用資料新舊改變行動¶

昨天才給出報告的股票，若問「怎麼樣？」，不會重新取得，用昨天的結果回答。光這點就大幅減少了無效處理。

用與股票的關係改變行動¶

同樣的「調查一下」，但根據與那檔股票的關係，最佳行動會改變。

模糊的問題也能對應¶

即使是「之前查過的半導體相關股票」這種沒有包含股票名的模糊問題，也能用過去分析結果的類似搜尋找到相關的股票。因為所有分析結果都附有摘要文，自然語言的知識搜尋才得以成立。

把失敗變成「學習」：從 Netflix 學到的方法¶

Netflix 不把障礙或專案失敗當成「處罰」，而是以 事後檢討（回顧） 記錄並轉化為組織整體學習的文化眾所週知。「發生了什麼」「為什麼發生」「下次怎麼做」結構化地留下，這樣就不會重複同樣的失敗。

投資也是一樣。最有價值的知識是「從過去失敗得到的教訓」。但人類的記憶會淡化。3個月前的反省，能運用到現在眼前的機會嗎？

在這個系統中，投資的「學習」可以記錄為 觸發條件 和 下次行動 的組合。

例如我自己實際記錄的 Netflix (NFLX) 學習：

• 股票: NFLX（Netflix）
• 觸發: 分析過多導致機會損失
• 下次行動: 催化劑發生 = 進場訊號。化解後不再追加新的進場條件
• 詳細: 從 ATH（最高點）下跌40% 時看出高品質（ROE 42.8%、成長 17.6%），也正確解讀了 Warner 撤退這個催化劑為正面。但同一天寫了擔憂備忘錄（PER 33x 是偏高、等到 PER 25-28x）於是自己踩煞車。結果股價上漲錯過機會

這個學習，下次分析 NFLX 時會自動顯示在脈絡中。

## 投資 lesson
- [NFLX] 分析過多導致機會損失 → 催化劑發生=進場，不新增條件 (2026-02-28)

下次有類似情況（高品質企業大跌 + 催化劑發生），Claude 會警告「過去學習：分析過多導致機會損失模式。催化劑發生時不追加條件，建議進場」。

人類的記憶會淡化，但系統的記憶不會。 像 Netflix 從障礙中學習一樣，把投資的失敗圖譜脈絡記錄在系統中，就能在相同情況下自動想起。這就是「越用越聰明」的具體樣子之一。

外部研究也有效用過去的脈絡¶

知識累積的效果，不僅在內部分析，也波及到外部的 AI 研究。

用 Grok API（xAI 的 AI）調查股票的新聞和市場動向時，從 Neo4j 抽出你作為投資人的脈絡，自動組進研究的指示中。

[你的投資脈絡]
- 目前持有中（20股 @ $97.3、3/3買入）
- 前次報告: 分數23.8，「偏高傾向」
- 購入計畫備忘錄: 有買入50股計畫（3/2時點）
- lesson:「分析過多導致機會損失」「 Recovery 股票進場判斷規則」
→ 請focus 以下述脈絡之後的變化來研究...

有沒有這個脈絡，研究的重點完全不一樣。「告訴我 NFLX」和「我持有 NFLX，過去有分析過多導致機會損失的反省。最新情況？」，回來的資訊品質不同。

不使用 Grok API 的話，這個脈絡注入會被跳過，只用數值型基礎的分析運作。

沒有也能運作，越有越聰明¶

這個系統可以與4個外部服務協同運作(這些服務都是 optional 的)。

最小構成是 只有 Python 和 Yahoo Finance 的數據。這個構成就能讓所有技能運作。

設計原則是「沒有也能運作，越有越聰明」。與外部服務的連携處理都設有 timeout，即使服務停止也不會阻礙技能本身的執行。

Neo4j 是後來才加的話，從那瞬間就開始累積知識。啟用向量搜尋就能對應模糊問題。設定 Grok API 就會加入定性研究。階段性地變聰明 的設計。

總結：知識用複利生效的世界¶

實現「越用越聰明」的機制有3個。

1. 自動記錄：無需手動操作，所有技能執行結果會累積到檔案和GraphDB
2. 自動注入：下次執行技能時，過去的知識會自動交給 AI。外部研究也會注入投資人的脈絡
3. 自動學習：把失敗圖譜脈絡記錄成「學習」的話，在相同情況下會自動警告

知識是用 複利 生效的。第1次問「Nintendo 怎麼樣？」和第100次問，的回答深度完全不同。持有歷史、買賣根據、過去的失敗、篩選出現頻率——全部作為脈絡累積起來，提升判斷的精確度。

如果 Web 版的 AI 工具是「每次都重置的聰明陌生人」，這個系統就是「記住你的投資判斷的專屬分析師」。

接下來要進入運用 phase¶

本篇文章介紹的知識累積迴圈的實現，意味著 開發大致完成了。8個 Claude Code Skills、15種篩選策略、對應60地區、知識圖譜、Grok 連携、向量搜尋——必要的零件都湊齊了。

接下來要進入 運用 phase。實際每天使用，培養知識圖譜，讓系統越來越聰明。越使用脈絡越厚，建議的精確度也會上升。我認為那個成長過程，正是這個架構的真正價值。

作為個人工具老實說¶

說實話，我也有想過要不要把做到這個程度的東西做成收費服務。但是，提供投資判斷相關輸出的服務可能構成 投資建議的行業，需要金融商品交易法上的登錄。因為會超出個人開發的範圍，所以決定只是 作為個人用的工具 使用。

因為代碼是開源的，想用同樣方式做 Claude Code Skills 投資分析環境的人可以自由參考。

有興趣的朋友歡迎試試看，原始碼已在 GitHub 公開:

• stock_skills
• stock_skills 英文版

注意： 投資為個人責任。本系統的輸出並非投資建議。此外，雖然在 GitHub 公開了原始碼，但不接受任何關於投資成果的諮詢或支援，請僅作為 Skills 的技術參考。

📘 系列文章:

• Vol.1：用 Claude Code Skills 自動化股票篩選
• Vol.2：用 Claude Code Skills 打造「越用越聰明」的投資分析 AI
• Vol.3：Claude Code Skills × 投資分析 Vol.3 — 處方箋引擎・逆勢偵測・標的分群