创业的顶级 Skill 包

01 / AI Earnings Tracker —— 财报季的雷达系统

📍 GitHub · 9 Stars · MIT 协议 🔗 原始链接 tech-earnings-deepdive-openclaw-skill 🛡️ CocoLoop 安全评级 A级（代码规范，依赖可靠）

每次财报季，投资者面临的最大问题不是信息不足，而是信息过载。一家科技公司发布财报，往往包含几十页的数据、管理层讨论、附注说明。你需要在几小时内做出买入、持有还是卖出的决定——而你的竞争对手是量化基金和机构投资者，他们有整个团队在做这件事。

AI Earnings Tracker 是一个机构级的财报分析框架。它不提供简单的 summarizing，而是用一套系统化的方法拆解财报：16 个分析模块覆盖收入结构、毛利率变化、现金流质量、资本支出效率等核心维度；6 种估值方法（DCF、P/E、EV/EBITDA 等）交叉验证；还有一个反偏见检查清单，帮你在情绪高涨或恐慌时保持理性。

它的工作原理是基于 Day1Global 投资框架。这个框架原本是为机构投资者设计的，强调从第一天就开始关注长期价值驱动因素。Skill 会把财报数据输入这个框架，自动生成分析报告，并标记出需要特别关注的异常点。

这个 Skill 适合长期投资者，特别是那些关注科技股、愿意深入研究基本面的人。如果你是短线交易者，它可能帮不上太多——因为它的价值在于帮你避免冲动决策，而不是预测短期价格波动。

实测下来，最有用的功能是「Pre-Mortem」工具。它会假设你的投资决定是错误的，然后倒推可能的原因。这种反向思考的方式，能有效对冲确认偏误——人总是倾向于寻找支持自己观点的证据。

CocoLoop 安全检查详情：来自个人开发者（T3 来源），但代码质量良好。使用 MIT 协议开源，无危险函数，无数据上传行为。唯一需要注意的是，它需要你自行提供财报数据（PDF 或文本），不会自动抓取。

使用建议：不要完全依赖它的估值结果，把它当作一个「检查清单」，帮你不遗漏关键信息。

02 / Personal Knowledge Base (RAG) —— 你的第二大脑基础设施

📍 GitHub · 162 Stars · 活跃维护 🔗 原始链接 agent-second-brain 🛡️ CocoLoop 安全评级 A级（社区认可度高，无恶意代码）

做研究最大的痛点是什么？是看了几百篇文章，却记不住关键信息。是想到一个点子，却想不起三个月前在哪看过类似的观点。是笔记越记越多，但检索时却找不到想要的内容。

Personal Knowledge Base 解决的就是这个问题。它是一个完整的知识管理系统：你可以通过 Telegram 发送语音笔记、文章链接、图片，它会自动提取关键信息、分类归档、生成摘要。更厉害的是，它基于 RAG（检索增强生成）技术，支持语义搜索——你不需要记住关键词，只需要描述你在找什么，它就能帮你找到相关内容。

它的技术架构很有意思。底层是一个向量数据库，会把你的所有笔记转换成向量嵌入。这些嵌入不是基于关键词，而是基于语义——所以即使你用的词和原文不同，也能找到相关内容。系统还会根据艾宾浩斯遗忘曲线提醒你复习，并给你的知识库打一个「健康分」，告诉你哪些领域积累足够、哪些还有空白。

这个 Skill 适合所有需要处理大量信息的人：研究者、投资者、内容创作者、学生。只要你有一个「收集-整理-回顾」的知识管理需求，它都能帮上忙。

实测下来，最实用的场景是会议记录。打开语音，录完整场会议，它会自动转录、提取行动项、归档到对应的项目文件夹。再也不用花半小时整理会议笔记了。

CocoLoop 安全检查详情：来自活跃社区开发者（T2 来源），162 Stars，持续维护。代码开源可查，依赖版本锁定。需要你自行配置 Telegram Bot 和 Todoist API，数据存储在本地或你指定的云服务。

使用建议：刚开始用时不要贪多，先专注于一个领域（比如「投资研究」或「项目笔记」），等流程跑顺了再扩展。

03 / Market Research & Product Factory —— 从痛点到 MVP 的生产线

📍 GitHub · 开源免费 🔗 原始链接 openclaw-research-skills 🛡️ CocoLoop 安全评级 B级（功能涉及社交媒体数据抓取，建议审查后使用）

很多人想创业或做 Side Project，但第一步就卡住了——不知道做什么。他们有的从自身痛点出发（「我需要一个 XXX」），有的从趋势报告找灵感（「AI 是风口，做一个 AI 相关的」）。但这些方法都有一个问题：它们验证的是「你觉得」有需求，而不是「市场真的有」需求。

Market Research & Product Factory 的思路不同。它会去 Reddit、X（Twitter）等社区挖掘真实的用户痛点——人们在抱怨什么？在求助什么？什么问题是反复出现但没人解决的？然后它会帮你分析这些痛点的市场规模、竞争格局，甚至直接生成一个 MVP 原型。

它的工作原理分三步：第一步是数据收集，用 Last 30 Days 等工具抓取相关话题；第二步是痛点提取，用 NLP 技术分析帖子的情感和主题；第三步是产品生成，基于痛点描述自动生成 PRD 和代码框架。整个过程是半自动的——AI 负责信息收集和初步分析，人类负责判断和决策。

这个 Skill 适合创业者、产品经理、独立开发者。如果你正在寻找下一个项目方向，或者想验证一个想法是否有市场需求，它能帮你省掉大量的前期调研时间。

不过要提醒一点：社交媒体上的「痛点」往往是情绪化的，不代表真实的市场需求。有些人抱怨某个问题，但真让你推出解决方案，他们可能根本不愿意付费。所以这个 Skill 的输出应该被视为「线索」而不是「结论」，真正的验证还需要你做更深入的用户访谈。

CocoLoop 安全检查详情：来自个人开发者（T3 来源），代码相对简单。需要注意的是，它涉及社交媒体数据抓取，可能违反某些平台的服务条款。建议在使用前了解相关法规，并在测试环境先行验证。

使用建议：把它当作「灵感来源」而不是「决策依据」。发现潜在痛点后，务必做独立的用户验证。

04 / Pre-Build Idea Validator —— 创业想法的守门员

📍 基于 Skill 描述文档 🔗 原始链接 待补充（社区/个人开发） 🛡️ CocoLoop 安全评级 待认证（建议审查后使用）

你有没有过这种经历：想到一个「绝妙」的创意，兴冲冲地花了三个月做出来，结果发现市场上已经有五六个成熟产品在做了？或者更糟糕——你花了一年时间打磨，发布后发现根本没人需要？

Pre-Build Idea Validator 就是用来避免这种情况的。它的逻辑很简单：在你开始写代码之前，先做一个全面的「市场扫描」。它会自动搜索 GitHub、Hacker News、npm、PyPI、Product Hunt 等平台，看是否已经有类似的产品。如果市场上已经有很多竞品，它会劝你停下；如果空间相对开放，它会给你开绿灯。

它的价值不只是「避免重复造轮子」，更重要的是帮你判断「时机」。有些想法很好，但太早了（市场还没准备好）；有些想法也不错，但太晚了（已经有巨头占领市场）。这个 Skill 会基于搜索结果的「拥挤程度」给出一个简单的 Go/No-Go 建议。

技术上，它主要靠多平台 API 调用和数据整合。GitHub 看代码实现，HN 看技术社区讨论，npm/PyPI 看开发者工具链，Product Hunt 看产品化程度。综合这些信息，它能给你一个相对全面的市场画像。

这个 Skill 适合所有想在业余时间做 Side Project 的人。特别是那些「有个想法但不确定是否值得投入」的阶段，它能帮你快速做出判断。

但要注意它的局限性：它只能告诉你「有没有竞品」，不能告诉你「竞品做得好不好」，更不能告诉你「用户愿不愿意为你的版本付费」。所以它应该作为「第一道筛选」，而不是「最终决策依据」。

CocoLoop 安全检查详情：目前来源待确认，建议在使用前进行独立审查。需要访问多个外部 API，注意 API 密钥的安全管理。

使用建议：如果它说「市场拥挤」，认真考虑是否还有差异化空间；如果它说「机会开放」，也不要盲目乐观，进一步做用户调研。

05 / Semantic Memory Search —— 让记忆可被语义检索

🔗 原始链接 openclaw-skill-vector-memory 🛡️ CocoLoop 安全评级 A级（纯本地处理，无数据上传）

个人知识库最大的问题是「存进去容易，找出来难」。你记得三个月前看过一篇关于「注意力机制」的好文章，但不记得标题，也不记得作者。用关键词搜索，试了十几个词都找不到。最后只能放弃，重新去 Google 搜——结果找到的还是原来那篇。

Semantic Memory Search 解决的就是这个检索问题。它不是基于关键词匹配，而是基于语义理解。你搜索「神经网络怎么处理长序列依赖」，即使原文用的是「RNN 的梯度消失问题」或「Transformer 的自注意力机制」，它也能找到相关内容——因为它理解这些概念在语义上是相关的。

它的技术原理是向量嵌入（vector embedding）。它会把你所有的笔记、聊天记录、文档都转换成高维向量，这些向量捕捉了文本的语义信息。搜索时，你的查询也会被转换成向量，然后系统会找出「距离最近」的向量——也就是语义最相关的内容。

这个 Skill 适合所有使用 OpenClaw 做深度研究的人。如果你经常和 Agent 进行长时间的对话，讨论复杂的话题，它能把这些对话变成一个可检索的知识库。以后再遇到相关问题时，你可以直接问「我们之前是怎么讨论 XXX 的？」，它会帮你找到当时的上下文。

实测下来，最有用的场景是跨文档关联。比如你在看一篇新论文时，发现提到的一个概念好像之前在哪见过。用这个 Skill 搜索，能帮你快速定位到几个月前的笔记，甚至能发现「原来这个概念在这三篇不同领域的论文里都出现过」。

CocoLoop 安全检查详情：来自个人开发者（T3 来源），代码简单透明。所有处理都在本地完成，不会上传数据到第三方。需要你自行配置向量数据库（如 Chroma）。

使用建议：首次索引可能需要一些时间（取决于你的笔记数量）。建议定期重新索引，保持搜索质量。