#TRAE 的 Skill vs MCP
我想了很久才想象出来如何的去写，两大核心能力——Skill（专业技能封装）与MCP（多源数据连接），分享一下我在金融投研领域的一些实践探索，并阐述为何我认为“两者必须协同发展，缺一不可”。
一、个人认为Skill与MCP：从工具到生态的定位理解
在
智能体架构中，Skill与MCP承担着截然不同但又紧密耦合的角色，
Skill是方法论资产。它将特定领域的专业知识、分析流程和决策逻辑固化为一套可重复调用的标准作业程序（SOP）。例如，“基于单周期数据预测全年趋势”这一复杂分析任务，可以封装成Skill，AI即可按既定规则自动执行，无需人工反复编写提示词。Skill的本质是知识沉淀与复用。
MCP是数据与工具接口。它赋予智能体从外部世界获取信息、操作工具的能力。无论是查询企业工商信息、拉取实时行情，还是对比财务指标，MCP让AI真正拥有“动手能力”，打破信息孤岛。MCP的本质是能力延伸与触达。
用一个我在线下参加trae活动听官方老师分享的，我这边引用一下：Skill是厨师脑海中的菜谱（怎么做），MCP是厨房里的食材与厨具（用什么做）。没有菜谱，空有食材做不出佳肴；没有食材，菜谱只是一纸空文。
二、“跨周期预测”Skill：从单点突破到范式创新
在前期技术研讨中，我们曾讨论过“用最少数据实现跨周期复杂计算”这一课题。基于此，我封装了名为 cross-cycle-extrapolation-engine 的Skill，其核心逻辑如下：
输入：某只股票或可转债30个交易日的日频量价数据（单周期）。
输出：未来250个交易日的趋势预测（跨周期），包含涨跌方向、波动区间及置信水平。
技术架构（为便于理解，此处简化描述）：
频域特征提取：通过傅里叶变换将时域信号映射至频域，提取主周期谐波。
混沌相空间重构：利用C-C方法确定延迟时间与嵌入维数，捕获系统非线性特征。
生成式数据增强：以条件GAN模型基于单周期样本生成多周期合成数据，扩充训练集。
递归神经网络预测：采用LSTM编码器-解码器结构，结合注意力机制实现长期外推。
实战验证：
以某可转债2025年3月数据为输入，模型输出的全年250天趋势预测，与实际走势对比，方向准确率达到85%左右（误差指标在可接受范围内）。该Skill现已固化至TRAE个人工作台，后续分析新标的时，仅需提供30天数据，AI即可自动完成全流程预测，大幅提升投研效率。
三、金融MCP工具库：构建全维度数据底座
仅有方法论而无数据支撑，分析将是无源之水。为此，我在TRAE中集成了6个金融垂直领域的MCP Server，构建了覆盖“公司基本面—市场行情—资金行为”的立体数据体系：
- MCP名称 核心功能 商业价值
-
牛企查 企业工商信息、股权穿透、经营异常监控 快速识别标的公司的信用风险与关联方
-
新浪财经 实时行情、新闻公告、财务摘要 掌握市场动态与舆情变化
-
灵犀金融查询 深度财务数据、估值指标（PE/PB/ROE） 进行同业对比与估值分析
-
融聚汇-金融信息服务 港股、美股、A股全市场覆盖 支持跨市场资产配置研究
-
证券之星 技术指标、资金流向、筹码分布 主力资金动向与市场情绪
-
沪深龙虎榜 游资席位、机构买卖明细 我的打板专用
协同机制：在具体分析任务中，AI通过MCP自动拉取所需数据，随后调用对应Skill进行加工处理，形成“数据采集—模型计算—结论输出”的自动化闭环。
四、实战案例：Skill与MCP的协同效应
案例一：可转债赎回概率预测
业务背景：当可转债触发赎回条款时，发行人有权决定是否公告赎回。提前预判赎回意愿对投资决策至关重要。
执行流程：
MCP数据采集：
牛企查：获取发行人资产负债率、大股东质押比例（负债率高、质押重则赎回意愿强）。
新浪财经：抓取近期公告、互动易问答，分析管理层措辞。
灵犀：计算剩余规模、转股溢价率（规模小、溢价低则转股压力小，更倾向赎回）。
Skill模型分析：调用convertible-bond-redemption Skill，将上述多维特征输入XGBoost分类模型（基于历史两年所有转债案例训练），输出“赎回概率”及关键影响因子。
结果：上周某转债模型预测“大概率赎回”，三天后公司公告实锤，验证了模型的有效性。
案例二：新股跨周期趋势推演
业务背景：某新股上市仅一个月，缺乏长期历史数据，传统方法难以预测全年走势。
执行流程：
MCP数据扩展：
证券之星：获取该股30天量价数据及同行业可比公司走势。
融聚汇：导入宏观经济指标（利率、PMI）作为外生变量。
Skill模型预测：调用cross-cycle-extrapolation-engine Skill，执行前述频域+混沌+GAN+LSTM组合算法，输出全年250天预测曲线及置信区间。
交付成果：生成一份“基于单周期数据的外推分析报告”，为投资决策提供量化参考。
五、为什么必须“两者都要”：商业价值分析
能力 仅有Skill 仅有MCP 两者协同
分析能力 有方法无数据，空转 有数据无深度，浅层 方法+数据，深度洞察
决策支持 理论可行，无法落地 信息堆砌，缺乏洞见 可落地的决策依据
可复制性 需人工适配数据源 需人工处理数据 全自动流水线，高效复用
边际成本 每次分析需重新找数 每次分析需重新建模 一次封装，无限调用
协同效应：MCP负责从外部世界“采集原料”，Skill负责“加工成品”。智能体在接收到任务指令后，可自主完成数据获取、模型调用、结果输出全流程，真正实现“意图驱动”的智能投研。
六、
基于上述实践，我对朋友的提出几点建议：
Skill建设宜精不宜多：优先将日常高频、重复性的分析任务（如财报解读、技术指标扫描、舆情量化）封装为Skill，形成个人的“方法库”。
MCP按需挂载，兼顾广度与深度：根据业务场景选择核心数据源，同时保持对新兴数据接口的开放接入能力。
建立Skill与MCP的元数据管理：记录每个Skill依赖的数据字段、每个MCP提供的数据维度，便于智能体自动编排。
重视结果可解释性：在Skill输出中增加特征贡献度、置信区间等信息，辅助人工决策，避免黑箱风险。
最后，TRAE的Skill+MCP架构，本质上是在构建一个“可生长的投研大脑”——方法论不断沉淀，数据触角持续延伸。对于像我这样具备一定编程思维但不愿陷入代码细节的金融从业者，它让我们能够将精力聚焦于“如何分析”的本质问题，而非“如何实现”的技术细节。
- 期待与各位在TRAE生态中共同探索更多“Skill+MCP”的协同场景，让智能投研真正走向工业化、自动化。