每周扫描Skillhub上数百个社区技能，绝大部分是重复造轮子或描述模糊的半成品。本周筛出7个真正值得装的——覆盖AI模型调度、知识管理、学术写作、量化交易、数据分析和DevOps六个方向，每个都有明确的功能边界和实际使用场景。

速查表

技能名	安装命令	一句话价值
Llmrouter	skillhub install llmrouter	按任务复杂度自动路由到不同LLM，简单问题用便宜模型，难题用强模型
para-pkm	skillhub install para-pkm	用PARA框架（项目/领域/资源/归档）系统管理个人知识库
Academic Paper Assistant	skillhub install academic-paper-assistant	中文学术论文全流程助手：结构规划、用语规范、查重检测
preftrade	skillhub install pref	量化研究工具箱，670+功能覆盖数据获取、因子分析、回测全链路
Trading DevBox	skillhub install trading-devbox	自然语言描述交易意图，自动生成可运行策略代码
chat2duckdb	skillhub install chat2duckdb	用自然语言对CSV/Excel/Parquet跑SQL查询，DuckDB引擎加持
Docker	skillhub install docker	容器管理全栈：Compose编排、网络调试、生产环境加固

---

AI模型调度：Llmrouter

用AI Agent做量化研究时有个现实矛盾：简单的数据查询用GPT-4/Claude太贵，但复杂的策略分析又需要强模型。手动切换模型不仅麻烦，还容易忘记切回来。

Llmrouter的核心思路是按复杂度自动分流：

• 简单请求（数据查询、格式转换）→ 路由到低成本模型（如DeepSeek、GLM）
• 中等请求（摘要生成、简单分析）→ 路由到中型模型
• 复杂请求（策略设计、多步推理）→ 路由到强模型（GPT-4、Claude Opus）

适合场景：每天高频调用LLM的Agent系统，月度API账单希望砍掉30%以上。特别是博客自动撰写流水线——信息采集用便宜模型，深度分析用强模型，路由层自动判断。

使用方式：安装后作为Agent的默认LLM入口，所有请求先经过router评估复杂度，再分发到对应模型。可以自定义路由规则和成本阈值。

注意事项：首次使用需要配置各模型的API Key和路由策略表。建议先用默认规则跑一周，观察路由分布后再微调。

---

知识管理：para-pkm

Agent积累的知识越多，检索效率越低。文件堆在一个目录里找不着，用标签系统又容易标签膨胀。PARA框架是Tiago Forte提出的经典方法，把所有信息分成四类：

分类	含义	示例
Projects	有截止日期的活跃项目	本周要交的策略报告
Areas	长期维护的责任领域	量化交易体系、博客运营
Resources	未来可能用到的参考素材	研报合集、论文笔记
Archives	已完成或不再活跃的内容	过期策略、旧版代码

这个技能把PARA框架落地为可操作的Agent指令——创建笔记时自动归入正确分类，定期提醒清理过期Projects，Resources按主题自动聚类。

适合场景：知识来源多（研报、论文、新闻、代码），经常找不到之前整理过的东西。特别是量化研究方向——研报归Resources，策略开发归Projects，交易体系归Areas。

使用方式：

帮我把今天的研报笔记按PARA框架整理
PARA系统健康检查

技能会扫描现有知识库，给出分类建议和整理方案。比手动在Obsidian里拖文件夹效率高很多。

---

学术写作：Academic Paper Assistant

大部分AI写作工具擅长写博客、写邮件，但一到学术论文就露馅——术语不规范、结构散乱、参考文献格式乱七八糟。这个技能专为中文学术写作设计，覆盖论文全生命周期：

核心功能：

• 结构规划 — 根据研究类型（实证/理论/综述）生成章节大纲
• 用语规范 — 自动检测口语化表达，替换为学术用语
• 查重预检 — 标记可能与已发表文献重复的段落
• 参考文献格式化 — 支持GB/T 7714、APA、Chicago等中文期刊常用格式

适合场景：金融工程方向写论文（因子挖掘、策略实证），需要投稿中文核心期刊。以及研究生日常论文写作——不是替你写，而是帮你规范格式和用语。

使用方式：

帮我润色这段论文的学术用语
论文结构规划：基于多因子模型的A股选股策略实证研究

与前作的区别：上周推荐过academic-deep-research-pro（侧重研究过程），这个技能侧重写作输出。两个互补：前者做研究，后者写论文。

---

量化研究：preftrade

量化研究最耗时的不是策略设计，而是数据获取和预处理——拉行情、算因子、对齐时间轴、处理停牌缺失值。preftrade把这些全打包了，号称670+功能。

功能覆盖：

• 数据层 — A股/美股/期货/加密货币的行情数据获取，支持日频/分钟频
• 因子层 — 技术因子、基本面因子、另类数据的计算和标准化
• 回测层 — 事件驱动回测引擎，支持手续费、滑点、涨跌停限制
• 分析层 — 绩效归因、因子IC/IR、风险暴露分析

适合场景：不想从零搭量化框架的散户研究者，或者需要快速验证因子有效性的专业团队。特别是A 股方向——内置了涨停板处理、ST标记、分红除权等本地化逻辑。

使用方式：

获取沪深300成分股最近3年的日频行情
计算动量因子并做分层回测

注意事项：670+功能意味着学习曲线陡峭。建议从数据获取和单因子回测两个最常用场景入手，逐步探索。技能依赖akshare/tushare等数据源，部分数据需要配置token。

---

交易策略开发：Trading DevBox

如果说preftrade是工具箱，Trading DevBox就是创意孵化器。你用自然语言描述交易想法，它自动翻译成可运行的策略代码。

工作流程：

1. 描述策略意图（“买入RSI低于30且成交量放大2倍的股票”）
2. DevBox解析意图，生成Python策略框架
3. 自动接入回测引擎，输出绩效报告
4. 迭代优化参数

适合场景：有交易想法但编程能力有限的交易者，或者想快速验证多个策略假设的专业开发者。从想法到回测结果，传统流程可能要半天，DevBox目标是把这个压缩到几分钟。

使用方式：

策略意图：低PE高ROE的价值股选股策略，每月调仓，持有前20只

DevBox会生成完整的选股+调仓+回测代码，并标注每个模块的作用。

与preftrade的区别：preftrade是”给你工具自己做”，Trading DevBox是”你说想法我来做”。新手用DevBox入门，熟练后用preftrade深度定制。

---

数据分析：chat2duckdb

量化研究和博客运营都绕不开数据分析——回测结果需要统计、网站流量需要看趋势、研报数据需要清洗。传统做法是写pandas代码或用Excel，但面对大文件（几百MB的CSV）就容易卡。

chat2duckdb用DuckDB引擎做底层，支持CSV/JSON/Parquet/Excel多种格式，核心卖点是用自然语言写SQL：

适合场景：

• 快速分析几百MB的回测结果CSV，pandas加载太慢
• 从多个JSON文件中提取关键字段做汇总
• 对策略绩效数据做分组统计和可视化

使用方式：

分析 /tmp/backtest_result.csv，按月份统计平均收益率和最大回撤

技能自动推断表结构，生成DuckDB SQL，执行查询并返回结果。比手动写SQL再跑快很多。

注意事项：DuckDB对中文列名的支持偶尔有问题，建议数据文件用英文列名。复杂分析（多表JOIN、窗口函数）可能需要手动补充SQL。

---

DevOps：Docker

Agent系统跑久了，环境依赖冲突是迟早的事——Python版本不对、系统库缺失、不同项目依赖同一包的不同版本。Docker是标准解决方案，但Docker的命令行参数多到记不住。

这个技能封装了Docker全栈操作：

功能覆盖：

• 容器生命周期管理（创建/启动/停止/删除）
• Compose多容器编排
• 网络配置和调试
• 数据卷管理
• 生产环境加固（资源限制、日志轮转、健康检查）

适合场景：量化研究环境容器化——把回测框架、数据库、Jupyter打包成Compose stack，一键启动/销毁。以及Agent系统的生产部署——把每个Agent服务容器化隔离，避免依赖冲突。

使用方式：

帮我写一个docker-compose.yml，包含PostgreSQL和Python回测环境
检查运行中的容器资源使用情况

为什么推荐社区版：Hermes内置有终端能力，但Docker命令组合复杂（端口映射、Volume挂载、网络配置），这个技能把这些组合知识结构化了，省去查文档的时间。

---

实测总结

技能	实用性	学习成本	深度	日常频率
Llmrouter	★★★★★	中	高	每天
para-pkm	★★★★☆	低	中	每周
Academic Paper Assistant	★★★★☆	低	中	按需
preftrade	★★★★★	高	极高	每天
Trading DevBox	★★★★☆	中	高	每周
chat2duckdb	★★★★★	低	中	每天
Docker	★★★★☆	中	高	每周

本周最值得优先安装：

1. Llmrouter — 如果你的Agent每天调用LLM超过50次，这个技能的省钱效果立竿见影
2. chat2duckdb — 学习成本最低，装完马上就能用，数据分析场景全覆盖
3. preftrade — 量化方向的重武器，学习曲线陡但天花板高

下周继续扫描Skillhub，挖掘更多高价值社区技能。如果你有特定方向的需求（比如想要某个领域的技能推荐），可以留言告诉我。