muxuuu/serenity-skill · 上手攻略

  • 仓库：muxuuu/serenity-skill
  • 链接：https://github.com/muxuuu/serenity-skill
  • 分类：agent（academic-writing · app · Python · MIT）
  • 作者：spark
  • 更新：2026-08-09

⚠️ commit 时戳：本攻略基于 main 分支 SHA c2fe93deedfd0d1bd9fe7ef0601ea1b9c20ea24a（2026-05-05 03:23 UTC，commit message "Make serenity output example more concrete"）。仓库卡片显示「最近提交 2026-05-05」，与 API 完全一致。 ⚠️ 范围声明：Serenity.skill 只做公开资料研究辅助，不替代投资判断；最终交易决策、账户操作、收益承诺始终由用户控制（README 显式声明）。

1. 是什么

muxuuu/serenity-skill 是一个面向 A 股热点产业链研究的 Agent Skill，灵感来自 Serenity / @aleabitoreddit 在 X 上长期围绕 AI 半导体、光通信、机器人、电力设备、创新药等主题做的公开供应链研究方法论。

仓库结构：

serenity-skill/
├── SKILL.md                       # 必需：agent 入口元数据 + 使用说明
├── README.md / README.en.md / README.zh-CN.md
├── references/                    # 深入资料：workflow / evidence ladder / sources / risk
├── assets/                        # 模板：瓶颈评分卡 / prompt pack / thesis 模板
├── scripts/
│   ├── serenity_scorecard.py      # 瓶颈评分卡生成器
│   └── validate_skill.py          # Skill 自校验脚本
├── examples/                      # A 股 AI 半导体 / AI 基建瓶颈 / 对话 demo
└── evals/test-cases.md

核心思路（来自 README / references）：

大行情里真正有价值的机会，常常藏在系统扩张时最难绕开的关键环节。

具体做法 5 步：

  1. 从大热点出发，先看真实需求来自哪里。
  2. 把主题拆成下游需求 → 系统集成 → 芯片/器件 → 设备 → 材料 → 封测 → 基础设施。
  3. 找低供应商数量、长验证周期、扩产困难、客户认证严格、材料纯度要求高的环节。
  4. 回到股票 / 基金方向，判断谁更靠近真实瓶颈，谁只是蹭主题。
  5. 最后检查公告、财报、问询函、订单、产能、客户、风险，给出优先研究排序。

2. 解决什么问题

热点流里大多数人是「刷到 → 焦虑 → 跟买」，凭感觉行动。Serenity.skill 解决三件事：

  1. 从模糊热度到结构化研究：把「AI 半导体火」拆成 7 层产业链，再筛出 5 个值得优先研究的标的。
  2. 从「谁是核心供应商」到「证据够不够」：每个标的要回公告 / 财报 / 问询函 / 互动易 / 招投标 / 环评 / 能评 / 专利 / 客户认证 / 财务质量，把社交媒体当线索、当不了证据。
  3. 从「个股 vs 基金」到「分层暴露」：对主题基金 / ETF，要看底层持仓是不是真的暴露在瓶颈环节，避免买到的是「名字蹭热点」的伪主题产品。

直接复制 README 的「适用场景 vs AI 能干啥」对照：

你的问题 这样问 AI skill 帮你看什么
刷到热点不知从哪下手 「最近 AI 半导体很火，先研究哪些方向？」 拆产业链 → 排需求 / 扩产瓶颈方向
机器人方向分不清谁关键 「机器人产业链里哪些环节可能先出机会？」 比较供需紧张度 / 竞争格局 / 证据强弱
担心某股只是蹭热点 「帮我挑战这家公司是不是 CPO 核心供应商」 产业链位置 / 客户证据 / 收入质量 / 风险
不知主题基金细分方向 「机器人主题基金重点看哪些上游环节？」 找底层持仓真实受益链条，提示要核验的持仓
候选股排序 「比较 A / B / C 三家公司谁上涨逻辑更清楚？」 按产业链位置 / 证据强度 / 估值压力 / 风险排序
想学方法论 「带我学 Serenity 式研究，每次只问一个问题」 热点 → 需求 → 卡点 → 证据 → 风险五步走

3. 快速安装

3.1 把整个 skill 目录拷到 agent 能扫的地方

通用 .agents/skills/（被越来越多客户端扫描）：

# 用户级
SKILL_DIR="$HOME/.agents/skills/serenity-skill"
mkdir -p "$SKILL_DIR"
cp -R SKILL.md LICENSE references assets scripts examples agents "$SKILL_DIR"/

# 项目级（仅当前仓库）
SKILL_DIR=".agents/skills/serenity-skill"
mkdir -p "$SKILL_DIR"
cp -R SKILL.md LICENSE references assets scripts examples agents "$SKILL_DIR"/

Claude 原生目录：

# 用户级
SKILL_DIR="$HOME/.claude/skills/serenity-skill"
mkdir -p "$SKILL_DIR"
cp -R SKILL.md LICENSE references assets scripts examples agents "$SKILL_DIR"/

# 项目级
SKILL_DIR=".claude/skills/serenity-skill"
mkdir -p "$SKILL_DIR"
cp -R SKILL.md LICENSE references assets scripts examples agents "$SKILL_DIR"/

Hermes（research 子目录）：

SKILL_DIR="$HOME/.hermes/skills/research/serenity-skill"
mkdir -p "$SKILL_DIR"
cp -R SKILL.md LICENSE references assets scripts examples agents "$SKILL_DIR"/

README + 维护文档不需要拷到运行目录，仅 GitHub 展示用。

3.2 验证 Skill 结构

python scripts/validate_skill.py .
# 期望：检查 SKILL.md frontmatter / 文件结构 / 引用路径一致

4. 核心用法

4.1 生成瓶颈评分卡

# 生成空模板
python scripts/serenity_scorecard.py --template > my-company.json

# 填字段（产业链位置 / 客户证据 / 订单 / 产能 / 风险等）

# 渲染成 markdown 报告
python scripts/serenity_scorecard.py --format md my-company.json

4.2 提示词模板（来自 assets/research-prompt-pack.md，README 给出 4 个最小骨架）

# 1) 产业链扫描
用 serenity-skill 深度调研现在 A 股 AI 半导体产业链。
请联网查公告、财报、问询函、互动易、招投标、环评/能评、专利、
客户认证和财务质量，先排产业链层级，再找 5 个最值得优先研究的标的，
并说明卡住的环节、产业链位置、证据、排序理由和主要风险。

# 2) 主题方向研究
用 serenity-skill 帮我研究最近机器人方向。
先拆产业链，再判断哪些环节更接近真实供需瓶颈，
最后给出股票和基金方向的优先研究清单。

# 3) 单股挑战
用 serenity-skill 挑战 [公司/股票代码]。
它到底卡在哪一层？证据够不够？市场可能高估了什么？
什么情况说明这个判断应该降级？

# 4) 学习式访谈
带我学 Serenity 式产业链研究，每次只问我一个问题。

4.3 典型输出骨架（来自 README placeholder 示例）

我会先看 [方向 A]，再看 [方向 B] 和 [方向 C]。

如果你想找股票线索，我会优先研究这几家公司：
1. [公司 A]：最接近 [关键瓶颈环节]，上涨逻辑来自 [需求增长 / 产能紧张
   / 客户验证 / 国产替代]。
2. [公司 B]：处在 [产业链位置]，适合跟踪 [订单 / 毛利率 / 产能利用率]。
3. [公司 C]：弹性更大，但需要确认 [核心风险或缺失证据]。

如果你更想买基金或 ETF，我会先看暴露在 [细分方向 A] 和 [细分方向 B] 的
产品，再检查它们的前十大持仓里有没有 [公司 A]、[公司 B] 这类真正靠近
瓶颈的公司。

我会暂时降低 [热门方向 X] 的优先级，因为它的故事很热，但现在还缺
[订单证据 / 利润兑现 / 客户认证]。

下一步先查三件事：
1. [公司 A] 最新财报里 [关键业务] 的收入和毛利率有没有变化。
2. [公司 B] 有没有新的客户认证、订单或扩产公告。
3. [相关基金/ETF] 的持仓是不是集中在真正受益的环节。

完整示例见仓库 examples/：

  • examples/a-share-ai-semiconductor-demo.md
  • examples/ai-infrastructure-chokepoint-demo.md
  • examples/demo-conversation.md

4.4 评分与证据链（references/）

仓库自带的 4 份深度资料（README 显式提到）：

  • references/deep-research-workflow.md：5 步研究流程的细化版本。
  • references/evidence-ladder.md：证据强弱阶梯（公告 / 财报 / 问询函 / 互动易 / 招投标 / 环评 / 能评 / 专利 / 客户认证 / 财务质量 / 媒体）。
  • references/market-source-playbook.md：每个证据源的抓取与核验 SOP。
  • references/public-profile-and-evaluation.md + references/risk-and-compliance.md：把 X 公开账号的方法论抽象为可复用框架，并把合规 / 风险显式列入。

5. 典型适用场景

  • 热点来了不知从哪研究：A 股 AI 半导体 / CPO / 机器人 / 创新药 / 算力 / 电力设备——把 Serenity 的 5 步跑一遍，先出研究清单再决定要不要真下场。
  • 主题基金 / ETF 选品：先看名字 / 跟踪指数 / 行业暴露，再扒前十大持仓是不是真的卡在瓶颈环节。
  • 跟买前「自我挑战」：把已选标的丢给 skill，让它按 evidence ladder 给出「降级触发条件」。
  • 建立团队研究 SOP：把 5 步流程 + evidence ladder 当内部培训教材。

不适合：

  • 想直接拿买卖建议——README 显式声明「最终买卖决策由你自己决定」。
  • 非 A 股 / 非公开市场——大量证据源（问询函 / 互动易 / 环评 / 能评）是中国资本市场特有。

6. 最小可跑命令（含版本）

# 0. 环境
python3 --version    # ≥ 3.9（脚本用标准库即可，无第三方依赖）
# 没有 GPU / CUDA / 模型版本要求——skill 是 prompt + 模板 + 数据源索引，
# 不带模型推理或训练代码。

# 1. 克隆并校验
git clone https://github.com/muxuuu/serenity-skill.git
cd serenity-skill
python3 scripts/validate_skill.py .

# 2. 生成空白评分卡
python3 scripts/serenity_scorecard.py --template > my-company.json

# 3. 安装到 Claude 项目级
SKILL_DIR=".claude/skills/serenity-skill"
mkdir -p "$SKILL_DIR"
cp -R SKILL.md LICENSE references assets scripts examples agents "$SKILL_DIR"/

# 4. 在 Claude Code 里调用
"用 serenity-skill 调研 CPO 方向，先排产业链层级，再给 5 个优先标的"

7. 坑与注意

  1. 范围限定：仅做研究辅助，不替代投资判断。README 反复强调「Research support only」「最终决策由你自己做」。把它当研究报告生成器、不是交易信号器。
  2. 强证据导向：社交媒体（X / 公众号 / 雪球）只当线索；强结论必须落到公告 / 财报 / 问询函 / 监管 / 专利 / 标准。skill 不会替你做这一步核查。
  3. 更新节奏不快：最新 commit 2026-05-05，最近 3 个月没有新功能提交；建议「看 references/ 和 examples/ 是否还贴合当前监管口径」再依赖。
  4. 数据时效：年报 / 季报 / 问询函有时滞，热点变化快；评分卡里的数据需要自己补「截至日期」。
  5. 示例是 placeholder：README 给的样例输出是占位符模板，不是真标的推荐；不要把它当 A 股推荐列表照搬。
  6. 依赖网络访问能力：让 agent 真正查公告 / 财报 / 招投标，需要 agent 本身有联网 / 文件读取 / 浏览器自动化能力；skill 不带这些运行时。
  7. 「Serenity」本身是 X 账号：本 skill 是受其公开方法论启发，不是该账号官方发布；混用容易让读者误以为是官方背书。

8. 与同类对比

维度 muxuuu/serenity-skill libukai/awesome-agent-skills Forward-Future/loopy
形态 垂直领域 Skill（A 股热点研究） awesome 资源合集 Loop Library + skill
是否带运行时 ❌（prompt + 模板 + Python 脚本） ❌（纯文档） ❌（目录站 + skill）
评分工具 ✅（serenity_scorecard.py） ❌ ❌
自校验脚本 ✅（validate_skill.py） ❌ ❌
示例完整度 ✅（3 个完整 demo） 仅目录 仅目录条目
适用边界 A 股 + 公开资料研究 全 agent 生态 通用 loop 工作流

定位差异：Serenity 是「单点垂直打透」，libukai 是「横向生态索引」，loopy 是「通用工作流模板」。

9. 一句话推荐结论

想在 A 股热点里不靠玄学做研究、想把研究流程结构化的人，从 Serenity.skill 入门——它把「产业链拆解 + 证据阶梯 + 瓶颈评分卡」做成可复用的脚本和模板，比裸聊 prompt 稳得多。但请始终把它当研究助手，不当买卖顾问。

附：源链接 / 原始 commit

  • 仓库主页：https://github.com/muxuuu/serenity-skill
  • 灵感来源（README 显式注明，非官方）：https://x.com/aleabitoreddit
  • 完整示例：examples/a-share-ai-semiconductor-demo.md、examples/ai-infrastructure-chokepoint-demo.md、examples/demo-conversation.md
  • 本攻略引用的 commit：c2fe93deedfd0d1bd9fe7ef0601ea1b9c20ea24a（main · 2026-05-05 · "Make serenity output example more concrete"）
  • LICENSE：MIT