# Skill 与研究 Prompt

AxonX Skill 说明插件开发、Task 契约、执行与证据检查方法；研究 Prompt 指定要探索的问题。先完成[快速开始](https://flowllm-ai.github.io/AxonX/zh/getting-started/quickstart)，再按[接入总览](https://flowllm-ai.github.io/AxonX/zh/agent/overview)选择外部或内置 Agent。

## 准备开发环境

1. 提供 AxonX 源码仓库与待修改插件。仅安装 Python 包不会提供示例插件源码。
2. 让 Agent 阅读 [AxonX Skill](https://github.com/FlowLLM-AI/AxonX/blob/main/skills/axonx/SKILL.md)，或按宿主支持的机制安装。内置 Agent 也可加载随包提供的[开发与运行指南](https://flowllm-ai.github.io/AxonX/zh/dev_guide)。
3. 提供可访问源码的文件与命令工具。内置 Agent 的 `cwd`、SDK 工具与指南加载分别配置，见[内置配置](https://flowllm-ai.github.io/AxonX/zh/agent/configuration)。
4. 确定执行服务，准备该服务中的插件、依赖和数据。后续安装、提交、等待与查询使用同一目标。

外部 Agent 的模型由宿主配置；内置 Agent 的模型由服务端配置。AxonX 服务 token 与模型凭据分别设置。

## 明确研究目标

| 条件       | 在 Prompt 中说明                             |
| ---------- | -------------------------------------------- |
| 基线与改动 | 使用哪个插件，创建新插件还是优化已有实现     |
| 假设与目标 | 改善执行效率、信号质量还是交易表现           |
| 数据与时点 | 数据快照、股票池、可用历史与信号时点         |
| 窗口与选择 | 训练、验证、开发与独立确认窗口，候选选择规则 |
| 评估口径   | 指标、Top N、交易成本、成交与退出假设        |
| 执行与交付 | 目标服务、代码版本、Task/Run ID 与产物       |

## 可直接使用的示例

```text
阅读 AxonX Skill 与 qlib_a158 源码，开发独立研究插件，
探索残差波动与下行风险能否改善 Alpha158 排序。

仅使用信号时点可得的信息。比较因子时固定数据快照、标签、
样本筛选、训练参数、窗口与交易成本。先明确开发窗口、
候选选择规则和独立确认窗口；缺少必要条件时先列出缺口。

实现并测试量化代码，注册插件，再安装到指定执行服务。
查询该服务的实际 Task Schema，核对上游兼容性，
依次执行 ETL、训练、预测与回测，每次等待上游成功。

保留代码版本、数据设定、参数、成本与真实 Task/Run ID。
报告 RankIC、净收益、回撤、换手、失败与证据限制。
锁定候选后再做独立确认，根据证据提出下一轮改动。
```

也可以指定训练性能优化或持仓策略改进。改特征通常重跑完整研究链；改模型可复用兼容 ETL；改持仓策略可复用兼容预测。是否可复用取决于实际 Task Schema、字段、特征顺序与产物协议。

## 完成一次研究循环

源码修改、执行服务安装与 Task 提交分开完成。代码测试通过说明实现得到检查；研究指标与独立确认决定是否支持改进结论。Task 成功表示执行完成。

开发步骤见[开发与运行指南](https://flowllm-ai.github.io/AxonX/zh/dev_guide)，阶段命令见 [Alpha158 研究流程](https://flowllm-ai.github.io/AxonX/zh/research/workflow)，比较方法见[实验设计](https://flowllm-ai.github.io/AxonX/zh/research/experiments)，完整实例见 [Alpha158 改进实验](https://flowllm-ai.github.io/AxonX/zh/research/alpha158-case)。