Agent Skills
› eosphoros-ai/DB-GPT
› financial-report-analyzer
financial-report-analyzer
GitHub该技能用于深度分析上市公司财报,通过脚本提取财务数据、计算核心比率并生成可视化图表。结合行业背景撰写多维度分析报告,最终利用HTML模板渲染专业报告卡片,辅助用户快速掌握企业经营状况与风险。
Trigger Scenarios
需要分析上市公司年度报告或季度报告
请求提取关键财务指标和计算财务比率
要求生成可视化的财务分析报告
Install
npx skills add eosphoros-ai/DB-GPT --skill financial-report-analyzer -g -y
SKILL.md
Frontmatter
{
"name": "financial-report-analyzer",
"description": "专门用于上市公司财报(如年度报告、季度报告)的深度分析。该技能能够自动提取关键财务指标,计算核心财务比率,生成可视化图表,并结合行业背景生成专业的财务分析报告。"
}
财报分析技能 (Financial Report Analyzer)
本技能旨在帮助 DB-GPT 系统化地分析上市公司财报,通过提取核心数据、计算财务比率、生成可视化图表并结合业务背景,产出高质量的财务分析报告。
核心工作流程
-
数据提取与结构化:
- 使用
execute_skill_script_file工具执行scripts/extract_financials.py脚本,传入财报文件路径(file_path参数),自动提取营收、净利润、资产、负债等核心数值。 - 脚本支持 PDF 文件(通过 pdfplumber 解析)和纯文本文件,返回 JSON 格式的结构化数据。
- 使用
-
财务比率计算:
- 使用
execute_skill_script_file执行scripts/calculate_ratios.py,传入 Step 1 的 JSON 数据。 - 自动计算毛利率、净利率、ROE、资产负债率等关键指标,输出 30 个模板占位符键值。
- 参考
references/financial_metrics.md确保指标定义的准确性。 - 系统会自动保存返回的 JSON 结果(
react_state["ratio_data"]),后续 html_interpreter 会自动合并。
- 使用
-
图表生成:
- 使用
execute_skill_script_file执行scripts/generate_charts.py,传入 Step 1 的 JSON 数据。 - 自动生成 3 张可视化图表:
financial_overview.png:核心财务指标对比柱状图profitability.png:盈利能力指标横向条形图asset_structure.png:资产结构环形饼图
- 系统会自动将图片复制到静态目录并记录 URL 映射(
react_state["image_url_map"]),后续 html_interpreter 会自动合并。
- 使用
-
深度分析:
- 遵循
references/analysis_framework.md提供的框架,从盈利质量、偿债风险、营运效率和现金流四个维度进行深度剖析。 - 结合"经营情况讨论与分析"章节,解释业绩变动的核心驱动因素。
- 撰写以下 7 段分析文本:
PROFITABILITY_ANALYSIS:盈利能力分析SOLVENCY_ANALYSIS:偿债与风险分析EFFICIENCY_ANALYSIS:营运效率分析CASHFLOW_ANALYSIS:现金流与利润质量分析ADVANTAGES_LIST:核心优势列表(HTML<li>格式)RISKS_LIST:主要风险列表(HTML<li>格式)OVERALL_ASSESSMENT:综合评价
- 遵循
-
渲染报告:
- 调用
html_interpreter,使用template_path模式:{ "template_path": "financial-report-analyzer/templates/report_template.html", "data": { "PROFITABILITY_ANALYSIS": "LLM撰写的盈利能力分析...", "SOLVENCY_ANALYSIS": "LLM撰写的偿债分析...", "EFFICIENCY_ANALYSIS": "LLM撰写的营运效率分析...", "CASHFLOW_ANALYSIS": "LLM撰写的现金流分析...", "ADVANTAGES_LIST": "<li>优势1</li><li>优势2</li>", "RISKS_LIST": "<li>风险1</li><li>风险2</li>", "OVERALL_ASSESSMENT": "LLM撰写的综合评价..." }, "title": "XX公司 2023年度财报分析报告" } - 重要:
data字典中只需传入你撰写的 7 段分析文本!后端会自动合并:- Step 2 的 30 个数据指标(COMPANY_NAME、REVENUE、NET_PROFIT 等)
- Step 3 的图表 URL(CHART_FINANCIAL_OVERVIEW、CHART_PROFITABILITY、CHART_ASSET_STRUCTURE)
- 绝对不要在
data中包含数据指标或图表路径,否则 JSON 过大会导致截断。
- 调用
-
完成:
- 调用
terminate返回 1-2 句话的简短摘要。 - 报告会以卡片形式展示在左侧面板,用户点击卡片即可在右侧面板查看完整报告。
- 调用
完整流程示例
Step 1: execute_skill_script_file(skill_name="financial-report-analyzer", script_file_name="extract_financials.py", args={"file_path": "/path/to/report.pdf"})
→ 返回 JSON: {"revenue": 10500000000, "net_profit": 1200000000, ...} (记为 raw_data)
Step 2: execute_skill_script_file(skill_name="financial-report-analyzer", script_file_name="calculate_ratios.py", args=<raw_data>)
→ 返回 30 个模板键值,系统自动记录到 react_state["ratio_data"]
Step 3: execute_skill_script_file(skill_name="financial-report-analyzer", script_file_name="generate_charts.py", args=<raw_data>)
→ 生成图表,系统自动复制到 /images/ 并记录 URL 映射
Step 4: (LLM 自行撰写 7 段深度分析文本)
Step 5: html_interpreter(template_path="financial-report-analyzer/templates/report_template.html", data={仅包含 7 段分析文本}, title="报告标题")
→ 后端自动合并数据指标 + 图表 URL + 分析文本,渲染完整报告
Step 6: terminate(result="简短摘要")
资源使用说明
- 脚本(均通过
execute_skill_script_file执行):scripts/extract_financials.py:接收file_path参数,读取财报文件(支持 PDF 和文本格式),提取核心财务数据。scripts/calculate_ratios.py:计算财务比率,输出 30 个模板占位符键值。系统自动记录结果。scripts/generate_charts.py:生成 3 张可视化图表(matplotlib),系统自动处理图片复制。scripts/fill_template.py:(备用)接收ratio_data、chart_paths、analysis三个参数,读取 HTML 模板并替换所有占位符。正常情况下不需要使用此脚本,因为 html_interpreter 的 template_path 模式会自动完成模板填充。
- 参考:
references/financial_metrics.md:包含公式定义。references/analysis_framework.md:包含分析逻辑。
- 模板:
templates/report_template.html:最终交付报告的 HTML 模板(必须严格遵循,不得删减章节或修改表格结构)。由 html_interpreter 的 template_path 参数自动读取并填充。templates/report_template.md:Markdown 版本,仅供参考结构说明。
注意事项
- 必须使用
execute_skill_script_file执行脚本(不要用 shell_interpreter),因为execute_skill_script_file会自动处理图片复制和数据记录。 - 脚本提取可能受排版影响,建议在计算前人工核对提取的关键数值。
- 始终关注"非经常性损益",以评估公司核心业务的真实盈利能力。
- 对比至少三年的历史数据,以识别趋势。
generate_charts.py依赖 matplotlib,请确保环境中已安装该库。
Version History
- 177bfc8 Current 2026-07-05 09:27


