a-stock-data 深度评测:11,557 Star 的 A 股数据技能,212 条测试 7.5 秒全绿,4 个端点在海外连不上

a-stock-data 深度评测:11,557 Star 的 A 股数据技能,212 条测试 7.5 秒全绿,4 个端点在海外连不上

让 AI 帮你查一只 A 股,最容易翻车的不是模型算错,而是它压根拿不到数。

你要的「茅台现在多少倍市盈率」,藏在腾讯一段用波浪线隔开的旧式中文编码文本里;研报 PDF 要带对来源页的请求头才肯给;涨停池换了三个域名;北向资金要算一个本地签名。每接一个源就换一套暗号,最后还是自己在写爬虫。

a-stock-data 想把这堆暗号一次打包:一个 Markdown 文件,里面内嵌 91 段可以直接跑的 Python,15 层数据、87 个入口、34 个数据源,除语义搜索外全部免钥匙。我在隔离沙箱里 clone 下来,跑了它自带的 212 条测试,又逐个调了十几类真实接口。结论先给:能用的接口确实快,快到 1 秒出数;但它在海外网络下有 4 个端点直接不可用,而且这个 44 万字节的文件本身是它最大的成本。

它到底是什么

先把话说清楚:这不是一个可以 import 的库,也不是 pip 安装的包。

它是一个技能说明书(skill,指写给 AI 编程助手看的操作手册):根目录一个 SKILL.md,正文讲清楚每类数据该去哪个源、用哪个参数,每讲完一类就附一段完整可运行的 Python。说白了,它不是让你装的东西,是让 AI 照着抄的菜谱。AI 读到哪一段,就把那段代码抄进自己的脚本里执行。

这种形态的好处很实在:拷贝一个文件就能用,不联网装包,不依赖版本升级。坏处同样实在,后面实测部分会算给你看。

数据按十五层组织,你可以理解成十五个抽屉:

层 抽屉里有什么 主用来源
1 行情 实时价/市盈率/市值/换手率、日周月与分钟 K 线、当日逐笔、复权因子 腾讯、通达信官网、百度、新浪
2 研报 个股与行业研报、PDF 下载、三年盈利预测、研报列表 东财、新浪、同花顺
3 信号 强势股与题材归因、北向资金、龙虎榜、解禁、板块资金流 同花顺、东财
4 资金面 融资融券、大宗交易、股东户数、分红、筹码分布、场内指数基金份额 东财、上交所、深交所
5 新闻 个股新闻、财联社电报、7×24 快讯、新闻联播文字稿 财联社、东财、央视网
6 基础数据 财报三表、估值历史、上市退市日、行业变迁、ST 名单 新浪、baostock、申万
7–10 公告、涨停池、指数基金期权、互动问答与热榜 巨潮、东财、同花顺、上交所
11–12 社融、PMI、国债收益率曲线、LPR、指数成分与交易日历 人行、统计局、中债、深交所
13–15 期货与大宗、业绩预告与增减持、可转债 五家期交所、东财

作者在文档最前面写了一条设计原则,我觉得是这份文件里最值钱的部分:能用腾讯和交易所官方,就别用东财。

原因不复杂。东财(东方财富)的接口好用但共用一套风控,同一台机器请求太快会成片失联,恢复要等半小时以上;腾讯行情和交易所官网基本不限速。所以文件里给所有东财请求都套了一个统一入口,强制串行、每次至少间隔一秒再加随机抖动,附赠连接复用。我在沙箱里连着发了 12 次东财请求,21.4 秒全部成功,一次没被拦——这条限流是真生效的,不是文档里写写而已。

实测:13 类接口真实取数

测试环境是隔离沙箱(一次性的运行目录,跑完即删),独立虚拟环境装了它自带的依赖,2026 年 11 月 6 日晚间实测。

它自带的测试套件一共 212 条,我原样跑了一遍:

项目 结果
用例数 212 条
耗时 7.5 秒
结果 全部通过,4 条按设计跳过(联网用例需手动开环境变量)
覆盖方式 直接抽取说明书里的代码执行,另有本地存好的真实响应做对照

这个细节值得说一句。它不是另写一套实现再测试,而是从说明书的代码块里按函数名抽出来跑。换句话说,文档里印的代码和被测的代码是同一份,不会出现「文档里的示例早就跑不通了」那种典型失修。91 个代码块我单独做了一次语法检查,全部通过。

然后是真实取数。13 类接口,逐个记录耗时和拿到的量:

接口用途 实测耗时 拿到什么
实时行情(4 只:茅台、平安银行、上证指数、胜宏科技) 0.85 秒 价格、市盈率、换手率齐全
日 K 线(茅台 5 根) 1.15 秒 开高低收量,带来源链接与取数时间
分钟 K 线(1 分钟 3 根) 1.35 秒 含换手率
当日逐笔成交(茅台) 20.3 秒 4,282 笔
个股研报(东财) 1.1 秒 100 篇
研报列表(新浪,第二来源) 1.9 秒 39 篇
东财数据中心(连发 12 次) 21.4 秒 12 次全成功
LPR 全历史 6.9 秒 1,539 行
可转债条款与溢价率 12.2 秒 318 只
全球宏观日历 4.5 秒 236 条
国债与信用债收益率曲线 2.4 秒 66 行
官方交易日历(2026 年 11 月) 1.0 秒 30 个交易日
估值历史(baostock,一个免注册的行情数据库) 5.0 秒 21 行,含市盈率、市净率、换手率、停牌与 ST 标记
财联社电报 0.87 秒 5 条

数字之外还有两件事被我特意验了。

一是两个源对不对得上。实时行情和日 K 线来自腾讯的两个不同接口,我用茅台、平安银行、胜宏科技、沪深 300 指数基金四只对照,收盘价逐位相同,4 比 4 一致。这意味着你可以放心用日 K 线补历史、用实时快照补当下,不会出现两套价格打架。

二是最近一次的修复是否真的落地。仓库最新版 v3.10.4 说修了基金复权(复权就是把分红和折算带来的价格跳空拉平,让历史曲线可比):场内基金原来只读了折算比例里的一个字段,导致复权等于没做。我拿沪深 300 的一只场内基金(代码 513100)验证,读到的份额折算比例是 5,折算前的价格 1.0 被正确换算成 0.2。修的是真的。

失败面:4 个端点在海外网络下不可用

这是我认为评测里最该讲的部分,因为它直接决定你能不能用。

同样在沙箱里、同样的网络,有 4 个入口直接失败:

接口用途 实测表现
全市场当日日线(通达信官网盘后包) 10.2 秒后连接超时,服务器不可达
申万行业变迁史 60.3 秒后连接超时,服务器不可达
通达信财务快照与 F10 文字(走 7709 端口的二进制协议) 列出的服务器全部连不上
上证 e 互动问答 请求跑完 20.7 秒,返回 0 条,不报错

前三个是同一个原因:这些站点的服务器在境内,海外出口过去连不上。文档里其实主动写了这一点,通达信那一段的报错文案就是「海外网络通常全部超时,请走国内代理」。所以这不算骗人,但它决定了这套东西的适用边界——你的机器如果在境外云上,第 1、6 层的若干入口先天残废。

第四个更值得警惕。它不超时、不报错,只是安静地返回空表。这类失败最容易被误读成「今天没人提问」。文件作者显然知道这个坑,因为他在别处专门加了一条纪律:认不出时间格式时要抛错,不能悄悄变成一列空值。但这条纪律没覆盖到网络层的空结果,我这次就撞上了。

还有两处不那么严重的翻车点,一并记下:

  • 说明书里有些段落依赖前面的公共辅助函数。我统计了 69 个含函数定义的代码块,只有 13 个(19%)能独立运行,另外 56 个必须先执行文件里更早的公共部分,中位数缺 2 个函数、最多缺 10 个。给 AI 的说法是「按表定位只读对应层」,可实际抄代码时,你得连辅助段一起抄。
  • 一部分能力锁在可选依赖里。我按文档只装了最基础的两个包,测试直接报了 14 个错误,全是因为缺一个读写表格文件的库。补装之后才全绿。

代价:11.8 万 token 的说明书

说完能力,必须算成本账,因为这份文件是每次都要塞进 AI 上下文的东西(上下文即模型一次能记住的内容上限)。

指标 实测值
文件体积 442,341 字节
行数 7,703 行
内嵌 Python 段 91 段、5,949 行代码,占全文 77%
估算 token 约 11.8 万
版本数 29 个(从 v1.0 到 v3.10.4)

11.8 万 token 是什么概念?主流编码助手一次能装 20 万上下,这一份文件就吃掉一半以上,剩下的空间还得留给你的项目代码和对话。作者自己也知道,FAQ 里直说了这是有意的产品决策:为了「拷一个文件就能用」,不做目录拆分。

他给的两个降耗办法是实在的:一是把触发条件收窄,不需要取数的话题不会误加载;二是不装成自动触发的技能,需要时让 AI 按需读某一层。第二个办法我认,但要配合上面那条「辅助函数不独立」的发现一起用——按需读一层,往往还得再往前翻一段公共代码。

好在补救手段是现成的:顶层有一张按章节定位的总表,89 行,约 2,500 token。让 AI 先读这张表、再精确读某一层,才是这份文件最省的用法。单看某一层,大多数在 1,000 到 16,000 token 之间。

跟同类比,适合谁

A 股数据的免费方案,常见的有三类:一类是靠 pip 安装的封装库(典型是 akshare 与 tushare 这种聚合成一个包的),一类是券商的付费数据接口,一类是这类「给 AI 读的说明书」。

  • 封装库:安装即用、函数齐全,但版本一升就断,而且 AI 得先学会这套库的 API。断源的时候你只能等作者更新。
  • 券商接口:稳定、口径权威,但门槛在开户和权限,个人开发者基本拿不到。
  • 这份说明书:底层请求地址和参数完全裸露,断了你能自己改;代价是文件大、入口多、得自己判断该读哪段。

适合谁:想让 AI 助手直接查 A 股数据的人;做研究脚本、需要多源交叉验证的人;机器在境内、能用上官网包与通达信协议的人。

不适合谁:只想导入一个包、写一句取数的;机器在境外云上、需要第 1 层全市场日线和第 6 层财务快照的;上下文预算紧张、又不想手动管加载范围的。

判断

给它一个明确的定位:这是一份工程质量明显高于同类的说明书,但「一份文件解决所有需求」的形态,把成本从安装阶段一次性挪到了每次对话里。

值得肯定的部分很硬:212 条测试 7.5 秒全绿,且测的就是文档里印的代码;13 类接口在 1 到 20 秒内真实出数;两套价格源逐位一致;基金复权这类细账修得动;东财限流实测有效。它 179 天里发了 29 个版本、2 天前还在推送,维护节奏是真的。

要留心的部分同样具体:4 个入口在海外网络下不可用,其中「上证 e 互动」会静默返回空表;81% 的代码块离开前置辅助函数跑不动;补装可选依赖之前,测试会当场报 14 个错。

我的用法建议是三条:装上但不设自动触发;每次先让它读顶层那张定位表;国内机器优先,境外机器把第 1、6 层里依赖境内官网和通达信协议的入口当成「没有」。

相关阅读:本站此前评测过 同花顺金融数据接口(仓库已 404,但 55 个工具仍在线),以及 riskbound 仓位规则工具——同样是「测试全绿但结论要看口径」的例子。

关注 AI商业快讯,每天一篇 AI 热点深度解读。

—

资料来源:项目主页 https://github.com/simonlin1212/a-stock-data(Apache-2.0,星数 11,557,2026-11-06 读取);版本历史与端点清单来自仓库的版本日志与技能文件;其余耗时、行数、通过数与失败面均为本机沙箱实测。

Caveman 实测:99k Star 的洞穴人 skill,砍掉 65% 输出 token,代理输入也省 33%

Caveman 实测:99k Star 的洞穴人 skill,砍掉 65% 输出 token,代理输入也省 33%

AI 编程代理的账单正在失控。一个中度使用 Claude Code 的开发者,日均消耗 50 万 token,按 Claude Sonnet 5 定价月费约 $150。重度用户日均 200 万 token,月费突破 $600。而这些 token 里,至少 40% 是”废话”——客套话、填充词、重复解释、格式修饰。

JuliusBrussee 在 2026 年 4 月发布的 Caveman skill,用一个激进的思路解决了这个问题:让 AI 说”洞穴语”。去掉所有修饰,只留技术实质。结果?输出 token 平均减少 65%。这个 skill 在 4 个月内拿到 99,628 颗星,成为 GitHub 上增长最快的 AI skill 之一。

但输出压缩只是故事的一半。2026 年 8 月发布的 Caveman 2.0 新增了本地代理(Proxy),可以压缩 Agent 读入的内容——包括工具返回的日志、JSON 配置、代码文件。在官方基准测试中,代理输入 token 减少了 33.2%,且所有 18 个精确答案检查全部通过。

Caveman 怎么工作的?

Caveman 分两层运作:输出 skill(原始功能)和输入代理(2.0 新增)。

输出 Skill:让模型少说话

核心机制是一份 ~5KB 的系统提示词(SKILL.md),注入到 Agent 的上下文中。这份提示词定义了一套”洞穴语”写作规则:

  • 删除冠词(a/an/the)、填充词(just/really/basically)、客套话(sure/certainly/happy to)
  • 允许片段句、短同义词(big 代替 extensive)
  • 禁止工具调用前的解说、装饰性表格、冗长错误日志
  • 保留全部技术实质:代码块、API 名、错误信息、数字原样不动
  • 支持 6 种强度:lite / full(默认) / ultra / wenyan-lite / wenyan-full / wenyan-ultra

例如,解释”React 组件为什么重渲染”:

普通回答(69 token):

The reason your React component is re-rendering is likely because you’re creating a new object reference on each render cycle. When you pass an inline object as a prop, React’s shallow comparison sees it as a different object every time, which triggers a re-render. I’d recommend using useMemo to memoize the object.

Caveman 回答(19 token):

New object ref each render. Inline object prop = new ref = re-render. Wrap in useMemo.

同一个修复方案,token 消耗减少 72%。

输入代理:让模型少读东西

Caveman 2.0 的核心创新是本地代理(Caveman Proxy)。它以 sidecar 模式运行在你的机器上,Agent 的所有 API 请求都经过它转发。代理对不同类型的载荷(payload)执行针对性压缩:

载荷类型 保留内容 压缩目标
JSON 键、结构、错误子树;折叠重复数组 70–90%
日志 错误、堆栈、首尾行;丢弃 INFO 和进度噪声 85–95%
代码 import、签名、类型;省略函数体 40–70%
Diff 文件/块头和变更行;省略重复上下文 60–80%
搜索结果 顶部/底部命中 + 诊断/安全命中 80–95%
文本/HTML 标题、首尾上下文、重要段落 50–80%

关键安全机制:CCR(Content-Addressed Recovery)。原始字节在任何有损变换之前,先存入本地磁盘的内容寻址存储。Agent 通过 caveman_retrieve 随时取回原始数据。解析失败或压缩后更大时,直接透传原始字节。

还有一个大胆的功能:Pixel 模式。将密集文本渲染成 PNG 图片,让视觉模型直接”看图”而非读文本。在 63.7k 字符的 JSON 工具目录上,55,413 个文本 token 被压缩为 11,402 个图片 token,减少 79%。

功能拆解

1. 输出 Skill(原始功能)

一句话:让 AI 用洞穴语回答,输出 token 平均减 65%。

  • 6 种强度级别,从轻度去修饰(lite)到中文文言文(wenyan)
  • 代码块、命令、错误信息完全保留,不压缩技术内容
  • 支持 30+ Agent:Claude Code、Codex、Gemini CLI、Cursor、Windsurf、Cline 等
  • 附带子命令:/caveman-commit(简洁提交信息)、/caveman-review(一行审查)

适用场景:日常编码对话、代码审查、文档生成——所有”输出长、重复多”的场景。

2. Caveman Proxy(2.0 输入压缩)

一句话:本地代理压缩 Agent 读入的所有内容,输入 token 减 33.2%。

  • 基于 Go 的本地代理,零云端依赖
  • 8 个原生 wrap 配置:Claude Code、Codex、Gemini CLI、Aider、opencode、Hermes、OpenClaw、Pi
  • caveman learn 扫描历史会话,输出 token 消耗排名和优化建议
  • caveman learn implement 让 Agent 自己修复发现的问题,逐个确认

适用场景:长会话、大量工具调用、日志密集型任务——所有”输入 token 爆炸”的场景。

3. Pixel 模式

一句话:把文本渲染成 PNG,用视觉 token 替代文本 token。

  • 只在长行密集内容上有利(JSON 工具目录、长日志)
  • 短行稀疏代码不划算,PNG 开销超过节省
  • 通过 caveman convert 可以将 SKILL.md 本身转为图片,省 61%

适用场景:大量 JSON/日志处理、工具 schema 注入。

4. 辅助工具集

工具 功能
caveman learn 扫描真实历史,输出 Cave Score + token 浪费排名
caveman shrink 压缩命令输出,可恢复
caveman browse 本地 Chrome 的压缩 a11y 树,121 token vs Playwright 的 15,704 token
caveman mem 持久化记忆,支持原始字节恢复
caveman trial A/B 测试真实会话
caveman stats 查看实际压缩统计

实测数据

输出压缩:官方 Benchmark

Caveman 仓库提供了 10 个标准化任务的对比数据:

任务 普通输出 (token) Caveman 输出 (token) 节省
解释 React 重渲染 1180 159 87%
修复 auth 中间件 704 121 83%
PostgreSQL 连接池 2347 380 84%
Git rebase vs merge 702 292 58%
回调重构为 async/await 387 301 22%
微服务 vs 单体架构 446 310 30%
PR 安全审查 678 398 41%
Docker 多阶段构建 1042 290 72%
PostgreSQL 竞态调试 1200 232 81%
React Error Boundary 3454 456 87%
平均 1214 294 65%

诚实数字警告:输出 skill 本身每次对话增加 ~1–1.5k 输入 token(SKILL.md 注入成本)。如果输出本身已经很简洁,净节省可能为负。官方建议:对你的实际工作负载做 A/B 测试。

输入压缩:Wrap Benchmark

在 6 个确定性工具输出负载上,54 次运行(每个 arm 18 次)的对比:

指标 数值
直连 Claude Code 输入 token 885,793
Caveman 代理输入 token 591,673
减少比例 33.2%
95% 置信区间 14.6% – 48.5%
精确答案通过率 18/18(100%)

分负载看,日志压缩最猛(50.2%),JSON/YAML 次之(26–46%),HTML 因无压缩变换反而微增(-9.9%)。

成本估算

以 Claude Sonnet 5 定价(输入 $3/M,输出 $15/M)计算:

场景 日均 token 无 Caveman 月费 有 Caveman 月费 月省
轻度(50万输入+10万输出) 60万 $195 $145 $50
中度(200万输入+50万输出) 250万 $750 $525 $225
重度(500万输入+200万输出) 700万 $1,800 $1,260 $540

注:以上为理想情况。实际节省取决于输出长度、会话长度、负载类型。如果输出已经很简洁,skill 的固定输入成本可能超过节省。

一个真实例子

Before(无 Caveman):

I’d be happy to help you debug that race condition. The issue you’re experiencing is likely caused by multiple concurrent writes to the same database record without proper locking. Let me walk you through the fix step by step. First, we need to add a mutex lock around the critical section…

After(Caveman full):

Race condition: concurrent writes without lock. Add mutex around critical section:
mu.Lock()
defer mu.Unlock()
Check isolation level — READ COMMITTED may still allow phantom reads.

同样的诊断,从 5 行客套变成 3 行干货。

安装 + 适用场景 + 结语

安装

输出 Skill(最简单):

npx skills add JuliusBrussee/caveman

一行命令,立即生效。Claude Code 用户也可以:

claude plugin marketplace add JuliusBrussee/caveman && claude plugin install caveman@caveman

输入代理(完整安装):

npm install -g @caveman-ai/cli && caveman setup --install
caveman claude        # 你的 agent 名

谁最适合用?

  • 高频 AI 编程用户(日均 >100 次对话):输出 + 输入双压缩,月省 $50–500+
  • 长会话重度用户(单会话 >50 轮):输入压缩效果随会话长度递增
  • 日志/JSON 密集型任务:代理对这类负载压缩 50–95%
  • 成本敏感的团队:统一部署到所有开发者,集体省钱

谁不需要?

  • 短问答为主的轻度用户:skill 固定输入成本可能吃掉节省
  • 按请求计费的平台(如 GitHub Copilot):缩短回答不减少请求数
  • 输出已经很简洁的 Agent:净节省可能为负

对不同角色的意义

  • 个人开发者:每月省 $50–200,相当于免费用一个月 Claude Pro
  • 技术团队:10 人团队年省 $6,000–60,000,够雇一个初级工程师
  • AI 产品经理:理解 token 经济学,优化 Agent 的成本结构

结语

Caveman 从一个 meme 级的”洞穴语”提示词,演变成了一个完整的 token 优化系统。输出压缩 65%、输入压缩 33%、Pixel 模式 79%——这些数字背后是扎实的工程:内容寻址恢复、按类型压缩、A/B 基准测试框架。

它不是银弹。短会话、简洁输出、按请求计费的场景下可能净亏损。但对于日均百万 token 级别的重度用户,Caveman 可能是目前 ROI 最高的 AI 成本优化工具。

GitHub 仓库:JuliusBrussee/caveman(99,628★,MIT + BSL 双许可)

延伸阅读:

本文数据来源:JuliusBrussee/caveman GitHub 仓库 README、docs/HONEST-NUMBERS.md、docs/WRAP-BENCHMARK.md。所有基准测试数据均为官方发布,未独立验证。作者使用过 Caveman skill 进行实际编码工作。