visualization
Routes visualization requests for A-share stocks and indices to the correct charting pipeline.
Install
mkdir -p .claude/skills/visualization && curl -L -o skill.zip "https://agentskills.codes/api/skills/download/11008" && unzip -o skill.zip -d .claude/skills/visualization && rm skill.zipInstalls to .claude/skills/visualization
Activation
This is the description your AI agent reads to decide when to run this skill — the better it matches your request, the more reliably it fires.
构建并路由 A 股可视化任务到 `utils/visualizers` 与 `utils/visualizer_manager.py` 的正确图表管线。用于用户请求个股、指数、板块、市场情绪或模型结果图表，且需要判断所需输入字段、方法选择与输出格式（嵌入式 HTML 或 ECharts 选项）。Key capabilities
- →Route visualization requests
- →Validate data contracts
- →Generate embeddable HTML
- →Produce ECharts options
How it works
It routes requests to specific visualizers after validating data against defined contracts.
Inputs & outputs
When to use visualization
- →Visualizing stock k-lines
- →Comparing market indices
- →Displaying sentiment data
About this skill
# A 股可视化
将可视化请求路由到稳定的图表 API。 在绘图前校验数据契约，并输出前端可直接使用的结果。
<!-- 工作流程 --># 工作流程
- 按领域分类请求。
- 选择精确的图表 API。
- 校验必需字段与数据质量。
- 生成符合约定的输出格式。
- 报告限制与降级行为。
# 步骤 1：分类请求
将请求映射到一个领域：
stock：个股 K 线、换手率、多股对比、新高股视图index：指数 K 线、多指数对比、盘中成交量对比sector：板块 K 线、成交额榜、排行、分布market：情绪、涨跌停、炸板、连板梯队model：模型选股结果可视化
不确定时先查看 references/api-map.md。
# 步骤 2：选择 API
优先使用 VisualizerManager 的门面方法。
仅在管理器未覆盖所需变体时直接调用可视化器方法。
关键路由规则：
- K 线相关优先使用
UniversalKlineChart.plot_kline_with_volume系列。 - 前端需要 ECharts 选项时使用
IndexVisualizer.get_multi_index_kline_options。 - 前端需要嵌入式 HTML 时使用
plot_*().render_embed()路径。
# 步骤 3：校验数据契约
绘图前执行以下检查：
- 数据框非空。
- 必需字段存在。
- 日期字段排序与字符串格式归一。
# 使用方法
使用：
ChartUtils.validate_data_columnsChartUtils.prepare_chart_data
所需字段参考 references/data-contracts.md。
# 步骤 4：生成输出
返回以下之一：
embedded_html：render_embed()返回的字符串，用于直接页面渲染echarts_option：前端自定义渲染使用的dictchart_map：多组件 HTML 字典（市场元数据组）
必须说明：
- 使用的方法
- 必需输入字段
- 已知限制或降级模式
# 步骤 5：处理失败
失败需要明确、可执行：
- 空输入：返回简洁的“无数据”提示。
- 缺字段：列出缺失字段。
- 不支持请求：给出最接近的可支持图表及所需补充数据。
避免静默失败。
<!-- 参考资料 --># 参考资料
references/api-map.md：领域到方法的路由表references/data-contracts.md：各图表所需字段契约references/output-contract.md：返回类型与前端集成约定
# 资源文件
assets/visualization-request-template.md：可复用的请求模板
# 脚本扩展（新增图表能力）
新增图表函数请放在：
scripts/chart_*.py- 每个脚本通过
CHART_SPECS暴露图表函数（推荐）或使用plot_*函数自动注册
运行时入口：
scripts/visualization_gateway.pyutils/visualizer_manager.pyVisualizerManager.list_skill_charts()VisualizerManager.render_skill_chart(chart_id, **kwargs)
建议约定：
- 图表函数返回
embedded_html（字符串）或echarts_option（dict） - 函数参数使用显式命名，避免隐式全局状态
- 对空数据/缺字段返回清晰错误信息
When not to use it
- →Raw data processing
- →Database management
Prerequisites
Limitations
- →Requires valid data input
- →Limited to supported chart types
How it compares
It provides a standardized pipeline for A-share market data visualization.
Compared to similar skills
visualization side by side with the closest alternatives in the catalog.
| Skill | Installs | Updated | Safety | Difficulty |
|---|---|---|---|---|
| visualization (this skill) | 0 | 4mo | Review | Intermediate |
| quant-analyst | 103 | 2mo | No flags | Advanced |
| streamlit | 86 | 9mo | No flags | Intermediate |
| stock-analyzer | 71 | 2mo | Review | Beginner |
Try saying
Example prompts that trigger this skill in your AI assistant.
You might also like
quant-analyst
zenobi-us
Expert quantitative analyst specializing in financial modeling, algorithmic trading, and risk analytics. Masters statistical methods, derivatives pricing, and high-frequency trading with focus on mathematical rigor, performance optimization, and profitable strategy development.
streamlit
sverzijl
When working with Streamlit web apps, data dashboards, ML/AI app UIs, interactive Python visualizations, or building data science applications with Python
stock-analyzer
FrancyJGLisboa
Provides comprehensive technical analysis for stocks and ETFs using RSI, MACD, Bollinger Bands, and other indicators. Activates when user requests stock analysis, technical indicators, trading signals, or market data for specific ticker symbols.
openalex-database
davila7
Query and analyze scholarly literature using the OpenAlex database. This skill should be used when searching for academic papers, analyzing research trends, finding works by authors or institutions, tracking citations, discovering open access publications, or conducting bibliometric analysis across 240M+ scholarly works. Use for literature searches, research output analysis, citation analysis, and academic database queries.
backtesting-frameworks
wshobson
Build robust backtesting systems for trading strategies with proper handling of look-ahead bias, survivorship bias, and transaction costs. Use when developing trading algorithms, validating strategies, or building backtesting infrastructure.
csv-data-summarizer
coffeefuelbump
Analyzes CSV files, generates summary stats, and plots quick visualizations using Python and pandas.