可以讓你的agent來調公告和年報啦～
整理版優先睇
ClawShire 將公告年報結構化，透過 MCP 等接口俾 Agent 穩定調用
呢篇文章介紹 ClawShire，一個專為金融文檔設計嘅數據生產平台。作者係 ClawShire 團隊，佢哋想解決 A 股公告同年報呢類公開資訊好難直接被程式同 AI Agent 穩定調用嘅問題。傳統做法係人去網站揾 PDF，但對於批量追蹤、自動化分析嚟講，呢種方式太低效。ClawShire 嘅結論係：將公告年報變成結構化數據，再透過 API、CLI、Skills 同 MCP 等多種方式，將同一套能力交付畀系統、腳本同 Agent。
ClawShire 覆蓋滬深北三市、100+ 公告類別，公告發布後 1-3 分鐘內推送，截至而家累計入庫公告 32.5w+，2025 年報季覆蓋 5516 份年報、5381 間公司。佢嘅價值在於將金融文檔從「人揾文件」轉變成「系統同 Agent 穩定調用嘅數據層」。文中特別強調 MCP 呢個新入口，因為佢符合 Agent 原生工作方式，支援自動發現工具同參數 schema，令 Agent 可以直接對話查公告、分析年報。
總括嚟講，ClawShire 唔係普通公告網站，而係一套金融文檔嘅基礎設施。如果你需要持續、批量、自動化處理公告年報，呢個平台就好啱用；但如果你只係間中睇一份公告，普通入口就夠。文章尾段提醒，工具提升效率，最終判斷仍然要人負責。
- ClawShire 生產公告年報結構化數據，讓系統同 Agent 可以穩定調用，唔再靠手動下載 PDF。
- 接入方式多樣：API 適合系統集成、CLI 適合腳本、Skills 封裝工作流、MCP 對應 Agent 原生協議。
- MCP 入口可自動發現工具、讀取參數 schema，Agent 可直接透過對話查詢公告、分析年報。
- 覆蓋範圍廣：三地市場、100+ 公告類別、1-3 分鐘推送，年報季已處理超過 5500 份年報。
- 使用邊界清晰：工具提升效率，但最終投資決策仍需核對官方披露文件，人負責判斷。
MCP 接入 ClawShire
用 streamable-http 方式連接：URL Bearer 你的 API Key。支援 Claude Code、Codex、Cursor 等客戶端。
ClawShire CLI
安裝：uv tool install clawshire-cli；配置：clawshire auth；常用指令：clawshire notice search --keyword 688506 --format json
Skills 安裝指令
裝完 CLI 後，執行 npx skills add memect/clawshire-cli -y -g，Agent 就可以按自然語言意圖調用 ClawShire 工作流。
點解需要有公告年報嘅結構化數據層？
如果只係久唔久睇一份公告，普通入口就夠。但真實業務好多需求係「睇一眼」以外嘅：每日追蹤某類公告、按公司代碼批量查記錄、將公告原文字段抽成結構化結果，甚至交俾 Agent 自動完成。呢啲時候，問題就變成數據能唔穩定攞到、字段能唔結構化、調用方式能唔能被程式複用。
嗰啲常見痛點：公告分散喺唔同入口、PDF 難直接入程序、年報太長定位慢、公告類型同披露日期要重新整理。缺咗一層穩定嘅文檔數據能力，下游系統好難真正跑起。
ClawShire 係咩？三層結構
ClawShire 可以理解成三層。第一層係金融文檔數據生產：持續抽取上市公司公告、年報，整理成結構化數據。第二層係統一結構化數據層：輸出字段、證據鏈、校驗結果同 JSON。第三層係 Agent-friendly 交付：同一套數據能力可以透過唔同入口使用。
覆蓋滬深北三市、100+ 公告類別，公告發布後 1-3 分鐘內推送
累計入庫公告 32.5w+，2025 年報季覆蓋 5516 份年報、5381 間公司
佢唔係單純公告查詢頁面，而係畀系統、腳本同 Agent 都用得嘅數據基礎設施。
最新重點：MCP 入口
MCP（Model Context Protocol）係 AI Agent 連接外部工具嘅標準協議。ClawShire MCP 將已經穩定嘅公告查詢、年報定位、年報分析同文檔抽取能力，放到一個更適合 Agent 調用嘅入口。
支援 streamable-http 傳輸，Authorization Bearer 放 API Key
claude mcp add --transport http clawshire \
https://api.clawshire.cn/mcp \
--header "Authorization: Bearer CLAWSHIRE_API_KEY"接好之後，Agent 就可以直接調用 MCP 工具：search_announcements、get_stock_announcements、list_latest_reports、submit_analysis 等。
真實工作流示範
例如你想查「2026-05-06 至 2026-05-07 同股權激勵相關嘅 A 股公告」，直接向 Agent 講就得。Agent 會自動揀 search_announcements 工具，提交參數包括日期、關鍵詞、頁面大小。
Agent 唔再需要自己估網頁結構，亦唔使臨時解析 PDF
想分析比亞迪 2024 年年報嘅財務風險？Agent 會按順序調用：list_latest_reports 定位年報 -> submit_analysis 提交任務 -> get_analysis_result 輪詢結果。呢個過程唔止省步驟，更重要係 Agent 拎到穩定數據再做後續分析。
- 投研人員：快速定位公司公告、年報同關鍵變化
- 風控團隊：監控公告、追蹤風險事件、建立自動化提醒
- 數據工程師：接入腳本、定時任務同內部數據管道
- AI Agent 開發者：作為金融文檔工具層，令 Agent 具備穩定查詢同分析能力
其他接入方式同使用邊界
除咗 MCP，ClawShire 仲提供 API、CLI 同 Skills。API 適合後端系統同定時任務；CLI 適合本地調試同 CI；Skills 適合將流程封裝畀 Agent。你可以按場景揀最啱嘅方式。
最終判斷仍然需要人嚟負責，工具只係提升效率
ClawShire 使用公開披露信息，可以提升效率，但唔可以取代正式文件同專業判斷。涉及投資決策、審計判斷時，一定要返去官方文件核實。
data matters
金融文件，係投研、風控、財務分析同 AI Agent 工作流嘅核心輸入。
但 A 股公告同年報呢類公開披露資訊，喺真實使用時成日會卡喺好具體嘅地方：
公告分散喺唔同入口； PDF 可以下載，但唔方便直接入程序； 年報篇幅好長，人手閲讀同定位都好慢； 公告類型、公司代碼、披露日期、原文連結、結構化字段，需要重新整理； Agent 想分析公司，但係缺少穩定、可調用、可追蹤嘅數據入口。
缺一層穩定嘅金融文件數據能力，下游嘅投研系統、風控監控、年報分析同 Agent 自動化就好難真正運行得順。
ClawShire 解決嘅就係呢件事。
佢唔係一個單純嘅公告查詢頁面，亦唔係淨係提供 PDF 下載連結。
ClawShire 係一個面向金融文件嘅數據生產同 Agent-friendly 接入平台。
佢持續生產公告、年報等金融文件結構化數據，並透過 API、CLI、Skills、MCP 等方式，將同一套能力交付畀系統、腳本同 Agent。
官網畀出嘅定位好直接：
生產金融文件數據，交畀 Agent 穩定調用。
截至現時官網展示，ClawShire 已覆蓋滬深北三個市場、100+ 公告類別，公告發布後 1-3 分鐘內推送；累計入庫公告 32.5w+，2025 年報季覆蓋 5516 份年報、5381 間公司。
01━━━點解需要呢層能力
如果淨係間中睇一份公告，打開普通公告入口就夠喇。
但真實業務入面，好多需求並唔係「睇一眼」。
比如：
每日追蹤某類公告； 按公司代碼批量查歷史披露； 將公告原文入面嘅字段提取成結構化結果； 定位某間公司某一年的年報； 發起年報財務風險分析； 將呢啲動作交畀 Agent 自動完成。
呢個時候，問題就唔係「邊度睇到 PDF」，而係：
數據可唔可以穩定拎到； 字段可唔可以結構化； 調用方式可唔可以被程序重複用； Agent 可唔可以自己發現工具、理解參數、發起調用； 結果可唔可以繼續交畀後續分析鏈路。
ClawShire 嘅價值，係將公告同年報從「人去網頁入面揾文件」，變成「系統同 Agent 可以穩定調用嘅數據層」。
02━━━ClawShire 係咩
ClawShire 可以理解成三層次。
第一層，係金融文件數據生產。
佢持續抽取上市公司公告、年報等公開披露文件，將原文、公司資訊、公告類別、發布日期、原文連結等內容整理成結構化數據。
第二層，係統一結構化數據層。
公告、年報同文件抽取結果，唔再淨係 PDF 或網頁，而係可以被程序使用嘅字段、證據鏈、校驗結果同 JSON 輸出。
第三層，係 Agent-friendly 交付。
同一套數據能力，可以透過唔同入口使用：
呢個亦係 ClawShire 同普通公告網站唔同嘅地方。
佢唔係淨係畀人睇，而係畀系統、腳本同 Agent 都用得。
03━━━最新用法：MCP
今次更加值得關注嘅係 MCP。
MCP，全名係 Model Context Protocol，可以理解成 AI Agent 連接外部工具、數據源同業務系統嘅一套標準協議。
大模型本身擅長理解、推理同生成文本，但佢冇辦法憑空訪問真實業務系統。
例如查詢公告、定位年報、解析 PDF、發起年報分析任務，呢啲都需要外部工具嚟完成。
ClawShire MCP 做嘅嘢，就係將已經穩定咗嘅公告查詢、年報定位、年報分析同文件抽取能力，放到一個更適合 Agent 調用嘅標準入口上面。
最快接入方式：
URL: https://api.clawshire.cn/mcp
Transport: streamable-http
Authorization: Bearer CLAWSHIRE_API_KEY如果你用 Claude Code：
claude mcp add --transport http clawshire \
https://api.clawshire.cn/mcp \
--header "Authorization: Bearer CLAWSHIRE_API_KEY"如果你用 Codex：
export CLAWSHIRE_API_KEY="你的 ClawShire API Key"
codex mcp add clawshire \
--url https://api.clawshire.cn/mcp \
--bearer-token-env-var CLAWSHIRE_API_KEY如果你用 Cursor、OpenCode、Cherry Studio 呢類支援遠程 MCP 嘅客戶端，本質上都係填寫同一組資訊：
接好之後，Agent 就可以喺對話入面直接調用公告、年報、年報分析同公告 Wiki 相關工具。
首批工具包括：
04━━━點解唔係淨係用 API、CLI 或 Skills
API、CLI、Skills 都有價值。
但佢哋解決嘅係唔同層次嘅問題。
API 適合系統集成。
佢穩定、直接，適合後端服務、內部系統同批量任務。但 API 本身唔負責工具發現，亦唔負責話畀 Agent「幾時應該調用邊個工具」。
CLI 適合終端同腳本。
佢確定性強、可重現，適合 CI、定時任務同本地自動化。但佢仍然係命令行式入口，唔係 Agent 原生嘅工具協議。
Skills 適合將業務流程封裝畀 Agent。
佢可以將「查詢公告」「定位年報」「發起分析」呢啲動作包裝成更高層嘅工作流，但依賴具體客戶端嘅技能安裝鏈路。
MCP 嘅位置更加接近 Agent 嘅原生工作方式。
支援 MCP 嘅客戶端可以自動發現工具、讀取參數 schema、通過標準協議調用遠程服務。
所以今次 MCP 嘅意義唔係「又多咗一個入口」，而係同一套 ClawShire 能力多咗一個更加貼近 Agent 使用習慣嘅入口。
05━━━一個真實工作流
例如你想畀 Agent 查詢一段時間內同「股權激勵」相關嘅 A 股公告。
以前嘅流程可能係：
打開網站； 篩選日期； 搜尋關鍵詞； 逐條打開公告； 複製結果； 再畀 AI 幫你總結。
接入 ClawShire MCP 之後，你可以直接對 Agent 講：
查詢 2026-05-06 到 2026-05-07 含“股權激勵”關鍵詞的 A 股公告，列出前 5 條。Agent 會選擇 search_announcements 工具，並提交類似咁嘅參數：
{
"params": {
"start_date": "2026-05-06",
"end_date": "2026-05-07",
"keyword": "股權激勵",
"page_size": 5
},
"rationale": "查詢股權激勵相關公告"
}如果你想分析一間公司嘅年報，都可以直接講：
幫我分析比亞迪 2024 年年報的財務風險。Agent 會依次調用：
list_latest_reports：定位年報，拎到 met_uuidsubmit_analysis：提交年報分析任務 get_analysis_result：輪詢任務狀態，獲取分析結果
更重要嘅係，Agent 唔再需要自己估網頁結構，亦唔需要臨時解析 PDF。
佢只需要通過 MCP 調用明確嘅工具，拎到穩定嘅數據結果，再繼續做分析、比較、總結同預警。
06━━━佢適合邊啲場景
ClawShire 比較適合幾類場景。
投研人員可以用佢快速定位公司公告、年報同關鍵變化。
風控團隊可以用佢監控公司公告、追蹤風險事件、建立自動化提醒。
財務分析人員可以用佢批量處理年報，減少重複下載同人工整理。
數據工程師可以將佢接入腳本、定時任務同內部數據管道。
AI Agent 開發者可以將佢作為金融文件工具層，令 Agent 具備穩定查詢公告同分析年報嘅能力。
企業系統開發者可以先後 CLI 驗證流程，再接入 API、Skills 或 MCP。
簡單講：
如果你嘅工作只係不定期人工睇一份公告，普通公告入口就夠喇。
如果你需要持續、批量、自動化咁處理公告同年報，ClawShire 呢類數據層就會變得很有價值。
07━━━其他接入方式
MCP 更加適合已經喺 Agent 客戶端入面工作嘅用戶。
但 ClawShire 唔係淨係可以通過 MCP 使用。
如果你嘅場景更加偏系統集成、腳本自動化或技能安裝，都可以選擇 API、CLI 或 Skills。
API：適合系統集成
API 更加適合後端系統、定時任務、內部平台同批量數據管道。
基本步驟係：
打開 ClawShire 註冊 / 登入頁，生成並激活 API Key 喺請求頭入面帶上 Authorization: Bearer CLAWSHIRE_API_KEY調用公告、年報或文件抽取相關接口
一個最簡單嘅請求大概係咁：
GET /api/v1/announcements?stock_code=688506
Authorization: Bearer CLAWSHIRE_API_KEY詳細教學： https://clawshire.cn/blog/quickstart
CLI：適合終端、腳本同批處理
CLI 更加適合本地調試、腳本執行、CI 任務同 Agent Shell。
安裝方式：
uv tool install clawshire-cli配置 API Key：
clawshire auth常用命令示例：
clawshire notice search --keyword 688506 --format json
clawshire annual-report latest --year 2025詳細教學： https://clawshire.cn/blog/clawshire-cli-quickstart
Skills：適合將流程交畀 Agent
Skills 更加適合想畀 Agent 按自然語言意圖調用 ClawShire 工作流嘅用戶。
新版 Skills 依賴本地 clawshire 命令，所以要先安裝 CLI：
uv tool install clawshire-cli再配置 API Key：
clawshire auth然後安裝 Skills bundle：
npx skills add memect/clawshire-cli -y -g安裝之後，Agent 就可以將「查公告」「揾年報」「發起年報分析」呢類自然語言請求，路由到對應嘅 ClawShire 工作流。
Skills 接入頁： https://clawshire.cn/skill
08━━━點解佢適合 Agent 工作流
好多人做金融 Agent 嘅時候，會先將注意力放喺大模型本身。
但真實落地嘅時候，模型能力只係其中一部分。
更加關鍵嘅問題係：
Agent 到底可唔可以拎到可靠數據； 可唔可以知道自己應該調用邊個工具； 可唔可以將同一件事重複執行； 可唔可以將結果交畀下一步流程繼續處理。
ClawShire 補嘅係呢層基礎設施。
唔係畀 AI「憑感覺分析公司」，而係畀 AI 先穩定拎到公告同年報數據，再基於數據做分析。
09━━━使用邊界
ClawShire 使用嘅係公開披露資訊。
佢可以提升公告查詢、年報定位、結構化處理同 AI 分析嘅效率，但唔可以取代正式嘅資訊披露文件，亦唔可以取代專業嘅投資、法律、審計或財務判斷。
涉及投資決策、審計判斷同重大業務決策嘅時候，仍然需要返去官方披露文件進行核實。
呢一點好重要。
工具嘅價值，係將重複、低效、難以自動化嘅部分交畀系統處理。
最終判斷，仍然需要人嚟負責。
10━━━項目入口
官網： https://clawshire.cn
產品博客： https://clawshire.cn/blog
MCP 接入： https://api.clawshire.cn/mcp
CLI GitHub： https://github.com/memect/clawshire-cli
PyPI： https://pypi.org/project/clawshire-cli/
歡迎入羣交流
data matters
金融文檔，是投研、風控、財務分析和 AI Agent 工作流的核心輸入。
但 A 股公告和年報這類公開披露信息，在真實使用時經常會卡在很具體的地方：
公告分散在不同入口裏； PDF 能下載，但不方便直接進入程序； 年報篇幅很長，人工閲讀和定位都很慢； 公告類型、公司代碼、披露日期、原文連結、結構化字段，需要重新整理； Agent 想分析公司，卻缺少穩定、可調用、可追蹤的數據入口。
缺一層穩定的金融文檔數據能力，下游的投研系統、風控監控、年報分析和 Agent 自動化就很難真正跑起來。
ClawShire 解決的就是這件事。
它不是一個單純的公告查詢頁面，也不是隻提供 PDF 下載連結。
ClawShire 是一個面向金融文檔的數據生產與 Agent-friendly 接入平台。
它持續生產公告、年報等金融文檔結構化數據，並通過 API、CLI、Skills、MCP 等方式，把同一套能力交付給系統、腳本和 Agent。
官網給出的定位很直接：
生產金融文檔數據，交給 Agent 穩定調用。
截至當前官網展示，ClawShire 已覆蓋滬深北三市、100+ 公告類別，公告發布後 1-3 分鐘內推送；累計入庫公告 32.5w+，2025 年報季覆蓋 5516 份年報、5381 家公司。
01━━━為什麼需要這層能力
如果只是偶爾看一份公告，打開普通公告入口就夠了。
但真實業務裏，很多需求並不是“看一眼”。
比如：
每天追蹤某類公告； 按公司代碼批量查歷史披露； 把公告原文裏的字段提取成結構化結果； 定位某家公司某一年的年報； 發起年報財務風險分析； 把這些動作交給 Agent 自動完成。
這時候，問題就不是“哪裏能看到 PDF”，而是：
數據能不能穩定拿到； 字段能不能結構化； 調用方式能不能被程序複用； Agent 能不能自己發現工具、理解參數、發起調用； 結果能不能繼續交給後續分析鏈路。
ClawShire 的價值，是把公告和年報從“人去網頁裏找文件”，變成“系統和 Agent 可以穩定調用的數據層”。
02━━━ClawShire 是什麼
ClawShire 可以理解成三層。
第一層，是金融文檔數據生產。
它持續抽取上市公司公告、年報等公開披露文檔，把原文、公司信息、公告類別、發佈日期、原文連結等內容整理成結構化數據。
第二層，是統一結構化數據層。
公告、年報和文檔抽取結果，不再只是 PDF 或網頁，而是可以被程序消費的字段、證據鏈、校驗結果和 JSON 輸出。
第三層，是 Agent-friendly 交付。
同一套數據能力，可以通過不同入口使用：
這也是 ClawShire 和普通公告網站不一樣的地方。
它不是隻讓人看，而是讓系統、腳本和 Agent 都能用。
03━━━最新用法：MCP
這次更值得關注的是 MCP。
MCP，全稱 Model Context Protocol，可以理解成 AI Agent 連接外部工具、數據源和業務系統的一套標準協議。
大模型本身擅長理解、推理和生成文本，但它不能憑空訪問真實業務系統。
比如查詢公告、定位年報、解析 PDF、發起年報分析任務，這些都需要外部工具來完成。
ClawShire MCP 做的事，就是把已經穩定的公告查詢、年報定位、年報分析和文檔抽取能力，放到一個更適合 Agent 調用的標準入口上。
最快接入方式：
URL: https://api.clawshire.cn/mcp
Transport: streamable-http
Authorization: Bearer CLAWSHIRE_API_KEY如果你使用 Claude Code：
claude mcp add --transport http clawshire \
https://api.clawshire.cn/mcp \
--header "Authorization: Bearer CLAWSHIRE_API_KEY"如果你使用 Codex：
export CLAWSHIRE_API_KEY="你的 ClawShire API Key"
codex mcp add clawshire \
--url https://api.clawshire.cn/mcp \
--bearer-token-env-var CLAWSHIRE_API_KEY如果你使用 Cursor、OpenCode、Cherry Studio 這類支持遠程 MCP 的客戶端，本質上也是填寫同一組信息：
接好以後，Agent 就可以在對話中直接調用公告、年報、年報分析和公告 Wiki 相關工具。
首批工具包括：
04━━━為什麼不是隻用 API、CLI 或 Skills
API、CLI、Skills 都有價值。
但它們解決的是不同層次的問題。
API 適合系統集成。
它穩定、直接，適合後端服務、內部系統和批量任務。但 API 本身不負責工具發現，也不負責告訴 Agent “什麼時候該調用哪個工具”。
CLI 適合終端和腳本。
它確定性強、可復現，適合 CI、定時任務和本地自動化。但它仍然是命令式入口，不是 Agent 原生的工具協議。
Skills 適合把業務流程封裝給 Agent。
它可以把“查詢公告”“定位年報”“發起分析”這些動作包裝成更高層的工作流，但依賴具體客戶端的技能安裝鏈路。
MCP 的位置更靠近 Agent 的原生工作方式。
支持 MCP 的客戶端可以自動發現工具、讀取參數 schema、通過標準協議調用遠程服務。
所以這次 MCP 的意義不是“又多了一個入口”，而是同一套 ClawShire 能力多了一個更貼近 Agent 使用習慣的入口。
05━━━一個真實工作流
比如你想讓 Agent 查詢一段時間內和“股權激勵”相關的 A 股公告。
過去的流程可能是：
打開網站； 篩選日期； 搜索關鍵詞； 逐條打開公告； 複製結果； 再讓 AI 幫你總結。
接入 ClawShire MCP 後，你可以直接對 Agent 說：
查詢 2026-05-06 到 2026-05-07 含“股權激勵”關鍵詞的 A 股公告，列出前 5 條。Agent 會選擇 search_announcements 工具，並提交類似這樣的參數：
{
"params": {
"start_date": "2026-05-06",
"end_date": "2026-05-07",
"keyword": "股權激勵",
"page_size": 5
},
"rationale": "查詢股權激勵相關公告"
}如果你想分析一家公司年報，也可以直接說：
幫我分析比亞迪 2024 年年報的財務風險。Agent 會依次調用：
list_latest_reports：定位年報，拿到 met_uuidsubmit_analysis：提交年報分析任務 get_analysis_result：輪詢任務狀態，獲取分析結果
更重要的是，Agent 不再需要自己猜網頁結構，也不需要臨時解析 PDF。
它只需要通過 MCP 調用明確的工具，拿到穩定的數據結果，再繼續做分析、比較、總結和預警。
06━━━它適合哪些場景
ClawShire 比較適合幾類場景。
投研人員可以用它快速定位公司公告、年報和關鍵變化。
風控團隊可以用它監控公司公告、追蹤風險事件、建立自動化提醒。
財務分析人員可以用它批量處理年報，減少重複下載和人工整理。
數據工程師可以把它接入腳本、定時任務和內部數據管道。
AI Agent 開發者可以把它作為金融文檔工具層，讓 Agent 具備穩定查詢公告和分析年報的能力。
企業系統開發者可以先用 CLI 驗證流程，再接入 API、Skills 或 MCP。
簡單說：
如果你的工作只是不定期人工查看一份公告，普通公告入口就夠了。
如果你需要持續、批量、自動化地處理公告和年報，ClawShire 這類數據層就會變得很有價值。
07━━━其他接入方式
MCP 更適合已經在 Agent 客戶端裏工作的用戶。
但 ClawShire 不是隻能通過 MCP 使用。
如果你的場景更偏系統集成、腳本自動化或技能安裝，也可以選擇 API、CLI 或 Skills。
API：適合系統集成
API 更適合後端系統、定時任務、內部平台和批量數據管道。
基本步驟是：
打開 ClawShire 註冊 / 登錄頁，生成並激活 API Key 在請求頭裏帶上 Authorization: Bearer CLAWSHIRE_API_KEY調用公告、年報或文檔抽取相關接口
一個最簡請求大概是這樣：
GET /api/v1/announcements?stock_code=688506
Authorization: Bearer CLAWSHIRE_API_KEY詳細教程： https://clawshire.cn/blog/quickstart
CLI：適合終端、腳本和批處理
CLI 更適合本地調試、腳本執行、CI 任務和 Agent Shell。
安裝方式：
uv tool install clawshire-cli配置 API Key：
clawshire auth常用命令示例：
clawshire notice search --keyword 688506 --format json
clawshire annual-report latest --year 2025詳細教程： https://clawshire.cn/blog/clawshire-cli-quickstart
Skills：適合把流程交給 Agent
Skills 更適合想讓 Agent 按自然語言意圖調用 ClawShire 工作流的用戶。
新版 Skills 依賴本地 clawshire 命令，所以先安裝 CLI：
uv tool install clawshire-cli再配置 API Key：
clawshire auth然後安裝 Skills bundle：
npx skills add memect/clawshire-cli -y -g安裝後，Agent 就可以把“查公告”“找年報”“發起年報分析”這類自然語言請求，路由到對應的 ClawShire 工作流。
Skills 接入頁： https://clawshire.cn/skill
08━━━為什麼它適合 Agent 工作流
很多人做金融 Agent 時，會先把注意力放在大模型本身。
但真實落地時，模型能力只是其中一部分。
更關鍵的問題是：
Agent 到底能不能拿到可靠數據； 能不能知道自己該調用哪個工具； 能不能把同一件事重複執行； 能不能把結果交給下一步流程繼續處理。
ClawShire 補的是這層基礎設施。
不是讓 AI “憑感覺分析公司”，而是讓 AI 先穩定拿到公告和年報數據，再基於數據做分析。
09━━━使用邊界
ClawShire 使用的是公開披露信息。
它可以提升公告查詢、年報定位、結構化處理和 AI 分析的效率，但不能替代正式的信息披露文件，也不能替代專業的投資、法律、審計或財務判斷。
涉及投資決策、審計判斷和重大業務決策時，仍然需要回到官方披露文件進行核驗。
這一點很重要。
工具的價值，是把重複、低效、難以自動化的部分交給系統處理。
最終判斷，仍然需要人來負責。
10━━━項目入口
官網： https://clawshire.cn
產品博客： https://clawshire.cn/blog
MCP 接入： https://api.clawshire.cn/mcp
CLI GitHub： https://github.com/memect/clawshire-cli
PyPI： https://pypi.org/project/clawshire-cli/
歡迎進羣交流