coderwpf

AKShare

專業領域v1.0.3
作者:coderwpf更新於 2026-05-11共 4 個版本 · 最新版本釋出於 2026-03-23aakshare@clawhub_coderwpf/aakshare
金融分析#接口#金融

據 AlphaMoat 統計,截至 2026-10,AKShare 累計下載 18,196 次、獲 13 個星標,按累計下載量在本次參與排名的 10,914 個 AI 技能中排名第 1,547 位,在「專業領域」分類(1,228 個)中排名第 137 位。

列表預設按累計下載量排序,也可按星標排序;詳情頁排名按累計下載量計算。

累計下載
1.8萬
星標
13
全站下載量排名
#1,547
全站前 15% · 「專業領域」前 12%
平台累計下載星標評論
ClawHub ↗28758-
SkillHub ↗1.8萬13—

各平台的計數口徑不同,統計時間不一致。

這個技能是做什麼的

提供 A 股、港股、美股、期貨、期權、基金、債券、外匯與宏觀資料,函式統一返回 DataFrame,可按資產型別、市場與資料型別篩選取數。免費且無需註冊或 API Key;本機需有 python3 並安裝 akshare。 建議在虛擬環境中安裝並稽核依賴版本。資料來源可能不可用、陳舊或不完整;重要結果應核驗,不應視為投資建議。

資料釋出於 2026-10-29

可以用來做什麼

  • 取某隻港股的日線歷史資料
  • 彙總宏觀指標做季度對比

什麼時候用

  • 需要一次性覆蓋多個市場的資料時
  • 不想申請資料介面金鑰時

示例提示詞

以下是根據技能文件生成的示例,不代表實際執行結果。

拉一下這隻港股近半年的日線
把幾個宏觀指標取出來做成季度對比

月度資料趨勢

累計下載1.8萬
16511.1萬1.9萬2026-03 · 累計下載 28772026-05 · 累計下載 46852026-06 · 累計下載 50322026-07 · 累計下載 55602026-08 · 累計下載 63402026-09 · 累計下載 85042026-10 · 累計下載 1.8萬26-0326-0926-10
星標13
510142026-03 · 星標 62026-05 · 星標 92026-06 · 星標 112026-07 · 星標 112026-08 · 星標 132026-09 · 星標 132026-10 · 星標 1326-0326-0926-10

2026-09 起統計方法調整:同名技能按作者分別統計,並覆蓋全部技能。圖中虛線為調整前的月份,與之後的資料不直接比較,也不計算跨越調整的增長。

月份累計下載環比星標
2026-101.8萬—13
2026-098504—13
2026-086340+14.0%13
2026-075560+10.5%11
2026-065032+7.4%11
2026-054685—9
2026-032877—6

SKILL.md 原文

以下是作者釋出的原始檔案,按純文字顯示,本站未做修改或稽核;其中的連結不可點選,命令請核實後再執行。抓取於 2026-10-23。

16 KB · ClawHub v1.0.3
---
name: akshare
description: AKShare 开源金融数据接口库 - 支持A股、港股、美股、期货、期权、基金、债券、外汇、宏观数据,免费无需API Key。
version: 1.2.0
homepage: https://github.com/akfamily/akshare
metadata: {"clawdbot":{"emoji":"💹","requires":{"bins":["python3"]}}}
---

# AKShare(开源金融数据API库)
展開全部(共 586 行)
[AKShare](https://github.com/akfamily/akshare) 是一个全面的免费Python金融数据API库,覆盖A股、港股、美股、期货、期权、基金、债券、外汇和宏观经济数据。无需注册或API Key,所有函数返回 `pandas.DataFrame`。

> 文档:https://akshare.akfamily.xyz/

## 安装

```bash
pip install akshare --upgrade
```

需要 Python 3.9+(64位)。

## 基本用法

```python
import akshare as ak

# 获取平安银行日K线数据
df = ak.stock_zh_a_hist(symbol="000001", period="daily", start_date="20240101", end_date="20240630")
print(df)
```

## 函数命名规则

```
{asset_type}_{market}_{data_type}_{data_source}
```

- **Asset type**: `stock` (stocks), `futures` (futures), `fund` (funds), `bond` (bonds), `forex` (foreign exchange), `option` (options), `macro` (macroeconomics), `index` (indices)
- **Market**: `zh` (China), `us` (United States), `hk` (Hong Kong), or exchange codes
- **Data type**: `spot` (real-time), `hist` (historical), `daily` (daily bars), `minute` (minute bars)
- **Data source**: `em` (East Money), `sina` (Sina Finance), exchange abbreviations

---

## 股票数据(A股)

### 实时行情 — 全部A股

```python
import akshare as ak

# 获取全部A股实时行情
df = ak.stock_zh_a_spot_em()
# 返回字段: 序号、代码、名称、最新价、涨跌幅、涨跌额、成交量、成交额、振幅、最高、最低、今开、昨收、量比、换手率、市盈率、市净率 ...
```

### 历史K线数据

```python
# 获取指定股票历史日K线数据
df = ak.stock_zh_a_hist(
    symbol="000001",       # 股票代码(不带前缀)
    period="daily",        # 周期: "daily"(日), "weekly"(周), "monthly"(月)
    start_date="20240101", # 开始日期,格式YYYYMMDD
    end_date="20240630",   # 结束日期
    adjust=""              # 复权: ""(不复权), "qfq"(前复权), "hfq"(后复权)
)
# 返回字段: 日期、开盘、收盘、最高、最低、成交量、成交额、振幅、涨跌幅、涨跌额、换手率
```

### 分钟级K线数据

```python
# 获取分钟级K线数据
df = ak.stock_zh_a_hist_min_em(
    symbol="000001",
    period="5",            # 分钟间隔: "1", "5", "15", "30", "60"
    start_date="2024-01-02 09:30:00",
    end_date="2024-01-02 15:00:00",
    adjust=""              # 复权类型
)
```

### 个股基本信息

```python
# 获取个股基本信息
df = ak.stock_individual_info_em(symbol="000001")
# 返回字段: 总市值、流通市值、行业、上市时间、股票代码、股票简称、总股本、流通股 ...
```

---

## 港股数据

```python
# 港股实时行情
df = ak.stock_hk_spot_em()

# 港股历史K线数据
df = ak.stock_hk_hist(
    symbol="00700",        # 腾讯控股
    period="daily",        # 日线
    start_date="20240101",
    end_date="20240630",
    adjust="qfq"           # 前复权
)
```

---

## 美股数据

```python
# 美股日线数据
df = ak.stock_us_daily(symbol="AAPL", adjust="qfq")

# 美股实时行情
df = ak.stock_us_spot_em()
```

---

## 指数数据

```python
# A股指数历史数据 (e.g., Shanghai Composite Index 000001)
df = ak.stock_zh_index_daily_em(symbol="sh000001")

# 指数成分股 (e.g., CSI 300)
df = ak.index_stock_cons_csindex(symbol="000300")
```

---

## 基金数据

```python
# ETF实时行情
df = ak.fund_etf_spot_em()

# ETF历史K线数据
df = ak.fund_etf_hist_em(
    symbol="510300",       # 沪深300ETF
    period="daily",
    start_date="20240101",
    end_date="20240630",
    adjust="qfq"
)

# 开放式基金每日净值
df = ak.fund_open_fund_daily_em(symbol="000001")

# 基金评级
df = ak.fund_rating_all()
```

---

## 期货数据

```python
# 期货日线数据(按交易所汇总)
from akshare import get_futures_daily
df = get_futures_daily(start_date="20240101", end_date="20240102", market="CFFEX")
# 交易所选项: "CFFEX"(中金所), "SHFE"(上期所), "DCE"(大商所), "CZCE"(郑商所), "INE"(上海国际能源交易中心), "GFEX"(广期所)

# 期货实时行情
df = ak.futures_zh_spot()

# 期货库存数据
df = ak.futures_inventory_99(symbol="豆一")
```

---

## 期权数据

```python
# 交易所期权历史数据
df = ak.option_hist_dce(symbol="豆粕期权")

# 上证50ETF期权
df = ak.option_sse_spot_price(symbol="510050")
```

---

## 债券数据

```python
# 可转债列表
df = ak.bond_zh_cov()

# 可转债历史K线数据
df = ak.bond_zh_hs_cov_daily(symbol="sz123456")

# 中国债券现货报价
df = ak.bond_spot_quote()
```

---

## 外汇数据

```python
# 外汇实时行情(东方财富)
df = ak.forex_spot_em()

# 外汇即期报价(中国外汇交易中心)
df = ak.fx_spot_quote()

# 外汇掉期报价
df = ak.fx_swap_quote()
```

---

## 宏观经济数据

```python
# 中国CPI年度数据
df = ak.macro_china_cpi_yearly()

# 中国GDP年度数据
df = ak.macro_china_gdp_yearly()

# 中国PMI数据
df = ak.macro_china_pmi()

# 美国非农就业数据
df = ak.macro_usa_non_farm()

# 美国CPI月度数据
df = ak.macro_usa_cpi_monthly()
```

---

## 新闻与舆情

```python
# 个股财经新闻(东方财富)
df = ak.stock_news_em(symbol="000001")

# 央视新闻
df = ak.news_cctv(date="20240101")
```

---

## 完整示例:下载数据并绘制K线图

```python
import akshare as ak
import pandas as pd
import mplfinance as mpf  # pip install mplfinance

# 获取贵州茅台前复权日K线数据
df = ak.stock_zh_a_hist(
    symbol="600519",
    period="daily",
    start_date="20240101",
    end_date="20240630",
    adjust="qfq"
)

# 设置日期索引并重命名列为英文(mplfinance要求)
df.index = pd.to_datetime(df["日期"])  # 设置日期为索引
df.rename(columns={
    "开盘": "Open",    # 开盘价
    "收盘": "Close",   # 收盘价
    "最高": "High",    # 最高价
    "最低": "Low",     # 最低价
    "成交量": "Volume" # 成交量
}, inplace=True)

# 绘制K线图(含5/10/20日均线和成交量)
mpf.plot(df, type="candle", mav=(5, 10, 20), volume=True)
```

## 使用技巧

- **无需API Key或注册** — 开箱即用。
- 所有函数返回 **pandas DataFrame** — 可直接用于分析、导出和可视化。
- A股数据列名为**中文**;美股/港股数据列名为英文。
- 使用 `--upgrade` 保持akshare最新版 — 由于上游数据源变化,接口更新频繁。
- 非Python用户可使用 [AKTools](https://aktools.readthedocs.io/) HTTP API封装。
- 数据仅供**学术研究**使用 — 不构成投资建议。
- 完整API参考:https://akshare.akfamily.xyz/data/index.html

---

## 进阶示例

### 批量下载多只股票

```python
import akshare as ak
import pandas as pd

# 定义要下载的股票列表
stock_list = ["000001", "600519", "300750", "601318", "000858"]

all_data = {}
for symbol in stock_list:
    # 下载每只股票的前复权日K线数据
    df = ak.stock_zh_a_hist(
        symbol=symbol,
        period="daily",
        start_date="20240101",
        end_date="20240630",
        adjust="qfq"
    )
    df["股票代码"] = symbol  # 添加股票代码列,便于后续合并
    all_data[symbol] = df
    print(f"已下载 {symbol},共 {len(df)} 条记录")

# 合并所有股票数据为一个大的DataFrame
combined = pd.concat(all_data.values(), ignore_index=True)
combined.to_csv("multi_stock_data.csv", index=False)
print(f"合并总计: {len(combined)} 条记录")
```

### 计算技术指标(均线、MACD、RSI)

```python
import akshare as ak
import pandas as pd
import numpy as np

# 获取贵州茅台前复权日K线数据
df = ak.stock_zh_a_hist(symbol="600519", period="daily",
                         start_date="20240101", end_date="20241231", adjust="qfq")

# 将收盘价转换为浮点数 (收盘 = close price)
df["收盘"] = df["收盘"].astype(float)

# 计算均线
df["MA5"] = df["收盘"].rolling(window=5).mean()    # 5日均线
df["MA10"] = df["收盘"].rolling(window=10).mean()   # 10日均线
df["MA20"] = df["收盘"].rolling(window=20).mean()   # 20日均线
df["MA60"] = df["收盘"].rolling(window=60).mean()   # 60日均线

# 计算MACD指标
ema12 = df["收盘"].ewm(span=12, adjust=False).mean()  # 12日指数移动平均
ema26 = df["收盘"].ewm(span=26, adjust=False).mean()  # 26日指数移动平均
df["DIF"] = ema12 - ema26                              # 快线(DIF)
df["DEA"] = df["DIF"].ewm(span=9, adjust=False).mean() # 慢线(DEA)
df["MACD"] = 2 * (df["DIF"] - df["DEA"])               # MACD柱

# 计算RSI指标(14日)
delta = df["收盘"].diff()
gain = delta.where(delta > 0, 0)       # 上涨幅度
loss = -delta.where(delta < 0, 0)      # 下跌幅度
avg_gain = gain.rolling(window=14).mean()
avg_loss = loss.rolling(window=14).mean()
rs = avg_gain / avg_loss
df["RSI14"] = 100 - (100 / (1 + rs))   # RSI值

# 计算布林带(20日)
df["BOLL_MID"] = df["收盘"].rolling(window=20).mean()           # 中轨
df["BOLL_UP"] = df["BOLL_MID"] + 2 * df["收盘"].rolling(window=20).std()  # 上轨
df["BOLL_DN"] = df["BOLL_MID"] - 2 * df["收盘"].rolling(window=20).std()  # 下轨

# 展示:日期、收盘价及各技术指标
print(df[["日期", "收盘", "MA5", "MA20", "DIF", "DEA", "MACD", "RSI14"]].tail(10))
```

### 筛选涨停股

```python
import akshare as ak

# 获取全部A股实时行情
df = ak.stock_zh_a_spot_em()

# 筛选涨幅>9.5%的股票(接近涨停)
df["涨跌幅"] = df["涨跌幅"].astype(float)  # 涨跌幅 = change percentage
limit_up = df[df["涨跌幅"] >= 9.5].sort_values("涨跌幅", ascending=False)
print(f"今日涨停/接近涨停股票: 共 {len(limit_up)} 只")
# 展示:代码、名称、最新价、涨跌幅、成交额、换手率
print(limit_up[["代码", "名称", "最新价", "涨跌幅", "成交额", "换手率"]].head(20))
```

### 获取龙虎榜数据

```python
import akshare as ak

# 获取龙虎榜详细数据
df = ak.stock_lhb_detail_em(start_date="20240101", end_date="20240131")
print(df.head())

# 获取龙虎榜营业部排名
df_dept = ak.stock_lhb_hyyyb_em(start_date="20240101", end_date="20240131")
print(df_dept.head())
```

### 获取融资融券数据

```python
import akshare as ak

# 获取沪深融资融券汇总数据
df = ak.stock_margin_sse(start_date="20240101", end_date="20240630")
print(df.head())

# 获取个股融资融券明细
df_detail = ak.stock_margin_detail_sse(date="20240102")
print(df_detail.head())
```

### 获取北向资金(陆港通)数据

```python
import akshare as ak

# 获取北向资金历史数据
df = ak.stock_hsgt_hist_em(symbol="北向资金")  # 北向资金 = Northbound capital
print(df.tail(10))

# 获取北向资金持股明细
df_hold = ak.stock_hsgt_hold_stock_em(market="北向", indicator="今日排行")  # 北向 = Northbound, 今日排行 = Today's ranking
print(df_hold.head(20))
```

### 获取股东数据

```python
import akshare as ak

# 获取前十大股东
df = ak.stock_gdfx_top_10_em(symbol="600519", date="20231231")
print(df)

# 获取前十大流通股东
df_float = ak.stock_gdfx_free_top_10_em(symbol="600519", date="20231231")
print(df_float)
```

### 获取板块行情数据

```python
import akshare as ak

# 获取行业板块行情
df_industry = ak.stock_board_industry_name_em()
print(df_industry.head(20))

# 获取概念板块行情
df_concept = ak.stock_board_concept_name_em()
print(df_concept.head(20))

# 获取特定板块成分股
df_stocks = ak.stock_board_industry_cons_em(symbol="银行")  # 银行 = Banking
print(df_stocks)
```

### 获取限售解禁数据

```python
import akshare as ak

# 获取限售解禁数据
df = ak.stock_restricted_release_queue_em(symbol="全部A股")  # 全部A股 = All A-shares
print(df.head(20))
```

### 获取市场资金流向

```python
import akshare as ak

# 获取大盘资金流向
df = ak.stock_market_fund_flow()
print(df.tail(10))

# 获取个股资金流向
df_stock = ak.stock_individual_fund_flow(stock="000001", market="sz")
print(df_stock.tail(10))
```

### 完整示例:多因子选股

```python
import akshare as ak
import pandas as pd

# 步骤1:获取全部A股实时行情
df = ak.stock_zh_a_spot_em()

# 步骤2:转换数据类型
for col in ["市盈率-动态", "市净率", "换手率", "涨跌幅", "成交额"]:
    df[col] = pd.to_numeric(df[col], errors="coerce")

# 步骤3:多因子筛选
# 条件1:PE 在5-30之间(排除亏损和高估值)
# 条件2:PB 在0.5-5之间
# 条件3:换手率 > 1%(合理流动性)
# 条件4:涨跌幅在-3%到3%之间(排除异常波动)
filtered = df[
    (df["市盈率-动态"] > 5) & (df["市盈率-动态"] < 30) &
    (df["市净率"] > 0.5) & (df["市净率"] < 5) &
    (df["换手率"] > 1) &
    (df["涨跌幅"] > -3) & (df["涨跌幅"] < 3)
].copy()

# 步骤4:按PE排序,选取最低PE的前20只股票
result = filtered.sort_values("市盈率-动态").head(20)
print(f"筛选出 {len(result)} 只股票:")
print(result[["代码", "名称", "最新价", "市盈率-动态", "市净率", "换手率", "涨跌幅"]])
```

---

## 🤖 AI Agent 高阶使用指南

对于 AI Agent,在使用 AKShare 时应遵循以下高阶策略和最佳实践,以确保数据的准确性和任务的高效完成:

### 1. 数据校验与错误处理
在获取数据后,AI 应当主动检查数据格式是否符合预期,以及是否存在缺失值(NaN)。
```python
import akshare as ak
import pandas as pd

def safe_get_stock_data(symbol="600519"):
    try:
        df = ak.stock_zh_a_hist(symbol=symbol, period="daily", start_date="20230101", adjust="qfq")
        if df.empty:
            return "获取的数据为空,请检查股票代码或日期范围。"
        # 填充或丢弃缺失值
        df = df.dropna()
        return df.head()
    except Exception as e:
        return f"获取数据时发生错误: {str(e)}"

print(safe_get_stock_data())
```

### 2. 跨市场数据聚合分析
AI 经常需要进行宏观经济分析或跨市场对比。以下演示如何组合多接口数据进行分析:
```python
import akshare as ak
import pandas as pd

# 1. 获取 A股 指数数据(上证指数)
df_sh = ak.stock_zh_index_daily_em(symbol="sh000001")
df_sh = df_sh[['date', 'close']].rename(columns={'close': 'SH_Close', 'date': 'Date'})

# 2. 获取 美股 指数数据(标普500)
df_spx = ak.index_us_stock_sina(symbol=".INX")
df_spx = df_spx[['date', 'close']].rename(columns={'close': 'SPX_Close', 'date': 'Date'})

# 3. 合并数据进行趋势对比
df_merged = pd.merge(df_sh, df_spx, on='Date', how='inner')
print("中美股市指数对比:")
print(df_merged.tail())
```

### 3. 构建动态监控指标
AI 可以定期调用以下代码来获取实时的异动信息(如涨跌停板),从而做出及时的策略响应:
```python
import akshare as ak

# 获取当日涨停板数据
df_limit_up = ak.stock_zt_pool_em(date="20231010")  # 可替换为当日日期,如 "20240101"
if not df_limit_up.empty:
    print(f"发现 {len(df_limit_up)} 只涨停股票!")
    # 筛选连板数大于等于3的强势股
    strong_stocks = df_limit_up[df_limit_up['连板数'] >= 3]
    print("强势连板股:")
    print(strong_stocks[['代码', '名称', '最新价', '连板数']])
else:
    print("未获取到涨停板数据,可能是非交易日。")
```

---

## 社区与支持

由 **大佬量化** 维护 — 量化交易教学与策略研发团队。

微信客服: **bossquant1** · [Bilibili](https://space.bilibili.com/48693330) · 搜索 **大佬量化** — 微信公众号 / Bilibili / 抖音

「專業領域」分類下的熱門技能

AIGC過程存證服務專業領域

AIGC創作過程自動存證技能。自動識別創作平台與生成工具,將創作過程記錄存證並蓋有公安備案電子印章,具備可信時間戳,可以在全國電子印章互認平台核驗。

↓ 390萬★ 7u_c2c77b5f
防詐專家專業領域

反電信網路詐騙(反詐)專家技能。當用戶描述一個疑似詐騙的場景、簡訊、電話、連結、聊天記錄、App、投資平台、招聘資訊或轉賬要求,並詢問「這是不是詐騙」「要不要轉錢」「怎麼止損」「錢還能不能追回來」,或需要識別詐騙話術、拆解騙局結構、生成報案材料與取證清單時使用。同時在對話中主動嗅探「轉賬、驗證碼、螢幕共享、安全帳戶、保證金、刷單、穩賺、百萬保障、跑分」等風險詞並插入預警,即使對方並未詢問反詐。適用場景還包括:家屬求助勸阻疑似被騙的親人、企業/銀行/支付機構/網際網路平台做涉詐帳戶識別與交易監測規則、涉詐資金鍊(跑分、卡四件套、GOIP)分析、反詐合規與員工培訓、反詐實戰演練。

↓ 168.7萬★ 4user_e9185b15
全國電子印章互認平台專業領域

電子印章公安備案、全網互認,實現所有格式檔案電子簽章與影片確權,覆蓋全國所有CA廠商自2005年以來的全量電子簽章資料,無論由哪個地區、哪套系統、哪家CA機構簽發,均可精準校驗與互認。

↓ 141.6萬★ 8u_c2c77b5f
baozheng-skills專業領域

包拯.Skills你身邊的專家律師團 — 專業法律諮詢 + 要素式/通用起訴狀起草 + 刑事專項材料輔助 + 法條分析與法規檢索。flk.npc.gov.cn API即時法條優先,不可用時AI知識庫降級兜底,**法條來源按四檔標註可核驗(已核驗-flk API / 已核驗-單源 / 已引-離線庫 / 未核驗-模型生成),交付末尾附法條/事實/金額/程式分項置信度**;以22類法律領域覆蓋矩陣約束路由邊界;支援35個起訴狀模板、5類刑事專項材料輔助;內建Logic Doctor邏輯自檢、訴訟時效追蹤及10類異常容錯處理(含連續失敗熔斷);漸進式意圖收斂協議(3輪狀態機);混合意圖自動任務拆解(按依賴排序→合併→順序執行);含反模式清單與危機干預出口(自殺/家暴/未成年人侵害先於一切法律分析)。非標準案由自動使用通用模板。

↓ 52.7萬★ 2user_814dbe54
律師助手專業領域

律師AI辦案工作臺:從接案到結案全流程提效——案件分析、要件梳理、文書初稿、證據質證、法庭攻防演練、賠償與費用計算、期限提醒、復盤歸檔;覆蓋民事、刑事、勞動、非訴、破產、執行、行政、仲裁八大領域,111 個專家技能;法條可核驗、結論可複核。

↓ 50.7萬★ 77user_cd0fcd93
包拯.SKILL專業領域

包拯.Skills你身邊的專家律師團 — 專業法律諮詢 + 要素式/通用起訴狀起草 + 刑事專項材料輔助 + 法條分析與法規檢索。flk.npc.gov.cn API即時法條優先,不可用時AI知識庫降級兜底,**法條來源按四檔標註可核驗(已核驗-flk API / 已核驗-單源 / 已引-離線庫 / 未核驗-模型生成),交付末尾附法條/事實/金額/程式分項置信度**;以22類法律領域覆蓋矩陣約束路由邊界;支援35個起訴狀模板、5類刑事專項材料輔助;內建Logic Doctor邏輯自檢、訴訟時效追蹤及10類異常容錯處理(含連續失敗熔斷);漸進式意圖收斂協議(3輪狀態機);混合意圖自動任務拆解(按依賴排序→合併→順序執行);含反模式清單與危機干預出口(自殺/家暴/未成年人侵害先於一切法律分析)。非標準案由自動使用通用模板。

↓ 42.4萬★ 41user_741dc82b
專利初稿助手專業領域

基於技術交底書生成專利申請初稿。技術交底書內容至少包含技術問題、解決方案、技術效果。內建的推理、視覺、多模態、數學、函式、模擬等模型底座均為國產,國外模型0使用,可放心食用。 近期安裝量暴增感謝支援,不少私信希望能力提升但這已是國產極限,我們不必追求最強技能,達到及格即可。學習交流歡迎聯絡微訊號A26dian4

↓ 36.9萬★ 48user_9c63fdb4
露禾論文寫作助手(免費版pro)專業領域

露禾論文寫作助手(免費版):一句話生成引用可溯源、不編造的專業學術論文,按國標 GB/T 7714 插入真實文獻引用,中英文 3000/5000/8000 字,一鍵匯出 Word。說「寫論文 / 幫我寫論文」即可使用。

↓ 35萬★ 18u_a3c224a2

coderwpf 的其他技能

資料月份:2026-10 · 下載/星標數聚合自公開技能註冊庫(ClawHub、SkillHub),按月更新。口徑說明見資料方法。