Import 9 alphaear finance skills

- alphaear-deepear-lite: DeepEar Lite API integration
- alphaear-logic-visualizer: Draw.io XML finance diagrams
- alphaear-news: Real-time finance news (10+ sources)
- alphaear-predictor: Kronos time-series forecasting
- alphaear-reporter: Professional financial reports
- alphaear-search: Web search + local RAG
- alphaear-sentiment: FinBERT/LLM sentiment analysis
- alphaear-signal-tracker: Signal evolution tracking
- alphaear-stock: A-Share/HK/US stock data

Updates:
- All scripts updated to use universal .env path
- Added JINA_API_KEY, LLM_*, DEEPSEEK_API_KEY to .env.example
- Updated load_dotenv() to use ~/.config/opencode/.env

skills/alphaear-reporter/scripts/prompts/forecast_analyst.py

@@ -0,0 +1,49 @@
+from typing import List, Dict, Any
+from ..schema.models import KLinePoint
+
+def get_forecast_adjustment_instructions(ticker: str, news_context: str, model_forecast: List[KLinePoint]):
+    """
+    生成 LLM 预测调整指令
+    """
+    forecast_str = "\n".join([f"- {p.date}: O:{p.open}, C:{p.close}" for p in model_forecast])
+    
+    return f"""你是一位资深的量化策略分析师。
+你的任务是：根据给定的【Kronos 模型预测结果】和【最新的基本面/新闻背景】，对模型预测进行“主观/逻辑调整”。
+
+股票代码: {ticker}
+
+【Kronos 模型原始预测 (OHLC)】:
+{forecast_str}
+
+【最新情报背景】:
+{news_context}
+
+调整原则:
+1. 原始预测是基于历史的技术面推演。
+2. 情报背景中可能包含【Kronos模型定量修正预测】，这是基于历史新闻训练的专用模型计算出的量化结果。
+3. 如果存在“定量修正预测”，请**高度参考**该数值作为基础，除非你有非常确凿的逻辑认为该量化模型失效（例如遇到模型未见过的极端黑天鹅）。
+4. 你的核心任务是：结合定性分析（新闻及其逻辑）来验证或微调这些数字，并给出合理的解释（Rationale）。
+5. 如果没有“定量修正预测”，则你需要根据新闻信号手动大幅调整趋势。
+
+输出要求 (严格 JSON 格式):
+```json
+{{
+  "adjusted_forecast": [
+    {{
+      "date": "YYYY-MM-DD",
+      "open": float,
+      "high": float,
+      "low": float,
+      "close": float,
+      "volume": float
+    }},
+    ...
+  ],
+  "rationale": "详细说明调整的逻辑依据，例如：考虑到[事件A]，预期短线将突破压力位..."
+}}
+```
+注意：必须输出与原始预测相同数量的数据点，且日期一一对应。
+"""
+
+def get_forecast_task():
+    return "请根据以上背景和模型预测，给出调整后的 K 线数据并说明理由。"