企业官网建设流程全解析

1. 从一条热搜说起：为什么要给 A 股装一个“会辩论的 AI”

“他给 A 股装了个会辩论的 AI”这个标题第一次出现在我时间线上的时候，我正蹲在电脑前调一个多因子回测脚本，屏幕上全是 backtrader 的日志。说实话，第一反应是“又一个蹭 AI 热度的标题党”，但点进去看完思路之后，我改主意了——这个方向确实踩到了当前 A 股量化圈一个很真实的痛点：单一大模型做投资判断，太容易一本正经地胡说八道。

我自己从 2021 年开始折腾 A 股量化，从最原始的 OBV 抓妖股、一线抓牛妖股指标公式，到后来用 backtrader 做多股回测，再到这两年把 AI 大模型接进选股流程，踩过的坑能写一本书。最典型的一个坑就是：你问大模型“这只票能不能买”，它永远能给你一套听起来很有道理的逻辑，涨了它说符合预期，跌了它说风险释放，反正怎么都对。这种“事后诸葛亮”式的输出，对实盘毫无价值。

“会辩论的 AI”这个思路，本质上是把单一模型的独断，变成了多个角色之间的对抗性推理。你可以理解成：以前是一个分析师拍脑袋给结论，现在是三个分析师坐在会议室里吵，一个看多、一个看空、一个专门挑逻辑漏洞，最后综合出一个相对靠谱的判断。这个思路在 AI 圈叫Multi-Agent Debate，在 A 股这个场景下，它解决的核心问题不是“预测涨跌”，而是过滤掉那些经不起推敲的伪逻辑。

这篇文章适合谁看？如果你是对 AI 应用开发感兴趣的程序员，想找一个真实落地的 AI Agent 项目练手；如果你是做量化的散户或者小团队，手里有 A 股分钟数据下载的需求，想用 AI 辅助选股但被“幻觉”坑过；或者你只是单纯好奇“AI 炒股”到底靠不靠谱——这篇都会给你一套可以直接抄作业的思路和代码骨架。我会把整个系统的设计逻辑、核心模块、实操步骤、以及我踩过的坑全部摊开讲，不藏私。

需要先说明一点：这套系统不预测股价，它做的是逻辑审查和风险提示。任何声称能精准预测 A 股涨跌的 AI，要么是骗子，要么是还没被市场毒打过。我们要的是“帮我把明显有问题的逻辑筛掉”，而不是“告诉我明天买哪只”。

2. 整体架构设计：三个 AI 角色怎么吵起来

2.1 为什么是“辩论”而不是“投票”

很多人第一反应是：多搞几个模型，让它们各自给个结论，然后投票取多数，不就完了？我一开始也是这么想的，实测下来效果很差。原因很简单：如果三个模型用的是同一套训练数据、同一个知识截止日期、同一种思维模式，它们的错误是高度相关的。三个模型一起错，投票只会让你更自信地错。

辩论机制不一样的地方在于，它引入了对抗性。看多的 Agent 必须给出买入理由，看空的 Agent 必须找出反驳点，裁判 Agent 负责判断谁的论据更扎实。这个过程会逼着每个 Agent 去挖掘对方逻辑里的漏洞，而不是各自输出一段四平八稳的废话。我实测下来，辩论机制最大的价值是暴露不确定性——当看多和看空双方吵得不可开交时，系统会明确告诉你“这只票的逻辑存在重大分歧”，这本身就是极有价值的信号。

从工程角度看，辩论机制还有一个隐性好处：它天然适合做可解释性输出。你不需要去猜模型为什么给这个结论，因为整个辩论过程就是推理链条。这对 A 股这种特别讲究“逻辑”的市场来说，比一个冷冰冰的分数有用得多。

2.2 三个核心 Agent 的角色定义

我最终定下来的架构是三个 Agent，每个角色都有明确的职责边界，避免它们互相“串味”：

看多 Agent（Bull）：它的唯一任务是从给定数据中找出支持买入的证据。注意，是“从给定数据中”，不是让它自由发挥。我会把 A 股分钟数据、OBV 指标、成交量变化、近期公告摘要等喂给它，让它基于这些事实构建看多逻辑。这个角色的提示词里我会明确写“你是一个乐观但严谨的分析师，你的论据必须来自提供的数据，不允许编造”。

看空 Agent（Bear）：职责相反，专门找风险点。它的提示词会强调“你是一个风险控制官，你的任务是找出所有可能导致亏损的因素，包括但不限于技术面背离、资金面异常、基本面恶化”。这个角色特别重要，因为大模型天生有“讨好用户”的倾向，你问它能不能买，它倾向于说能。给它一个明确的“找茬”任务，能有效对冲这种偏见。

裁判 Agent（Judge）：它不参与辩论，只负责听双方陈述，然后给出裁决。裁决内容包括：哪一方的论据更充分、哪些论据存在逻辑漏洞、最终的综合判断是什么、置信度如何。裁判的提示词里我会要求它“必须指出至少一个双方都没考虑到的问题”，逼它做深度思考而不是简单站队。

这三个角色的提示词是整个系统的灵魂，我后面会给出具体的模板。这里先记住一个原则：角色定义越具体，输出质量越高。不要写“你是一个分析师”，要写“你是一个专注于 A 股短线交易、有 10 年经验、特别看重成交量配合的分析师”。

2.3 数据层：A 股分钟数据怎么搞

辩论要有素材，素材就是数据。A 股分钟数据下载这件事，说简单也简单，说麻烦也麻烦。免费的路子主要是几个财经数据接口，但都有各自的限制：有的只给最近几天，有的频率限制严格，有的字段不全。我自己的做法是本地化存储 + 增量更新。

具体来说，我会用 Python 写一个定时任务，每天收盘后拉取当天所有关注股票的分钟级数据，存到本地的 SQLite 或者 Parquet 文件里。为什么用 Parquet？因为 A 股分钟数据量其实不小，一只票一天 240 根 K 线，500 只票一年就是几千万行，用 CSV 存查询起来会想死。Parquet 列式存储配合 pandas 或者 polars，查询速度能快一个数量级。

这里有个坑要提醒：不同数据源的分钟数据对齐方式不一样。有的把 9:30 那根 K 线算作第一根，有的把 9:25 集合竞价单独算。你在做回测或者喂给 AI 之前，一定要先统一时间戳格式，否则后面指标计算全是错的。我当初就因为这个问题，回测结果和实盘差了十万八千里，排查了两天才发现是时间对齐的问题。

另外，关于“东方股吧反爬”这个热词，我多说一句：股吧的情绪数据确实有价值，但反爬机制也越来越严。我的建议是不要硬爬，一方面法律风险，另一方面维护成本太高。真要用情绪数据，可以考虑用公开的财经新闻摘要替代，或者用大模型对新闻标题做情绪打分，效果不一定差。

2.4 技术栈选型：为什么不用现成的 Agent 框架

现在 AI Agent 框架很多，LangChain、AutoGen、CrewAI 都能做多 Agent 协作。我一开始也试过 AutoGen，但最后选择了自己手写编排逻辑。原因有三个：

第一，可控性。辩论流程需要精确控制发言顺序、上下文传递、终止条件，现成框架的抽象层反而增加了调试难度。当裁判 Agent 输出格式不对时，我需要能直接定位到是哪一步的 prompt 出了问题，而不是在一堆框架代码里绕。

第二，成本。多 Agent 辩论意味着多次 API 调用，token 消耗是单次调用的好几倍。自己写编排可以精确控制每次调用的上下文长度，该截断的截断，该缓存的缓存。用框架的话，很容易在不知不觉中把上下文撑爆。

第三，可替换性。A 股这个场景对模型的中文理解能力要求很高，我可能会在不同模型之间切换测试。自己写的编排层，换模型只需要改一个配置项；用框架的话，可能要改一堆适配代码。

当然，如果你只是想快速验证想法，用现成框架也没问题。但如果你打算长期维护这套系统，我建议还是自己写编排层，代码量其实不大，核心逻辑也就几百行。

3. 核心模块拆解：从数据到辩论的完整链路

3.1 数据预处理：把原始 K 线变成 AI 能理解的“事实”

大模型不是万能的，你直接把 240 根 K 线的原始数据丢给它，它根本处理不了。我的做法是先做特征工程，把原始数据压缩成结构化的“事实卡片”，再喂给 Agent。

具体来说，每只股票我会生成这样一张事实卡片：

• 价格维度：当前价、5 日涨跌幅、20 日涨跌幅、距离近期高点和低点的百分比
• 成交量维度：当日成交量、5 日均量、量比、OBV 指标当前值和趋势
• 技术指标维度：MACD 金叉死叉状态、RSI 数值、布林带位置
• 资金维度：如果有龙虎榜数据就加上，没有就标注“数据缺失”
• 公告维度：最近 3 天的公告标题摘要

这张卡片用 JSON 格式组织，大概 500 到 800 字。为什么控制在这个长度？因为太短信息不够，太长会稀释关键信息，而且增加 token 成本。我实测下来，800 字左右的事实卡片，配合好的提示词，Agent 的输出质量最高。

这里有个关键技巧：所有数值都要带上“相对含义”。比如不要只写“RSI = 72”，要写“RSI = 72，处于超买区间”。大模型对绝对数值不敏感，但对“超买”“超卖”“放量”“缩量”这类定性描述反应很好。这一步相当于帮模型做了一次预判断，能显著提升输出质量。

3.2 提示词工程：让每个 Agent 各司其职

提示词是这套系统的核心资产，我调了大概两周才稳定下来。下面给出我实际在用的模板骨架，你可以直接拿去改。

看多 Agent 的提示词：

你是一位专注 A 股短线交易的资深分析师，有 10 年实盘经验，特别擅长从技术面和资金面挖掘机会。 你的任务：基于以下事实卡片，构建一个尽可能有力的看多逻辑。 规则： 1. 所有论据必须来自事实卡片，不允许编造数据 2. 至少给出 3 条独立的看多理由 3. 每条理由要说明“为什么这个信号意味着上涨概率增加” 4. 如果事实卡片中存在明显利空，你必须正面回应，不能回避 5. 最后给出一个 0-100 的看多信心分 事实卡片： {fact_card}

看空 Agent 的提示词结构类似，但任务换成“找出所有风险点”，规则里加一条“你必须假设这只票即将下跌，然后找出支持这个假设的证据”。这个“假设下跌”的设定很关键，它能激活模型的对抗性思维。

裁判 Agent 的提示词最复杂：

你是一位独立的风险控制官，不参与多空辩论，只负责裁决。 你的任务： 1. 分别总结看多和看空双方的核心论据 2. 指出双方论据中存在的逻辑漏洞或数据误读 3. 指出至少一个双方都忽略的风险因素 4. 给出综合判断：偏多、偏空、还是观望 5. 给出置信度（0-100），并说明什么情况下这个判断会失效 规则： - 你不允许简单地说“双方都有道理”，必须给出明确倾向 - 如果双方论据质量都很差，你可以直接说“数据不足，建议观望” - 你的判断必须基于事实卡片，不允许引入外部信息 看多陈述： {bull_output} 看空陈述： {bear_output} 事实卡片： {fact_card}

这套提示词我迭代了十几个版本，最大的心得是：规则要具体到可执行。“给出 3 条理由”比“充分论证”有用得多，“指出至少一个被忽略的风险”比“全面考虑”有用得多。大模型需要明确的指令，模糊的要求只会得到模糊的输出。

3.3 辩论流程编排：顺序、上下文与终止条件

辩论流程我设计成两轮，不是一轮也不是三轮。一轮太浅，双方还没来得及深入就结束了；三轮以上边际收益递减，而且 token 成本线性增长。两轮的具体流程是：

第一轮：看多 Agent 先发言，输出看多逻辑。然后看空 Agent 拿到看多逻辑 + 事实卡片，针对性反驳。注意，看空 Agent 的输入里要包含看多的输出，这样它才能“接招”而不是自说自话。

第二轮：看多 Agent 拿到看空的反驳，做最后一次回应。然后裁判 Agent 综合所有内容做裁决。

这个流程的关键在于上下文传递。看空 Agent 的输入 = 事实卡片 + 看多第一轮输出；看多第二轮输入 = 事实卡片 + 看空输出；裁判输入 = 事实卡片 + 所有轮次输出。每一轮的上下文都在增长，所以我在事实卡片阶段就控制了长度，给后续轮次留出空间。

终止条件我设了三个：正常走完两轮、任何一方输出格式严重错误、或者 token 超限。实际跑下来，95% 以上的情况都能正常走完。格式错误主要出现在模型输出 JSON 解析失败，我的处理方式是重试一次，再失败就跳过这只票，记录到日志里人工检查。

3.4 输出结构化：把辩论结果变成可操作的信号

辩论结束后，裁判的输出是一段自然语言。但我要的是能进回测系统的结构化信号。所以我在裁判提示词里要求它最后输出一个 JSON 块，格式固定：

{ "verdict": "bullish|bearish|neutral", "confidence": 75, "key_bull_points": ["理由1", "理由2"], "key_bear_points": ["风险1", "风险2"], "ignored_risk": "双方都忽略的风险", "invalidation_condition": "什么情况下判断失效" }

这个 JSON 块我用正则表达式从裁判输出里提取，解析成功后存入数据库。回测的时候，我就可以按 verdict 和 confidence 做分组统计，看看“高置信度看多”的信号后续表现到底如何。

这里有个实操心得：不要完全信任模型输出的 JSON。我遇到过模型在 JSON 里加注释、用单引号、或者漏掉逗号的情况。所以解析代码一定要做容错，解析失败时保留原始文本，不要直接丢弃。我现在的做法是先用json.loads试一次，失败就用正则提取关键字段，再失败就标记为“解析异常”存原始文本。

4. 实操全流程：从零跑通一个辩论实例

4.1 环境准备与依赖安装

先把环境搭起来。我用的是 Python 3.11，主要依赖就几个：

pip install pandas polars pyarrow openai tushare akshare

简单说明一下每个包的用途：pandas 和 polars 做数据处理，pyarrow 是 Parquet 的底层依赖，openai 是调用大模型 API 的 SDK（如果你用其他模型，换成对应的 SDK 就行），tushare 和 akshare 是获取 A 股数据的常用库。

关于数据源，我建议两个都装。tushare 的分钟数据需要积分，akshare 免费但稳定性一般。我的做法是平时用 akshare 拉数据，遇到字段缺失或者接口异常时用 tushare 补。两个数据源交叉验证，还能发现一些数据质量问题。

注意：数据接口的调用频率都有限制，不要写死循环去拉。我的做法是加一个 0.5 秒的 sleep，并且把拉取任务放在收盘后执行，避免影响盘中操作。

4.2 数据拉取与本地存储

数据拉取的核心逻辑是增量更新。第一次跑的时候全量拉，之后每天只拉当天的新数据。下面是我在用的核心代码骨架：

import akshare as ak import pandas as pd from pathlib import Path from datetime import datetime, timedelta DATA_DIR = Path("./data/minute") DATA_DIR.mkdir(parents=True, exist_ok=True) def fetch_minute_data(symbol: str, start_date: str, end_date: str): """拉取单只股票的分钟数据""" df = ak.stock_zh_a_hist_min_em( symbol=symbol, period="5", start_date=start_date, end_date=end_date, adjust="qfq" ) return df def save_to_parquet(df: pd.DataFrame, symbol: str): """按股票代码分文件存储""" file_path = DATA_DIR / f"{symbol}.parquet" if file_path.exists(): old_df = pd.read_parquet(file_path) df = pd.concat([old_df, df]).drop_duplicates( subset=["时间"], keep="last" ) df.to_parquet(file_path, index=False)

这段代码有几个细节值得说。第一，period="5"表示 5 分钟 K 线，你也可以用 1 分钟，但数据量会大 5 倍，我实测下来 5 分钟对于短线判断已经够用。第二，adjust="qfq"是前复权，做技术指标必须用复权数据，否则除权那天会出现巨大的假跳空。第三，去重的时候用keep="last"，保证最新拉取的数据覆盖旧数据。

4.3 事实卡片生成：把数据翻译成 AI 语言

有了原始数据，下一步是生成事实卡片。这是整个流程里最需要“手工调优”的环节，因为什么信息放进去、怎么表述，直接决定辩论质量。

def build_fact_card(symbol: str, df: pd.DataFrame) -> dict: """从分钟数据生成事实卡片""" latest = df.iloc[-1] close = latest["收盘"] # 计算涨跌幅 close_5d_ago = df.iloc[-240*5]["收盘"] if len(df) > 240*5 else df.iloc[0]["收盘"] change_5d = (close - close_5d_ago) / close_5d_ago * 100 # 计算量比 vol_today = df.tail(48)["成交量"].sum() # 当天 4 小时 vol_5d_avg = df.tail(48*5)["成交量"].sum() / 5 volume_ratio = vol_today / vol_5d_avg if vol_5d_avg > 0 else 1 # OBV 计算 obv = compute_obv(df) obv_trend = "上升" if obv[-1] > obv[-48] else "下降" card = { "symbol": symbol, "current_price": round(close, 2), "change_5d": f"{change_5d:.2f}%", "volume_ratio": f"{volume_ratio:.2f}", "obv_trend": obv_trend, "rsi": round(compute_rsi(df), 1), "macd_status": get_macd_status(df), "bollinger_position": get_bollinger_position(df), } return card

OBV 的计算逻辑很简单：收盘价涨就加成交量，跌就减成交量，然后累加。这个指标在“OBV 抓妖股”这个热词里被频繁提到，确实有它的道理——OBV 能反映资金是在流入还是流出，而且比单纯看成交量更稳定。我实测下来，OBV 趋势和价格趋势背离的时候，往往是比较强的反转信号。

RSI 和 MACD 的计算我就不展开写了，网上标准实现很多。关键是把数值翻译成定性描述。比如 RSI 大于 70 就标注“超买”，小于 30 标注“超卖”，中间标注“中性”。这个翻译步骤看起来简单，但对模型理解帮助很大。

4.4 辩论执行：一次完整的调用记录

下面是我实际跑一次辩论的完整记录，股票代码我隐去了，只看逻辑。

事实卡片（简化版）：

{ "symbol": "XXXXXX", "current_price": 15.32, "change_5d": "+8.5%", "volume_ratio": "2.3", "obv_trend": "上升", "rsi": 68.5, "macd_status": "金叉后第 3 天", "bollinger_position": "中轨上方，接近上轨" }

看多 Agent 输出（节选）：

理由一：5 日涨幅 8.5% 配合量比 2.3，属于典型的放量上涨，说明有增量资金进场，不是缩量反弹的假突破。 理由二：OBV 趋势上升，与价格趋势同向，资金流入信号明确，没有出现量价背离。 理由三：MACD 金叉后第 3 天，处于金叉初期，历史上这个阶段往往还有延续空间。 信心分：72

看空 Agent 输出（节选）：

反驳一：RSI 已经到 68.5，接近超买区间，短线追高风险较大。看多说的“放量上涨”在 RSI 高位时反而可能是出货信号。 反驳二：布林带接近上轨，统计上触及上轨后短期回调概率超过 60%。 反驳三：看多忽略了 5 日涨幅 8.5% 本身已经透支了部分上涨空间，如果没有新的催化剂，继续上攻动力不足。 信心分：65（看空信心）

裁判 Agent 输出（节选）：

综合判断：偏多，但置信度中等（58）。 双方论据质量：看多的量价配合论据较扎实，看空的 RSI 超买论据也成立。核心分歧在于“放量上涨是启动还是出货”，这取决于后续是否有持续资金流入。 被忽略的风险：双方都没有考虑大盘整体环境。如果大盘处于下跌趋势，个股的独立行情很难持续。 失效条件：如果次日成交量萎缩到 5 日均量以下，看多逻辑失效。

这个案例很典型：看多和看空都有道理，裁判没有和稀泥，而是指出了关键分歧点和被忽略的风险。这种输出对实盘的参考价值，比单纯一个“买入”或“卖出”信号高得多。

4.5 结果入库与回测对接

辩论结果解析成 JSON 后，我存到一张专门的表里，字段包括：股票代码、日期、verdict、confidence、看多理由、看空理由、被忽略风险、失效条件、原始输出。这张表就是回测的输入。

回测的时候，我用 backtrader 做多股回测。核心逻辑是：每天收盘后跑一遍辩论，第二天开盘按信号操作。比如 verdict 是 bullish 且 confidence 大于 70，就买入；verdict 是 bearish 就卖出或观望。回测周期我一般跑一年以上，太短了统计意义不足。

这里有个重要的回测陷阱要提醒：不要用未来数据。事实卡片里所有指标都必须基于当天收盘前的数据计算，不能包含当天收盘后的信息。我当初就犯过这个错，把当天收盘价算进了 RSI，结果回测收益虚高得离谱，实盘一跑就露馅。

5. 常见问题与排查技巧实录

5.1 模型输出格式不稳定怎么办

这是最高频的问题。大模型有时候不按你要求的 JSON 格式输出，有时候在 JSON 外面包一层解释文字，有时候字段名拼错。我的处理策略是三层容错：

第一层，提示词里明确要求“只输出 JSON，不要有任何其他文字”，并且给出格式示例。这一层能解决 80% 的问题。

第二层，解析时先用正则提取 JSON 块（匹配{...}的最长内容），再尝试json.loads。这一层能解决 15% 的问题。

第三层，如果还是失败，用大模型做一次“格式修复”，把原始输出丢回去让它重新整理成 JSON。这一层解决剩下的 5%。

如果三层都失败，就记录原始输出，标记为异常，人工检查。我跑了几千次，真正需要人工介入的不到 1%。

5.2 辩论变成“互相吹捧”怎么破

有时候看多和看空会达成诡异的共识，比如看空说“虽然我看空，但看多的逻辑也有道理”，然后裁判说“双方都有道理，建议观望”。这种输出毫无价值。

我的解法是在提示词里加强制对抗规则：看空 Agent 必须找出至少 3 条反对理由，如果找不到，必须明确说“数据不足以支持看空，但我对看多逻辑存疑，因为……”。裁判 Agent 必须给出明确倾向，不允许“双方都有道理”这种和稀泥的结论。

另外，我会在事实卡片里故意加入一些模糊信息，比如“近期有机构调研但未披露细节”，这种信息天然容易引发分歧，能激活辩论。

5.3 数据缺失或异常怎么处理

A 股数据经常有缺失，比如停牌、涨跌停导致分钟数据不连续、接口临时故障等。我的原则是宁可跳过，不要瞎补。

如果某只票当天数据缺失超过 20%，直接跳过，不生成事实卡片。如果缺失较少，用前值填充，但在事实卡片里标注“数据存在缺失，判断置信度应下调”。这个标注很重要，裁判 Agent 看到这个提示会自动降低置信度。

涨跌停的情况要特别处理。一字涨停的票，分钟数据几乎没有波动，所有技术指标都失真。我的做法是检测到一字板就跳过辩论，直接标记为“无法分析”。

5.4 成本控制：怎么让 token 消耗降下来

多 Agent 辩论的 token 消耗是单次调用的 3 到 5 倍。如果每天跑 500 只票，成本会很可观。我用了几个策略来控制：

策略一：预筛选。先用简单的规则筛掉明显不值得分析的票，比如日均成交额低于 5000 万的、ST 的、上市不满 3 个月的。这一步能筛掉 60% 以上的票。

策略二：缓存。事实卡片生成后缓存起来，如果同一天多次调用，直接读缓存。裁判的裁决结果也缓存，避免重复分析。

策略三：分级调用。先用便宜的小模型做初筛，只有小模型认为“值得深入分析”的票，才用大模型跑完整辩论。这个策略能再省 50% 以上的成本。

策略四：控制上下文。事实卡片控制在 800 字以内，辩论轮次控制在两轮，历史对话不重复传入。这些细节加起来能省不少 token。

5.5 常见问题速查表

6. 我踩过的坑和几条实在建议

6.1 不要指望 AI 告诉你买什么

这是我最大的体会。这套系统跑了大半年，我最大的收获不是“AI 帮我选到了牛股”，而是“AI 帮我避开了一些逻辑有问题的票”。它的价值在于风险过滤，不在于收益增强。

你如果抱着“让 AI 告诉我明天买什么”的心态来做这个项目，大概率会失望。但如果你把它当成一个“逻辑审查员”，帮你检查自己的判断有没有漏洞，它的价值就出来了。我现在的工作流是：自己先看中几只票，然后用辩论系统跑一遍，看看看空 Agent 能不能找出我没想到的风险。很多时候它确实能找出我忽略的点。

6.2 提示词要当代码一样维护

我一开始把提示词写在代码里，改一次要重新部署。后来我把提示词抽出来放到单独的配置文件，用 YAML 管理，改提示词不用动代码。再后来我加了版本号，每次改提示词都记录版本和改动原因，方便回溯。

这个习惯救了我好几次。有一次我改了一版看空提示词，结果那周的看空信号特别多，我以为是市场变差了，后来查版本记录才发现是新提示词太激进。回滚到旧版本就正常了。提示词是这套系统的核心资产，值得像代码一样认真管理。

6.3 回测和实盘的差距要有心理准备

回测收益和实盘收益的差距，在 AI 辅助选股这个场景下会特别明显。原因有几个：一是回测用的是历史数据，模型可能“见过”这些数据；二是回测不考虑滑点和流动性；三是市场风格会变，模型在某个阶段有效的逻辑，换个阶段就失效了。

我的做法是回测只用来验证逻辑，不用来预测收益。如果回测显示某个信号有正向收益，我会去看它的逻辑是否合理，而不是直接相信这个收益数字。逻辑合理 + 回测正向，才值得小仓位试水。

6.4 关于“AI 无禁词聊天”这类热词的冷思考

热搜里有一堆“无禁词 AI 聊天”“无限制 AI 对话”之类的词，我理解大家想要的是“不被限制的 AI 能力”。但在 A 股这个场景下，限制反而是好事。如果 AI 可以随意编造数据、随意给出激进建议，那才是灾难。

我反而会主动给 Agent 加限制：不允许编造数据、不允许给出具体买卖点位、不允许预测具体涨幅。这些限制让输出更保守，但更可靠。在投资这件事上，保守一点没坏处。

6.5 后续可以扩展的方向

这套系统目前只做了技术面和资金面的辩论，后续可以扩展的方向不少。比如加入基本面 Agent，专门分析财报数据；加入新闻情绪 Agent，分析近期新闻的情感倾向；加入大盘环境 Agent，判断整体市场处于什么阶段。

另一个方向是辩论过程的可视化。现在输出是文本，如果能做成一个时间线，展示每个 Agent 的发言和裁判的裁决，会更直观。这个用简单的 Web 前端就能做，我打算下一步试试。

还有一个方向是多模型辩论。现在三个 Agent 用的是同一个模型，如果换成不同厂商的模型，比如一个用国产模型、一个用海外模型，辩论的多样性会更高。不过成本也会上去，需要权衡。

最后说一句实在的：这套系统不是印钞机，它是一个帮你想得更全面的工具。A 股市场里，少犯错比多赚钱更重要。能帮你少踩一个坑，这套系统就值了。