版本：2026-05-17 

摘要

做了什么：独立设计并落地了一套面向 A 股基本面趋势投资的多 Agent 协同系统，将最近半年的 AI 辅助投研实践提炼为可持续运行、可迭代升级的认知基础设施。所基于的投研体系为基本面趋势体系，过去半年，以AI筛选赛道、AI筛选核心+弹性个股，建组合（一个赛道3支票左右），吃Beta（单赛道占比控制在15%-20%，平均持仓2个月左右），收获颇丰。

用什么方法：四个 Agent（市场复盘、赛道研究、个股研究、交易决策）各自以独立工作，通过共享 wiki 知识库间接协作——Agent 之间不在任务过程中直接通讯，而是通过各自写入 wiki 的结构化产出彼此独立运行、在结论上相互依赖（可用Obisidan直接管理）。买方投研积累的领域 know-how（赛道三分类框架、市场状态四档约束、组合风控纪律）直接编码为 Agent 的行为约束，而非通用 prompt。此外，维护一份agent说明文档，用于维持各个agent随市场需求更新过程中维持逻辑上的系统一致性。

解决了什么问题：AI 投研的三个核心瓶颈——数据质量不可控、分析逻辑不成体系、研究产物无法沉淀。

一、问题定义：现有AI 投研方案普遍存在的3个问题

市面上绝大多数 AI 投研产品的逻辑是：给 AI 一个问题，AI 给你一个答案。这个模式在投研场景中有三个根本性缺陷：

1. 数据质量决定上限，但很少人认真对待这个问题。LLM 的训练数据截止于某个时间点，而 A 股投研的核心是"边际变化"——上周的纪要、本季度的订单数据、昨天的政策表态。没有实时、结构化的专业数据接入，AI 产出的是"看起来合理的废话"。

2. 投资是一个追求系统性期望收益为正的游戏，不是一次性问答。一个好的投资判断需要：赛道景气度判断 × 个股基本面趋势 × 市场环境适配 × 仓位风控约束。这四个维度必须在同一个逻辑框架下协同，而不是四次独立的 AI 对话。更重要的是，这套逻辑框架本身需要来自实盘经验的领域 know-how 编码进去——AI 不会自己发明投资方法论。

3. 没有内容管理体系，认知无法沉淀，系统无法迭代。每次研究的中间产物散落在对话记录中，无法形成可检索、可追溯的知识资产。市场在变，赛道在轮动，一个无法积累和更新的系统会快速失效。

由此推导出三个设计原则：

• • 优质的专业数据接入（不依赖 LLM 训练数据）
• • 成体系的投资逻辑编码为 Agent 行为约束（不是通用 prompt），由统一的Agent说明文档用于更新、升级，确保解耦的多Agents始终投研逻辑上具有系统一致性
• • 持续迭代的知识管理体系（raw → summary → entities 三层蒸馏），AI执行+人决策

二、系统设计

2.1 设计理念

这套系统的核心出发点是把投研工作本体化：将投研拆解为若干相对独立的认知任务，让每个任务的工作经验以 Skill 的形式沉淀，随实践持续迭代升级。

三个关键原则：

Skill 是经验的载体，不是流程的描述。 每个 Agent 的工作逻辑以独立 Skill 文件存在，包含分析框架、过滤器、产出标准，可独立升级而不影响其他 Agent。系统维护一份共同的设计总纲，确保各 Agent 升级后在整体框架下保持逻辑一致——这是系统能持续迭代而不失控的关键。

Agent 之间不在任务过程中直接通讯，通过 wiki 知识库间接协作。 市场复盘 Agent 不会"告诉"赛道研究 Agent 今天市场怎么样——它把结论写入 wiki，赛道研究 Agent 在需要时自己去读。这让每个 Agent 保持完全独立（可单独触发、测试、升级），同时通过共享知识库在产出上相互依赖、形成合力。人也可以在任意节点介入，直接修改 wiki 内容来影响下游 Agent 的判断。

产出即通讯，结构化优先。 每个 Agent 的产出文件在正文前设置「下游通信区」——结构化 Markdown 表格，包含关键字段（赛道类型、建议动作、核心标的、关键风险等）。下游 Agent 优先读通信区获取结论，需要深度背景时再读正文。信息传递高效且可追溯。

2.2 整体架构

系统运行在两个平台上，职责分工明确：

核心设计：AlphaClaw （https://www.alphaengine.top/index.html#/summary-center）负责"生产知识"，Claude Code 负责"消费知识做决策"。两个平台通过共享的 wiki 文件系统通信，不直接对话。这个设计保证了每一步产出可追溯、可复核，人可以在任意节点介入审查。

2.3 四个 Agent 的职责分工（匹配”基本面趋势交易”体系）

市场复盘 Agent 的设计亮点：不只是”今天涨跌了多少”，而是从四个维度做系统性诊断——均线结构（四大指数通道状态）、量能趋势（成交额与均量对比）、量价关系（六种组合判断）、极端波动（涨跌停家数异常）。同时追踪跨日赛道热度：统计近10日每个赛道出现在”强势股概念”中的天数，识别”持续强势”、”近期涌现”、”急剧降温”等信号，为赛道研究 Agent 提供优先级排序。最终输出四档市场状态建议，作为交易决策 Agent 的风控闸门。

赛道研究 Agent 的设计亮点：采用”父 Skill 分类裁决 + 三个子 Skill 深度研究”的架构。父 Skill 先做七维抽取（关注点时间序列、信号类型、核心标的、供给格局、估值讨论、远期叙事、推荐逻辑归类），交叉裁决赛道类型（需求驱动/供给驱动/主题投资），分类结论不可逆地传入对应子 Skill。三类赛道走完全不同的分析路径，而不是同一套模板套用三次。

个股研究 Agent 的设计亮点：三路查询并发（研报+资讯+公告的半年全貌、纯纪要的近季度预期探测、财务数据+一致预期），产出八维度全景画像。其中纪要查询专门作为”市场预期探测器”——纪要比研报更早捕捉预期差、分歧加大、关注升温等信号，纪要中的看空观点是反逻辑体系的核心素材来源。

交易决策 Agent 的设计亮点：三阶段 Orchestrator-Worker 架构——主流程串行完成赛道确认、市场环境匹配、稳健型评估、组合构建、退出条件设定，然后并发启动多个 Subagent 分别撰写赛道介绍和各标的介绍，最后合并输出完整策略报告。Subagent 只读不写，主流程是唯一写入者，避免并发写入冲突。新鲜度机制确保决策基于有效信息：赛道研究超过14天未更新则全局停止，并明确告知用户需要在 AlphaClaw 重新运行哪个 Skill。

2.4 领域 know-how 如何编码进系统

这是这套系统区别于通用 AI 投研工具的核心，我在 A 股买方积累的投资方法论直接编码为 Agent 的行为约束，而不是写在 prompt 里让 AI 自由发挥。管理一个投研系统说明文档、一个Agent说明文档，投研系统说明文档可基于市场变化迭代修改，更新映射到Agent说明文档，进而更新各个Agent，确保多个Agents始终维持投研逻辑的系统性逻辑统一：

赛道三分类框架（赛道研究 Agent 的分类裁决逻辑）

三类赛道不只是分析框架不同，连查询策略也不同：需求驱动型的近月纪要查询是"传导边际变化探测器"（盯订单/交付周期/产能利用率的微观信号）；供给驱动型是"市场认知温差探测器"（判断市场对供给收缩的认知阶段）；主题投资型是"叙事热度探测器"（纪要密度直接反映市场关注度）。同一套查询工具，因赛道类型不同而服务于完全不同的分析目的。

个股研究框架（个股研究 Agent 的分析逻辑）

个股研究 Agent 的核心问题是：这家公司基本面的趋势方向是什么？市场在关注什么、预期什么、担忧什么？ 与赛道研究 Agent 互相独立——用户可以直接发起个股研究，不需要赛道研究前置。

分析产出围绕八个维度组织（不输出投资建议，只输出趋势认知）：

个股类型决定了分析侧重：业绩驱动型把精力放在一致预期修正和超预期可能性上，主题投资型把精力放在叙事热度和催化敏感度上。同一套查询工具，因个股类型不同而服务于完全不同的分析目的——这个设计与赛道研究的分类裁决逻辑一脉相承。

市场状态四档约束（市场复盘 Agent 的输出，约束交易决策 Agent 的行为）

市场状态对不同类型赛道的敏感度也不同：需求驱动型贝塔猛烈，放量下跌时入场风险大；供给驱动型贝塔温和，防御属性可能反而受青睐；主题投资型对风险偏好收缩极度敏感，🟠状态下叙事扩散能力直接受压制。

组合构建逻辑（直接编码为交易决策 Agent 的权重计算规则）

核心/弹性配比因赛道类型而异，反映各类型 alpha 来源的本质：需求驱动型 60-70% 核心（瓶颈环节标的稀缺，应集中配置）；供给驱动型 70-80% 核心（"剩者为王"，出清后份额向头部集中）；主题投资型 40-50% 核心（叙事扩散需要弹性标的接力）。

个股权重在基准上叠加调整因子（每个因子 ±5%，多因子叠加）：概念纯正度高 +5%、超预期潜力高 +5%、叙事升温 +5%（主题/需求型）、一致预期下修 -5%、估值透支 -5%。最终归一化至100%，不输出绝对仓位数字，绝对仓位由人决定。

2.5 知识管理体系（wiki）

raw/                    # 不可变的一次性产出，带时间戳，有变化出新版本wiki/├── summary/            # raw 的蒸馏镜像（核心结论3-5条 + 涉及标的/赛道）└── entities/           # 概念 hub（个股/赛道双向索引，可生长的知识图谱）    ├── stocks/         # 每只个股的信息聚合页（约50个）    └── sectors/        # 每个赛道的信息聚合页（15个）

三层蒸馏的设计逻辑：

raw/ 层是 Agent 的一次性产出，写入后不可修改，有变化出新版本（带新时间戳）。这保证了每一步判断的可追溯性——复盘时可以回到任意时间点，看当时 Agent 基于什么信息做出了什么判断。

wiki/summary/ 层是 raw 的蒸馏镜像，提取核心结论3-5条、涉及标的/赛道、建议动作。目录结构与 raw 一一对应。这一层解决的是"信息太多、不知道看什么"的问题——下游 Agent 和人都优先读 summary，而不是每次都重读完整的 raw 文件。

wiki/entities/ 层是概念 hub，每只个股和每个赛道有独立的概念页，自动维护双向索引（个股页链接到所属赛道，赛道页链接到覆盖个股）。每次新的研究产出、策略产出都会追加到对应概念页的索引中。这一层形成的是一个可生长的投研知识图谱——随着研究积累，每个标的的信息密度持续增加，新 Agent 接入时读取概念页即可获得完整的历史上下文，无需重新研究。

新鲜度机制：交易决策 Agent 以 raw 研究文件的 date 字段为基准判断信息新鲜度。赛道研究超过14天未更新 → 全局停止，明确告知用户需要在 AlphaClaw 重新运行哪个 Skill；个股研究超期 → 该标的跳过，其余继续。这个机制确保决策永远基于有效信息，而不是悄悄使用过期数据。

三、实际运行结果

知识库规模（截至 2026-05-17）

完整闭环已跑通

系统已完成从市场感知 → 赛道研究 → 个股研究 → 交易决策的完整链路。以数据中心电源赛道为例，交易决策 Agent 产出包含：

• • 三标的仓位配比（潍柴动力 42% / 欧陆通 28% / 阳光电源 30%）及权重推导逻辑
• • 分步建仓方案（先潍柴，待市场企稳后补仓）
• • 赛道退出条件（含可观测指标+触发阈值）
• • Q3 2026 关键催化剂时间窗口
• （注意，AI输出提供的是辅助，此处不构成投资建议！！！）

四、对 AI × 投研的独立判断

经过半年的实盘实践，我对 LLM 在投资场景的能力边界有以下结论：

AI 适合做的事

• • 大规模文本的结构化处理：聚合研报纪要、提取核心叙事、统计主题频次变化
• • 在明确框架下的多维度分析：给定分析框架后，AI 能系统性地覆盖每个维度，不遗漏
• • 跨文档的信息整合：把散落在多份研报中的信号整合成一个连贯的判断

AI 不适合做的事

• • 直接做交易决策：市场判断需要对"感觉"和"经验"的调用，这是 AI 无法替代的
• • 自己发明投资方法论：AI 的分析质量上限取决于你给它的框架质量
• • 在没有结构化数据的情况下做定量判断

核心结论：AI 投研的价值不在于"AI 帮你选股"，而在于"AI 帮你把领域 know-how 系统化地应用到每一个研究对象上"。这是一个认知放大器，不是认知替代者。

五、文件导读

本项目包含以下核心目录，建议按以下顺序阅读：

1. 1. 投研辅助AgentTeam（202605）.md：系统设计总纲，包含完整的 Agent 规格和设计原则
2. 2. wiki/index.md：知识库内容索引，可快速了解当前覆盖的赛道和个股
3. 3. raw/strategies/：4 篇赛道交易策略，是系统完整闭环的最终产出
4. 4. raw/research/：赛道和个股研究报告，展示研究 Agent 的产出质量
5. 5. raw/market-review/：每日市场复盘记录，展示市场感知 Agent 的日常运行

.claude/skills/ 目录（Agent 的核心 prompt 工程）未包含在本展示包中。

六、系统评测（Eval）（待更新）

投研 Agent 的 eval 有一个根本性难点：没有即时的标准答案。赛道研究 Agent 的判断对不对，要等市场给出验证，不能像测代码一样跑一遍就知道结果。因此我们把 eval 拆成两个层次分别处理。

过程质量 eval

不看结果对不对，看 Agent 的推理过程是否符合投研方法论。针对每类产出文件设计检查清单：赛道研究是否完成了分类裁决并给出置信度、过滤器是否明确通过/未通过、建议动作是否附带反逻辑；个股研究是否覆盖了八个维度、反逻辑是否有来自纪要的具体证据；交易决策的权重推导逻辑是否显式写出、退出条件是否有可观测的触发阈值。

这类 eval 由独立的 Review Agent 执行——读取产出文件，对照检查清单，输出质量评分，结果写入 reviews/ 目录。这也是 reviews/ 目录存在的核心用途。

结果质量 eval（建立预测-验证闭环）

每次 Agent 产出时，在 wiki 中记录关键预测：赛道类型判断、建议动作、关键催化剂时间窗口、核心反逻辑触发条件。4-8 周后回来验证，统计各类型赛道的判断准确率，识别系统性误判模式。

误判模式的积累是 Skill 迭代的核心输入——如果需求驱动型赛道的"传导定位"判断反复出错，说明这个分析维度的框架需要修正；如果主题投资型的"社会投入强度"过滤器误判率高，说明过滤条件的阈值设定需要调整。这个闭环让系统不只是在运行，而是在持续学习和自我修正。

https://github.com/LuoWQ2025/AShare_Fundamental_Trend_Trading