让大模型读懂一只股票

大模型不是水晶球。它不会「算出」明天涨跌，也不会替你承担风险。它真正擅长的是：把一堆结构化数据、新闻与规则，归纳成一份有结构、能执行、可解释的分析稿。理解这一点，你才能理解 DSA 为什么要在 Prompt 和守卫上花这么多功夫。

LLM 在 DSA 里到底负责什么

这种分工是刻意设计的：确定性的事交给代码，模糊的事交给模型，危险的事交给规则。三者叠加，才有可能得到「既好读又不太离谱」的输出。

接入层：像插座一样换模型

src/llm/ 定义了一个统一后端协议 GenerationBackend，核心只有一个 generate() 方法。上层只认这个协议，不关心底层是 LiteLLM、Codex CLI 还是 Claude Code CLI。

Agent 的工具调用必须走 LiteLLM，因为只有它声明了 tools 能力。这个约束不是随意写的：本地 CLI 后端只负责「产出一段文本」，无法可靠地按函数名与参数返回工具调用。

每个错误都带分类（超时、空输出、非法 JSON、schema 校验失败、工具不支持、需要登录等），并标记是否可重试、是否可回退。上层据此决定「等一下再试」还是「换模型」，而不是所有错误都无脑重试。

模型与配置：三层优先级

DSA 不直接枚举所有供应商，而是交给 LiteLLM。配置按优先级从高到低是：

分析模型由 LITELLM_MODEL 指定，回退列表由 LITELLM_FALLBACK_MODELS 指定；Agent 可以用 AGENT_LITELLM_MODEL 单独指定，留空则继承全局。温度由 LLM_TEMPERATURE 给出基线，再按模型能力归一。

Prompt 解剖：五段式「任务书」

主分析 Prompt 很长，但结构清晰。可以把它拆成五段：

下面是改写后的结构示意，不是仓库原文。读真实 Prompt 时，重点看它的分段与约束，而不是逐字背诵。

[角色]
你是一名 {market} 投资分析师，产出「决策仪表盘」。
只依据下方数据判断；数据缺失必须明确说明。

[交易纪律]
- MA5 乖离率 > 5%：严禁追高
- 优先 MA5 > MA10 > MA20 的多头排列
- 资金流不明时，倾向持有 / 观望

[输入数据]
行情表（OHLCV、量比、换手）
均线 / MACD / RSI / 乖离率
筹码分布 / 基本面 / 新闻情报
市场阶段 / 当日大盘上下文 / 市场结构

[输出契约]
{
  "core_conclusion": { "one_sentence": "...", "signal": "buy|hold|sell", ... },
  "data_perspective": { ... },
  "intelligence": { "risk_alerts": [], "catalysts": [] },
  "battle_plan": { "sniper_points": {...}, "action_checklist": [] },
  "phase_decision": { ... },
  "signal_attribution": { ... }
}

[稳定性约束]
- 不得因单日涨跌在买卖间翻转
- 盘前不得描述当天尚未发生的走势
- 数据 stale 时，置信度不得为 high

上下文包：把一只股票装进一个信封

模型的上下文窗口有限，90 天日线不可能全塞。DSA 用「上下文包」做有损压缩，至少包含：

每个子块都有 schema 版本与质量状态。版本不匹配或标记为 not_supported 的块会被跳过，避免旧数据或错误字段污染判断。这听起来很工程化，但它直接决定了模型会不会「拿错事实说对话」。

结构化输出：从「散文」到「可消费的数据」

如果模型返回一段自由文本，下游只能展示，不能回测、告警、做信号抽取。DSA 要求 JSON，并准备了一条完整的降级链：

这里的取舍很现实：宁可要一份带缺失字段的可用报告，也不要因为一个字段缺失就整轮失败。但兜底结果必须被标记，不能被当成正常结论继续传播。

后置守卫：LLM 出稿，规则定稿

模型最容易犯的错不是「不会写」，而是「写得太顺」。它会把一根阳线描述成趋势反转，把接近压力位的追高说成突破确认。守卫的职责就是把这些漂亮话拉回价格事实。

这些阈值不是「市场真理」，而是项目选择的风险偏好。它们可以被讨论、被调整，但必须被显式写出来，而不是藏在模型的即兴判断里。

多模型回退：把「模型挂了」变成可恢复事件

分析侧会按「主模型 + 回退列表」依次尝试。失败原因不同，处理也不同：

• 超时 / 限流：同一 provider 内可以退避重试；跨 provider 直接切换，因为限流桶互不相干。
• JSON 不合法：判定该模型本次失败，切下一个；不会拿坏 JSON 硬解析。
• 流式失败：可退回非流式再试一次。
• 参数不支持：部分模型只接受默认温度，系统能识别报错并自动修复参数，只重试一次。

多 key 场景下，LiteLLM 的 Router 可以做简单负载均衡，并对失败请求重试；但最终能否成功，仍取决于你配置的模型质量与额度。

参数：温度、窗口与「别乱发挥」

有些模型固定温度、不支持某些参数。系统会从报错文本识别并缓存修复结果，避免每次调用都踩同一个坑。

Token 与成本：钱花在哪

一次单股分析的输入通常包含行情表、指标、新闻、市场背景与很长的系统提示词；输出是一份结构化 JSON。总体量级通常在几千到数万 token，取决于股票数量、新闻长度、上下文包与模型。Agent 多轮问股会更高，因为每一轮都要带历史与工具结果。

风险清单：LLM 分析最容易翻车的五件事

源码与文档锚点