Jarvis 最初是一个面向 CNY/AUD 的实时汇率监控 Agent，用于追踪汇率波动、相关新闻和用户自定义提醒阈值，并通过 Telegram 向用户推送高价值提醒。随着项目演进，Jarvis 已经从单一的汇率监控工具，逐步升级为一个面向金融研究场景的 privacy-aware multi-agent research system。
Jarvis 的核心定位不是“预测汇率”或“替用户做投资决策”，而是辅助用户完成金融信息搜集、证据整理、风险识别和研究简报生成。系统通过显式偏好、隐式偏好、反馈聚合和短期行为日志的分层设计，实现用户个性化能力；同时通过 Safe Context Builder 控制 LLM 只能访问安全白名单字段，避免 raw logs、完整 memory 或敏感信息进入模型上下文。用户可以通过 /my_profile、/privacy、/delete_profile 等命令查看、理解和删除自己的个性化数据。
- CNY/AUD 汇率监控：追踪人民币/澳元汇率变化，支持阈值提醒和波动告警。
- 金融新闻监控：通过新闻源持续扫描相关事件，并用 LLM 做相关性判断和摘要。
- 每日研究简报：按固定时间生成 CNY/AUD 相关的市场观察、新闻摘要、风险提示和短期关注点。
- Telegram Bot 交互：支持私聊问答、命令式查询、偏好管理、反馈收集和提醒推送。
- 隐私感知个性化：结构化保存显式偏好、推断偏好、反馈事件和短期行为事件。
- 多 Agent 研究工作流：将研究任务拆解为 FX、News、Macro、MarketDrivers、PolicySignal、Risk 等无状态专家 Agent，再由 Supervisor 汇总。
- 证据优先的研究输出：Agent 输出 evidence、confidence、source、missing_data，Evidence Store 再进行 source metadata、category taxonomy、scoring、routing 和 ContextPack 选择，避免只给不可审计的结论。
Jarvis 面向的是 AI-assisted financial research workflow：
- 帮助用户搜集和筛选金融信息。
- 整理来自汇率、新闻、宏观和风险侧的证据。
- 生成结构化研究简报，而不是给出投资指令。
- 记录用户偏好，但不把敏感 raw logs 直接暴露给 LLM。
- 支持未来从 CNY/AUD 扩展到股票、行业、宏观主题、法律监管和用户自定义研究方向。
Telegram / Scheduled Jobs
|
v
Jarvis Orchestrator
|
+-- Safe Context Builder
| `-- explicit preferences / inferred preferences / feedback summary
|
+-- Research Preset
| `-- cny_aud, future stock, sector, macro, regulatory presets
|
+-- Parallel Expert Agents
| +-- FX Agent
| +-- News Agent
| +-- Macro Agent
| +-- MarketDrivers Agent
| +-- PolicySignal Agent
| `-- Risk Agent
|
+-- Evidence Store / Runtime Micro-RAG
|
`-- Supervisor
`-- auditable research brief
在 Phase 9 中，Jarvis 引入 preset-driven 的并行研究工作流。CNY/AUD 不再是写死在系统里的唯一主题，而是第一个 research preset。每个研究任务会被拆解为多个无状态专家 Agent，例如 FX Agent、News Agent、Macro Agent、MarketDrivers Agent、PolicySignal Agent 和 Risk Agent。
各 Agent 独立运行并输出结构化 evidence、confidence、source、missing_data，再由 Supervisor 汇总为可审计的研究简报。该设计使 Jarvis 能在保留当前汇率 MVP 的基础上，未来扩展到股票、行业研究、宏观主题、法律监管分析和用户自定义研究方向。
为了应对金融行研场景中的长上下文和多来源信息问题，Jarvis 已经引入 Runtime Micro-RAG / Dynamic Evidence Store。系统不再让上游 Agent 把长篇原文和分析全文传给 Supervisor，而是将证据切块并写入带强元数据的 Evidence Store，只向下游传递 chunk_id、summary、category、entity、importance 等引用信息。
Supervisor 再通过 metadata-first hybrid retrieval 和 context pack builder 按需检索相关证据，从而降低 token 成本、减少上下文折损，并实现研究报告的证据级溯源。
当前 Evidence Store 重点能力：
| 能力 | 说明 |
|---|---|
| source metadata | 记录 domain、source_type、source_tier、quality_reason 等来源质量信息 |
| category taxonomy | 显式区分 fx_price、news_event、macro、policy_signal、market_driver、commodity_trade、risk、data_gap 等证据类型 |
| attention-inspired routing | 根据 section hint、category、composite score、source quality、recency、conflict value 和 user relevance 选择 ContextPack |
| Policy/Market 平衡 | PolicySignalAgent 与 MarketDriversAgent 同时开启时，宏观 section 为有效 policy_signal 保留位置，同时保留有效 market_driver/commodity 证据 |
| debug/baseline | /api/debug/fx_research 和 baseline recorder 保留 selected chunks、score breakdown、policy candidates、conflict breakdown 和 retrieval traces |
Phase 10.6H-fix2 解决了 PolicySignalAgent 产出存在但无法被评分/选中的问题。根因是 policy source label 过长，导致 policy chunks 的 token_estimate 超过 max_chunk_tokens=1200，在评分前被过滤。修复后，policy source label 会被压缩，policy chunks 能进入标准 EvidenceScorer，并在有效时参与宏观 section 选择。
有效 policy_signal 标准：
confidence >= 0.5或evidence_score >= 0.6source_tier <= 3evidence_basis != insufficient_evidence- direction 不是必需字段，但 neutral/None 结果需要有明确政策相关性
用户报告层不直接展示 raw conflict count，例如“识别出 N 组方向冲突”。raw/unique/reportable count 保留在 debug 和 baseline 中，用户侧使用解释性方向分歧描述。
当前阶段文档：
Jarvis/DEVELOPMENT.mdJarvis/docs/README.mdJarvis/docs/phase_10_6h_summary.mdJarvis/docs/baseline_073c7ec6.md
Jarvis 的个性化设计遵循以下原则：
- 不依赖非结构化 LLM memory 存储用户偏好。
- 个性化数据存储在 SQLite 的结构化表中。
- LLM 个性化上下文只接收白名单字段。
- raw events 只作为短期反馈信号，带 TTL 上限并可清理。
- 用户可通过
/my_profile查看资料，通过/privacy理解数据使用方式，通过/delete_profile删除结构化个性化数据。 - Safe Context Builder 不向 LLM 暴露完整 memory、raw logs、daily logs 或敏感字段。
当前结构化数据包括：
| 数据层 | 说明 |
|---|---|
| explicit preferences | 用户明确设置或确认的用途、提醒阈值、关注主题和摘要风格 |
| inferred preferences | 系统轻量推断出的内容偏好 |
| feedback events | useful、not useful、not interested 等反馈 |
| raw events | 短期行为事件，不直接进入 LLM 个性化上下文 |
Jarvis 不会主动要求或用于个性化存储银行卡、账户余额、身份证/护照、确切地址或详细个人财务压力等敏感信息；检测到这类内容时会尽量拒绝写入个性化资料。
| 命令 | 说明 |
|---|---|
/start |
启动 Bot 或查看欢迎信息 |
/status |
查看当前 Agent 状态 |
/my_profile |
查看当前结构化个性化资料，不展示 raw logs |
/privacy |
查看 Jarvis 隐私设计说明 |
/update_profile |
进入问答式流程，逐项更新明确偏好 |
/feedback useful |
记录提醒反馈 |
/delete_profile |
查看删除影响范围，并在确认后删除结构化个性化数据 |
中文别名包括 /我的资料、/隐私、/修改资料、/删除资料、/反馈。Telegram 命令菜单仍使用英文命令名，中文别名由 Jarvis 在消息入口映射处理。
Jarvis/
monitor_daemon.py 独立监控守护进程
pythonclaw/
channels/telegram_bot.py Telegram 命令与消息入口
core/personalization/ 隐私感知个性化资料存储
core/llm/ OpenAI-compatible / Gemini / Anthropic provider
core/retrieval/ RAG 检索组件
templates/skills/data/fx_monitor/ CNY/AUD 汇率监控与研究技能
fetch_rate.py
monitor_alert.py
news_monitor.py
research/
agents/ FX / News / Macro / MarketDrivers / PolicySignal / Risk Agent
coordinator.py
evidence_store.py
baseline_recorder.py
supervisor.py
runner.py
schema.py
Jarvis 是 Python 项目，依赖配置见 Jarvis/pyproject.toml 和 Jarvis/pythonclaw.example.json。
cd Jarvis
python3 -m venv .venv
. .venv/bin/activate
pip install -e .生产部署通常由 systemd 管理主 Agent 和监控守护进程：
jarvis-agent
jarvis-monitor
密钥、Telegram token、LLM provider API key、Tavily key 等不进入代码仓库，应放在本机配置或部署环境变量中。
长期来看，Jarvis 的目标是成为一个可扩展的 AI-assisted Financial Research Workflow。未来规划包括：
- attention-inspired evidence routing：根据实体、风险、时间敏感度和用户偏好动态分配证据注意力。
- official policy source priority：优先接入 RBA、PBoC、Fed 的官方政策来源。
- dynamic conflict summary：根据 conflict breakdown 动态生成用户可理解的方向分歧摘要。
- queue-based agent workers：将专家 Agent 变成可水平扩展的异步 worker。
- serverless-style elastic agent execution：按研究任务复杂度弹性启动 Agent 执行单元。
- legal/regulatory RAG：支持监管、法律、合规文本的专门检索与引用。
- evaluation dashboard：评估研究质量、引用覆盖率、成本、延迟和用户反馈。
- custom research presets：允许用户定义股票、行业、宏观主题或监管主题的研究 preset。
Jarvis 输出仅用于信息整理和研究辅助，不构成投资建议、法律建议或财务决策依据。汇率、新闻和市场数据可能存在延迟、缺失或第三方错误，用户应自行核验关键来源。