10_Tech_LLM_RAG_Integration

AI 集成策略

系统使用大模型做研判，但不是把原始 K 线数据直接丢给模型。本篇解释为什么，以及 AI 在系统中的三种使用方式。

---

核心原则：量化先行，AI 后审

量化漏斗（硬过滤）→ 结构化特征切片（喂给 AI）→ AI 研判 → 风控执行

AI 不直接看原始数据，也不直接下单。它夹在"已经过滤好的候选"和"最终风控执行"中间，只负责语义判断。

---

为什么不直接喂原始 K 线

把几百天的 OHLCV 表格直接丢给模型会有三个问题：

1. 浪费 Token — 大量无关数据占用上下文
2. 数值推理不稳定 — 模型对数字的计算能力有限
3. 信号被噪音淹没 — 关键转折点埋在冗长数据里

实际做法是先提取"特征切片"：

• 趋势摘要（均线关系、位阶、关键偏离）
• 异动片段（放量、缩量、关键突破 / 回踩）
• 必要上下文（行业状态、大盘水温、风控提示）

---

三条 AI 路径

A. 批量研报（生产主线，Step3）

• 入口：core/batch_report.py
• 输入：Step2 候选股 + 结构化特征切片
• 输出：三阵营分类（逻辑破产 / 储备营地 / 起跳板）
• 附产物：合规版市场观察简报（脱敏统计，不含个股代码）

B. 单股深度分析（交互场景）

• 实现：app/single_stock_logic.py
• Prompt：core/prompts.py
• 用途：用户指定一只股票，做深度威科夫结构分析

C. 对话 Agent（Web + CLI）

• 用途：围绕持仓、行情、信号做多轮对话
• Agent 自主决定调用哪些工具、调用多少次
• 工具层定义在 agents/chat_tools.py

---

RAG 防雷机制

RAG 的作用不是替代模型，而是补充模型没有的实时信息。

流程：

1. 对候选股检索近期新闻
2. 匹配高风险关键词（立案、财务造假、债务违约、退市风险等）
3. 命中 → 一票否决这只候选股

实现位于 integrations/rag_veto.py。即使 RAG 接口崩溃，系统会跳过防雷（记录 Warning），不会阻断整条研报流水线。

---

合规版市场观察简报

面向公开群发场景，与主研报分离：

• 只使用脱敏统计：大盘水温、广度、量能、行业聚集、触发形态数量
• 不包含任何个股代码、名称或"买入/卖出"等交易动作词
• 输出前做确定性校验，拦截违规内容
• 模型不可用时降级为本地模板

实现位于 core/compliance_report.py。

---

AI 的边界

AI 负责	AI 不负责
语义研判和文本建议	资金管理和下单执行
结构化数据的解读	原始数据的计算
候选股的分类评审	实盘风险控制

一句话：AI 建议 ≠ 自动下单。执行权永远在风控引擎（Step4）。