# Agent驱动的每日复盘报告生成系统从本地数据到自然语言日报

复盘是一件高频、重复、但又容错不得的工作：每天收盘后看指数、看资金、看市场结构，再写成几段小结。它的重复性天然适合交给自动化管道，而它的数字密集性又让纯 LLM 生成变得危险——模型最容易犯的错，就是把数字写错。这篇文章分享我们的解法：三层管道，脚本层算数字、LLM 层写文字、校验层验数字，收盘后约一分钟产出一份可归档的 markdown 日报。

## 一、数据面：三个数据集就够了

一份有信息量的复盘日报不需要堆数据，关键是覆盖面稳定。这里用到本地数据引擎的三个数据集：

- `time/real/{指数代码带sh/sz前缀}`：指数实时行情，上证指数就是 sh000001，字段含名称、涨跌幅、成交额等；
- `all/zjlx/zjhhy`：行业资金流向，字段包括行业、主力净流入等资金数据，还带各行业的上涨与下跌家数，正好可以汇总出全市场涨跌结构；
- `base/shsz`：沪深主要指数列表，作为指数配置清单，决定日报覆盖哪几个指数。

`time/history/trade/{指数代码}/{分时级别}` 这类分时数据主要服务于盘中场景，日报里只在需要描述盘中节奏时才按级别拉取。

## 二、三层管道：算数字、写文字、验数字

**第一层，脚本层：从数据到数字摘要。** 收盘后脚本依次读取三个数据集，产出一份纯数字的 JSON 摘要：核心指数涨跌幅与成交额、主力净流入排名前后五的行业、全市场涨跌家数比。摘要里没有任何自然语言，所有后续叙事的事实来源都被锁定在这里。

```python
def build_summary(date: str) -> dict:
    # 1) 指数概览：从沪深主要指数清单确定覆盖范围
    watch = [r["代码"] for r in engine.read("base/shsz")][:3]
    indexes = []
    for code in watch:                      # 如 sh000001（上证指数）
        row = engine.read(f"time/real/{code}")
        indexes.append({"name": row["名称"], "pct": row["涨跌幅"],
                        "amount_yi": round(row["成交额"] / 1e8, 1)})
    # 2) 行业资金：按主力净流入排序，取首尾各五名
    zj = engine.read("all/zjlx/zjhhy")
    zj.sort(key=lambda r: r["主力净流入"], reverse=True)
    fmt = lambda rs: [{"行业": r["行业"],
                       "净流入亿": round(r["主力净流入"] / 1e8, 2)} for r in rs]
    # 3) 市场结构：汇总各行业上涨/下跌家数
    up = sum(r.get("上涨家数", 0) for r in zj)
    down = sum(r.get("下跌家数", 0) for r in zj)
    return {"date": date, "indexes": indexes,
            "top_in": fmt(zj[:5]), "top_out": fmt(zj[-5:]),
            "breadth": {"up": up, "down": down,
                        "ratio": round(up / max(down, 1), 2)}}
```

这一层刻意做得"笨"：不判断、不解读，只做搬运和算术。成交额统一换算成亿元并保留一位小数，合计与比值全部在这里算完——后面会解释为什么。

**第二层，LLM 层：从数字摘要到日报。** prompt 用固定模板约束：日报只允许四个栏目——指数概览、资金面、行业结构、风险提示；每个数字都必须能在摘要中找到出处。prompt 里写死一条铁律：**只允许使用给定数字，不得新增任何数据，也不得对给定数字做四则运算。** 禁止四则运算这条是踩坑后加的：早期版本模型喜欢自己算"前五名合计净流入多少"，算对了无法追认，算错了无从发现，干脆禁掉，合计数由脚本层预先算好放进摘要。

**第三层，校验层：数字回抽比对。** 日报生成后不直接落盘，先过一道机器校验：用正则把日报里出现的所有数字回抽出来，与源摘要逐一比对，任何一个对不上即判定为幻觉数字，带着错误清单重写。

```python
import re

NUM_RE = re.compile(r"-?\d+(?:\.\d+)?")

def collect_numbers(node, bag: set):
    if isinstance(node, (int, float)):
        bag.add(round(float(node), 2))
    elif isinstance(node, dict):
        for v in node.values(): collect_numbers(v, bag)
    elif isinstance(node, list):
        for v in node: collect_numbers(v, bag)

def validate_numbers(report: str, summary: dict) -> list[str]:
    """回抽日报中全部数字，与源摘要比对，返回不一致清单。"""
    allowed = set()
    collect_numbers(summary, allowed)
    errors = []
    for raw in NUM_RE.findall(report):
        num = round(float(raw), 2)
        if float(raw).is_integer() and abs(num) < 10:
            continue                        # 过滤"第一节""前五名"等序号
        if num not in allowed:
            errors.append(raw)              # 摘要中找不到出处的数字
    return errors
```

校验逻辑里有几个必须处理的坑：

- **序号过滤**：模板里的"第一节""前五大行业"会引入 1、5 这类小整数，回抽时跳过绝对值小于 10 的纯整数，否则天天误报；
- **精度对齐**：两侧都按摘要同一精度 round 后比较，避免浮点尾差触发无意义重写；
- **区间表述合法**：日报写"净流入在 3.20 亿到 5.86 亿之间"是允许的，两个端点都在允许集合内即可通过——所以用"数字集合包含"判定，而不是整句匹配。

## 三、把校验做成必经节点

完整管道如下：

```python
from pathlib import Path

ARCHIVE = Path("reports/daily")             # 按日期归档：2026-09-02.md

def generate_report(date: str, max_retry: int = 3) -> Path:
    summary = build_summary(date)
    for _ in range(max_retry):
        draft = llm_write(summary)          # 固定四节模板撰写
        errors = validate_numbers(draft, summary)
        if not errors:                      # 校验通过才允许落盘
            out = ARCHIVE / f"{date}.md"
            out.write_text(draft, encoding="utf-8")
            return out
        summary["校验错误"] = errors         # 回灌错误清单，带错重写
    return manual_fallback(summary)         # 三次仍失败，转人工兜底
```

设计核心是把"数字回抽校验"做成必经节点：校验不通过就不存在落盘路径，没有"先发出去再说"的旁路。重写最多三次，每次把上一轮的错误清单回灌进 prompt，让模型明确知道错在哪个数字；三次仍不通过则转人工兜底。实际运行中极少走到兜底，数字不一致率长期压在极低水平，但通道必须在——否则任何一次上游数据异常都会让整个管道卡死。

产出按日期归档为 markdown，一天一份文件。积累三个月，就是一份可全文检索的复盘历史，回看某天的判断时不需要再依赖任何第三方存档。

## 四、结语：让编造的数字没有出口

这套系统跑下来最大的体会是：LLM 写作的质量问题，九成不是文采问题，而是事实对齐问题。与其在 prompt 里反复恳求模型"请认真核对数字"，不如在管道外面包一层机器校验，用确定性代码把幻觉数字拦在落盘之前。脚本层、LLM 层、校验层各司其职之后，"每天一分钟出一份复盘日报"就从玩具变成了可以长期依赖的基础设施。

最后照例说明：报告仅为数据整理输出，不构成投资建议。

资料参考：ig50

[gitee开源地址](https://gitee.com/igtrade/ighub) 
[github开源地址](https://github.com/ig50-service/ig50-official)


复盘是一件高频、重复、但又容错不得的工作：每天收盘后看指数、看资金、看市场结构，再写成几段小结。它的重复性天然适合交给自动化管道，而它的数字密集性又让纯 LLM 生成变得危险——模型最容易犯的错，就是把数字写错。这篇文章分享我们的解法：三层管道，脚本层算数字、LLM 层写文字、校验层验数字，收盘后约一分钟产出一份可归档的 markdown 日报。

Agent驱动的每日复盘报告生成系统从本地数据到自然语言日报 IG50免费开源股票数据API接口

人工智能

开发工具

三层管道让AI日报告别幻觉数字：脚本层算数、LLM层写文、校验层回抽比对，收盘后约一分钟自动产出可归档的markdown复盘。数据面仅需指数行情、行业资金流向及沪深指数列表三组数据集。文章详解数字回抽校验的必过机制，含过滤序号、精度对齐等避坑方案，实现每日事实对齐的长期可靠复盘。

代码解释

Agent

JSON

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

Agent驱动的每日复盘报告生成系统从本地数据到自然语言日报 IG50免费开源股票数据API接口-腾讯云开发者社区-腾讯云

Agent驱动的每日复盘报告生成系统从本地数据到自然语言日报 IG50免费开源股票数据API接口

Agent驱动的每日复盘报告生成系统从本地数据到自然语言日报 IG50免费开源股票数据API接口

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐