智研 · 你的口袋 AI 投委会

串行协作 · 联席尽调

5 位咨询合伙人按战略→业务→市场→运营→风险顺序接力,后者基于前者的输出深化。最终 主席综合写决议书。

难点: 串行加共享上下文 — 后位人格 看得到前位的输出但 prompt 要避免被带歪。我们用结构化交接卡(每位输出固定 schema)。
类比: CrewAI 的 顺序流程

并行协作 · 决策直播间

6 学派同时跑,SSE 多路流式,前端按 人格 id 分发 增量到对应卡片,边吐边渲染 markdown。

难点: 6 个 LLM 调用并发 + 单一 SSE 流的协议设计 — 我们用 {type, 人格, text} 三元组路由。前端 Compose / 浏览器都用同一 reducer。
类比: OpenAI Swarm 的 parallel 交接

对抗协作 · 红蓝队辩论

2 位人格 多空对垒,N 轮强制【论点】【证据】【反驳】三段式。后轮可看到前轮全部内容,被要求直接驳斥对方上一论点。

难点: 防止"和稀泥"(LLM 倾向温和)。我们在 system prompt 里植入角色压力词("你是对方最严格的挑战者")+ 强制 marker 切段。
类比: AutoGen 的 对抗辩论范式

仲裁协作 · 裁判矩阵

独立裁判 人格看完所有论点,强制输出 JSON 爆点矩阵:每个论点 成立/驳倒/悬而未决 三态 + 置信度 + 下一步要找的证据。

难点: JSON 解析失败的容错。我们做了三层兜底:(1) JSON 解析 → (2) 正则提取 → (3) 失败时显示 _parse_error + 原文。
类比: LLM 即裁判 / 约束 AI 的评判器范式

数据泄漏

LLM 训练数据见过未来,怎么让它"忘记"?

解法:注入 截止数据 + system prompt 双层约束;承认 LLM 模糊记忆但用逻辑可见替代"完全 blind"作为可信度标准

反事实评估

怎么用真实历史涨跌去打分 LLM 的判断?

解法:取决策日后 5/30/90 日真实交易数据 → 与 LLM 立场 匹配 → 算 命中率;不只看结果对错,看归因逻辑是否成立

AI 归因

谁判对了为什么?谁踩坑在哪个变量?

解法:归因 LLM 综合判断 + 真实结果 + 客观涨跌,流式输出 markdown,逐派 dissect。这是同业唯一的能力

真实数据强制注入

所有数字(PE / ROE / YoY / 涨跌幅)由 Python 从 Lixinger / 港股 vendor 拉取后注入 prompt。LLM 不能"编"数字,只能解读已知数字。

客观与解读分离

报告里客观数据卡(Python 算)与AI 解读(LLM 写)视觉分离。用户一眼能区分"这是事实"和"这是观点"。

JSON Schema 强制 + 兜底

裁判矩阵 / 投票 / 验收输出 JSON schema 强制;解析失败时三层 兜底:JSON.parse → 正则提取 → _parse_error 显原文。

客观信号灯固化结论

估值 / 资金 / 趋势 / 质量等 4 维度Python 算分位数给灯,LLM 只能在"红黄绿"三态内 dissect,不能颠倒结论。

6 派交叉验证

6 学派各自 立场 + 算法立场 双线投票。若 LLM 立场 与算法立场 严重背离,UI 显示背离警示提醒用户警惕。

红蓝队对抗校验

多空两位人格 强制对抗,N 轮三段式。一边倒结论会被对方拷问,裁判矩阵把每个论点标 成立/驳倒/悬而未决。

时光机反事实验证

把判断放回历史时点 + 真实涨跌,对每派算 命中率。准确率公开,LLM 的"自信"会被真实数据打脸。

免责 + 不给买卖点

报告 hero 下固定免责;智研不给"买入/卖出"具体行动建议,只产研究观点 + 决议书。决策由用户做,产品端守住合规红线。