我已经花了几周的时间在这一点上，我终于准备好分享了。
问题: 银行提供的实质性股权研究成本为每年30+公里人民币。在线所有免费的东西都是表面层面的废物，剥去Yahoo Finance数据的AI分析。 我想要一种能够思考一只股票的方式，正如一支研究团队一样。
我构建的东西: APEX金融智能网络，一个在Node.js中使用7个阶段多智能体管道的股票标志符和输出专业4页PDF研究报告的系统。 想着是一家金斯achs早上的备忘录，但由协调的AI代理团体生成，成本不足一美元。
架构（简化）：
- 数据割取（0 LLM调用），同时触顶FMP、AlphaVantage、FRED、SEC EDGAR和XBRL。 三层回避每个数据字段。 在数据源中交叉验证价格。 检测异常（根本上是不可行的52W范围，例如股权分立后不能发生的股价分散，旧数据，倒置的范围）。 这是可预测的，没有AI接触。
- 情绪扫描，快速网络搜索来捕获最近的驱动力，分析师活动，监管新闻。
- 5个并行子代理，宏观风格分类，街头分析师报告聚合（在街头金斯achs/MS/JPMorgan/UBS等进行搜索），SEC提交的法医（从EDGAR读取真实的10-K/10-Q文件），收益报告审计员，内部交易模式探测器。
- 三个AI分析员同时争论，梅子张（量化/技术）、拉瓦帕特尔（基本面）、埃玛玛什（宏观/流动）。 每个代理在网络搜索中获得8个，所有数字都必须引用源标签： [数据室]、[浏览器：url]、[计算：公式]、[SEC-XBRL]。 没有引用 = flagged作假。
- 坏人劝说，维克托斯特兰德收集所有分析员输出并攻击盲点，数据缺乏，大集团思维，数据质量问题。他主要武器：分析员可能会忽略的数据异常和冲突。
- 首席执行官合成，使用Claude Opus的适应性思维。 交叉验证所有事物。 输出概率预测，风险矩阵，进场/出场/止损目标，仓位大小，以及我会改变的东西。
- 布莱尔评分调整，所有概率预测都存储在SQLite中。当后续结果得到解决时，系统会根据CIO的性能来计算每个分析员的布莱尔评分，并在未来报告中调整其权重。它实际上会随时间而改善。
差错几乎杀死我（而且任何地方都没有任何文档）：
- AlphaVantage报告实际上是物理性的 52W范围在股权分立后不可能实现（例如，一只股票从$88-$130交易到$101-$103）。 我们的异常检测系统捕获到了这一点。
- SEC XBRL返回2017年的收入，它们在2018年为ASC 606的概念切换。 我们需要建立一个
latestAnnualBestOf（）函数，比较在多个收入概念上的投稿日期。 - Claude输出
<integer>字面量，如果你在json模式中使用类型占位符。 每个模式现在都使用了具体的示例值。 - 网络搜索子代理使用每次输入100,000+字节。 如果阶段1立即触发，您就会立即触发速率限制。 我们建立了3种防守：强制15秒暂停+指数回退（20秒→40秒→80秒→160秒）+静听方式。
- 提示缓存会在静默模式中潜在地破坏，如果将内容块结合成一个字符串，而不是将它们作为数组传递 Zero错误，仅仅高昂更多成本。
输出： 4页A4 PDF。 首席执行官裁决。 市场智慧中的所有子代理发现。 全体分析者辩论以及说服徽章，研究发现表格，数据冲突预警。 错误劝说红标志。 首席执行官风险矩阵，概率预测，行动计划。
成本： $0.40–$0.90每股标志符与提示缓存。
栈： Node.js22，ES模块，Anthropic SDK，Puppeteer，SQLite。 无框架。 无TypeScript。 只有15个文件，每个文件都做得很好。
全面的规范，包括每个阶段，所有提示，所有模式，所有BUG修复，作为可部署的模板可用。
如果你想要自己的网络，请给我发一条信息。
评论 (0)