短线猎手改造施工方案
金融专家短线猎手改造施工方案
文档类型: 工程实施文档
创建时间: 2026-05-15
目标: 为 junjun 的短线交易需求新增「短线猎手」角色，解决策略专家与用户需求错配问题
一、项目背景与问题
1.1 现状问题
策略专家（strategy）的 prompt 定位是中长线量化分析师，核心原则是：
- 多空双视角、置信度量化
- 禁止给出具体买卖点位
- 默认保守，偏好估值低、技术形态稳的票
但 junjun 的实际需求是：
- 短线交易，几天到一周内见效果
- 高弹性，愿意承担波动，要的是涨幅不是安全边际
- 追热点追动量，不是抄底等启动
结果: 策略专家连续两周推荐海信、中远海控、建投能源、东方财富等稳健票，全部不涨甚至下跌，用户信任崩塌。
1.2 解决思路
不改现有策略专家（避免影响其他用户），新增「短线猎手」角色（hunter），专门服务短线交易需求。
二、改造后的文件树
/opt/agent/financial-team/
├── prompts/
│ ├── research.md # 调研专家（不变）
│ ├── strategy.md # 策略专家（微调，见下文）
│ └── hunter.md # 短线猎手（新增）★
├── agents/
│ ├── base_agent.py # 基础 agent 框架（不变）
│ ├── expert_runner.py # 专家统一入口（改）★
│ └── router.py # 路由分发（改）★
├── tools/
│ ├── real_tools.py # 真实工具注册（改）★
│ ├── memory_manager.py # 记忆管理（不变）
│ ├── tools_memory/ # 记忆文件目录（不变）
│ └── akshare_wrappers.py # AKShare 接口封装（新增）★
├── data/
│ └── portfolios/ # 持仓数据（不变）
└── docs/
└── migration_guide.md # 迁移说明（新增）
文件改动清单
| 文件 | 操作 | 说明 |
|---|---|---|
prompts/hunter.md |
新增 | 短线猎手角色定义 |
prompts/strategy.md |
微调 | 增加「长短答判断」中对短线需求的识别，避免抢 hunter 的活 |
agents/expert_runner.py |
改 | ROLE_CONFIG 增加 hunter |
agents/router.py |
改 | 路由规则增加 hunter 分支 |
tools/real_tools.py |
改 | 注册 hunter 专用工具 |
tools/akshare_wrappers.py |
新增 | AKShare 资金/龙虎榜/概念热度接口封装 |
三、代码关系与调用链
3.1 整体架构图
┌─────────────────────────────────────────────────────────────┐
│ OpenClaw (junjunclaw) │
│ │
│ 用户消息: "明天买什么票能涨？" │
│ │ │
│ ▼ │
│ ┌─────────────────┐ │
│ │ 意图识别层 │ 关键词匹配: "明天"/"下周"/"短线"/"必涨" │
│ │ (OpenClaw 侧) │ → 路由到 financial-team/hunter │
│ └────────┬────────┘ │
│ │ │
│ ▼ │
│ ┌────────────────────────────────────────────────────────┐ │
│ │ financial-team (Docker 容器) │ │
│ │ │ │
│ │ ┌─────────────┐ ┌─────────────┐ ┌──────────┐ │ │
│ │ │ router.py │───▶│expert_runner│───▶│ BaseAgent│ │ │
│ │ │ (路由分发) │ │ (统一入口) │ │ (执行层) │ │ │
│ │ └─────────────┘ └─────────────┘ └────┬─────┘ │ │
│ │ │ │ │ │
│ │ ▼ ▼ │ │
│ │ ┌─────────────┐ ┌────────────┐ │ │
│ │ │ prompts/ │ │ tools/ │ │ │
│ │ │ hunter.md │ │ akshare_ │ │ │
│ │ │ (角色定义) │ │ wrappers.py │ │ │
│ │ └─────────────┘ │ (资金/龙虎) │ │ │
│ │ └────────────┘ │ │
│ └────────────────────────────────────────────────────────┘ │
│ │ │
│ ▼ │
│ ┌────────────────────────────────────────────────────────┐ │
│ │ 数据源层 │ │
│ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │
│ │ │ sina │ │ tencent │ │ akshare │ │ │
│ │ │ 实时行情 │ │ 历史K线 │ │ 资金/龙虎 │ │ │
│ │ └──────────┘ └──────────┘ └──────────┘ │ │
│ └────────────────────────────────────────────────────────┘ │
└─────────────────────────────────────────────────────────────┘
3.2 router.py 的路由逻辑（改造后）
# router.py 核心逻辑
def dispatch(caller, room, message):
msg = message.lower()
# 短线猎手关键词（优先级最高）
hunter_keywords = [
"明天", "下周", "短线", "必涨", "追", "打板",
"涨停", "热点", "题材", "龙头", "游资", "龙虎榜",
"资金流入", "主力", "放量", "冲", "梭哈"
]
if any(kw in msg for kw in hunter_keywords):
return route_to("hunter", caller, room, message)
# 调研专家关键词
research_keywords = ["调研", "分析", "基本面", "财报", "深度"]
if any(kw in msg for kw in research_keywords):
return route_to("research", caller, room, message)
# 策略专家（默认兜底）
return route_to("strategy", caller, room, message)
3.3 expert_runner.py 的 ROLE_CONFIG（改造后）
ROLE_CONFIG = {
"research": {
"prompt_file": "research.md",
"temperature": 0.3,
"output_dir": "research-reports",
"output_title": "调研报告",
"prefix": "📊 [调研专家]",
},
"strategy": {
"prompt_file": "strategy.md",
"temperature": 0.3,
"output_dir": "strategy-advice",
"output_title": "策略建议",
"prefix": "📈 [策略专家]",
},
"hunter": { # ★ 新增
"prompt_file": "hunter.md",
"temperature": 0.5, # 稍高，允许更大胆的推断
"output_dir": "hunter-picks",
"output_title": "短线猎手",
"prefix": "⚡ [短线猎手]",
},
}
四、怎么生效
4.1 部署步骤
Step 1: 写入新文件
cd /opt/agent/financial-team
# 1. 写 hunter.md
vim prompts/hunter.md
# 2. 改 strategy.md（增加长短答判断中对短线需求的识别）
vim prompts/strategy.md
# 3. 改 expert_runner.py（ROLE_CONFIG 加 hunter）
vim agents/expert_runner.py
# 4. 改 router.py（路由规则加 hunter 分支）
vim agents/router.py
# 5. 新增 akshare_wrappers.py
touch tools/akshare_wrappers.py
Step 2: 重启生效
# financial-team 是 ywz-local-fin 容器的一部分
# 由于它是被 OpenClaw 容器通过 exec 调用的，不需要单独重启
# 只需确保 financial-team 代码在宿主机上是最新的即可
# 但如果是独立容器运行：
docker compose restart financial-team # 如果有独立服务
# 实际上 financial-team 是被 ywzclaw/junjunclaw exec 调用的
# 所以改完代码立即生效，不需要重启 OpenClaw 容器
Step 3: 验证
# 在 junjun 聊天室发一条消息测试：
# "明天有什么票可以追？"
# 观察日志确认路由到了 hunter 而不是 strategy
4.2 回滚方案
如果 hunter 效果不佳，只需改 router.py，把 hunter 关键词注释掉，请求自动 fallback 到 strategy：
# router.py 中注释掉 hunter 路由
# hunter_keywords = [...]
# if any(kw in msg for kw in hunter_keywords):
# return route_to("hunter", ...)
无需重启，改完即生效。
五、新增/调用的工具
5.1 新增工具列表
| 工具名 | 功能 | 数据源 | 用途 |
|---|---|---|---|
get_sector_fund_flow |
板块资金流向排名 | akshare | 找当前资金主攻方向 |
get_stock_fund_flow |
个股资金流向 | akshare | 看单票主力资金进出 |
get_lhb_daily |
龙虎榜数据 | akshare | 看游资在炒哪些票 |
get_north_hold_change |
北向资金持股变化 | akshare | 看外资动向 |
get_concept_board |
概念题材热度 | akshare | 找当前热点题材 |
get_limit_up_pool |
涨停池 | akshare | 看今日涨停票和连板情况 |
5.2 工具调用链（典型场景）
场景：用户问”明天买什么票能涨？”
router.py 识别到 hunter 关键词 → 调 expert_runner.py (role=hunter)
│
▼
hunter.md 驱动 BaseAgent 执行 ReAct 循环
│
├── Step 1: get_sector_fund_flow() → 获取今日板块资金流入 Top10
│ "今日资金主攻：半导体 +15亿、新能源 +8亿、地产 +3亿"
│
├── Step 2: get_concept_board() → 获取概念热度排名
│ "热度最高：光刻胶、固态电池、跨境电商"
│
├── Step 3: get_lhb_daily() → 获取龙虎榜，看游资在买什么
│ "游资买入：XXX（光刻胶）、YYY（固态电池）"
│
├── Step 4: get_stock_spot() → 获取候选票的实时行情
│ "XXX: 涨停、换手率 12%、量比 3.5"
│
├── Step 5: calculate_technical() → 技术面确认
│ "MACD 金叉、放量突破、RSI 65（未超买）"
│
└── Step 6: 综合输出
"明天可关注：XXX（光刻胶龙头），理由：...
备选：YYY（固态电池），理由：...
风险提示：..."
5.3 与现有工具的关系
┌─────────────────────────────────────────────────────────┐
│ 工具层 │
├──────────────┬──────────────┬───────────────────────────┤
│ 通用工具 │ 策略专家专用 │ 短线猎手专用（新增） │
├──────────────┼──────────────┼───────────────────────────┤
│ get_stock_ │ calculate_ │ get_sector_fund_flow │
│ spot │ technical │ get_stock_fund_flow │
│ │ │ │
│ get_stock_ │ get_stock_ │ get_lhb_daily │
│ history │ news │ get_north_hold_change │
│ │ │ │
│ read_portfo- │ save_to_ │ get_concept_board │
│ lio │ siyuan │ get_limit_up_pool │
└──────────────┴──────────────┴───────────────────────────┘
六、预期典型场景的动线流程图
场景 A：用户问”明天买什么票能涨？”
用户: "明天买什么票能涨？"
│
▼
[OpenClaw] 意图识别
│ 关键词命中: "明天" → hunter
│
▼
[router.py] route_to("hunter")
│
▼
[expert_runner.py] role=hunter
│
▼
[hunter.md 驱动 ReAct]
│
├─▶ get_sector_fund_flow()
│ 返回: 半导体 +15亿、新能源 +8亿
│
├─▶ get_concept_board()
│ 返回: 光刻胶(热度1)、固态电池(热度2)
│
├─▶ get_lhb_daily()
│ 返回: 游资买入 XXX(光刻胶)、YYY(固态电池)
│
├─▶ get_stock_spot() + calculate_technical()
│ 返回: XXX 涨停、放量、MACD金叉、RSI65
│
└─▶ 综合输出
"明天可关注：
1. XXX（光刻胶龙头）—— 今日涨停、游资介入、板块资金流入第一
建议：若开盘涨幅 < 3% 可追，> 5% 观望
持有周期：2-3 天，跌破今日涨停价止损
2. YYY（固态电池）—— 放量突破、北向加仓
建议：回踩 5 日线低吸
持有周期：3-5 天，跌破 MA5 止损"
│
▼
[Matrix 发送给用户]
场景 B：用户问”帮我看看中远海控下周能不能涨？
用户: "中远海控下周能不能涨？"
│
▼
[OpenClaw] 意图识别
│ 关键词命中: "下周" → hunter
│
▼
[router.py] route_to("hunter")
│
▼
[hunter.md 驱动 ReAct]
│
├─▶ get_stock_spot("中远海控")
│ 返回: 当前价、涨跌幅、换手率
│
├─▶ get_stock_fund_flow("中远海控")
│ 返回: 主力资金连续 3 日净流出
│
├─▶ get_sector_fund_flow()
│ 返回: 海运板块资金流出第 3
│
├─▶ get_stock_news("中远海控")
│ 返回: 中美关税缓和，但运费仍承压
│
├─▶ calculate_technical("中远海控")
│ 返回: MACD 死叉、缩量、跌破 MA20
│
└─▶ 综合输出
"中远海控下周看法：
偏空信号：
- 主力资金连续 3 日净流出
- 海运板块整体资金流出
- 技术面上 MACD 死叉、跌破 MA20
- 缩量下跌，没有企稳迹象
唯一支撑：
- 中美关税缓和长期利好海运，但短期未反映在股价上
结论：下周继续调整概率大。建议：
- 若已持仓：明天反弹即减仓，跌破 xx 元止损
- 若未持仓：观望，等放量阳线再考虑"
│
▼
[Matrix 发送给用户]
场景 C：用户问”帮我深度调研一下茅台”（不应走 hunter）
用户: "帮我深度调研一下茅台"
│
▼
[OpenClaw] 意图识别
│ 关键词命中: "深度调研" → research
│ 无 hunter 关键词（明天/下周/短线/必涨）
│
▼
[router.py] route_to("research")
│
▼
[research.md 驱动 ReAct]
│
├─▶ get_stock_spot("茅台")
├─▶ get_stock_news("茅台")
├─▶ get_stock_history("茅台")
└─▶ 输出完整调研报告（保存到思源）
│
▼
[Matrix 发送给用户: 摘要 + 思源链接]
七、风险提示与边界
7.1 hunter 的局限
- 不能预测未来：所有判断基于历史数据和当前资金动向，市场随时可能反转
- 不适合大盘暴跌期：短线猎手在系统性风险面前同样失效
- 信息延迟：akshare 数据有延迟（T 日数据 T+1 早上更新），无法做到真正的实时
7.2 用户预期管理
hunter 的输出必须包含：
⚠️ 风险提示：
1. 以上分析基于公开历史数据，不构成投资建议
2. 短线交易风险极高，可能面临大幅亏损
3. 请设置止损位并严格执行
4. 过往表现不代表未来收益
7.3 与策略专家的边界
| 场景 | 走 hunter | 走 strategy |
|---|---|---|
| “明天买什么？” | ✅ | ❌ |
| “下周哪个板块有戏？” | ✅ | ❌ |
| “帮我看看这只票的技术面” | ❌ | ✅ |
| “这只票估值贵不贵？” | ❌ | ✅ |
| “我的持仓怎么调整？” | ❌ | ✅ |
| “短线和中长线怎么配置？” | 两者结合 | 两者结合 |
八、验收标准
改造完成后，junjun 在聊天室发送以下测试消息，验证路由和输出质量：
| 测试消息 | 预期路由 | 预期输出特征 |
|---|---|---|
| “明天买什么票能涨？” | hunter | 给出 1-3 只票，带理由、持有周期、止损位 |
| “下周哪个板块有戏？” | hunter | 给出板块 + 逻辑 + 代表股 |
| “帮我看看中远海控” | hunter | 资金动向 + 技术判断 + 操作建议 |
| “深度调研一下比亚迪” | research | 完整研报，保存到思源 |
| “我的持仓怎么调整？” | strategy | 组合分析 + 仓位建议 |
九、下一步行动
- 写 hunter.md（短线猎手角色 prompt）
- 写 akshare_wrappers.py（资金/龙虎榜/概念热度工具）
- 改 router.py（增加 hunter 路由分支）
- 改 expert_runner.py（ROLE_CONFIG 加 hunter）
- 改 strategy.md（增加对短线需求的识别，避免抢活）
- 测试验证（用 junjun 的测试消息跑一轮）
- 观察 1-2 周，看推荐命中率和用户满意度
本文档已同步保存至 SiYuan 知识库
如需修改或补充，直接在思源里编辑或告知我更新。
十、用户追加四问深度调研结论
调研时间: 2026-05-15
调研范围: router.py / expert_runner.py / strategy.md / real_tools.py / daily-stock-analysis 全项目
10.1 时间感知问题：专家是”瞎子”，不知道今天几号
问题复现
专家说”5月16日继续涨”，但5月16日是周六休市。这种低级错误直接摧毁用户信任。
根因定位（三层断层）
第一层 — OpenClaw 有时间但不传：
OpenClaw 运行时上下文明文带有时间戳，如 "timestamp": "Thu 2026-05-14 05:20 UTC"。但 router.py 的 _build_child_env() 环境变量白名单里没有任何时间相关字段，时间信息被完全丢弃。
第二层 — expert_runner.py 有占位符但不替换：
strategy.md prompt 里有 "分析时间：{YYYY-MM-DD HH:MM}" 占位符，但 expert_runner.py 加载 prompt 后没有做任何变量替换，模型拿到的是纯文本占位符。
第三层 — 模型没有交易日历概念：
即使知道今天是5月14日周四，模型也不知道5月16日是周六、A股休市。模型的时间知识来自预训练数据，可能滞后，也无法感知实时节假日安排。
修复方案（分三级）
P0 — 传真实时间：
router.py 的 _build_child_env() 增加 "FT_CURRENT_TIME": datetime.now().isoformat()，expert_runner.py 在加载 prompt 前用 datetime.now().strftime("%Y-%m-%d %H:%M") 替换 {YYYY-MM-DD HH:MM} 占位符。
P1 — 加交易日历校验：
新增 get_trade_calendar() 工具，调用 akshare.tool_trade_date_hist_sina() 获取官方交易日历。当用户提到”明天”“下周”等时间词时，先校验目标日期是否为交易日，如果不是则明确告知”X月X日为周末/节假日，A股休市”。
P2 — 开盘后时间感：
在 prompt 里注入当前时段信息（如”当前为周四下午盘 14:30，距收盘还有90分钟”），让专家在推荐”今天买入”时能判断是否还有交易时间。
代码改动点
文件: router.py，在 _build_child_env() 里加一行："FT_CURRENT_TIME": datetime.now(ZoneInfo("Asia/Shanghai")).isoformat()
文件: expert_runner.py，在加载 prompt 后加替换逻辑：prompt = prompt.replace("{YYYY-MM-DD HH:MM}", datetime.now().strftime("%Y-%m-%d %H:%M"))
文件: tools/real_tools.py，新增工具：get_trade_calendar(date_str: str) -> str，返回该日期是否为交易日、前一个交易日、后一个交易日。
10.2 数据来源现状：只有基础行情，缺短线灵魂数据
当前已有工具清单（real_tools.py，共801行）
get_stock_spot：新浪 + 腾讯实时行情，覆盖最新价、涨跌幅、PE、PB、换手率。
get_stock_history：akshare 历史K线优先，sina fallback，覆盖60-120天日线。
get_stock_news：r.jina.ai 新闻聚合 + 新浪搜索 + 巨潮公告，覆盖近期新闻催化。
calculate_technical：pandas_ta 本地计算，覆盖 MACD、RSI、布林带、均线系统。
read/write_portfolio + check_risk_limits：本地 JSON 持仓管理，按 caller 隔离。
save_to_siyuan：报告存储到知识库。
缺失的短线关键数据
这些数据是 hunter 角色做短线推荐的核心依据，当前全部缺失：
板块资金流向 — 判断热点轮动、资金主攻方向。没有它， hunter 不知道哪个板块在吸金。
龙虎榜数据 — 看机构/游资动向，识别强庄。没有它， hunter 不知道谁在拉盘。
北向资金实时流入 — 外资风向直接影响A股情绪。没有它， hunter 看不到外资态度。
融资融券余额变化 — 杠杆资金态度。没有它， hunter 不知道市场在加杠杆还是去杠杆。
涨停池/炸板率 — 市场情绪温度计。没有它， hunter 不知道市场情绪是亢奋还是恐慌。
概念题材热度排名 — 判断题材持续性。没有 it， hunter 不知道热点能火多久。
结论：没有这些数据，hunter 角色即使加了 prompt 也是”盲人摸象”，推荐质量不会比现有 strategy 好多少。
10.3 daily-stock-analysis 联动：系统里已有一个更强大的”外挂”没接
重大发现
系统里存在一个完整的开源股票分析系统：/opt/vendor/daily-stock-analysis/（GitHub: ZhuLinsen/daily_stock_analysis）。目前完全独立运行，和 financial-team 零联动。
它的能力远超 financial-team
数据源层面：daily-stock-analysis 支持 TickFlow、Tushare、Pytdx、Baostock、YFinance、Longbridge 等10+数据源，且有自动 fallback 机制；financial-team 只有新浪+腾讯+akshare。
策略系统层面：daily-stock-analysis 内置11种策略（缠论、波浪、情绪周期、龙头战法、均线金叉等）；financial-team 没有任何策略框架，纯靠 prompt 驱动。
新闻搜索层面：daily-stock-analysis 支持 Anspire、SerpAPI、Tavily、Bocha、Brave、MiniMax 等6种搜索；financial-team 只有 r.jina.ai + 新浪。
推送渠道层面：daily-stock-analysis 支持企业微信、飞书、TG、Discord、Slack、邮件；financial-team 只有 Matrix。
Agent问股层面：daily-stock-analysis 支持多轮策略问答、WebUI、FastAPI 服务；financial-team 只有单轮专家分析。
回测验证层面：daily-stock-analysis 支持对历史分析做事后验证；financial-team 没有任何回测能力。
联动方案
hunter 专家不要从零造轮子，直接调用 daily-stock-analysis 的 FastAPI 服务（端口8000，已有 analyzer_service.py 封装）。
具体做法：在 tools/real_tools.py 中新增 call_dsa_analyze(stock_code: str) 工具，向 http://localhost:8000/api/v1/analysis/single 发送请求，获取决策仪表盘、评分、买卖点位、风险警报等结构化数据，然后由 hunter 做二次解读和推荐。
已有接口验证：daily-stock-analysis 的 run_junjun.py 已经实现了读取 junjun 持仓并调用 analyze_stocks() 的分析脚本，证明技术上是可行的。
10.4 数据隔离：新增 hunter 不影响用户间隔离
隔离机制
router.py 通过 --caller 参数注入 FT_CALLER 环境变量。
memory_manager.py 按 shared/users/<caller>/ 物理目录隔离。
验证结果：junjun 目录下 portfolio.json 9.6K、历史记录 30K、研究/策略/风控报告齐全；ywz 目录下 portfolio.json 400 bytes、历史记录 6.4K。数据确实完全隔离。
结论：新增 hunter 角色只是 router 的 EXPERT_ROLES 字典里加一行，caller 不变，隔离逻辑完全不受影响。
10.5 daily-stock-analysis 第三方依赖风险评估
用户核心担忧：这个工具是否依赖别人提供服务，有没有可能有一天就用不了了？
数据源分层分析
daily-stock-analysis 设计了多层 fallback 架构，不是单点依赖：
免费数据源（不依赖任何 API Key，不会被封）：
akshare_fetcher — 东方财富公开接口，完全免费，无配额限制，代码已内置在项目中。
efinance_fetcher — 东方财富接口，完全免费，无配额限制。
baostock_fetcher — 完全免费，无配额限制。
pytdx_fetcher — 通达信本地协议，完全免费。
yfinance_fetcher — Yahoo Finance，免费但受网络环境影响。
免费但有额度限制的数据源：
tushare_fetcher — 有免费配额（80次/分钟），超额需付费。但即使 tushare 停了，前面5个免费数据源可以兜底。
付费数据源（可选，不是必须）：
tickflow_fetcher — 付费实时行情，配置即生效，不配置不影响核心功能。
longbridge_fetcher — 付费港股/美股行情，不配置不影响A股分析。
新闻搜索依赖（这是真正的风险点）
daily-stock-analysis 的新闻搜索依赖外部 API：Anspire、SerpAPI、Tavily、Bocha、Brave、MiniMax。这些全是第三方付费或免费额度服务，确实可能有一天被封或涨价。
但 news 对 hunter 的短线推荐不是核心——短线看的是资金流向和技术形态，新闻只是辅助。即使所有新闻 API 全挂，akshare + efinance + baostock + pytdx 依然能提供完整的行情、K线、板块排名、资金流向等核心数据。
LLM 分析依赖（这是最大风险点）
daily-stock-analysis 的决策仪表盘、评分、买卖点位推荐，全部依赖 LLM API（DeepSeek / Gemini / Claude / OpenAI / Anspire 等）。
这是不可回避的依赖：没有 LLM，它只能输出原始数据，无法做”智能分析”。但 financial-team 本身也依赖 LLM（DEEPSEEK_API_KEY），两者风险相同。
唯一缓解措施：Gemini 有免费额度，可作为低成本兜底。
风险评估总结
数据获取层面：低风险。60%以上的核心数据源完全免费且无需 API Key，多层 fallback 确保单点故障不影响整体。
新闻搜索层面：中风险。依赖多个第三方搜索 API，但新闻不是 hunter 的核心输入，即使全挂也能降级为纯技术面分析。
LLM 分析层面：高风险。和 financial-team 一样，完全依赖外部 LLM API。这是行业通病，没有自托管大模型就无法完全独立。
建议：把 daily-stock-analysis 作为 hunter 的数据源补充（调用它的原始数据接口），而不是完全替代 financial-team 的 LLM 分析流程。这样即使 daily-stock-analysis 的某个模块挂了，financial-team 自己的 LLM + 基础工具链还能兜底。