基于 daily-stock-analysis 的专家团队整体改造方案

文档类型: 架构设计方案
创建时间: 2026-05-15
目标: 回答三个核心问题：DSA 是否就是 hunter？长线能否覆盖？可控性如何保证？

一、核心结论（先给答案）

daily-stock-analysis（以下简称 DSA）不是 hunter 本身，但它是 hunter 的”大脑+武器库”。

不能直接把 DSA 搬到专家团队里当 hunter，因为它缺少多用户隔离、对话历史管理、Matrix 推送等基础设施。但 DSA 的 agent 体系 + 策略系统 + 数据源，正是 hunter 做短线推荐最缺的分析引擎。

最佳方案是”嫁接”：financial-team 作为交互管理层（负责路由、记忆、隔离、推送），DSA 作为分析引擎层（负责数据源、策略、决策仪表盘）。

这样做，模型、提示词、记忆、持仓数据全部在 financial-team 框架下可控。

二、DSA 深度调研结果

2.1 DSA 的 Agent 体系 — 它本身就是一个”多专家协作系统”

DSA 的 src/agent/agents/ 目录下有 6 个专用 agent：

• technical_agent：技术面分析（K线、均线、MACD、RSI 等）
• intel_agent：情报分析（新闻、公告、舆情、社交情绪）
• risk_agent：风险评估（波动率、集中度、下行风险）
• portfolio_agent：持仓分析（成本、盈亏、仓位占比、行业重叠）
• decision_agent：决策合成（汇总所有 agent 意见，输出决策仪表盘）
• strategy_agent：策略执行（按选定的 YAML 策略文件执行分析）

这和 financial-team 的 research/strategy/risk 三角色结构高度相似，但 DSA 的粒度更细、协作更紧密。decision_agent 作为”总指挥”，把 technical + intel + risk + portfolio + strategy 的意见合成一份决策仪表盘。

但这套体系是单用户设计的：orchestrator.py 明确注释”Conversation history is managed externally by the caller”。DSA 没有 caller 隔离概念，没有多租户，所有用户共享同一个 SQLite 数据库和同一个配置。如果直接把 DSA 搬到 financial-team 里，junjun 和 ywz 的数据会混在一起。

2.2 DSA 的策略系统 — 短线、中线、长线全覆盖

DSA 内置 11 种策略（YAML 文件，自然语言描述，无需写代码）：

长线策略：

• 底部放量 — 检测长期下跌后底部放量信号，潜在趋势反转
• 波浪理论 — 基于艾略特波浪理论判断大周期浪型与目标价

中线策略：

• 多头趋势 — 识别多头排列、趋势延续与回踩低吸
• 均线金叉 — 检测均线金叉配合量能确认
• 箱体震荡 — 识别价格箱体区间，箱底买入、箱顶减仓
• 缠论 — 基于笔、线段、中枢结构判断趋势级别与买卖点
• 缩量回踩 — 检测缩量回踩均线支撑，趋势延续入场点
• 放量突破 — 检测放量突破阻力位

短线策略：

• 龙头策略 — 板块轮动中识别龙头股
• 情绪周期 — 识别情绪低点（恐慌底）与情绪高点（狂热顶），逆情绪布局
• 一阳夹三阴 — 检测K线整理形态，趋势延续入场信号

market_regimes 覆盖：trending_up（上涨）、trending_down（下跌）、sideways（横盘）、volatile（震荡）、sector_hot（热点轮动）。

结论：DSA 策略系统覆盖全周期，短线只是它的一个子集。它的强项不是”只做短线”，而是”按市场状态自动匹配最适合的策略”。

2.3 DSA 的可控性评估

LLM API — 完全可控

DSA 支持 15+ 种 LLM 渠道：

• 国内：DeepSeek、Moonshot/Kimi、通义千问 DashScope、智谱 GLM、MiniMax、火山方舟、硅基流动
• 国际：OpenAI、Anthropic Claude、Gemini
• 聚合平台：Anspire、AIHubMix、OpenRouter
• 本地：Ollama（无需 API Key）

每个渠道独立配置 base_url / api_key / models，支持多 Key 轮询与自动 fallback。可以配置自定义代理端点，也可以完全离线用 Ollama。

结论：完全可以接你自己的 API，而且比 financial-team 当前只支持 DeepSeek 灵活得多。

提示词 — 策略层完全可控，底层需要改代码

• 策略提示词：完全可控。YAML 文件用自然语言写，放在 strategies/ 目录下，系统启动自动加载。你可以新增、修改、删除策略，无需改任何代码。
• Agent 底层提示词：在代码里。比如 decision_agent.py 的 system_prompt() 方法直接返回 prompt 字符串，要改需要改代码。
• 报告模板：Jinja2 模板，在 templates/ 目录下，可自定义。

结论：策略层面的提示词完全开放，但 agent 底层的行为逻辑（system prompt、post_process）需要改代码才能调。

记忆 — 有分析历史，无长期对话记忆

DSA 的记忆系统分两层：

• AgentMemory：基于 SQLite 数据库，存储历史分析结果、预测准确率、技能胜率。有校准系统，根据历史准确率自动调整 agent 置信度。需要 AGENT_MEMORY_ENABLED=true 开启。
• ConversationManager：有 session 级别对话历史（session_id 隔离），但 orchestrator 明确说”对话历史由 caller 外部管理”。DSA 没有跨 session 的长期对话记忆，也没有按用户隔离的对话历史。

结论：DSA 的分析历史记忆很强（可以追踪预测准确率并自我校准），但对话上下文记忆很弱（没有 financial-team 的 conversation_history.jsonl 那种跨 session 长期记忆）。

持仓数据 — 功能完整，但格式固定

DSA 的 portfolio 系统非常专业：

• portfolio_service.py + portfolio_repo.py + SQLite 数据库
• 支持完整的交易记录：买入/卖出、成本计算（FIFO/avg）、分红、拆股
• 支持多账户、多市场（A股/港股/美股）
• 有 portfolio_agent 专门处理持仓相关分析
• 支持行业集中度、仓位上限等风险检查

但格式是固定的 SQLAlchemy ORM 模型，不像 financial-team 的 JSON 文件那样灵活可改。

交易日历 — 已经有，而且比我们计划自己写的更好

DSA 有 src/core/trading_calendar.py​，基于 exchange-calendars 库，支持：

• A股（XSHG）、港股（XHKG）、美股（XNYS）的交易日判断
• 按时区取”今日”日期（避免服务器 UTC 导致日期错误）
• per-stock 过滤：只分析当日开市市场的股票

结论：我们计划自己写的交易日历工具，DSA 已经有了。直接调用它的接口即可。

三、为什么不能直接把 DSA 搬到专家团队里

三个不可调和的差距：

差距1：多用户隔离

financial-team 通过 FT_CALLER​ + shared/users/<caller>/ 物理隔离，junjun 和 ywz 的数据完全分开。DSA 没有 caller 概念，所有用户共享同一个数据库和配置。如果直接搬过来，junjun 的持仓会覆盖 ywz 的持仓。

差距2：对话历史管理

financial-team 有 conversation_history.jsonl​（最近10轮）和 investment_memory.json（长期投资画像），可以按用户注入专家 prompt。DSA 的 conversation_manager 是 session 级别的，没有跨 session 记忆，也没有按用户隔离。

差距3：推送渠道

financial-team 通过 Matrix 直接推送给用户。DSA 支持企业微信、飞书、TG、Discord、Slack、邮件，但不支持 Matrix。

四、改造方案：嫁接架构

不是”搬”，是”嫁接”。financial-team 做外壳，DSA 做引擎。

4.1 架构图

用户消息 (junjun/ywz)
    │
    ▼
[OpenClaw] 意图识别
    │
    ▼
[financial-team router] —— 按关键词路由到 hunter
    │                          （caller 隔离、时间感知、对话历史注入）
    ▼
[hunter expert_runner] —— 加载 hunter.md prompt + 用户记忆
    │
    ├─── 通用工具调用（get_stock_spot、read_portfolio 等）
    │
    └─── DSA 分析引擎调用（新增工具）
              │
              ├─── 单股深度分析 → POST /api/v1/analysis/single
              │                   返回：决策仪表盘 JSON
              │
              ├─── Agent 策略问答 → POST /api/v1/agent/chat
              │                   返回：多轮策略分析结果
              │
              ├─── 板块排名 → GET /api/v1/market/sector-rankings
              │              返回：领涨/领跌板块
              │
              └─── 交易日历 → 调用 trading_calendar.py
                              返回：是否交易日、前一个/后一个交易日
    │
    ▼
[hunter LLM] —— 用 DeepSeek 做最终解读
    │              （结合 DSA 数据 + 用户持仓 + 对话历史 + 时间感知）
    ▼
[Matrix 推送] —— 发给用户

4.2 为什么这样能保证可控性

LLM 模型可控：hunter 用自己的 DeepSeek API，DSA 只作为数据层，不消耗 LLM token（或只在需要时调用）。

提示词可控：hunter.md 完全自己写。DSA 提供结构化数据输入，最终推荐的措辞、风格、格式由 hunter prompt 控制。

记忆可控：financial-team 的记忆系统继续用。conversation_history.jsonl + investment_memory.json，按 caller 隔离。

持仓数据可控：portfolio.json 定期同步到 DSA。financial-team 保持自己的 JSON 格式不变。

时间感知可控：调用 DSA trading_calendar。已验证有交易日历模块，比自己写更准。

数据隔离可控：caller 隔离在 financial-team 层保证。DSA 不知道 caller，financial-team 为每个 caller 维护独立的调用上下文。

4.3 具体实施步骤

Step 1：启动 DSA FastAPI 服务

DSA 已经有 server.py（FastAPI 入口），端口 8000。启动命令：

cd /opt/vendor/daily-stock-analysis
source .venv/bin/activate
python server.py
# 或
uvicorn server:app --host 0.0.0.0 --port 8000 --reload

配置 .env：

• 至少配一个 LLM 渠道（DeepSeek 或 Gemini 免费额度）
• 不需要配置任何通知渠道（推送由 financial-team 负责）
• 数据源用免费版即可（akshare + efinance + baostock）

Step 2：在 financial-team 新增 DSA 调用工具

新增 tools/dsa_client.py：

import requests

DSA_BASE_URL = "http://localhost:8000"

def dsa_analyze_stock(code: str, skills: list = None) -> dict:
    """调用 DSA 单股深度分析，返回决策仪表盘 JSON。"""
    ...

def dsa_agent_chat(message: str, session_id: str, skills: list = None) -> dict:
    """调用 DSA Agent 策略问答，返回多轮分析结果。"""
    ...

def dsa_sector_rankings(market: str = "cn") -> dict:
    """调用 DSA 板块排名。"""
    ...

def dsa_is_trading_day(date_str: str, market: str = "cn") -> dict:
    """调用 DSA 交易日历。"""
    ...

Step 3：改造 hunter.md prompt

在 hunter.md 的工具说明中增加 DSA 工具：

## 工具使用策略

| 场景 | 工具组合 | 说明 |
|------|---------|------|
| 单股深度分析 | dsa_analyze_stock | 获取决策仪表盘（评分、买卖点位、风险警报） |
| 策略问答 | dsa_agent_chat | 用缠论/龙头/波浪等策略做深入分析 |
| 板块热点 | dsa_sector_rankings | 获取当前领涨/领跌板块 |
| 时间校验 | dsa_is_trading_day | 校验目标日期是否为交易日 |

Step 4：portfolio 数据同步

写一个小脚本 scripts/sync_portfolio_to_dsa.py​，定期把 financial-team 的 shared/users/<caller>/portfolio.json 同步到 DSA 的 portfolio DB：

# 读取 financial-team portfolio.json
# 调用 DSA API POST /api/v1/portfolio/trades 写入交易记录
# 支持 junjun 和 ywz 两个账户

Step 5：测试验证

用 junjun 的测试消息跑一轮：

• “明天有什么票可以追？” → hunter 路由 → 调用 dsa_sector_rankings 获取热点板块 → 调用 dsa_analyze_stock 深度分析龙头股 → hunter 做最终推荐
• “中远海控下周能不能涨？” → hunter 路由 → 调用 dsa_analyze_stock + dsa_agent_chat（用波浪理论或缠论分析） → hunter 综合输出

4.4 和现有方案的对比

纯 financial-team 方案（原施工方案） ：

• 数据源：新浪+腾讯+akshare（5个工具）
• 策略系统：无（纯 prompt 驱动）
• 板块资金流：需自己写 akshare 封装
• 龙虎榜：需自己写 akshare 封装
• 决策仪表盘：无
• 回测验证：无
• 实现工作量：大（需写大量 akshare 封装）
• 可控性：高（全部自己写）
• 维护成本：高（每个数据源自己维护）

嫁接 DSA 方案（本方案） ：

• 数据源：10+数据源 + 自动 fallback
• 策略系统：11种内置策略 + 可自定义
• 板块资金流：DSA 已有 efinance/akshare 板块排名
• 龙虎榜：DSA 暂未直接支持，但数据源更丰富
• 决策仪表盘：有（评分、买卖点位、风险警报、操作清单）
• 回测验证：有（可对历史分析做事后验证）
• 实现工作量：中（主要是 API 调用封装）
• 可控性：高（策略层开放，底层可调）
• 维护成本：低（DSA 社区维护）

五、风险提示

风险1：DSA 的 LLM 依赖

DSA 的决策仪表盘、评分、买卖点位推荐依赖 LLM API。如果 LLM 服务中断，DSA 只能输出原始数据，无法做”智能分析”。但 financial-team 自己的 LLM（DeepSeek）不受影响，hunter 可以用原始数据自己做分析。

缓解措施：配置多渠道 fallback（DeepSeek + Gemini 免费额度）。

风险2：DSA 版本更新可能破坏 API

DSA 是开源项目，API 可能在版本更新时变化。

缓解措施：锁定 DSA 版本（不自动更新），financial-team 的 dsa_client.py 做 API 响应校验，异常时 fallback 到自有工具链。

风险3：单点故障

DSA FastAPI 服务如果挂了，hunter 的分析能力会降级。

缓解措施：dsa_client.py 每个调用加 try/except，DSA 异常时 fallback 到 financial-team 原有工具链（get_stock_spot + get_stock_history + calculate_technical）。

六、下一步行动建议

P0（本周） ：

1. 启动 DSA FastAPI 服务，验证 API 可用
2. 写 tools/dsa_client.py，封装4个核心调用接口
3. 用 dsa_is_trading_day 替换原计划自己写的交易日历工具

P1（下周） ：
4. 改造 hunter.md，增加 DSA 工具使用策略
5. 写 scripts/sync_portfolio_to_dsa.py，实现持仓数据同步
6. 用 junjun 的测试消息跑一轮端到端验证

P2（下下周） ：
7. 根据测试结果微调 hunter prompt 和 DSA skill 选择
8. 观察 1-2 周推荐命中率和用户满意度
9. 如果效果好，考虑让 strategy 专家也接入 DSA（中线/长线策略）

七、附录：DSA 关键文件速查