kunthawat/opencode-skill
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Activity

Import 9 alphaear finance skills

Browse Source 
- alphaear-deepear-lite: DeepEar Lite API integration
- alphaear-logic-visualizer: Draw.io XML finance diagrams
- alphaear-news: Real-time finance news (10+ sources)
- alphaear-predictor: Kronos time-series forecasting
- alphaear-reporter: Professional financial reports
- alphaear-search: Web search + local RAG
- alphaear-sentiment: FinBERT/LLM sentiment analysis
- alphaear-signal-tracker: Signal evolution tracking
- alphaear-stock: A-Share/HK/US stock data

Updates:
- All scripts updated to use universal .env path
- Added JINA_API_KEY, LLM_*, DEEPSEEK_API_KEY to .env.example
- Updated load_dotenv() to use ~/.config/opencode/.env
This commit is contained in:
Kunthawat Greethong
2026-03-27 10:11:37 +07:00
parent 7edf5bc4d0
commit 58f9380ec4
149 changed files with 26867 additions and 0 deletions
Download Patch File Download Diff File Expand all files Collapse all files

127
skills/alphaear-predictor/scripts/prompts/fin_agent.py Normal file
View File

@@ -0,0 +1,127 @@
from datetime import datetime
from .isq_prompt_generator import generate_isq_prompt_section
def get_fin_researcher_instructions() -> str:
"""生成金融研究员 (Researcher) 的系统指令"""
current_time = datetime.now().strftime('%Y-%m-%d %H:%M:%S')
return f"""你是一名资深金融研究员，当前时间是 {current_time}。
你的任务是针对给定的“原始信号”进行详尽的背景调查，为后续的深度分析提供素材。
### 1. 核心职责
1. **标的识别**: 识别信号中涉及的具体上市公司。必须调用 `search_ticker` 确认代码，并调用 `get_stock_price` 获取最新价格和近 30 天走势。
2. **事实核查**: 使用 `web_search` 或 `fetch_news_content` 验证信号的真实性，并寻找更多细节（如公告原文、行业研报摘要）。
3. **产业链梳理**: 补充该信号涉及的上下游环节及竞争格局。
### 2. 工具使用规范 (CRITICAL)
- **每个提到的公司都需要调用工具**: 不能依赖记忆，必须实时查询。
- **完整呈现工具结果**: 包括具体的股价数字、代码、技术面数据等，不要缩略。
- **股价数据必需**: 当前价格、近期最高最低、技术面支撑阻力等数据是后续预测的基础。
- **信息交叉验证**: 多个来源验证关键事实。
### 3. 输出要求
你必须输出结构化的研究报告，涵盖标的基本面、股价走势、行业背景及最新进展。
"""
def get_fin_analyst_instructions(template_id: str = "default_isq_v1") -> str:
"""生成金融分析师 (Analyst) 的系统指令
Args:
template_id: 使用的 ISQ 模板 ID
"""
current_time = datetime.now().strftime('%Y-%m-%d %H:%M:%S')
isq_block = generate_isq_prompt_section(template_id=template_id)
return f"""你是一位深耕二级市场的资深金融分析师 (FinAgent)，当前时间是 {current_time}。
你的核心任务是执行“信号解析”，将研究员搜集的素材转化为具有可操作性的投资情报（ISQ 框架）。
{isq_block}
### 2. 分析约束
- **严格基于具体数据**: 必须使用研究员提供的股价、技术面、新闻等具体数据进行分析。
- **数据驱动的预测**: impact_tickers 中的权重应基于事件影响程度，不能随意赋值。
- **逻辑严密**: 传导链条必须符合金融常识，能够自圆其说。
- **技术面参考**: 如果研究员提供了股价走势，请分析当前位置相对于支撑/阻力位的关系。
### 3. 关键要求
- **title**: 必须生成一个简练、准确概括信号核心内容的标题（不超过 15 字）。
- **impact_tickers**: 必须填充具体的公司代码（6位数字）和名称，权重应该有区分。
- **transmission_chain**: 必须是对象列表，每个对象包含：
- `node_name`: 节点名称（如“上游原材料”、“中游制造”）
- `impact_type`: 影响类型（“利好”、“利空”、“中性”）
- `logic`: 具体的传导逻辑描述
- **summary**: 基于分析结果总结核心观点，包含具体数字（如股价目标、预期涨跌幅等）。
- **reasoning**: 必须详细阐述推演逻辑，解释为什么得出上述结论（<200字）。
### 4. 输出格式 (严格 JSON 块)
你必须输出一个符合 InvestmentSignal 结构的 JSON 块，包含所有必需字段。
"""
def get_fin_agent_instructions() -> str:
# 保持兼容性，但内部调用 analyst 指令
return get_fin_analyst_instructions()
def get_fin_research_task(signal_text: str) -> str:
"""生成研究员的任务描述"""
return f"请针对以下信号进行背景调查，搜集相关标的的股价、最新进展和行业背景：\n\n{signal_text}"
def format_research_context(research_data: dict) -> str:
"""将研究员搜集的结构化数据格式化为分析师可读的文本"""
if not research_data:
return "（未能搜集到额外背景信息）"
return f"""
### 研究背景
- **相关标的**: {research_data.get('tickers_found', [])}
- **行业背景**: {research_data.get('industry_background', '未知')}
- **最新进展**: {', '.join(research_data.get('latest_developments', []))}
- **关键风险**: {', '.join(research_data.get('key_risks', []))}
- **综合摘要**: {research_data.get('search_results_summary', '无')}
"""
def get_fin_analysis_task(signal_text: str, research_context_str: str) -> str:
"""生成分析师的任务描述"""
return f"""请基于以下信息进行深度 ISQ 分析。关键是：必须使用研究员搜集的具体数据（股价、技术面、新闻、代码等）进行分析。
=== 原始信号 ===
{signal_text}
=== 研究员搜集的背景信息 (CRITICAL DATA) ===
{research_context_str}
=== 分析要求 ===
1. 必须生成 title：简练概括信号核心（<15字）
2. 基于研究员提供的具体股价数据，分析当前定价状态（已定价/未定价/部分定价）
3. impact_tickers 中填充具体的公司代码和权重，权重基于事件影响程度
4. transmission_chain 必须是包含 node_name, impact_type, logic 的对象列表
5. summary 中包含具体数字（预期目标价、涨跌幅范围等）
6. reasoning 必须详细解释推演逻辑，不要空泛，要言之有物
请严格按 InvestmentSignal JSON 格式输出。"""
def get_tracking_analysis_task(old_signal: dict, new_research_str: str) -> str:
"""生成信号追踪更新的任务描述"""
import json
old_sig_str = json.dumps(old_signal, ensure_ascii=False, indent=2)
return f"""你正在执行“信号逻辑演变追踪”任务。请基于最新的市场信息，重新评估之前的投资信号。
=== 基准信号 (上次分析) ===
{old_sig_str}
=== 最新市场追踪 (NEWS & PRICE) ===
{new_research_str}
=== 追踪分析要求 ===
1. **逻辑演变检测**:
- 对比新旧信息，判断原逻辑 (`transmission_chain` 和 `reasoning`) 是否依然成立？
- 如果逻辑发生变化（如利好落空、逻辑证伪、新利好出现），请在新的 `reasoning` 中明确指出“逻辑演变：...”
- 如果逻辑未变且得到验证，请标记“逻辑维持：...”
2. **参数修正**:
- 根据最新股价和新闻，更新 `sentiment_score` (情绪)、`confidence` (置信度) 和 `expectation_gap` (预期差)。
- 例如：如果股价已经大涨反映了利好，`expectation_gap` 应该显著降低。
3. **输出更新后的信号**:
- 保留原 `signal_id` 和 `title`（除非有重大变化需要改名）。
- 输出完整的 InvestmentSignal JSON。
请重点关注：为什么变了？还是为什么没变？理由要充分。"""

49
skills/alphaear-predictor/scripts/prompts/forecast_analyst.py Normal file
View File

@@ -0,0 +1,49 @@
from typing import List, Dict, Any
from ..schema.models import KLinePoint
def get_forecast_adjustment_instructions(ticker: str, news_context: str, model_forecast: List[KLinePoint]):
"""
生成 LLM 预测调整指令
"""
forecast_str = "\n".join([f"- {p.date}: O:{p.open}, C:{p.close}" for p in model_forecast])
return f"""你是一位资深的量化策略分析师。
你的任务是：根据给定的【Kronos 模型预测结果】和【最新的基本面/新闻背景】，对模型预测进行“主观/逻辑调整”。
股票代码: {ticker}
【Kronos 模型原始预测 (OHLC)】:
{forecast_str}
【最新情报背景】:
{news_context}
调整原则:
1. 原始预测是基于历史的技术面推演。
2. 情报背景中可能包含【Kronos模型定量修正预测】，这是基于历史新闻训练的专用模型计算出的量化结果。
3. 如果存在“定量修正预测”，请**高度参考**该数值作为基础，除非你有非常确凿的逻辑认为该量化模型失效（例如遇到模型未见过的极端黑天鹅）。
4. 你的核心任务是：结合定性分析（新闻及其逻辑）来验证或微调这些数字，并给出合理的解释（Rationale）。
5. 如果没有“定量修正预测”，则你需要根据新闻信号手动大幅调整趋势。
输出要求 (严格 JSON 格式):
```json
{{
"adjusted_forecast": [
{{
"date": "YYYY-MM-DD",
"open": float,
"high": float,
"low": float,
"close": float,
"volume": float
}},
...
],
"rationale": "详细说明调整的逻辑依据，例如：考虑到[事件A]，预期短线将突破压力位..."
}}
```
注意：必须输出与原始预测相同数量的数据点，且日期一一对应。
"""
def get_forecast_task():
return "请根据以上背景和模型预测，给出调整后的 K 线数据并说明理由。"

45
skills/alphaear-predictor/scripts/prompts/intent_agent.py Normal file
View File

@@ -0,0 +1,45 @@
def get_intent_analysis_instructions() -> str:
"""生成意图分析 Agent 的系统指令，专注于金融市场影响分析"""
return """你是一个资深的金融市场意图分析专家。你的任务是将用户的自然语言查询转化为结构化的 JSON 分析结果，重点挖掘该查询与金融市场（尤其是股市）的潜在关联。
### 核心任务：
深入分析用户查询，识别核心金融实体、行业板块及潜在的市场影响点，生成利于搜索引擎抓取深度金融分析信息的查询词。
### 输出格式（严格 JSON）：
```json
{
"keywords": ["实体/行业/事件"],
"search_queries": ["针对市场影响的搜索词1", "针对行业变动的搜索词2"],
"affected_sectors": ["相关板块1", "相关板块2"],
"is_market_moving": true/false,
"time_range": "recent/all/specific_date",
"intent_summary": "一句话描述其金融市场分析意图"
}
```
### 字段说明：
1. **keywords**: 核心公司实体、所属行业、宏观经济事件或政策概念。
2. **search_queries**: 优化后的搜索词，必须包含“股市影响”、“股价波动”、“行业逻辑”或“估值”等金融维度。
3. **affected_sectors**: 可能受此事件或信息影响的二级市场板块（如：保险、半导体、房地产）。
4. **is_market_moving**: 该事件是否具有显著的市场驱动潜力或属于重大基本面变化。
5. **intent_summary**: 简述用户查询背后的金融研究目的。
### 示例：
用户输入："帮我研究一下香港火灾的影响"
输出：
```json
{
"keywords": ["香港", "火灾", "保险行业", "房地产"],
"search_queries": ["香港火灾对当地保险股股价影响", "香港大火对相关上市物业公司估值冲击", "近期香港火灾带来的市场避险情绪分析"],
"affected_sectors": ["保险", "房地产", "物业管理"],
"is_market_moving": true,
"time_range": "recent",
"intent_summary": "评估香港近期火灾对相关板块上市公司的潜在经济损失及股价冲击"
}
```
"""
def get_intent_task(query: str) -> str:
"""生成意图分析任务描述"""
return f"Process this query and extract financial market intent: {query}"

43
skills/alphaear-predictor/scripts/prompts/isq_prompt_generator.py Normal file
View File

@@ -0,0 +1,43 @@
"""
ISQ prompt helpers to render dimension guidance directly from the template.
Any change in the template propagates to prompts automatically.
"""
from typing import List, Optional
from ..schema.isq_template import get_isq_template, ISQTemplate
def _ordered_dimension_keys(template: ISQTemplate, order: Optional[List[str]] = None) -> List[str]:
if order:
return [k for k in order if k in template.dimensions]
# fallback to template insertion order
return list(template.dimensions.keys())
def generate_isq_prompt_section(template_id: str = "default_isq_v1", order: Optional[List[str]] = None, include_header: bool = True) -> str:
"""Render ISQ dimension text block based on the template.
This allows prompt text to stay in sync with template edits.
"""
template = get_isq_template(template_id)
keys = _ordered_dimension_keys(template, order)
lines: List[str] = []
if include_header:
lines.append("### 1. ISQ 评估框架 (Investment Signal Quality)")
lines.append(f"参考模板: {template.template_name} (id: {template.template_id})")
lines.append("")
lines.append("你需要对信号进行以下维度的评分：")
lines.append("")
for idx, key in enumerate(keys, start=1):
spec = template.dimensions[key]
examples = "；".join([f"{k}: {v}" for k, v in spec.examples.items()]) if spec.examples else ""
lines.append(f"{idx}. **{spec.key} ({spec.name})**: {spec.range_type}")
lines.append(f" - 描述: {spec.description}")
if spec.scale_factor and spec.scale_factor != 1.0:
lines.append(f" - 缩放因子: {spec.scale_factor}")
if examples:
lines.append(f" - 示例: {examples}")
lines.append("")
return "\n".join(lines).rstrip()

415
skills/alphaear-predictor/scripts/prompts/report_agent.py Normal file
View File

@@ -0,0 +1,415 @@
# src/prompts/report_agent.py
from datetime import datetime
from typing import Optional
from .isq_prompt_generator import generate_isq_prompt_section
def get_report_planner_base_instructions() -> str:
"""生成报告策划员 (Planner) 的基础系统指令"""
return """你是一名资深的金融研报主编。你的任务是规划报告的结构，将零散的信号聚类成有逻辑的主题。
你拥有 RAG 搜索工具，可以检索已生成的章节内容以确保逻辑连贯性。
在规划时，应重点关注信号之间的关联性、产业链的完整性以及用户特定的关注点。"""
def get_report_writer_base_instructions() -> str:
"""生成报告撰写员 (Writer) 的基础系统指令"""
return """你是一名资深金融分析师。你的任务是根据策划员提供的信号簇撰写深度研报章节。
你应当运用专业的金融知识，将信号转化为深刻的洞察。
注意：你没有外部搜索工具，你的分析必须基于提供给你的信号内容和行情数据。"""
def get_report_editor_base_instructions() -> str:
"""生成报告编辑 (Editor) 的基础系统指令"""
return """你是一名严谨的金融研报编辑。你的任务是审核和润色撰写员生成的章节。
你拥有 RAG 搜索工具，可以检索其他章节的内容，以消除重复、修正逻辑冲突并确保术语一致性。
你应当确保报告符合专业的金融写作规范，且标题层级正确。"""
# 1. 策划阶段 (Structural Planning)
def format_signal_for_report(signal: any, index: int, cite_keys: Optional[list] = None) -> str:
"""格式化单个信号供研报生成使用"""
# 这里的逻辑从 ReportAgent._format_signal_input 迁移过来
from ..schema.models import InvestmentSignal
if isinstance(signal, dict):
try:
sig_obj = InvestmentSignal(**signal)
except:
return f"--- 信号 [{index}] ---\n标题: {signal.get('title')}\n内容: {signal.get('content', '')[:500]}"
else:
sig_obj = signal
chain_str = " -> ".join([f"{n.node_name}({n.impact_type})" for n in sig_obj.transmission_chain])
text = f"--- 信号 [{index}] ---\n"
text += f"标题: {sig_obj.title}\n"
text += f"逻辑摘要: {sig_obj.summary}\n"
text += f"传导链条: {chain_str}\n"
text += f"ISQ 评分: 情绪({sig_obj.sentiment_score}), 确定性({sig_obj.confidence}), 强度({sig_obj.intensity})\n"
text += f"预期博弈: 时窗({sig_obj.expected_horizon}), 预期差({sig_obj.price_in_status})\n"
tickers = ", ".join([f"{t.get('name')}({t.get('ticker')})" for t in sig_obj.impact_tickers])
if tickers:
text += f"受影响标的: {tickers}\n"
# Stable bibliography-style citation keys (LaTeX/BibTeX-like)
if cite_keys:
joined = " ".join([f"[@{k}]" for k in cite_keys if k])
if joined:
text += f"引用: {joined}\n"
return text
def get_cluster_planner_instructions(signals_text: str, user_query: str = None) -> str:
"""生成信号聚类指令 - 将零散信号组织成逻辑主题"""
query_context = f"用户重点关注：{user_query}" if user_query else ""
return f"""你是一位资深的金融研报主编。你的任务是将以下零散的金融信号聚类成 3-5 个核心逻辑主题，以便撰写一份结构清晰的研报。
{query_context}
### 输入信号列表
{signals_text}
### 聚类要求
1. **主题聚合**: 将相关性强的信号归为一组（例如：都涉及“建筑安全法规”或“某产业链上下游”）。
2. **叙事逻辑**: 只需要生成主题名称和包含的信号 ID。
3. **控制数量**: 将所有信号归类到 3-5 个主要主题中，不要遗漏。
### 输出格式 (JSON)
请仅输出以下 JSON 格式，不要包含 Markdown 标记：
{{
"clusters": [
{{
"theme_title": "主题名称（如：建筑安全法规收紧引发的产业链重构）",
"signal_ids": [1, 3, 5],
"rationale": "这些信号都指向政府对高层建筑防火标准的政策调整..."
}},
...
]
}}
"""
def get_report_planner_instructions(toc: str, signal_count: int, user_query: str = None) -> str:
"""生成报告规划指令 - 重点在于逻辑关联与分歧识别"""
# ... (原有逻辑保持不变，但实际在新的聚类流程后这个可能作为备用或二次优化)
query_context = f"用户重点关注：{user_query}" if user_query else ""
return f"""你是一位资深的金融研报主编。你的任务是根据现有的草稿章节，规划出一份逻辑严密、穿透力强的终稿结构。
### 任务核心：
1. **识别主线**: 从草稿中识别出贯穿多个章节的“核心逻辑主线”（如：产业链共振、货币政策转向）。
2. **分歧评估 (Entropy)**: 识别各章节中观点冲突或确定性不一之处，规划如何在正文中呈现这些“分歧点”。
3. **结构蓝图**:
- 定义一级标题（逻辑主题）。
- 归类章节：哪些信号应放入同一主题下深度解析？
- 排序：将 ISQ 强度最高、与{query_context}最相关的信号置前。
### 现有草稿目录 (TOC)
{toc}
请输出你的【终稿修订大纲】（Markdown 格式）。
"""
# 2. 撰写阶段 (Section Writing)
def get_report_writer_instructions(theme_title: str, signal_cluster_text: str, signal_indices: list, price_context: str = "", user_query: str = None) -> str:
"""生成 Writer Agent 指令 - 基于主题聚类撰写综合分析"""
price_info = f"\n### 近期价格参考\n{price_context}\n" if price_context else ""
query_context = f"\n**用户意图**: \"{user_query}\"\n请确保分析内容回应了用户的关注点。\n" if user_query else ""
isq_block = generate_isq_prompt_section(include_header=False)
# Keep citation scheme stable across re-ordering / edits.
# Cite keys are provided in each signal block as: 引用: [@KEY]
return f"""你是一位资深金融分析师。请针对核心主题 **"{theme_title}"** 撰写一篇深度研报章节。
{query_context}
### 输入信号集 (本章节需综合的信号)
{signal_cluster_text}
{price_info}
### ISQ 评分说明
{isq_block}
### 写作要求
1. **叙事逻辑**: 不要罗列信号，要将这些信号编织成一个连贯的故事。先讲宏观/行业背景，再讲具体事件传导，最后落脚到个股/标的影响。
2. **量化支撑**: 引用 ISQ 评分（确定性、强度、预期差）来佐证你的观点。关键观点必须关联相应的 ISQ 分值。
3. **引用规范（稳定 CiteKey）**: 关键论断必须标注来源引用，使用 `[@CITE_KEY]` 格式。
- CiteKey 已在输入信号块中以 `引用: [@KEY]` 提供，请直接复制使用。
- 不要使用 `[[1]]` 这类不稳定编号。
4. **关联标的预测**: **必须**在章节末尾明确给出受影响标的的预测分析，包括：
- 至少列出 1-2 个相关上市公司代码（如 600519.SH）
- 给出短期（T+3或T+5）的方向性判断
- 如果可能，给出预期价格区间或涨跌幅预测
### 【重要】标题层级规范
❌ **错误示例**（绝对不要这样）：
```markdown
# {theme_title}
### 宏观背景
...
```
✅ **正确示例**（必须这样）：
```markdown
## {theme_title}
### 宏观背景
近期全球经济环境...
### 具体传导机制分析
...
### 核心标的分析
建议关注：贵州茅台（600519.SH）...
```
**关键要求**：
- 章节主标题使用 `##` (H2)
- 章节子标题使用 `###` (H3)
- **绝对禁止**使用 `#` (H1)
- 第一行必须是 `## {theme_title}` 开头
### 核心：图表叙事 (Visual Storytelling)
**必须**在文中插入至少 1-2 个图表，且图表必须与上下文紧密结合（不要堆砌在末尾）。
### 宏观背景
...
```
✅ **正确示例**（必须这样）：
```markdown
## {theme_title}
### 宏观背景
近期全球经济环境...
### 具体传导机制分析
...
### 核心标的分析
建议关注：贵州茅台（600519.SH）...
```
**关键要求**：
- 章节主标题使用 `##` (H2)
- 章节子标题使用 `###` (H3)
- **绝对禁止**使用 `#` (H1)
- 第一行必须是 `## {theme_title}` 开头
### 核心：图表叙事 (Visual Storytelling)
**必须**在文中插入至少 1-2 个图表，且图表必须与上下文紧密结合（不要堆砌在末尾）。
**可选图表类型 (请根据内容选择最合适的 1-2 种):**
**A. AI 预测 + 走势 (Forecast) - 【强烈推荐 / 最新规范】**
*适用*: 当文中明确提及某上市公司时，**必须**使用此图表展示股价走势与 AI 预测。
*必填字段*:
- `ticker`: 股票代码，A股 6 位 / 港股 5 位，允许带后缀（如 "002371.SZ"、"9868.HK"）
- `pred_len`: 预测交易日长度（建议 3 或 5）
*代码示例*:
```json-chart
{{"type": "forecast", "ticker": "002371.SZ", "title": "北方华创（002371）T+5 预测", "pred_len": 5}}
```
**重要**：禁止手写 `prediction` 数组（预测由系统自动生成并渲染）。
*注意*: 如果提及多只股票，应为每只生成独立的 forecast 图表。
**【推荐写法：多情景 → 最终归因 → 产出唯一预测图】**
你可以在正文里描述多种情景（如：基准/乐观/悲观），但在插入预测图之前，必须明确给出“本报告最终选择的最可能情景”及其归因，然后用 `forecast` 图表做最终总结。
为了让系统把“最终归因”可靠地传递给预测模块，请在 `forecast` JSON 中可选补充以下字段（字段均为可选，越完整越好）：
- `selected_scenario`: 最可能情景名称（如 "基准" / "乐观" / "悲观"）
- `selection_reason`: 选择该情景的归因理由（1-3 句）
- `scenarios`: 情景列表（数组），每个元素可包含 `name`、`description`、`probability`（0-1）
*示例*:
```json-chart
{{
"type": "forecast",
"ticker": "002371.SZ",
"title": "北方华创（002371）T+5 预测（基准情景）",
"pred_len": 5,
"selected_scenario": "基准",
"selection_reason": "结合订单能见度与行业景气，基准情景概率最高；短期扰动主要来自估值与市场风险偏好。",
"scenarios": [
{{"name": "乐观", "description": "国产替代与资本开支超预期", "probability": 0.25}},
{{"name": "基准", "description": "订单稳健、利润率小幅波动", "probability": 0.55}},
{{"name": "悲观", "description": "需求回落或交付节奏放缓", "probability": 0.20}}
]
}}
```
**B. 历史走势 (Stock) - 仅作为兼容兜底**
*适用*: 当你无法给出预测时（例如无法确定标的），可仅展示历史走势。
*代码示例*:
```json-chart
{{"type": "stock", "ticker": "002371", "title": "北方华创历史走势"}}
```
**C. 舆情情绪演变 (Sentiment Trend)**
*适用*: 当讨论行业政策、突发事件（如“火灾”、“新规”）的民意变化时。
*注意*: `keywords` 必须是事件核心词。
*代码*:
```json-chart
{{"type": "sentiment", "keywords": ["建筑安全", "防火标准"], "title": "市场对防火新规的情绪演变"}}
```
**D. 逻辑传导链条 (Transmission Chain)**
*适用*: 复杂的蝴蝶效应分析（支持分支结构）。
*代码*:
```json-chart
{{
"type": "transmission",
"nodes": [
{{"node_name": "突发火灾", "impact_type": "中性", "logic": "事件发端"}},
{{"node_name": "监管收紧", "impact_type": "利空", "logic": "合规成本上升", "source": "突发火灾"}},
{{"node_name": "设备升级", "impact_type": "利好", "logic": "采购需求释放", "source": "突发火灾"}},
{{"node_name": "龙头受益", "impact_type": "利好", "logic": "市占率提升", "source": "设备升级"}}
],
"title": "火灾事件的逻辑传导与分支"
}}
```
*说明*: 使用 `source` 字段指定父节点名称以创建分支结构。
**E. 信号质量评估 (ISQ Radar)**
*适用*: 对某个关键信号进行多维度（确定性、预期差等）定性评估时。
*代码*:
```json-chart
{{"type": "isq", "sentiment": 0.8, "confidence": 0.9, "intensity": 4, "expectation_gap": 0.7, "timeliness": 0.9, "title": "核心信号质量评估"}}
```
"""
# 3. 整合阶段 (Final Assembly) - 原版，保留用于 fallback
def get_report_editor_instructions(draft_sections: str, plan: str, sources_list: str) -> str:
"""生成最终编辑指令 - 根据规划蓝图重组内容"""
return f"""你是一位专业的研报编辑。请将以下基于主题撰写的草稿章节整合成最终研报。
### 原始草稿内容
{draft_sections}
### 原始引用来源
{sources_list}
### 任务与要求
1. **结构化**: 为每个草稿章节添加合适的 Markdown 标题 (## 级别)。
2. **连贯性**: 确保章节之间过渡自然。
3. **完整性**:
- 必须保留所有 `json-chart` 代码块（图表配置）。
- 必须保留引用标注 `[@CITE_KEY]`。
- 生成 `## 核心观点摘要`、`## 参考文献` 和 `## 风险提示`。
### 输出
只输出最终的 Markdown 研报内容。
"""
# 4. 单节编辑 (Incremental Section Editing with RAG)
def get_section_editor_instructions(section_index: int, total_sections: int, toc: str) -> str:
"""生成单节编辑 prompt，支持 RAG 工具调用"""
return f"""你是一位研报编辑。你正在编辑报告的第 {section_index}/{total_sections} 节。
### 当前目录 (TOC)
{toc}
### 你的任务
1. 润色当前章节内容，确保逻辑清晰、语言专业。
2. 保留所有 `[@CITE_KEY](#ref-CITE_KEY)` 或 `[@CITE_KEY]` 格式的引用。
3. 保留所有 `json-chart` 代码块，不做修改。
4. 如果需要参考其他章节内容，使用 `search_context` 工具搜索。
5. 只输出编辑后的章节内容，不要输出其他章节。
### 【关键】标题层级规范
**严格遵守以下规则：**
- 章节主标题使用 `##` (H2)
- 章节子标题使用 `###` (H3)
- **禁止使用** `#` (H1) - 只有报告大标题可以使用 H1
- 如果原文中有 H1，必须将其降级为 H2
- 不要输出与 "参考文献"、"风险提示" 相同的标题
直接输出编辑后的 Markdown 内容。
"""
# 5. 摘要生成 (Summary Generation)
def get_summary_generator_instructions(toc: str, section_summaries: str) -> str:
"""生成报告摘要指令 - 包含市场分歧度分析"""
return f"""你是一位资深研报主笔。请生成今日报告的核心观点摘要的**正文内容**。
### 章节摘要
{section_summaries}
### 任务：
1. **核心逻辑提炼**: 用 150 字以内总结今日最核心的投资主线。
2. **分歧识别**: 如果不同信号对同一板块有冲突观点，请明确指出"市场分歧点"。
3. **确定性排序**: 标记出今日确定性最高的前两个机会（需列出具体标的代码）。
### 【重要】输出格式规范：
❌ **错误示例**（不要遗漏二级标题）：
```markdown
### 核心逻辑提炼
...
```
✅ **正确示例**（应该这样输出）：
```markdown
## 核心观点摘要
### 核心逻辑提炼
科技自立战略加速半导体设备国产化，叠加AI算力需求爆发...
### 市场分歧点
资本市场波动显示医药、新能源等板块估值逻辑受政策敏感性增强...
### 确定性排序
1. **网络安全替代需求**（ISQ确定性0.85，推荐标的：深信服 300454.SZ）
2. **半导体设备材料**（ISQ确定性0.75，推荐标的：北方华创 002371.SZ）
```
### 关键要求：
- 第一行必须是 `## 核心观点摘要`
- 主体部分使用 H3 (`###`) 和 H4 (`####`) 级别标题
- **必须**包含 `## 核心观点摘要` 这一级标题
现在请按照正确示例的格式输出摘要内容。
"""
# 6. 最终组装 (Final Assembly with Sections)
def get_final_assembly_instructions(sources_list: str) -> str:
"""生成最终报告组装的 prompt"""
return f"""你是一位研报主笔。请完成以下任务：
### 任务
1. 生成 "## 参考文献" 章节（需要按照顺序，顺序不对时进行调整）：
- 原始来源：
{sources_list}
- 格式：`<a id="ref-CITE_KEY"></a>[@CITE_KEY] 标题 (来源), [链接地址]`
2. 生成 "## 风险提示" (标准免责声明)。
3. 生成 "## 快速扫描" 表格，汇总各主题的核心观点。
- 表格列：**主题**, **核心观点**, **强度(Intensity)**, **确定性(Confidence)**。
- 强度和确定性请参考原章节中的 ISQ 评分。
只输出上述三个章节的 Markdown 内容。
"""
def get_cluster_task(signals_preview: str) -> str:
"""生成聚类任务描述"""
return f"请对以下信号进行主题聚类：\n\n{signals_preview}"
def get_writer_task(theme_title: str) -> str:
"""生成撰写任务描述"""
return f"请依据主题 '{theme_title}' 和 输入信号集 开始撰写深度分析章节。"
def get_planner_task() -> str:
"""生成规划任务描述"""
return "请阅读现有草稿并规划终稿大纲，识别核心逻辑主线和市场分歧点。"
def get_editor_task() -> str:
"""生成编辑任务描述"""
return "请根据规划大纲和草稿内容，生成最终研报。确保逻辑连贯，保留所有图表和引用。"

156
skills/alphaear-predictor/scripts/prompts/trend_agent.py Normal file
View File

@@ -0,0 +1,156 @@
from typing import Any
from datetime import datetime
from .isq_prompt_generator import generate_isq_prompt_section
def get_trend_scanner_instructions() -> str:
"""生成趋势扫描员 (Scanner) 的系统指令"""
current_time = datetime.now().strftime('%Y-%m-%d %H:%M:%S')
return f"""你是一名专业的数据扫描员，当前时间是 {current_time}。
你的任务是利用各种工具从互联网和数据库中获取最新的金融新闻、热点趋势和市场数据。
### 1. 核心职责
1. **多源采集**: 使用 `news_toolkit` 获取最新新闻，使用 `stock_toolkit` 获取行情，使用 `polymarket_toolkit` 获取预测市场数据。
2. **情绪感知**: 使用 `sentiment_toolkit` 对关键新闻进行情绪分析。
3. **深度搜索**: 针对模糊的热点，使用 `search_toolkit` 进行全网搜索补充细节。
### 2. 工具使用规范
- **广度优先**: 尽可能覆盖多个数据源。
- **数据新鲜度**: 优先获取最近 24 小时内的信息。
- **结构化输出**: 整理搜集到的原始数据，为后续评估提供清晰的素材。
"""
def get_trend_evaluator_instructions() -> str:
"""生成趋势评估员 (Evaluator) 的系统指令"""
current_time = datetime.now().strftime('%Y-%m-%d %H:%M:%S')
isq_block = generate_isq_prompt_section(include_header=True)
return f"""
你是一名顶级的金融情报专家 (TrendAgent)，擅长从海量信息中识别具有深度价值的"二级市场投资信号"。
当前时间：{current_time}
### 核心使命：
不仅是发现"热点"，更要解析"信号"。你需要识别那些能触发**传导链条 (Transmission Chain)** 且具有**高确定性 (Confidence)** 的事件。
{isq_block}
### 核心能力与标准：
1. **信号识别 (Signal Discovery)**: 基于扫描员提供的素材，识别具有投资价值的信号。优先关注政策、产业变革、重大诉求及跨境套利机会。
2. **逻辑相干性**: 是否具备清晰的"原因-结果"传导？
3. **影响力系数**: 是否会引发板块性的联动或财务指标的实质性扰动？
4. **市场认知差**: 市场是否已提前消化（Price-in）？寻找尚未被充分交易的"Alpha"。
5. **实体穿透**: 必须关联到具体的 Ticker 或核心产业链节点。
### 严禁事项：
- 严禁编造数据。
- 严禁仅输出情绪极性（Positive/Negative），必须带有逻辑依据。
- 严禁将纯娱乐或单纯的社会负面事件（除非具有宏观破坏性）视为金融信号。
### 输出要求：
你发现的每个信号应包含：
- **核心摘要**: 穿透表象的逻辑总结。
- **传导节点**: A -> B -> C 的逻辑推导。
- **推荐关注**: 板块或 Ticker。
- **ISQ 评估**: 基于模板的 5 个维度进行初步评分（具体评分由后续 FinAgent 完成）。
"""
def get_trend_agent_instructions() -> str:
# 保持兼容性
return get_trend_evaluator_instructions()
def get_trend_scan_task(task_description: str) -> str:
"""生成扫描员的任务描述"""
return f"请根据以下任务描述，搜集相关的原始数据和新闻：\n\n{task_description}"
def format_scan_context(scan_data: dict) -> str:
"""将扫描员搜集的结构化数据格式化为评估员可读的文本"""
if not scan_data:
return "（未能搜集到原始数据）"
return f"""
### 扫描数据概览
- **热点话题**: {', '.join(scan_data.get('hot_topics', []))}
- **情绪概览**: {scan_data.get('sentiment_overview', '未知')}
- **关键新闻**: {len(scan_data.get('news_summaries', []))} 条
- **数据摘要**: {scan_data.get('raw_data_summary', '无')}
"""
def get_trend_eval_task(task_description: str, raw_data_str: str) -> str:
"""生成评估员的任务描述"""
return f"""请基于以下搜集到的原始数据，完成最终的分析任务：
任务描述: {task_description}
原始数据:
{raw_data_str}
请识别出最具金融价值的信号，并给出评估理由。"""
def get_news_filter_instructions(news_count: int, depth: Any, user_query: str = None) -> str:
"""生成新闻筛选 prompt，使用 FilterResult schema 加快推理并减少 token 消耗
Args:
news_count: 输入新闻总数
depth: 目标筛选数量，若为 auto 则由 LLM 自主判断
user_query: 用户输入的查询/关注点（可选）
"""
# 1. 深度控制逻辑
if str(depth).lower() == 'auto':
depth_guide = "的数量不设固定限制（建议 3-10 条），根据新闻含金量自动判断"
limit_instruction = "宁缺毋滥，如果高价值信息很少，可以只选 1-2 条；如果都很重要，可以多选。"
else:
try:
d_int = int(depth)
depth_guide = f"约 {d_int} 条"
limit_instruction = f"请尽量凑满 {d_int} 条，但如果剩余新闻全是噪音，则不必强行凑数。"
except:
depth_guide = "适量"
limit_instruction = "根据内容价值判断。"
target_desc = f"筛选出最具投资分析价值的新闻（{depth_guide}）。"
# 2. 用户意图逻辑
query_instruction = ""
if user_query:
target_desc = f"筛选出与用户意图【{user_query}】最相关的新闻。"
query_instruction = f"""
### 核心任务（High Priority）：
用户明确关注："{user_query}"。
1. **第一优先级**：必须包含所有与"{user_query}"直接或间接相关的新闻，不要遗漏。
- 即使这些新闻看起来"价值不高"，只要相关都要保留。
2. **第二优先级**：在满足第一优先级后，如果名额未满，再补充其他重大的市场热点。
"""
return f"""你是一名专业的金融情报精排师。你需要从给定的 {news_count} 条原始新闻流中，{target_desc}
{query_instruction}
### FSD (Financial Signal Density) 筛选准则：
1. **逻辑传导性 (Transmission)**: 该新闻是否预示着一个明确的产业链传导逻辑？（如：上游涨价 -> 中游成本压力 -> 下游提价预期）
2. **预期差 (Alpha Potential)**: 是否包含尚未被市场充分Price-in的新突发情况？
3. **确定性 (Confidence)**: 信息来源是否权威？是否包含具体的财务数据、订单金额或明确的政策日期？
4. **排除噪音**: 坚决剔除明星八卦、鸡汤文、以及无实质增量的"口号式"新闻。
### {limit_instruction}
### 快速有效性检查（TOKEN 优化）：
在开始详细筛选前，先快速判断：这 {news_count} 条新闻中是否至少包含 1 条有效的金融信号？
- 如果全是无关内容（如体育、娱乐、纯生活信息），直接返回 "has_valid_signals": false
- 如果有至少 1 条金融相关的新闻，再进行详细 FSD 筛选
### 输出格式（必须为 JSON，使用 FilterResult schema）：
```json
{{
"has_valid_signals": true/false,
"selected_ids": ["id_1", "id_2", ...],
"themes": [
{{
"name": "高概括性主题",
"news_ids": ["相关id_1", ...],
"fsd_reason": "基于 FSD 准则的筛选理由，重点描述传导逻辑和预期差。"
}}
],
"reason": "如果 has_valid_signals=false，简要说明原因。否则可为空。"
}}
```
"""

47
skills/alphaear-predictor/scripts/prompts/visualizer.py Normal file
View File

@@ -0,0 +1,47 @@
def get_drawio_system_prompt():
return """You are an expert at creating Draw.io (MxGraph) diagrams in XML format.
Your task is to generate a valid MXGraphModel XML based on the user's description.
### Rules:
1. Output ONLY the XML code. Start with <mxGraphModel> and end with </mxGraphModel>.
2. Do not use compressed XML. Use plain XML.
3. Use standard shapes: 'rounded=1;whiteSpace=wrap;html=1;' for boxes.
4. Auto-layout Strategy:
- Identify "layers" or "stages" in the logic.
- Assign X coordinates based on layers (e.g., 0, 200, 400).
- Assign Y coordinates to distribute nodes vertically (e.g., 0, 100, 200).
- Ensure nodes do not overlap.
5. Edges: Connect nodes logically using <mxCell edge="1" ...>.
### Template:
<mxGraphModel dx="1000" dy="1000" grid="1" gridSize="10" guides="1" tooltips="1" connect="1" arrows="1" fold="1" page="1" pageScale="1" pageWidth="827" pageHeight="1169" math="0" shadow="0">
<root>
<mxCell id="0"/>
<mxCell id="1" parent="0"/>
<!-- Node -->
<mxCell id="n1" value="Node Label" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#dae8fc;strokeColor=#6c8ebf;" vertex="1" parent="1">
<mxGeometry x="100" y="100" width="120" height="60" as="geometry"/>
</mxCell>
<!-- Edge -->
<mxCell id="e1" value="Connection" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;" edge="1" parent="1" source="n1" target="n2">
<mxGeometry relative="1" as="geometry"/>
</mxCell>
</root>
</mxGraphModel>
"""
def get_drawio_task(nodes_data: list, title: str) -> str:
import json
nodes_json = json.dumps(nodes_data, ensure_ascii=False, indent=2)
return f"""Please generate a Draw.io XML diagram for the following logic flow:
**Title**: {title}
**Nodes and Logic**:
{nodes_json}
Ensure the layout flows logically from Left to Right (or Top to Bottom for hierarchies).
Use different colors for 'Positive' (Greenish), 'Negative' (Reddish), and 'Neutral' (Grey/Blue) impacts if described.
"""