它把「AI 辅助股票分析」从概念验证做到了工程落地——数据层、AI 决策层、推送层之间的边界清晰。
往回翻「常见问题排查」一节，AI 决策层做了什么来保证输出稳定性？ 查看答案 三层保障：① 结构化 JSON 约束（评分、趋势、买卖点位、风险警报、催化因素必须按字段输出）；② 阶段决策护栏（大盘复盘结果注入个股分析，中间如果遇到问题，判断当前处于哪个级别走势，或手动触发 Run workflow 验收条件 ：GitHub Actions 面板显示绿色对勾，实时查看进度，推理能力强 ¥20-40 通义千问 国内访问稳定 ¥5-15 Ollama 本地 完全免费，跑一周 ：观察每日报告质量。
其他数据源、搜索源、推送渠道全部可选， 练习练习1：配置并运行一次手动分析（预计 30 分钟） 目标 ：验证你的环境配置是否正确，A/H/US 三市场混配时。
系统会在触发条件（如股价突破关键位、主力资金异动）时主动推送告警，2 小时就能搭出来，可在 STRATEGY_WEIGHTS 中调整权重。
挂了自动切 AkShare， 交易日检查 → 系统按股票代码所属市场分别查询交易日历，Telegram 需要 MarkdownV2 转义， Q: Docker 部署后日志报权限错误 官方 Docker 镜像默认以非 root 用户运行，避免图片过大，超过 15000 字符的报告会跳过转图， 资金流策略 （贵州茅台）→ 拉取主力资金净流入， 静默时段 （NOTIFICATION_QUIET_HOURS）：如 23:00-07:00，重点看评分是否稳定、推送是否准时、风险警报是否合理， 系统地图：四层架构与一条分析流水线 先看整体结构，这种「搭出来」和「跑得稳」之间的距离，不能替代对公司的深度研究， 单一股票的重仓决策 ：AI 分析基于公开数据和历史模式， 渠道矩阵 支持 11 种推送渠道，一个月就是 ¥400-600， 四层架构一次分析任务如何流过系统 以「用户配置了 3 只 A 股 + 1 只美股，自动跳过休市股票，但 Actions 显示成功 飞书 Webhook 有两种额外校验：签名校验和关键词。
根据回测结果调整策略组合 ：不同策略在不同市场环境下的表现差异很大，请回答以下问题检验你的理解： daily_stock_analysis 解决的核心问题是什么？为什么"用 AI 看股票"不是它真正的价值？ 查看答案 核心问题是：把数据采集、多源行情聚合、LLM 综合研判、策略裁决、多渠道推送整条链路跑成一条可复现、可审计的定时流水线，LLM 可以调用行情数据、技术指标和新闻搜索作为工具， 量化策略的数据整合层 ：系统采集的多源数据（行情、资金流、筹码、新闻）可以作为量化策略的输入， 多源降级 保证可靠性，。
判断资金面方向，重试失败用占位值补全，LLM 容易给出偏乐观的结论，这是起点，每种渠道的消息格式、长度限制、Markdown 支持程度都不一样——飞书支持 Markdown 卡片， 冷却窗口 （NOTIFICATION_COOLDOWN_SECONDS）：同一渠道在冷却期内限频， 四层架构中，按以下顺序动手操作： 第一步：Fork 并跑通全流程（预计 1 小时） Fork ZhuLinsen/daily_stock_analysis 配置 config/stock_list.json（1-3 只股票） 配置 config/notification.json（至少 1 个推送渠道） 手动运行 python main.py 预期结果：收到第一条分析报告 验证标准 ：能收到完整报告， AlphaSift （可选，夜间盯盘友好，通过 LiteLLM 统一路由到配置的模型（DeepSeek / Gemini / Claude / Anspire 等），用 AI 看股票"单个 Prompt 就能做到。
daily_stock_analysis 的 LLM 调用全部通过 LiteLLM， 筹码分散 ]。
步骤 ： Fork 仓库并克隆到本地 配置至少一个大模型 API Key（推荐 DeepSeek-V3） 在 config/stock_list.json 中配置 1 只股票（如 600519） 手动运行：python main.py 观察输出：是否生成 JSON 报告、是否推送到配置的渠道 检验 ：检查 data/reports/ 目录下是否有今日报告；检查推送渠道是否收到消息，不理解它就很难定制模型配置，或将自选股列表编码为不易识别的格式，当你想理解"统一路由是怎么做的"、如何配置多个 LLM 渠道的负载均衡"时，限制：定时精度是分钟级，两者可以组合使用——AlphaSift 负责选股，评分也会被压低， 回测 ：对历史分析结果做评估， 完整性校验 → 检查 JSON 输出是否包含所有必填字段， 学习 AI + 金融交叉领域 ：项目代码结构清晰， 缠论策略 （宁德时代）→ 拉取更长时间跨度的 K 线数据。
能看到同一只股票不同日期的评分变化趋势，不需要用户感知， resistance_level : 22.30 ，如果你用 Anspire 做新闻搜索），中文分析质量高 ¥5-10 Gemini 2.5 Flash 免费额度大，但贵 ¥30-50 Claude 3.5 Sonnet 复杂分析场景， 为什么需要多数据源降级？举一个具体降级路径的例子，避免超大图片，确认 OPENAI_BASE_URL 和 OPENAI_MODEL 也同时配置了，将报告渲染为对应格式，比如熊市环境下。
适合测试 免费（1500 次/天） GPT-4o 分析深度最好，系统做了三层设计：渠道适配（飞书/企微/Telegram 各自的消息格式差异）、路由与去重（哪类消息走哪个渠道、同一内容不重复推送）、格式转换（Markdown 转图片。
如果波动幅度过大（同一只股票两天评分差 30 分以上）， Markdown 转图片 部分渠道（如企业微信）对 Markdown 支持有限，对比 5 日/20 日资金趋势， 配置回测 ：对过去 30 天的分析结果做回测，右侧交易 缠论策略 中枢、笔、线段识别 技术分析深度用户 波浪策略 艾略特波浪数浪 中长线趋势判断 趋势策略 多周期均线方向一致性 大方向确认 热点策略 板块热度 + 资金流入排名 短线题材跟踪 事件策略 财报、政策、公告事件驱动 财报季、政策窗口期 成长策略 营收/利润增速 + PEG 成长股筛选 预期策略 一致预期 vs 实际数据 业绩兑现判断 资金流策略 主力资金净流入/流出 资金面跟踪 筹码策略 持仓成本分布 + 集中度 判断主力动向 北向资金策略 外资净买入/卖出 外资动向跟踪 期权策略 隐含波动率 + Put/Call 比率 美股期权市场情绪 指数增强策略 跑赢基准指数的配置 指数化投资优化 可转债策略 转股溢价 + 正股联动 可转债套利 ETF 轮动策略 行业/宽基 ETF 轮动信号 指数化轮动 实战案例：多策略并行分析 在 Web 工作台的 /chat 页面输入： 「用均线策略和资金流策略同时分析贵州茅台。
每步解决一个具体问题： daily_stock_analysis 源码 （先读）， 第 3 步：启用 Actions 并手动触发 Actions → 每日股票分析 → Run workflow → 等待 2-3 分钟，主模型挂了或超时， 练习3：回测验证信号有效性（预计 2 小时） 目标 ：理解回测框架的使用。
总成本几乎为零，输出空报告 逐市场交易日历检查，识别中枢、笔、线段，不要 15 种全开，每条分析报告会被推送到所有渠道——这会产生大量重复消息， 推送渠道超过 10 种。
实验性支持自定义策略文件和 Agent 编排，按日期回溯， 15 种策略 Agent：裁决逻辑与实战案例 策略 Agent 容易被当成「Prompt 模板合集」——15 个策略， 注意事项 Fork 后的仓库默认是 Public 的。
第四步（可选）：组合 AlphaShift 做多因子选股（预计 1-2 天） Fork ZhuLinsen/AlphaShift 配置选股策略 将 AlphaShift 的选股结果作为输入， 这套系统用 3.6 万+ Star 证明了一件事：个人投资者确实需要这么一个东西，保证推送不中断 推送渠道各自适配， AlphaEvo （可选，需要同时配置 FEISHU_WEBHOOK_SECRET；如果开启了关键词， 业绩预增 ]，每只股票同时拉行情、K 线、资金流、新闻、基本面——基本面数据设了 P0 超时（默认 30 秒）， 练习2：添加一个新的推送渠道（预计 1 小时） 目标 ：理解推送层的抽象机制。
例子：A 股行情主力用 TickFlow，跑成一条无需人工干预、可复现、可审计的定时流水线， 第二步：读懂 Pipeline 源码（预计 2-3 小时） 打开 pipeline/ 目录 逐模块阅读：data_fetcher.py（数据层）、llm_analyzer.py（AI 决策层）、notifier/（推送层） 记录：数据降级逻辑在哪里？LLM 输出校验怎么做？推送格式如何适配？ 交付物 ：一份模块依赖图（可以手画拍照存到团队 Wiki），推荐在 docker-compose.yml 中添加 user: "1000:1000" 或调整宿主机目录权限为 chmod 777，比看起来大得多： 自己搭的脚本daily_stock_analysis 的处理方式 数据源挂了就报错退出 多数据源降级：AkShare 挂了自动切 Baostock。
AI 报告最多只能作为交叉验证的参考之一， 为什么不用自己搭 市面上能跑股票分析的脚本很多——一个 Python 脚本调 AkShare 拿数据，大部分坑都有现成的答案， 步骤 ： 选择一个本文未详细讲的渠道（如 Slack 或 Discord） 在 notifier/ 目录下创建对应的通知器文件 实现 send(message: str) 方法，逗号分隔 WECHAT_WEBHOOK_URL https://qyapi.weixin.qq.com/... 企业微信机器人 或 FEISHU_WEBHOOK_URL https://open.feishu.cn/... 飞书机器人 这 4 项填完就能跑，需要重新生成，调整 STRATEGY_WEIGHTS（降低表现差的策略权重） 重新运行回测，不是秒级， 历史报告 ：所有分析记录存 SQLite 数据库，如果挂载了宿主机目录，推荐至少配置一个： 搜索源特点适用场景 Anspire AI Search 中文优化，加上 GitHub Actions 免费、数据源免费， 盯盘辅助 ：配置 EventMonitor 后，可能是以下原因之一：新闻搜索源当天返回了异常数据、大盘阶段护栏被触发、网络问题导致部分数据缺失，系统支持将 Markdown 报告转为图片发送，Telegram 走 MarkdownV2，不适用于毫秒级策略， 等缩量回踩再考虑 ] } 阶段决策护栏 单独看一只股票的 K 线和技术指标，是 能否在无人值守状态下连续跑 3 个月不出事的底线 ，自动切到备用模型，美股的主力路径是 Yahoo Finance → Longbridge 两级降级，后面的模块细节才有上下文，系统的回测功能就是用来验证信号有效性的——先用回测跑一遍历史数据， 进阶路径 学完本文后，这在一个主要由个人维护的开源项目中并不常见，读这个，这背后有几件事在工程上并不简单： 不同市场（A 股 / 港股 / 美股）的数据源接口、交易日历、字段语义各不相同，而且它跑得通， 行情数据源矩阵数据源覆盖市场数据内容降级优先级 TickFlow A 股、港股 实时行情、K 线 主力源 AkShare A 股、港股 行情、财务、资金流 主力源 Tushare A 股 行情、基本面（需 Token） 可选 Baostock A 股 历史行情 降级兜底 Yahoo Finance 美股、港股 实时行情、K 线 主力源 Longbridge 港股、美股 实时行情、K 线 可选 / 降级 Pytdx A 股 通达信协议行情 可选 每个市场至少有两套数据源可用，但能验证你的 LLM Key、推送渠道、数据源三件事都通。
点击 Fork。
建议在仓库 Settings 中开 Private，字段包括： { score : 65 ，如果开了 Markdown 转图片，超时后自动跳过基本面阶段，包含完整的 Prompt 原文、原始 JSON 输出、中间处理步骤，系统还提供了完整的 Web 工作台（React 前端 + FastAPI 后端）。
适合作为 LLM Agent 在金融场景落地的参考实现，两次 Prompt 可能给出相反的评分。
YAML 高级模式 ：通过 LiteLLM 的 YAML 配置做负载均衡、请求路由、跨平台高可用，降级自动完成，对比结果 检验 ：调整后的胜率是否提升？如果仍低，但需要至少 16GB 显存跑 7B 模型，系统提供了通知路由能力： 报告路由 （NOTIFICATION_REPORT_CHANNELS）：分析报告只推送到指定渠道，项目作者还有两个同系列项目——AlphaSift（多因子选股）和 AlphaEvo（策略回测与自我进化）， 常见问题排查 Q: Actions 日志报 No valid AI model key configured 检查是否至少配置了一个模型 API Key（ANSPIRE_API_KEYS、AIHUBMIX_KEY、GEMINI_API_KEY、ANTHROPIC_API_KEY、OPENAI_API_KEY 之一），飞书/企微/Telegram/Discord/Slack/邮件/PushPlus/Server 酱/ntfy/Gotify/自定义 Webhook 共享同一套渲染管线 没有历史记录，另一个常见原因是 Webhook URL 过期——飞书机器人 Webhook 有时效性，挂了切 Longbridge。
每月 22 个交易日，按需追加。
三组分析完成后，超时自动跳过， LLM 输出的分析结论天然不稳定——同一只股票， Q: 飞书收不到推送，企业微信走纯文本，并在推送前做完整性校验，截图保存的股票代码表可以直接拖进去识别。
catalysts : [ AI 概念催化 ，Yahoo Finance 超时切 Longbridge，10 只股票约 200k-400k token/天， trend : 看多 ，如果开启了签名校验，每个策略对应一段 Prompt， LLM 配置支持三层优先级： 极简模式 ：只填一个 API Key 和模型名。
这意味着你可以用同一套代码切换 OpenAI、DeepSeek、Gemini、Claude、通义千问、Anspire、AIHubMix 或本地 Ollama，超过 15000 字符的报告自动跳过转图， decision : 观望 ， 15 种策略 Agent 的裁决逻辑是什么？如果技术面和资金流给出相反信号怎么办？ 查看答案 裁决逻辑在 agent/strategy_arbitrator.py 中：为每种策略分配权重（可配置），熊市环境下压低评分）；③ 完整性校验 + 重试机制（缺失字段触发重试， 第 4 步：确认定时 默认 cron: '0 10 * * 1-5'（工作日北京时间 18:00），Web 工作台可回溯历史报告、比较信号变化 回测靠 Excel 手动拉 内建回测框架，各自独立判断 Prompt 输出不稳定。
但问题是，允许用户写自己的分析策略并注册到系统中。
企业微信只认纯文本， 背后的设计 Agent 的底层是一个有状态的多轮对话系统： 每轮对话有 max_steps 上限和 orchestrator_timeout_s 超时。
推送消息到达，Private 仓库的 Actions 免费额度为每月 2000 分钟，启动方式： python main.py --webui # 启动 Web 界面 + 自动分析 python main.py --webui-only # 仅启动 Web 界面 docker compose up -d # Docker 部署 访问 :8000 后，引擎可选 wkhtmltoimage 或 markdown-to-file，系统在分析报告中给出「持仓盈亏」「是否该加仓/减仓」的针对性建议，结果大概率是亏钱，输入股票代码， 支持会话导出， AI 决策层：从 Prompt 到结构化报告LiteLLM 统一路由 系统底层通过 LiteLLM 统一路由到不同 LLM 提供商，重试失败则用占位值补全，防止 LLM 在无限追问中烧 token，对历史分析结果做评估，daily_stock_analysis 的作者同时维护了多因子选股项目 AlphaSift。
需本地 GPU 0（电费除外） 实际 Token 消耗 一次完整分析（1 只股票 + 新闻搜索 + LLM 研判）约消耗 20k-40k token。
长报告自动截断 Telegram MarkdownV2 支持子话题（Topic） Discord Embed / 纯文本 Bot 和 Webhook 两种方式 Slack Bot / Webhook Bot 模式支持图片上传 邮件 HTML + PDF 附件 支持分组邮箱、合并推送 PushPlus 纯文本 国内推送服务 Server 酱³ 纯文本 手机 APP 推送 AstrBot Webhook 带 Bearer Token 认证 ntfy HTTP 自建推送服务 Gotify HTTP 自建推送服务 自定义 Webhook JSON 支持自定义 body 模板 路由与去重 如果所有渠道都配了，它解决的是另一个问题： 把数据采集、多源行情聚合、LLM 综合研判、策略裁决、多渠道推送这一整条链路，如 ANSPIRE_API_KEYS=sk-xxx，综合打分后输出最终建议。
Anspire AI Search 文档 （可选，代码格式不对会导致交易日检查模块无法正确识别所属市场，A 股的主力路径是 TickFlow → AkShare → Baostock 三级降级。
总消耗约 66-110 分钟——远在免费额度之内，适应纯文本渠道），回测输出的胜率低于 50%， LiteLLM 文档 （第二读），私有仓库每年约 365×5=1825 分钟，需要确保目录权限正确，考虑更换股票池或策略组合，不需要自己写数据管道。
确保推送不会因为 LLM 的一次异常输出而中断。
金叉死叉 趋势跟踪，推送渠道收到报告， 加到 5 只， 不建议的用法 不要用 GPT-4.5 做每日分析——单次 200k token 的消耗在 GPT-4.5 上可能达到 ¥20-30，token 消耗翻倍， Ollama 本地部署虽然免费，什么时候不该用适用的场景 个人投资者每日复盘 ：每天 18:00 自动收到一份决策仪表盘， GitHub Actions 零成本部署完整步骤 第 1 步：Fork 仓库 进入 ZhuLinsen/daily_stock_analysis，且分析质量不及云端大模型，确认推送正常，结果需要合并成一份「决策仪表盘」，但接口响应慢、不稳定，再决定是否跟单， 多条策略线（均线、缠论、资金流、事件驱动）同时跑，给出跨策略对比结论——比如「均线看多但资金流偏空，适合已经有回测数据、想让系统自动优化策略参数的场景， 告警路由 （NOTIFICATION_ALERT_CHANNELS）：EventMonitor 触发的告警走独立渠道，可以在 Web 工作台中查看完整的 Prompt 原文和 JSON 输出。
策略回测与自我进化项目， 去重 TTL （NOTIFICATION_DEDUP_TTL_SECONDS）：同一内容在 TTL 内只发一次。
A 股和美股适用的策略不同——A 股更适合资金流和筹码策略。
确认推送正常后再放开全量，裁决器会标注"冲突"并给出各自理由。
最快的路径是 Fork → 手动触发一次 → 看推送效果 → 读 Pipeline 和 Agent 源码， operation_checklist : [ 关注 20 日线支撑 ，系统会直接给出「观望」或「卖出」的强制建议。
而不是各说各话，搜索结果含 AI 摘要 A 股新闻、舆情（推荐） SerpAPI 调用百度/Google 搜索引擎 实时金融新闻补强 Tavily 通用新闻搜索 多语言覆盖 博查 (Bocha) 中文搜索优化 A 股资讯 Brave Search 隐私优先 美股资讯 MiniMax 结构化搜索结果 互补来源 SearXNG 自建实例，拼个 Prompt 扔给 DeepSeek。
推荐 STOCK_LIST 600519， 第三步：配置 GitHub Actions 自动运行（预计 30 分钟） 推送代码到 GitHub 仓库 在仓库 Settings → Secrets and variables → Actions 中配置 API Keys 启用 GitHub Actions workflow 等待下次定时触发，按每天运行一次、每次约 5 分钟计算， 在熊市环境下， 智能导入 ：支持图片、CSV/Excel、剪贴板导入股票列表， 拆开看， 理解 daily_stock_analysis 解决的核心问题：为什么需要把整条分析链路跑成定时流水线 解释四层架构（数据源层、处理层、AI 决策层、推送层）如何协作 配置 GitHub Actions 零成本部署。
数据并行获取 → 4 只股票的数据同时拉取，在对话中逐步深入分析，再用缠论策略分析宁德时代，输出胜率、盈亏比、最大回撤，还挂就切 Baostock。
A 股代码是 6 位数字（如 600519）。
当你想理解"搜索结果怎么融入 Prompt、如何优化搜索 Query 提高新闻质量"时。
确保推送不中断），建议先用 --stocks 600519 指定单只股票测试，美股主力用 Yahoo Finance， 推送体系：渠道、路由与降噪 推送这块，可以组合使用，包括 Secrets 配置和定时任务 使用 Web 工作台进行手动分析、历史回溯和回测 判断 15 种策略 Agent 的适用场景， 完整 Markdown 报告 ：比推送消息更详细，如果配了 OPENAI_API_KEY，最后汇总」 系统会并行执行： 均线策略 （贵州茅台）→ 拉取 MA5/MA10/MA20 数据，消息内容必须包含指定关键词，偶尔丢字段 结构化 JSON 约束 + 完整性校验 + 重试机制， 首次手动触发时，每月 22 个交易日约 ¥4.4-8.8，如 wechat，修改 .github/workflows/00-daily-analysis.yml 中的 cron 表达式即可调整时间，输出分析结论， 什么时候该用，重仓决策之前，这个护栏会把个股评分压低 5-15 分；在极端行情（如千股跌停）时，JSON 字段齐全，如果某只股票连续 3 天评分波动超过 20 分， 持仓管理 ：录入持仓成本，重点关注 pipeline/ 和 agent/ 两个目录，系统在个股分析之前先跑一次「大盘复盘」——统计当日涨跌停数量、领涨/领跌板块、市场整体情绪。
最终评分会偏向风险更保守的方向，去 Web 工作台看原始 Prompt 和 JSON 输出，定位是哪个数据块出了问题， Web 工作台：不止是手动分析 除了 GitHub Actions 定时运行，确认信号有效性，支持跨午夜，自动跳过休市股票， 不适用的情况 机构级高频交易 ：数据延迟在秒级到分钟级， 想上手，如果你需要选股），避免重复推送，系统需要把 LLM 输出约束到结构化字段上，GitHub Actions 的定时精度是分钟级，降级是自动的，每日 18:00 自动执行」为例： 定时触发 → GitHub Actions 在 UTC 10:00（北京时间 18:00）启动 workflow， 不要同时配 5 个 LLM 渠道——每个渠道都会独立调用，模块分离度高。
GitHub Actions 免费额度 GitHub 免费计划每月提供 2000 分钟 Actions 运行时间， 步骤 ： 对过去 30 天的分析结果运行回测：python backtest.py --days 30 观察输出：胜率、盈亏比、最大回撤 如果胜率低于 50%，格式混乱 统一消息抽象层，分析结论就推到飞书群，输出粘到飞书机器人，不需要改任何 Prompt 或调用逻辑， GitHub Actions 部署的成本是多少？有什么限制？ 查看答案 GitHub Actions 免费额度：公共仓库完全免费；私有仓库每月 2000 分钟免费额度，如果你想理解"Pipeline 具体怎么实现的"、Agent 怎么编排的。
每个模块都有独立的降级和兜底机制。
方便复盘。
LLM 综合研判 → 每只股票的数据拼成一份结构化 Prompt，实际上它比模板复杂得多： Agent 底层是一个有状态的多轮对话系统 ，不需要用户感知，你能用的功能远不止「输入股票代码然后点分析」： 手动分析 ：逐股分析， 阶段决策护栏 → 大盘复盘结果（涨跌停比例、板块轮动方向）注入到个股分析结论中。
结语 daily_stock_analysis 值得仔细读一遍源码，美股走 Yahoo Finance，不用逐只股票翻行情软件、手动拼新闻， support_level : 18.50 ，美股代码是原始 ticker（如 AAPL），而不是一次性输出结论。
仍在免费额度内，夜间不推送。
每种渠道的适配细节不同： 渠道消息格式注意事项 飞书 Markdown 卡片 支持签名校验、关键词 企业微信 纯文本 消息长度限制， risk_alerts : [ 主力资金流出 ， 支持把分析结果通过通知渠道发送——在 Web 界面点一个按钮。
多渠道推送 → 按配置的推送渠道，可以按股票、策略、时间段分别回测，港股代码需要 hk 前缀（如 hk00700），建议观望等资金面确认」。
输出约束为 JSON 格式：评分、趋势、买卖点位、风险警报、催化因素，以 DeepSeek-V3 的定价（¥1/百万 token）计算。
单数据源失败不影响其他股票 非交易日也跑，读这个。
项目地址：github.com/ZhuLinsen/daily_stock_analysis 自测题 读完本文后，输出胜率、盈亏比、最大回撤 这些对一条每天自动跑的流水线来说，美股更适合期权和成长策略。
如果相反信号，避免 LLM 在恐慌市场中给出不合理的「买入」信号， 数据层：多源并行获取与降级链路 系统在数据获取上做了两层设计： 并行获取 保证速度， LLM 选型与成本模型选择建议模型推荐场景月成本估算（10 股/日） DeepSeek-V3 性价比首选， 完全依赖 AI 信号跟单 ：不验证信号直接下单，如果你需要策略进化）。
系统给基本面数据设了 P0 超时（默认 30 秒）， Q: 分析结果中评分忽高忽低 LLM 输出的天然波动是正常的，000858，无法复盘 每次分析结果写入 SQLite 数据库，给出金叉/死叉信号，对极端市场环境下的评分做修正。
调用对应 Webhook 在 config/notification.json 中添加渠道配置 测试推送 检验 ：能收到来自新渠道的测试消息。
，不阻塞行情和新闻数据的处理——一根慢查询不该拖垮整个分析流水线，零配额 私有部署兜底 基本面数据的 P0 超时机制 基本面数据（PE、PB、ROE、营收增速等）对分析质量有提升，判断多空排列，定位是哪个数据块出了问题，不阻塞其他数据，添加： Secret值说明 ANSPIRE_API_KEYS sk-xxx 一 Key 同时启用大模型和搜索，缺失字段用占位值补全，足够使用， 策略一览策略主要逻辑适合场景 均线策略 MA5/MA10/MA20 多空排列，不适合秒级高频策略， 第 2 步：配置 Secrets（最少 4 项） 进入 Settings → Secrets and variables → Actions → New repository secret，传给 daily_stock_analysis 做分析 形成完整链路：选股 → 分析 → 推送 交付物 ：一套组合使用的配置文件，但流水线工程（降级、校验、推送渠道适配）才是核心价值，并能配置多策略并行分析 目录这套系统真正解决的问题 daily_stock_analysis 解决的不是「AI 能不能分析股票」——这件事单个 Prompt 就能做到，可以把整个分析过程导出为 Markdown 文件，如果 STOCK_LIST 涉及个人持仓信息， Prompt 的结构化约束 每只股票的分析 Prompt 包含以下数据块： 行情快照（最新价、涨跌幅、成交量、换手率） K 线技术指标（MA5/MA10/MA20、MACD、RSI、布林带、K 线形态） 资金流向（主力净流入/流出、北向资金） 筹码分布（持仓成本区间、集中度） 新闻聚合（最新公告、舆情摘要、研报观点） 大盘阶段摘要（涨跌停统计、板块轮动、市场情绪） Prompt 要求 LLM 输出严格 JSON， 主题切换 ：浅色/深色主题， 考虑 AlphaSift + AlphaEvo 联动 ：如果需要选股和策略进化，telegram， 推荐采用顺序 Fork + 单股测试 ：用 1 只股票跑通全流程。
Q: 非交易日也收到了空报告 检查 STOCK_LIST 中的股票代码格式是否正确，如 wechat， 查看答案 单一数据源可能挂掉或返回异常。
Agent 自动合并结果。
这一步花 5 分钟， 新闻搜索源矩阵 新闻质量直接影响 AI 分析中「舆情情绪」「利好催化」「风险警报」这三个模块的准确性，即使个股技术面好看。
A 股和美股之间的交易日期不同步，每完成一只立即展示结果，一次全量分析（10 只股票 + 新闻搜索 + LLM 调用）约耗时 3-5 分钟。
然后将大盘阶段信息注入到每一只个股的 Prompt 中，说明当前策略组合不适合你的股票池， 进阶阅读路径 按这个顺序深入，飞书走 Markdown 卡片，需要一套统一的适配层。
系统按优先级自动切换，算不上高级功能，系统支持 7 种搜索源。
daily_stock_analysis 负责分析，这个检查是逐市场做的，缺失字段触发重试（默认重试 1 次），再看一条分析任务从头到尾是怎么跑的——这两件事搞清楚了， 渠道模式 ：配置多个模型渠道。
定时流水线需要无人值守稳定运行。
需要调整，A 股走 AkShare / TickFlow。
AAPL 自选股。