最近身边的朋友老是让我部署一些 agent 的项目给他们炒股，现在市面上的项目有很多，层次也很多，但是大多的逻辑上都是 llm 驱动的预测性 agent 编排；能力完全取决于 agent 编排能力，以及 prompt 能力，还有运气，真的使用这些炒股裤子都亏光。 基于我的一些技术思路，倒是有个不成熟的想法，但是这个工程注重的是训练而不是生成，就是使用 llm 去做数据的发散性工作——也就是推理和联想。一个事件发生之后，llm 把它推理联想成一条因果链：“这个事件 → 会影响什么 → 进而影响什么 → 最终传导到哪些产业和股票”。把这个因果链整理成一个标准的结构化数据，存起来。 注意，llm 到这里就下班了。它不负责判断这个因果链对不对、历史上成没成过、成了之后能赚多少钱。这些事情全部交给算法层做,核心就是算法 历史市场事实数据 ──→ LLM 生成假设 (发散) │ ├──→ 数据验证层：用数据集跑假设，按准确率打分 │ └──→ 迭代精炼：低分假设 + 错例 → LL...