A股行情助手——利用数据增强AI解决问题的能力

Sat, 23 May 2026 17:47:31 +0800

效果展示

上一篇文章末尾提到：功能拆分后的多Agent，遗留了这样几个问题——

最突出的一点就是：有准确数据，质量就好许多，没有数据还是会拉。

关于信息置信度的问题：在Agent 自主探索模式下，其实最担心的一个问题就是LLM自己编造数据和事实。

这里在提示词中约束了在报告中 “每个关键信息后必须标注 [原文]” ，但效果还是不太理想。

最终输出报告没有一个框架，每次格式都不一样。

这里代码只能算 demo ，操作起来就很不方便——换个问题，就需要改代码。

这里用户输入的需求比较模糊（比如，什么叫 “大事件”），导致模型在执行和输出的时候，结论也不稳定。

今天通过一个A股行情助手的案例，展示数据在AI 应用中的重要作用（也就是 1 当中的问题）。

顺便通过 LangGraph + Streamlit 解决之前遗留的问题 4 ，提升用户操作体验，并展示在LangGraph中如何高效应对“上下文污染”的问题。

这个Agent 应用的web 交互界面如下——

用户只需在对话框中提出问题，后台AI 就会完成用户需求分析、信息检索、直至最后报告产出。

例如：这里提问 “集成电路制造板块中，哪些公司有出口业务，我需要其中最值得投资的一只”

稍等片刻，页面会展示相关股票最近一年价格行情走势图——

并分析个股的财报数据——

最终给出推荐——

哈哈，是不是有点跃跃欲试了呢？

Agent分工

我们先看下这个Agent 的内部处理"总线"。

单看框架，仍然是之前提到的简单多Agent结构——

一个Agent 负责慢思考，一个Agent负责调用工具完成任务执行。之前详细讨论过这部分内容。

简化起见，plan_node 这里只让AI 思考一轮。

重点是：使用 LangGraph 来编排不同node 节点，维护、管理他们之间的上下文。

简单的代码演示

定义4个节点——

节点名	任务	共享State
plan_node	生成任务计划 Plan	Y
llm_call	生成符合工具调用格式的 Action参数	Y
tool_node	工具执行，输出 Observation	Y
should_continue	根据 llm_call 输出内容决定去向	Y

Agent 主体代码

from langgraph.graph import MessagesState, StateGraph, START, END
from langchain_core.messages import SystemMessage, HumanMessage, ToolMessage
from langchain_core.prompts import ChatPromptTemplate,SystemMessagePromptTemplate,HumanMessagePromptTemplate,MessagesPlaceholder
from typing_extensions import Literal
from IPython.display import Image, display
from .llm import DeepSeekR1,DeepSeekV3
from .tools.financial_report import get_financial_report
from .tools.stock_price import analyze_stocks
from .prompt import plan_prompt
import pandas as pd

# Nodes
tools = [get_financial_report, analyze_stocks]
tools_by_name = {tool.name: tool for tool in tools}

# 量化循环次数上限，默认3，最大15
DEFAULT_MAX_LOOP = 3
MAX_LOOP_LIMIT = 15

def _get_max_loop(state):
    """从 state 或全局常量获取循环上限"""
    return min(state.get("max_loop_count", DEFAULT_MAX_LOOP), MAX_LOOP_LIMIT)

class State(MessagesState):
    plan: str
    loop_count: int = 0  # 已执行工具调用的次数
    
def plan_node(state):
    deepseek_r1 = DeepSeekR1()
    prompt = plan_prompt
    # 调用 LLM 生成计划
    response = deepseek_r1.invoke([SystemMessage(content=prompt), state["messages"][0]])
    print(f"--- Generated Plan ---\n{response.content}\n----------------------")
    return {"plan": response.content}

def llm_call(state):
    """LLM decides whether to call a tool or not"""
    deepseek_v3 = DeepSeekV3()
    llm_with_tools = deepseek_v3.bind_tools(tools)
    
    plan = state.get("plan", "执行分析")
    messages = [
        SystemMessage(
            content=f"""
你是一个思路清晰，有条理的金融分析师，必须严格按照以下金融分析计划执行：

当前金融分析计划：
{plan}

如果你认为计划已经执行到最后一步了，请在内容的末尾加上\nFinal Answer字样

示例：
分析报告xxxxxxxx
Final Answer
            """
        )
    ] + state["messages"]
    
    # 调用 LLM
    response = llm_with_tools.invoke(messages)
    # 只返回增量消息，不返回整个 state
    return {"messages": [response]}

def tool_node(state):
    """Performs the tool call and increments trade counter"""
    messages = state["messages"]
    last_message = messages[-1]
    
    new_messages = []
    for tool_call in last_message.tool_calls:
        tool_name = tool_call["name"]
        tool_args = tool_call["args"]
        tool_id = tool_call["id"]
        
        tool_func = tools_by_name[tool_name]
        
        try:
            observation = tool_func.invoke(tool_args)
            # 序列化结果
            if isinstance(observation, (pd.DataFrame, pd.Series, list, dict)):
                observation = str(observation)
            new_messages.append(ToolMessage(content=str(observation), tool_call_id=tool_id))
        except Exception as e:
            new_messages.append(ToolMessage(content=f"工具执行出错: {str(e)}", tool_call_id=tool_id))
            
    new_state = {"messages": new_messages}
    # 更新循环计数
    new_state["loop_count"] = state.get("loop_count", 0) + len(new_messages)
    return new_state

def should_continue(state):
    """根据 LLM 是否进行工具调用或是否输出 Final Answer 来决定去向"""
    messages = state["messages"]
    last_message = messages[-1]
    
    # 1. 如果有工具调用，必须进入 environment
    if hasattr(last_message, 'tool_calls') and last_message.tool_calls:
        current_count = state.get("loop_count", 0)
        if current_count >= _get_max_loop(state):
            # 达到上限，强制结束，追加提示
            return "MaxTradeReached"
        return "Action"
    
    # 2. 如果内容包含 Final Answer，结束流程
    if last_message.content and "Final Answer" in last_message.content:
        return "END"
    
    # 3. 如果既没调工具也没说结束，继续让 LLM 处理
    return "Continue"

# Build workflow
agent_builder = StateGraph(State)

# Add nodes
agent_builder.add_node("plan_node", plan_node)
agent_builder.add_node("llm_call", llm_call)
agent_builder.add_node("environment", tool_node)

# Add edges to connect nodes
agent_builder.add_edge(START, "plan_node")
agent_builder.add_edge("plan_node", "llm_call")
agent_builder.add_conditional_edges(
    "llm_call",
    should_continue,
    {
        "Action": "environment",
        "MaxTradeReached": END,
        "END": END,
        "Continue": "llm_call"
    },
)
agent_builder.add_edge("environment", "llm_call")

# Compile the agent
agent = agent_builder.compile()

# Invoke 部分已在 app.py 中通过 streamlit 调用，此处不再自动执行测试逻辑

重点在两个地方——

不同节点间需要共享信息（例如 LLM 答复内容中的 content 信息和 tool_call 信息）。

LangGraph本身提供了这样一个类： MessagesState，用来存放不同Agent 场景下LLM 返回的消息。

不过在本案例中，只保留LLM 原始的内容还不够，需要小改造下：

一个是plan_node 中生成的总体计划内容 plan；

还有一个是循环次数计数 loop_count，便于控制循环。

# 相关代码
class State(MessagesState):
    plan: str
    loop_count: int = 0  # 已执行工具调用的次数

然后把不同节点像拼乐高一样，拼接起来 ——

# Build workflow
agent_builder = StateGraph(State)

# Add nodes
agent_builder.add_node("plan_node", plan_node)
agent_builder.add_node("llm_call", llm_call)
agent_builder.add_node("environment", tool_node)

# Add edges to connect nodes
agent_builder.add_edge(START, "plan_node")
agent_builder.add_edge("plan_node", "llm_call")
agent_builder.add_conditional_edges(
    "llm_call",
    should_continue,
    {
        "Action": "environment",
        "MaxTradeReached": END,
        "END": END,
        "Continue": "llm_call"
    },
)
agent_builder.add_edge("environment", "llm_call")

💡 如何用它解决“上下文污染”问题？

主要通过以下方法应对：

共享 State 扩展：将高开销的 plan 规划和大盘计数器存入自定义的 State 中进行进程全局共享，只让 LLM 在 SystemMessage 中看到结构化好的当前步骤逻辑，彻底避免在 Chat Message 历史中塞满规划废话。

业务特征数据提前加工：工具在向 Agent 返回 Observation 前，会直接通过 pandas/numpy 处理好高维的 区间涨跌幅(%)、最大回撤(%) 和 年化波动率(%) 等字典数据，裁剪掉近一年几百个原始K线行情数据，以极小的数据空间返回给 LLM。

Web 交互页面代码

主体Agent 编排好了后，使用 streamlit 工具生成 web 操作页面（可以让openclaw 帮你生成，效果还可以）。

# app.py 文件
import streamlit as st
import os
import sys
import pandas as pd
import json
from langchain_core.messages import HumanMessage

# 项目根目录
APP_DIR = os.path.dirname(os.path.abspath(__file__))

# 存储路径
CONFIG_FILE = os.path.join(APP_DIR, "config.json")

def load_config():
    if os.path.exists(CONFIG_FILE):
        try:
            with open(CONFIG_FILE, "r") as f:
                return json.load(f)
        except:
            return {}
    return {}

def save_config(config):
    with open(CONFIG_FILE, "w") as f:
        json.dump(config, f)

# 初始加载
saved_config = load_config()
if not os.environ.get("deepseek_key"):
    os.environ["deepseek_key"] = saved_config.get("api_key", "EMPTY")

from agent.agent import agent

st.set_page_config(page_title="A股行情智能助手", layout="wide")

st.title("🤖 A股行情智能助手")
st.caption("基于 LangGraph + DeepSeek 的A股行情分析工具 | 当前环境：OpenClaw")

# 在顶部显示一些关键统计（如果数据可用）
data_path = os.path.join(APP_DIR, 'data', 'all_data.csv')
if os.path.exists(data_path):
    try:
        df_preview = pd.read_csv(data_path)
        total_stocks = df_preview['股票代码'].nunique()
        latest_date = pd.to_datetime(df_preview['日期']).max().strftime('%Y-%m-%d')
        c1, c2, c3 = st.columns(3)
        c1.metric("本地股票总数", f"{total_stocks} 只")
        c2.metric("最新数据日期", latest_date)
        c3.metric("系统状态", "就绪")
    except:
        pass

# 初始化
if "messages" not in st.session_state:
    st.session_state.messages = []
if "run_prompt" not in st.session_state:
    st.session_state.run_prompt = None

with st.sidebar:
    st.header("配置")
    current_key = st.text_input("DeepSeek API Key", type="password", value=os.environ.get("deepseek_key", ""))
    
    col1, col2 = st.columns(2)
    if col1.button("💾 保存 Key"):
        if current_key:
            save_config({"api_key": current_key})
            os.environ["deepseek_key"] = current_key
            st.success("已保存到本地")
        else:
            st.warning("请输入 Key")
            
    if col2.button("🗑️ 清除缓存"):
        if os.path.exists(CONFIG_FILE):
            os.remove(CONFIG_FILE)
            os.environ["deepseek_key"] = "EMPTY"
            st.rerun()
    
    if current_key and current_key != "EMPTY":
        os.environ["deepseek_key"] = current_key

    st.markdown("---")
    
    saved_config = load_config()
    max_loop = saved_config.get("max_loop_count", 3)
    selected_max = st.slider("🔄 最大循环次数", 1, 15, max_loop, help="Agent 最大工具调用次数，默认3，最大15")
    if st.button("💾 保存设置"):
        save_config({"api_key": saved_config.get("api_key", ""), "max_loop_count": selected_max})
        st.success(f"已保存：最大循环次数 = {selected_max}")

    st.markdown("---")
    st.markdown("### 常用功能")
    if st.button("📈 查看涨跌概览"):
        st.session_state.run_prompt = "分析当前A股市场的整体涨跌情况（查看最近一天的涨跌幅）"
    
    if st.button("🏢 白酒双雄对比"):
        st.session_state.run_prompt = "对比分析 600519 和 000858 最近一年的走势和回撤情况"
    
    if st.button("⚡ 半导体龙头分析"):
        st.session_state.run_prompt = "分析 688981 和 603501 的表现，并获取其最新的财务概况"
    
st.info("💡 示例：'分析 600519 和 000858 最近一年的走势' 或 '寻找最近业绩表现好的半导体公司'")

# 定义分析核心逻辑
def run_analysis(prompt_text):
    st.session_state.messages.append({"role": "user", "content": prompt_text})
    
    with st.chat_message("assistant"):
        with st.status("正在思考中...", expanded=True) as status:
            try:
                # 调用 Agent
                messages = [HumanMessage(content=prompt_text)]
                env_key = os.environ.get("deepseek_key")
                if not env_key or env_key == "EMPTY":
                    st.error("请先在侧边栏输入 DeepSeek API Key 并保存")
                    st.stop()
                
                max_loop = saved_config.get("max_loop_count", 3)
                ret = agent.invoke({"plan": "", "messages": messages, "max_loop_count": max_loop})
                final_answer = ret["messages"][-1].content
                
                # 检查结果文件
                output_dir = os.path.join(APP_DIR, "output")
                output_chart = os.path.join(output_dir, "stocks_price_chart.png")
                output_csv = os.path.join(output_dir, "stocks_analysis.csv")
                
                if os.path.exists(output_chart):
                    st.image(output_chart, caption="分析结果图表")
                
                if os.path.exists(output_csv):
                    analysis_df = pd.read_csv(output_csv)
                    st.subheader("📊 量化指标分析")
                    st.dataframe(analysis_df, use_container_width=True)
                    
                    try:
                        os.remove(output_chart)
                        os.remove(output_csv)
                    except: pass
                
                st.markdown(final_answer)
                st.session_state.messages.append({"role": "assistant", "content": final_answer})
                status.update(label="分析完成！", state="complete", expanded=False)
            except Exception as e:
                st.error(f"发生错误: {str(e)}")
                status.update(label="出错啦", state="error")

# 渲染历史记录
for message in st.session_state.messages:
    with st.chat_message(message["role"]):
        st.markdown(message["content"])

# 处理侧边栏按钮触发
if st.session_state.run_prompt:
    p = st.session_state.run_prompt
    st.session_state.run_prompt = None # 清除标记防止循环
    with st.chat_message("user"):
        st.markdown(p)
    run_analysis(p)

# 处理底部输入框触发
if user_input := st.chat_input("输入你的分析需求..."):
    with st.chat_message("user"):
        st.markdown(user_input)
    run_analysis(user_input)

启动应用

最后，启动它——

`1`	`python3 -m streamlit run ./path/Finance_agent/app.py --server.port 8501 --server.address 0.0.0.0 &`

展开说说数据

应用的可靠性来源，只有一个——真实的个股行情数据！

日期,股票代码,开盘,收盘,最高,最低,成交量,成交额,振幅,涨跌幅,涨跌额,换手率
==================================================================
2026-04-30,688981,113.31,118.73,119.88,113.3,1018383,11911527206.0,5.85,5.57,6.26,5.09
2026-05-06,688981,122.0,123.1,128.12,121.74,1292941,16176667799.0,5.37,3.68,4.37,6.47
2026-05-07,688981,125.11,125.34,127.48,122.22,842774,10482928520.0,4.27,1.82,2.24,4.21
2026-05-08,688981,122.9,120.31,123.19,120.05,708618,8595731864.0,2.51,-4.01,-5.03,3.54
2026-05-11,688981,122.99,122.52,124.57,121.9,814860,10017304327.0,2.22,1.84,2.21,4.08
2026-05-12,688981,124.44,121.98,125.44,120.0,817732,10018643228.0,4.44,-0.44,-0.54,4.09
2026-05-13,688981,119.0,121.86,122.5,116.04,954951,11374279337.0,5.3,-0.1,-0.12,4.78
2026-05-14,688981,121.92,117.9,124.04,117.0,790650,9451219953.0,5.78,-3.25,-3.96,3.95
2026-05-15,688981,121.0,119.02,125.0,118.48,1328101,16152497227.0,5.53,0.95,1.12,6.64
2026-05-18,688981,117.4,117.62,120.34,115.6,748969,8855418364.0,3.98,-1.18,-1.4,3.75
2026-05-19,688981,116.16,115.04,116.69,112.68,423465,4841922272.0,3.41,-2.19,-2.58,2.12

但是，仅凭以上数据还不够。

加工个股数据

上面单只股票的行情数据中并没有 区间涨跌幅(%) 最大回撤(%) 年化波动率(%) 这样的数据，而这些都是股票买入时需要考虑的波段风险。那怎么办呢？

需要在工具中提前计算得到——

# 计算日收益率
stock_data['日收益率'] = stock_data['收盘'].pct_change()

# 计算年化波动率 (假设一年252个交易日)
volatility = stock_data['日收益率'].std() * np.sqrt(252) * 100

# 计算关键指标
start_price = stock_data.iloc[0]['收盘']
end_price = stock_data.iloc[-1]['收盘']
total_return = (end_price - start_price) / start_price * 100

# 计算最大回撤
stock_data['max_price'] = stock_data['收盘'].cummax()
stock_data['drawdown'] = (stock_data['max_price'] - stock_data['收盘']) / stock_data['max_price'] * 100
max_drawdown = stock_data['drawdown'].max()

# 添加到结果列表
all_results.append({
    '股票代码': stock_code,
    '起始价格': start_price,
    '结束价格': end_price,
    '区间涨跌幅(%)': total_return,
    '最大回撤(%)': max_drawdown,
    '年化波动率(%)': volatility
})

这样工具执行后，交给LLM 看到的就是对应股票最近一年的 股票代码 启始价格 结束价格 区间涨跌幅(%) 最大回撤(%) 年化波动率(%) 的字典。

对模型来说，是非常喜欢这种高质量的结构化数据的。

年报数据

此外，为了衡量公司业务发展健康情况，年报数据也是必不可少的——

序号,股票代码,股票简称,每股收益,营业总收入-营业总收入,营业总收入-同比增长,营业总收入-季度环比增长,净利润-净利润,净利润-同比增长,净利润-季度环比增长,每股净资产,净资产收益率,每股经营现金流量,销售毛利率,所处行业,最新公告日期
===========================================================================
1,874802,百通新材,0.92,568533417.18,15.2664657113,,70277380.14,5.6561238395,,4.714433245425,,0.243883317106,42.5663104027,,2026-05-26
2,874495,永大股份,0.78,726886558.97,-11.2829906928,809.5712,109380450.58,2.4936171442,4773.7024,5.553841913586,15.19,0.722337518558,25.1149323821,,2026-05-26
3,430458,陆海科技,0.23,83247380.45,-1.7498264956,,12351090.09,12.48,,2.662792619145,8.29,0.270151610955,37.3351179124,,2026-05-26
4,300478,杭州高新,-0.2159,391752002.18,2.0808366297,-28.4642,-27354269.44,-12.41,-10.9108,0.320361491162,-50.41,-0.119990702991,2.7171438055,塑料,2026-05-26
5,920206,彩客科技,2.3,506680824.03,11.4907840585,-15.142,146351473.26,26.552765801,-4.0798,9.221214472817,28.57,2.294345427388,40.0854797434,,2026-05-25
6,875135,巴德股份,2.18,190100741.04,-21.6876508802,,23979073.77,-25.3322493329,,15.512161199091,15.23,0.255547254545,28.3929899614,,2026-05-25
7,875111,尚能股份,0.4,203049955.34,-2.6174349813,,32836441.21,-13.976759715,,4.326996997423,9.83,0.471536309571,32.195271686,,2026-05-25
8,874287,森合高科,3.19,839751554.84,34.8292193479,-8.6453,272284612.15,81.7789291791,-11.9819,9.535480258221,40.15,2.854514755598,46.3541451202,,2026-05-25

以上数据都是公开的，可以从一些财经网站免费下载到。

对照组

为了对比，使用之前做好的阶段五的Agent（具有多轮规划、反思、执行的多Agent） 处理相同的问题——

最终回复 (来自于 Reflection):
Final Answer:
中国集成电路制造板块在历经周期波动与地缘政治重塑后，其出海业务正呈现出截然不同的图景。
通过对晶圆代工龙头（中芯国际、华虹公司/华虹半导体）以及垂直整合制造IDM主要玩家（闻泰科技/安世半导体、扬杰科技、华润微、士兰微）的境外营收占比、毛利特征、技术门槛、财务抗压度及抵御地缘政治脱钩力进行系统性挖掘与量化比对。

我们得出的最终结论是：**中国集成电路制造板块中，不仅有出口业务，且最值得投资的黄金个股是——扬杰科技（300373.SZ）**。

下面将围绕筛选标准、核心企业境外业务对比、财务深度对标、地缘风险防御性以及“最值得投资个股”扬杰科技的投资逻辑进行全方位深度解构。

---

### 一、 集成电路制造板块核心企业出口业务大盘点 (最新数据口径)

在集成电路制造板块中，出口（境外）业务开展最为成熟、出口占比最高的几家龙头公司呈现出以下战略分化：

#### 1. 晶圆代工厂 (Foundry)
*   **中芯国际 (688981.SH / 00981.HK)**：
    *   **境外营收概况**：截至2026年第一季度最新数据，中芯国际的区域营收中，**中国本土贡献了 89% 的天量营收，而北美（美国）业务回落至 9%，欧亚业务缩水至 2%** [原文](https://finance.yahoo.com/quote/SMIC13.BK/earnings/SMIC13.BK-Q1-2026-earnings_call-554758.html/)。
    *   **业务逻辑**：中芯国际由于追求先进制程（如14nm及以下），饱受美国实体清单设备禁运与芯片法案脱钩制约。境外大设计大厂主动或被动缩减了在中芯国际的制造配额，使得中芯国际在事实上已转化为一家**高度服务于“集成电路国产替代”的内需型代工巨头**。
*   **华虹半导体 / 华虹公司 (688347.SH / 01347.HK)**：
    *   **境外营收概况**：作为特色工艺代工龙头，华虹的防脱钩属性要优秀得多。在其最新2025年第四季度财务表现中，总营业收入为 5.043 亿美元，其中**北美营收高达 7280 万美元，同比暴增 51.3%，占全季度总营业收入的 14.4%** [原文](https://www1.hkexnews.hk/listedco/listconews/sehk/2026/0212/2026021200389.pdf)。加上欧洲与欧亚其它国家，**其境外销售总和占比可达 20% 上下**。
    *   **业务逻辑**：华虹聚焦在智能卡、嵌入式闪存、MCU、BCD（高压模拟）及车规半导体特色工艺上。非先进制程属性使其不受美国高端设备禁运干扰，海外新能源汽车、家电、消费电子大客户对华虹极具黏性。

#### 2. 垂直整合制造商 (IDM)
*   **闻泰科技 (600745.SH)**：
    *   **境外营收概况**：其核心半导体资产——原荷兰**安世半导体 (Nexperia)**，是一家拥有极高国际声誉的汽车与工业分立器件巨头。**安世半导体自身的境外营收占比高达 65% ~ 70%**。
    *   **业务逻辑**：安世在欧洲（德、英）拥有前道晶圆厂。虽然出海能力极强，但闻泰科技整体受其**ODM（智能终端方案设计与组装）低毛利重折旧板的剧烈拖累**，母体财务稳健度承压。此外，安世也面临着英国政府限制收购等一定程度的地缘政治干扰。
*   **扬杰科技 (300373.SZ)**：
    *   **境外营收概况**：中国功率半导体分立器件 IDM 出海的绝对王者。其连续多年来自**境外的营业收入保持在 30% 左右的极高水准**。
    *   **业务逻辑**：扬杰通过在美、欧、日、韩建立深度本土化的团队和渠道网络，以自有品牌形式大规模向欧美白电、工控及汽车 Tier 1 客户出口功率分立器件（二极管、桥堆、MOSFET、IGBT）。

---
。。。

---
。。。
---

### 四、 投资建议与总结

*   **长期投资价值**：**扬杰科技 (300373.SZ)** 结合了优质的 IDM 制造壁垒与强大的高利润出海销售能力。在A股半导体制造相关板块中，它是极其罕见的、不需要依靠巨额政策补贴而能自己在国际大市场上斩获真金白银、保持丰沛健康现金流的高 ROE 卓越标的。
*   **短期估值分析**：当前正值全球半导体行业从周期底部走出、汽车电子与工控市场复苏、以及人工智能服务器（对高功率供电分立器件需求激增）带来新增量的拐点。扬杰科技以目前行业中低历史估值分位数，兼具了业绩的“防震垫”和向上的“出海高成长属性”。

如果您要在集成电路制造（晶圆厂/IDM）中寻找一只**最值得投资的新标杆**，**扬杰科技 (300373.SZ)** 应当是您的首选投资方案。

多Agent 充分发挥了它的长处——在规划、反思过程中给出了更全面的框架。

通过对晶圆代工龙头（中芯国际、华虹公司/华虹半导体）以及垂直整合制造IDM主要玩家（闻泰科技/安世半导体、扬杰科技、华润微、士兰微）的境外营收占比、毛利特征、技术门槛、财务抗压度及抵御地缘政治脱钩力进行系统性挖掘与量化比对

但是，它报告内在逻辑是不通畅的——

一方面是数据给的不够，另一方面它的判断也比较容易受外部网页提供的结论带跑。

这两个Agent 应用各有优缺点，需要进一步整合。

结尾

这次没有太多的AI 话题含量。如果看完全篇会发现：

AI基于真实的数据去帮助我们弥补空隙（画图、做表格、生成归纳性的总结），它不是那个生成真实数据的个体。

真实的数据从哪里来呢？从真实世界来！

金融类的产品本身就是高度数据化、也比较容易帮助我们做出决策。

所以在这个案例中，数据处理方面没花太多的功夫。但是在数据搜集阶段还是要费些功夫的（想想需要把5000多只股票历年的数据集中拉取下来）。

如果换一个场景，数据就未必这么拉取一下就可行了。可能还需要大量的数据标注、整理、格式化等工作。

所以，对于那些目前还没有很好的量化标准和指标的行业（例如：看病、装修设计），AI 依然面临高筑的信息墙壁。无法接触到真实物理世界高质量的数据，也是这些领域短期内极难被 AI 取代与超越的根本原因。

感谢看到这里，我们下期见。

PS：

也许上星期真应该买个100股赌一下的 ——

DataForAI on 达蒙西的囚笼