dvcrn 多智能体A股研究框架
快速启动
单只股票分析：
用户: "帮我研究 600519 茅台" / "分析润泽科技300442" / "中际旭创值得买吗"
→ 触发完整6步工作流（见下）
产业链分析：
用户: "分析AI算力产业链" / "商业航天产业链哪个环节最值得关注"
→ 读取 references/industry-chain.md，触发产业链专项框架
快速概览（仅基本面+新闻）：
用户: "给我简单看下000977浪潮信息最近怎样"
→ 仅启动 fundamentals_analyst + news_analyst 两个子智能体
工作流（完整6步）
Step 1：多维并行数据收集
同时启动4个子智能体（使用 sessions_spawn）：
| 子智能体 | 任务 | 参考提示词 |
|---|---|---|
fundamentals_analyst |
财务报表深度分析、估值、机构预测 | references/agent-prompts.md#fundamentals |
news_analyst |
公司动态、行业新闻、政策 | references/agent-prompts.md#news |
sentiment_analyst |
市场情绪、研报评级变化 | references/agent-prompts.md#sentiment |
technical_analyst |
价格走势、成交量、关键位 | references/agent-prompts.md#technical |
Step 2：观点碰撞
基于Step1报告，并行启动：
bullish_researcher：挖掘增长潜力、竞争优势、价值低估bearish_researcher：识别风险、业绩隐忧、估值泡沫
Step 3：风险评估
risk_manager：综合投资风险评估（行业/财务/流动性/政策）
Step 4：事实核查
fact_checker：对关键数据和说法二次验证
Step 5：综合报告
按 references/report-template.md 格式输出完整研究报告
Step 6：Dashboard部署
将报告渲染为交互式HTML Dashboard，使用 deploy 工具部署，返回可访问链接
数据获取（Python/akshare）
运行 scripts/fetch_stock_data.py <股票代码> 获取基础数据包。
# 手动调用示例
import akshare as ak
# 公司基本信息（A股）
info = ak.stock_individual_info_em(symbol="300442")
# 三大财务报表
balance = ak.stock_balance_sheet_by_report_em(symbol="300442")
income = ak.stock_profit_sheet_by_report_em(symbol="300442")
cashflow = ak.stock_cash_flow_sheet_by_report_em(symbol="300442")
# 财务指标（ROE/毛利率等）
indicator = ak.stock_financial_analysis_indicator(symbol="300442")
# 机构持仓
fund_hold = ak.stock_report_fund_hold(symbol="300442")
# 美股
import yfinance as yf
ticker = yf.Ticker("AAPL")
info = ticker.info
子代码格式：沪市6开头用"6xxxxx"，深市/创业板用"0xxxxx"/"3xxxxx"，北交所用"8xxxxx"。
输出规范
详见 references/report-template.md。核心结构：
- 研究摘要（公司定位、行业地位、当前估值）
- 财务分析表格（营收/净利润/毛利率/ROE，含同比和行业对比）
- 估值分析（PE/PB/PS历史分位）
- 机构观点（评级分布、目标价区间）
- 核心竞争力 vs 风险因素
- 综合评级：🟢高 / 🟡中等 / 🔴低
注意事项
- akshare股票代码不含市场前缀（用"300442"而非"sz300442"）
- 数据来源声明：akshare/东方财富/同花顺/公司公告
- 免责声明必须包含在每份报告末尾
- 产业链分析见
references/industry-chain.md