update

backend/app/agent/question_analyzer.py

@@ -139,11 +139,17 @@ class QuestionAnalyzer:
 请分析以下维度：
 
 1. **问题类型**
-   - stock_analysis: 针对特定股票的分析（如"贵州茅台怎么样"、"分析比亚迪"、"AAPL走势"）
-   - market_overview: 市场整体分析（如"最近有什么投资机会"、"现在适合买股票吗"）
+   - stock_analysis: 针对**特定单只股票**的分析（如"贵州茅台怎么样"、"分析比亚迪"、"AAPL走势"）
+     **注意**：如果用户问的是"板块"、"行业"、"概念股"等，这不是stock_analysis，而是market_overview
+   - market_overview: 市场整体分析、行业板块分析、投资机会（如"最近有什么投资机会"、"商业航天板块怎么样"、"新能源行业走势"、"现在适合买股票吗"）
    - knowledge: 金融知识问答（如"什么是MACD"、"如何看K线图"）
    - chat: 一般对话（如"你好"、"在吗"）
 
+**重要**：判断是stock_analysis还是market_overview的关键：
+- 如果提到具体的公司名称或股票代码 → stock_analysis
+- 如果提到"板块"、"行业"、"概念"、"赛道"、"领域" → market_overview
+- 如果问"哪些股票"、"什么机会" → market_overview
+
 2. **用户关注维度**（如果是stock_analysis）
    分析用户想了解哪些方面：
    - price_trend: 价格走势、涨跌情况、最新价格

backend/app/agent/smart_agent.py

@@ -1197,40 +1197,27 @@ MA60：{f"{ma['ma60']:.2f}" if ma['ma60'] else '计算中'}
         intent_analysis: Dict[str, Any],
         message: str
     ) -> Dict[str, Any]:
-        """处理宏观金融问题"""
-        keywords = intent_analysis.get('keywords', [])
+        """处理宏观金融问题（智能模式）"""
         description = intent_analysis.get('description', '')
+        keywords = intent_analysis.get('keywords', [])
 
-        logger.info(f"处理宏观问题: {description}")
+        logger.info(f"[智能模式] 处理宏观问题: {description}")
 
         try:
-            # 使用LLM进行分析（基于Tushare数据和公开信息）
+            # 使用智能、自然的prompt
             prompt = f"""你是一位专业的金融分析师。用户询问了宏观金融问题。
 
 用户问题：{message}
 
-问题分析：{description}
-关键词：{', '.join(keywords)}
+请用自然、专业的语言回答用户的问题。不要使用固定的格式或标题，而是像和朋友聊天一样，直接回答用户关心的内容。
 
-请基于你的金融知识和市场经验，给出专业且易懂的分析：
-
-## 市场现状分析
-简要说明当前市场整体情况和主要影响因素（分段说明，每个要点独立成段）
-
-## 趋势判断
-- 短期趋势（1-2周）
-- 中期展望（1-3个月）
-
-## 投资建议
-- 具体的投资策略建议
-- 需要关注的风险点
-
-写作要求：
-1. 语言简洁专业但易懂，避免过度修饰
-2. 分析要客观理性，基于事实和数据
-3. 每个分析点独立成段，段落之间用空行分隔
-4. 控制在400-500字
-5. 最后声明："以上分析仅供参考，不构成投资建议。股市有风险，投资需谨慎。"
+要求：
+- 直接回答用户的问题，不要添加"【宏观市场分析】"等标题
+- 根据问题的具体内容调整回答的重点
+- 语言自然、专业但易懂
+- 如果用户问的是短期趋势，重点讲短期；如果问的是投资机会，重点讲机会
+- 控制在300-500字
+- 最后声明："以上分析仅供参考，不构成投资建议。"
 """
 
             analysis = await self._call_llm_async(
@@ -1241,29 +1228,17 @@ MA60：{f"{ma['ma60']:.2f}" if ma['ma60'] else '计算中'}
 
             if analysis:
                 return {
-                    "message": f"【宏观市场分析】\n\n{analysis}",
+                    "message": analysis,
                     "metadata": {"type": "macro_analysis"}
                 }
 
         except Exception as e:
             logger.error(f"宏观问题处理失败: {e}")
 
-        # 降级方案：提供友好的引导
+        # 降级方案
         return {
-            "message": f"""我理解您想了解：{description}
-
-目前我可以帮您：
-• 📊 分析具体股票的走势和投资价值
-• 📈 查看大盘指数（如上证指数、深证成指）
-• 📚 解答金融投资相关问题
-
-您可以更具体地问我，比如：
-• "现在上证指数怎么样"
-• "分析一下创业板的走势"
-• "最近哪些行业比较热门"
-
-请告诉我您想了解什么？""",
-            "metadata": {"type": "guide"}
+            "message": f"抱歉，我暂时无法回答这个问题。您可以问我具体股票或指数的分析。",
+            "metadata": {"type": "error"}
         }
 
     async def _handle_knowledge_question(
@@ -1271,34 +1246,24 @@ MA60：{f"{ma['ma60']:.2f}" if ma['ma60'] else '计算中'}
         intent_analysis: Dict[str, Any],
         message: str
     ) -> Dict[str, Any]:
-        """处理金融知识问答"""
+        """处理金融知识问答（智能模式）"""
         description = intent_analysis.get('description', '')
-        keywords = intent_analysis.get('keywords', [])
 
-        logger.info(f"处理知识问答: {description}")
+        logger.info(f"[智能模式] 处理知识问答: {description}")
 
-        # 直接使用LLM回答
+        # 使用智能、自然的prompt
         prompt = f"""你是一位专业的金融教育专家。用户询问了金融知识问题。
 
 用户问题：{message}
 
-请用通俗易懂的语言解释这个概念或回答这个问题：
+请用自然、通俗的语言回答用户的问题。不要使用固定的格式（如"## 核心概念"），而是像老师给学生讲解一样，直接、清晰地解释。
 
-## 核心概念
-- 清晰定义和解释
-
-## 实际应用
-- 如何在投资中应用
-- 注意事项
-
-## 举例说明
-- 用简单的例子帮助理解
-
-写作要求：
-1. 语言通俗易懂，避免过多专业术语
-2. 如果使用专业术语，要简单解释
-3. 控制在300-400字
-4. 重点是帮助用户理解，而不是炫耀知识
+要求：
+- 直接回答问题，不要添加"【金融知识解答】"等标题
+- 用通俗易懂的语言，避免过多专业术语
+- 如果必须用专业术语，简单解释一下
+- 可以举例子帮助理解
+- 控制在200-400字
 """
 
         try:
@@ -1310,7 +1275,7 @@ MA60：{f"{ma['ma60']:.2f}" if ma['ma60'] else '计算中'}
 
             if answer:
                 return {
-                    "message": f"【金融知识解答】\n\n{answer}",
+                    "message": answer,
                     "metadata": {"type": "knowledge"}
                 }
 
@@ -1327,46 +1292,35 @@ MA60：{f"{ma['ma60']:.2f}" if ma['ma60'] else '计算中'}
         intent_analysis: Dict[str, Any],
         message: str
     ) -> Dict[str, Any]:
-        """处理一般对话，智能引导用户"""
+        """处理一般对话（智能模式）"""
         description = intent_analysis.get('description', '')
 
-        logger.info(f"处理一般对话: {description}")
+        logger.info(f"[智能模式] 处理一般对话: {description}")
 
-        # 使用LLM生成友好的引导回复
-        prompt = f"""你是一位专业且友好的金融智能助手。用户发来了一条消息，但不够具体。
+        # 使用智能、自然的prompt
+        prompt = f"""你是一位专业且友好的金融智能助手。用户发来了一条消息。
 
 用户消息：{message}
-问题分析：{description}
 
-你的任务是：
-1. 如果是问候（如"你好"、"在吗"），友好回应并介绍你的能力
-2. 如果问题不明确（如"帮我"、"看看"），礼貌地询问用户想了解什么
-3. 如果可能与金融相关但不具体，给出具体的提问示例引导用户
+请用自然、友好的语言回应用户。不要使用固定的格式，而是像真人对话一样。
 
-你可以提供的服务：
-• 📊 股票分析 - 分析个股走势、技术指标、基本面
-• 📈 市场观察 - 解读大盘走势、行业热点、投资机会
-• 📚 知识问答 - 解答金融投资相关问题
-
-回复要求：
-1. 语气友好、专业但不生硬
-2. 简洁明了，不要太长（150字以内）
-3. 给出2-3个具体的提问示例
-4. 不要使用"抱歉"、"无法理解"等负面词汇
-5. 用emoji让回复更友好（但不要过度使用）
-
-直接返回回复内容，不要有其他格式。"""
+要求：
+- 如果是问候（如"你好"），友好回应并简单介绍你能做什么
+- 如果问题不明确，礼貌地询问用户想了解什么
+- 语言自然、友好，不要太正式
+- 控制在100-200字
+"""
 
         try:
-            reply = await self._call_llm_async(
+            response = await self._call_llm_async(
                 messages=[{"role": "user", "content": prompt}],
                 temperature=0.8,
-                max_tokens=400
+                max_tokens=500
             )
 
-            if reply:
+            if response:
                 return {
-                    "message": reply,
+                    "message": response,
                     "metadata": {"type": "chat"}
                 }