""" 智能Agent - 真正使用LLM进行全面分析 """ import re import json import asyncio from typing import Dict, Any, Optional, List from app.config import get_settings from app.agent.context import ContextManager from app.agent.skill_manager import skill_manager from app.agent.question_analyzer import QuestionAnalyzer from app.agent.skill_planner import SkillPlanner from app.skills.market_data import MarketDataSkill from app.skills.technical_analysis import TechnicalAnalysisSkill from app.skills.fundamental import FundamentalSkill from app.skills.visualization import VisualizationSkill from app.skills.advanced_data import AdvancedDataSkill from app.skills.us_stock_skill import USStockSkill from app.skills.brave_search import BraveSearchSkill from app.services.llm_service import llm_service from app.services.tushare_service import tushare_service from app.utils.logger import logger class SmartStockAgent: """智能股票分析Agent - 深度集成LLM""" def __init__(self): """初始化Agent""" self.context_manager = ContextManager() self.settings = get_settings() # 初始化智能组件 self.question_analyzer = QuestionAnalyzer() self.skill_planner = SkillPlanner() # 注册技能 self._register_skills() # 获取配置的模型 self.model_override = getattr(self.settings, 'smart_agent_model', None) # 检查LLM是否可用 self.use_llm = bool(self.settings.zhipuai_api_key) and llm_service.client is not None if self.use_llm: logger.info(f"Smart Agent初始化完成（智能模式 + LLM深度集成 + Tushare Pro高级数据，模型: {self.model_override or '默认'}）") else: logger.warning("Smart Agent初始化完成（规则模式，建议配置LLM）") async def _call_llm_async(self, messages: List[Dict[str, str]], temperature: float = 0.7, max_tokens: int = 2000) -> Optional[str]: """异步调用LLM，避免阻塞事件循环""" loop = asyncio.get_event_loop() return await loop.run_in_executor( None, lambda: llm_service.chat(messages, temperature, max_tokens, model_override=self.model_override) ) def _register_skills(self): """注册所有技能""" skill_manager.register(MarketDataSkill()) skill_manager.register(TechnicalAnalysisSkill()) skill_manager.register(FundamentalSkill()) skill_manager.register(VisualizationSkill()) skill_manager.register(AdvancedDataSkill()) skill_manager.register(USStockSkill()) skill_manager.register(BraveSearchSkill()) logger.info("技能注册完成（Tushare Pro高级数据 + 美股支持 + Brave搜索）") async def process_message( self, message: str, session_id: str, user_id: Optional[str] = None ) -> Dict[str, Any]: """ 处理用户消息（非流式，已废弃，保留用于兼容） 实际使用 process_message_stream 进行流式输出 """ # 收集流式输出 full_response = "" async for chunk in self.process_message_stream(message, session_id, user_id): full_response += chunk return { "message": full_response, "metadata": {"type": "text"} } def _is_comprehensive_analysis(self, message: str) -> bool: """ 判断是否需要全面分析 默认情况下，如果用户只是简单提到股票名称或代码，就进行全面分析 只有明确要求特定信息时（如"技术指标"、"K线图"等），才做单一查询 """ # 明确要求单一查询的关键词 single_query_keywords = [ "k线", "图表", "走势图", "kline", "技术指标", "macd", "rsi", "均线", "kdj", "基本面", "公司信息", "行业", "实时行情", "价格", "涨跌" ] # 如果明确要求单一查询，返回False if any(keyword in message.lower() for keyword in single_query_keywords): return False # 默认进行全面分析 return True async def _comprehensive_analysis( self, stock_code: str, stock_name: Optional[str], message: str ) -> Dict[str, Any]: """ 全面分析：使用 skill_planner 智能规划技能 + LLM深度分析 Args: stock_code: 股票代码 stock_name: 股票名称 message: 用户消息 Returns: 综合分析结果 """ logger.info(f"执行全面分析: {stock_code}") display_name = stock_name or stock_code try: # 1. 使用 QuestionAnalyzer 分析问题意图 intent = await self.question_analyzer.analyze_question( question=message, context=[], session_id="" ) # 确保 intent 包含股票信息 if 'target' not in intent: intent['target'] = {} intent['target']['stock_code'] = stock_code intent['target']['stock_name'] = stock_name logger.info(f"问题意图分析: dimensions={intent.get('dimensions')}") # 2. 使用 SkillPlanner 规划技能（包括 brave_search） plan = self.skill_planner.plan_skills(intent) logger.info(f"技能规划完成: {[s['name'] for s in plan['skills']]}, 策略: {plan['execution_strategy']}") # 3. 执行技能规划 execution_results = await skill_manager.execute_plan( plan=plan, stock_code=stock_code ) if execution_results['errors']: logger.warning(f"技能执行有错误: {execution_results['errors']}") # 4. 整合数据（兼容旧格式） results = execution_results['results'] all_data = { "stock_code": stock_code, "stock_name": display_name, "quote": results.get("market_data"), "technical": results.get("technical_analysis"), "fundamental": results.get("fundamental"), "advanced": results.get("advanced_data"), "news": results.get("brave_search") # 新增：新闻数据 } # 5. 使用LLM进行深度分析 if self.use_llm: analysis = await self._llm_comprehensive_analysis(all_data, message) else: analysis = self._rule_based_analysis(all_data) return { "message": analysis, "metadata": { "type": "comprehensive", "data": all_data, "plan": plan } } except Exception as e: logger.error(f"全面分析失败: {e}") import traceback logger.error(traceback.format_exc()) return { "message": f"分析{display_name}时出错：{str(e)}", "metadata": {"type": "error"} } async def _llm_comprehensive_analysis( self, data: Dict[str, Any], user_message: str ) -> str: """使用LLM进行深度综合分析""" # 获取当前时间 from datetime import datetime current_time = datetime.now().strftime("%Y-%m-%d %H:%M") # 获取行情数据的交易日期 quote_date = "未知" if data.get('quote') and data['quote'].get('trade_date'): quote_date = data['quote']['trade_date'] # 构建高级数据摘要 advanced_summary = "" if data.get('advanced'): advanced_data = data['advanced'] advanced_summary = "\n【高级财务数据】（Tushare Pro 5000+积分）\n" # 财务指标 if advanced_data.get('financial'): financial = advanced_data['financial'] if financial.get('indicators'): indicators = financial['indicators'].get('indicators', {}) advanced_summary += f"财务指标（截止：{financial['indicators'].get('end_date', '未知')}）：\n" advanced_summary += f" ROE: {indicators.get('roe', 'N/A')}%\n" advanced_summary += f" ROA: {indicators.get('roa', 'N/A')}%\n" advanced_summary += f" 毛利率: {indicators.get('gross_margin', 'N/A')}%\n" advanced_summary += f" 资产负债率: {indicators.get('debt_to_assets', 'N/A')}%\n" advanced_summary += f" 流动比率: {indicators.get('current_ratio', 'N/A')}\n\n" # 估值数据 if advanced_data.get('valuation'): valuation = advanced_data['valuation'] advanced_summary += f"估值指标：\n" advanced_summary += f" PE(市盈率): {valuation.get('pe', 'N/A')}\n" advanced_summary += f" PB(市净率): {valuation.get('pb', 'N/A')}\n" advanced_summary += f" PS(市销率): {valuation.get('ps', 'N/A')}\n" advanced_summary += f" 总市值: {valuation.get('total_mv', 'N/A')}万元\n" advanced_summary += f" 流通市值: {valuation.get('circ_mv', 'N/A')}万元\n" advanced_summary += f" 换手率: {valuation.get('turnover_rate', 'N/A')}%\n\n" # 资金流向（最近一天） if advanced_data.get('money_flow') and len(advanced_data['money_flow']) > 0: latest_flow = advanced_data['money_flow'][0] advanced_summary += f"资金流向（{latest_flow.get('trade_date', '最近')}）：\n" advanced_summary += f" 主力净流入: {latest_flow.get('net_mf_amount', 'N/A')}万元\n" advanced_summary += f" 超大单净流入: {latest_flow.get('buy_elg_amount', 0) - latest_flow.get('sell_elg_amount', 0):.2f}万元\n" advanced_summary += f" 大单净流入: {latest_flow.get('buy_lg_amount', 0) - latest_flow.get('sell_lg_amount', 0):.2f}万元\n\n" # 融资融券 if advanced_data.get('margin') and len(advanced_data['margin']) > 0: latest_margin = advanced_data['margin'][0] advanced_summary += f"融资融券（{latest_margin.get('trade_date', '最近')}）：\n" advanced_summary += f" 融资余额: {latest_margin.get('rzye', 'N/A')}元\n" advanced_summary += f" 融券余额: {latest_margin.get('rqye', 'N/A')}元\n\n" # 重大公告 if advanced_data.get('announcements') and len(advanced_data['announcements']) > 0: advanced_summary += "最近公告：\n" for ann in advanced_data['announcements'][:3]: advanced_summary += f" · {ann.get('title', '无标题')} ({ann.get('ann_date', '')})\n" advanced_summary += "\n" else: advanced_summary = "\n【高级财务数据】\n暂无高级数据\n" # 格式化新闻数据 news_section = "" news_data = data.get('news', {}) if news_data and not news_data.get('error'): results = news_data.get('results', []) if results: news_section = "\n【最新新闻和舆情】（来源：Brave Search）\n" for i, item in enumerate(results[:5], 1): title = item.get('title', '无标题') description = item.get('description', '') source = item.get('source', '') published = item.get('published', '') news_section += f"{i}. {title}\n" if description: news_section += f" 摘要：{description[:100]}...\n" if source: news_section += f" 来源：{source}\n" if published: news_section += f" 发布时间：{published}\n" news_section += "\n" else: news_section = "\n【最新新闻和舆情】\n暂无相关新闻\n" else: news_section = "\n【最新新闻和舆情】\n暂无相关新闻\n" # 构建详细的分析提示 prompt = f"""你是一位专业的股票分析师。请对{data['stock_name']}({data['stock_code']})进行全面分析，用简洁专业但易懂的语言回答。 用户问题：{user_message} 【实时行情数据】 数据来源：Tushare Pro API 交易日期：{quote_date} {json.dumps(data.get('quote'), ensure_ascii=False, indent=2) if data.get('quote') else '数据获取失败'} 【技术指标数据】 数据来源：Tushare Pro API（基于历史K线数据计算） 计算截止日期：{quote_date} {json.dumps(data.get('technical'), ensure_ascii=False, indent=2) if data.get('technical') else '数据获取失败'} 【基本面数据】 数据来源：Tushare Pro API {json.dumps(data.get('fundamental'), ensure_ascii=False, indent=2) if data.get('fundamental') else '数据获取失败'} {advanced_summary} {news_section} 请按以下结构进行分析，并在每个部分明确标注数据来源和时效性： ## 一、基本面分析 分段说明公司情况，每个要点独立成段： - 第一段：公司主营业务和行业地位 - 第二段：财务健康度分析（基于ROE、资产负债率、流动比率等财务指标） - 第三段：估值水平分析（PE、PB、PS是否合理） - 第四段：所属行业发展前景 - 第五段：如果有公告，简要分析对公司的影响 ## 二、技术面分析（数据截止：{quote_date}） 使用清晰的分段结构，每个技术指标独立成段： **价格走势** 当前价格走势特征（上涨/下跌/震荡），结合成交量分析。 **均线系统** 短期均线（MA5、MA10）与长期均线（MA20、MA60）的位置关系，判断当前趋势（多头/空头/震荡）。 **MACD指标** DIF和DEA的位置关系，MACD柱状图变化，判断动能强弱和买卖信号。 **RSI指标** 当前RSI值的位置，是否超买（>70）或超卖（<30），短期走势预判。 **支撑与压力** 关键支撑位和压力位的具体价格区间。 ## 三、市场情绪和新闻分析 分段分析市场情绪： - 第一段：资金流向分析（主力资金、大单资金流入/流出情况） - 第二段：融资融券情况（如有） - 第三段：**基于最新新闻分析市场情绪和舆情，识别可能影响股价的重要事件** - 第四段：当前市场情绪（乐观/谨慎/悲观）及原因 - 第五段：短期可能的催化因素 ## 四、投资建议 基于技术面分析，给出具体的操作建议和点位： **短期（1-2周）操作建议** - 明确的操作建议：买入/持有/观望/减仓 - **具体点位建议**： - 如果建议买入：给出建议买入价格区间（基于支撑位） - 如果建议卖出：给出建议卖出价格区间（基于压力位） - 止损位：明确的止损价格点位 - 止盈位：明确的止盈价格点位 - 操作理由：基于技术指标的具体分析 **中期（1-3个月）策略** - 趋势判断（上涨/下跌/震荡） - 关键价格区间： - 上方目标位：具体价格 - 下方支撑位：具体价格 - 策略建议 **长期（半年以上）** 投资价值评估和长期持有建议。 **风险提示** - 主要风险点和注意事项 - 需要关注的关键价格位 ## 五、总结 用一句话概括核心观点。 --- **数据说明** - 行情数据来源：Tushare Pro（截止{quote_date}） - 技术指标：基于历史K线数据计算（截止{quote_date}） - 财务数据：Tushare Pro 5000+积分接口（利润表、资产负债表、财务指标） - 估值数据：Tushare Pro（PE、PB、PS、市值等） - 资金流向：Tushare Pro（主力资金、大单资金） - 融资融券：Tushare Pro（如有） - 公告数据：Tushare Pro（重大公告） - 新闻舆情：Brave Search（最新市场资讯） 写作要求： 1. 语言简洁专业，避免过度修饰和比喻 2. 专业术语后用括号简单解释，例如"RSI超买（指标>70，股价可能回调）" 3. **重要：每个分析点必须独立成段，段落之间用空行分隔** 4. **技术面分析部分，每个指标必须使用加粗标题（**标题**）并独立成段** 5. 分析要客观理性，基于数据而非情绪 6. 充分利用提供的财务数据、估值数据、资金流向等高级数据进行分析 7. 结论要明确，不要模棱两可 8. 控制在800-1000字（由于数据更丰富，可以写得更详细） 9. 最后必须声明："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。" """ try: analysis = await self._call_llm_async( messages=[{"role": "user", "content": prompt}], temperature=0.7, max_tokens=3000 # 增加到3000，因为分析更详细了 ) if analysis: return f"【{data['stock_name']}({data['stock_code']}) - AI深度分析】\n\n{analysis}" else: return self._rule_based_analysis(data) except Exception as e: logger.error(f"LLM分析失败: {e}") return self._rule_based_analysis(data) async def _llm_single_analysis( self, intent: Dict[str, Any], result: Dict[str, Any], stock_code: str, stock_name: Optional[str], user_message: str ) -> Dict[str, Any]: """使用LLM对单一查询进行分析""" data = result.get("data", result) display_name = stock_name or stock_code # 根据查询类型构建不同的prompt if intent["type"] == "technical": prompt = f"""你是一位专业的股票分析师。用户询问了{display_name}({stock_code})的技术指标。 用户问题：{user_message} 【技术指标数据】 {json.dumps(data, ensure_ascii=False, indent=2)} 请进行专业的技术分析： ## 技术指标解读 1. 均线系统分析： - 短期均线（MA5、MA10）与长期均线（MA20、MA60）的位置关系 - 判断当前趋势（多头/空头/震荡） 2. MACD指标分析： - DIF和DEA的位置关系 - MACD柱状图的变化趋势 - 判断动能强弱 3. RSI指标分析： - 当前RSI值的位置（超买/超卖/中性） - 短期可能的走势 4. KDJ指标分析（如有）： - K、D、J值的位置关系 - 金叉/死叉信号 ## 综合判断 - 短期走势预判（1-2周） - 关键支撑位和压力位 - 操作建议（买入/持有/观望/减仓） ## 风险提示 - 主要技术风险点 写作要求： 1. 语言简洁专业，直接给出分析结论 2. 基于数据进行分析，不要编造 3. 控制在300-400字 4. 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。" """ elif intent["type"] == "quote": prompt = f"""你是一位专业的股票分析师。用户询问了{display_name}({stock_code})的实时行情。 用户问题：{user_message} 【实时行情数据】 {json.dumps(data, ensure_ascii=False, indent=2)} 请进行专业的行情分析： ## 行情解读 1. 当日表现： - 涨跌幅分析 - 成交量分析 - 振幅分析 2. 价格位置： - 当前价格相对开盘价、最高价、最低价的位置 - 判断多空力量对比 3. 短期判断： - 当日走势特征 - 短期可能的走势 - 操作建议 写作要求： 1. 语言简洁专业，直接给出分析结论 2. 基于数据进行分析，不要编造 3. 控制在200-300字 4. 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。" """ elif intent["type"] == "fundamental": prompt = f"""你是一位专业的股票分析师。用户询问了{display_name}({stock_code})的基本面信息。 用户问题：{user_message} 【基本面数据】 {json.dumps(data, ensure_ascii=False, indent=2)} 请进行专业的基本面分析： ## 公司概况 - 公司主营业务 - 所属行业和地域 - 上市时间和市场 ## 行业分析 - 所属行业的发展前景 - 行业地位和竞争优势 ## 投资价值 - 基本面评估 - 长期投资价值 - 关注要点 写作要求： 1. 语言简洁专业，直接给出分析结论 2. 基于数据进行分析，不要编造 3. 控制在200-300字 4. 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。" """ else: # 其他类型，使用通用分析 prompt = f"""你是一位专业的股票分析师。用户询问了{display_name}({stock_code})的相关信息。 用户问题：{user_message} 【数据】 {json.dumps(data, ensure_ascii=False, indent=2)} 请基于提供的数据进行专业分析，给出有价值的见解和建议。 写作要求： 1. 语言简洁专业，直接给出分析结论 2. 基于数据进行分析，不要编造 3. 控制在200-300字 4. 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。" """ try: analysis = await self._call_llm_async( messages=[{"role": "user", "content": prompt}], temperature=0.7, max_tokens=1500 ) if analysis: return { "message": f"【{display_name}({stock_code}) - AI分析】\n\n{analysis}", "metadata": {"type": intent["type"], "data": data} } else: # LLM失败，使用原始格式化 return self._format_response(intent, result, stock_code, stock_name) except Exception as e: logger.error(f"LLM单一分析失败: {e}") return self._format_response(intent, result, stock_code, stock_name) async def _comprehensive_index_analysis( self, index_code: str, index_name: str, message: str ) -> Dict[str, Any]: """ 指数全面分析：使用Tushare获取指数数据 + LLM深度分析 Args: index_code: 指数代码（如000001.SH） index_name: 指数名称 message: 用户消息 Returns: 综合分析结果 """ logger.info(f"执行指数全面分析: {index_code}") try: # 从tushare_advanced_service获取指数数据 from app.services.tushare_advanced_service import tushare_advanced_service # 获取指数日线数据 index_data = tushare_advanced_service.get_index_daily( ts_code=index_code, start_date=None, # 默认180天 end_date=None ) if not index_data or len(index_data) == 0: return { "message": f"抱歉，未能获取{index_name}的数据。", "metadata": {"type": "error"} } # 获取最新数据 latest = index_data[-1] # 计算技术指标（简单版） closes = [d['close'] for d in index_data] # 计算均线 ma5 = sum(closes[-5:]) / 5 if len(closes) >= 5 else None ma10 = sum(closes[-10:]) / 10 if len(closes) >= 10 else None ma20 = sum(closes[-20:]) / 20 if len(closes) >= 20 else None ma60 = sum(closes[-60:]) / 60 if len(closes) >= 60 else None # 整合数据 all_data = { "index_code": index_code, "index_name": index_name, "latest": latest, "ma": { "ma5": ma5, "ma10": ma10, "ma20": ma20, "ma60": ma60 }, "history_days": len(index_data) } # 使用LLM进行深度分析 if self.use_llm: analysis = await self._llm_index_analysis(all_data, message) else: analysis = f"【{index_name}】最新数据\n\n" \ f"日期：{latest['trade_date']}\n" \ f"收盘：{latest['close']:.2f}\n" \ f"涨跌幅：{latest['pct_chg']:+.2f}%\n" \ f"成交量：{latest['vol']:.0f}手" return { "message": analysis, "metadata": { "type": "index_analysis", "data": all_data } } except Exception as e: logger.error(f"指数分析失败: {e}") import traceback logger.error(traceback.format_exc()) return { "message": f"分析{index_name}时出错：{str(e)}", "metadata": {"type": "error"} } async def _llm_index_analysis( self, data: Dict[str, Any], user_message: str ) -> str: """使用LLM进行指数深度分析""" latest = data['latest'] ma = data['ma'] prompt = f"""你是一位专业的股票分析师。请对{data['index_name']}({data['index_code']})进行全面分析，用简洁专业但易懂的语言回答。 用户问题：{user_message} 【指数最新数据】 数据来源：Tushare Pro API 交易日期：{latest['trade_date']} 收盘点位：{latest['close']:.2f} 开盘点位：{latest['open']:.2f} 最高点位：{latest['high']:.2f} 最低点位：{latest['low']:.2f} 涨跌幅：{latest['pct_chg']:+.2f}% 涨跌点数：{latest['change']:+.2f} 成交量：{latest['vol']:.0f}手 成交额：{latest['amount']:.0f}千元 【技术指标】 MA5：{f"{ma['ma5']:.2f}" if ma['ma5'] else '计算中'} MA10：{f"{ma['ma10']:.2f}" if ma['ma10'] else '计算中'} MA20：{f"{ma['ma20']:.2f}" if ma['ma20'] else '计算中'} MA60：{f"{ma['ma60']:.2f}" if ma['ma60'] else '计算中'} 当前点位：{latest['close']:.2f} 请按以下结构进行分析： ## 一、市场现状 - 当前点位分析（相对历史位置） - 当日表现（涨跌幅、成交量） ## 二、技术面分析 **均线系统** 分析当前点位与各均线的关系，判断趋势（多头/空头/震荡）。 **支撑与压力** 基于近期走势，给出关键支撑位和压力位。 ## 三、市场情绪 - 当前市场情绪（乐观/谨慎/悲观） - 成交量分析 ## 四、投资建议 **短期（1-2周）** - 趋势判断 - 关键点位（支撑位、压力位） - 操作建议 **中期（1-3个月）** - 趋势展望 - 策略建议 **风险提示** 主要风险点和注意事项 ## 五、总结 用一句话概括核心观点。 --- **数据说明** - 数据来源：Tushare Pro（截止{latest['trade_date']}） - 分析周期：基于近{data['history_days']}个交易日数据 写作要求： 1. 语言简洁专业但易懂 2. 每个分析点独立成段 3. 控制在600-800字 4. 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。" """ try: analysis = await self._call_llm_async( messages=[{"role": "user", "content": prompt}], temperature=0.7, max_tokens=2500 ) if analysis: return f"【{data['index_name']}({data['index_code']}) - AI深度分析】\n\n{analysis}" else: return f"【{data['index_name']}】分析生成失败" except Exception as e: logger.error(f"LLM指数分析失败: {e}") return f"【{data['index_name']}】分析生成失败" def _rule_based_analysis(self, data: Dict[str, Any]) -> str: """基于规则的分析（LLM不可用时的备选方案）""" parts = [f"【{data['stock_name']}({data['stock_code']}) - 综合分析】\n"] # 行情信息 if data.get('quote'): quote = data['quote'] parts.append("## 一、实时行情") parts.append(f"最新价：{quote.get('close', 0):.2f}元") parts.append(f"涨跌幅：{quote.get('pct_chg', 0):.2f}%") parts.append(f"成交量：{quote.get('vol', 0):.0f}手") parts.append("") # 技术分析 if data.get('technical'): tech = data['technical'].get('indicators', {}) parts.append("## 二、技术指标") if 'ma' in tech: ma = tech['ma'] parts.append(f"均线系统：MA5={ma.get('ma5')}, MA10={ma.get('ma10')}, MA20={ma.get('ma20')}") if 'macd' in tech: macd = tech['macd'] parts.append(f"MACD：DIF={macd.get('dif')}, DEA={macd.get('dea')}") if 'rsi' in tech: rsi = tech['rsi'] rsi6 = rsi.get('rsi6', 50) if rsi6 > 70: parts.append(f"RSI：{rsi6:.1f}（超买区域，注意回调风险）") elif rsi6 < 30: parts.append(f"RSI：{rsi6:.1f}（超卖区域，可能存在反弹机会）") else: parts.append(f"RSI：{rsi6:.1f}（中性区域）") parts.append("") # 基本面 if data.get('fundamental'): fund = data['fundamental'] parts.append("## 三、基本信息") parts.append(f"所属行业：{fund.get('industry', '未知')}") parts.append(f"上市日期：{fund.get('list_date', '未知')}") parts.append("") # 简单建议 parts.append("## 四、参考建议") parts.append("建议结合更多信息进行综合判断。") parts.append("") parts.append("⚠️ 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。") return "\n".join(parts) async def _single_query( self, stock_code: str, stock_name: Optional[str], message: str ) -> Dict[str, Any]: """单一查询处理 - 使用LLM进行分析""" # 识别意图 intent = self._recognize_intent(message, stock_code) # 执行技能 result = await skill_manager.execute_skill( intent["skill"], **intent["params"] ) # 格式化响应 if not result.get("success", True): return { "message": f"查询失败：{result.get('error', '未知错误')}", "metadata": {"type": "error"} } # 所有查询都使用LLM进行分析（除了可视化） if intent["type"] != "visualization" and self.use_llm: return await self._llm_single_analysis(intent, result, stock_code, stock_name, message) else: return self._format_response(intent, result, stock_code, stock_name) def _recognize_intent(self, message: str, stock_code: str) -> Dict[str, Any]: """识别查询意图""" message_lower = message.lower() # K线图 if any(kw in message_lower for kw in ["k线", "图表", "走势图", "kline"]): return { "type": "visualization", "skill": "visualization", "params": {"stock_code": stock_code} } # 技术分析 if any(kw in message_lower for kw in ["技术", "指标", "macd", "rsi", "均线"]): return { "type": "technical", "skill": "technical_analysis", "params": {"stock_code": stock_code, "indicators": ["ma", "macd", "rsi"]} } # 基本面 if any(kw in message_lower for kw in ["基本面", "公司", "行业", "信息"]): return { "type": "fundamental", "skill": "fundamental", "params": {"stock_code": stock_code} } # 默认：实时行情 return { "type": "quote", "skill": "market_data", "params": {"stock_code": stock_code, "data_type": "quote"} } def _format_response( self, intent: Dict[str, Any], result: Dict[str, Any], stock_code: str, stock_name: Optional[str] ) -> Dict[str, Any]: """格式化响应""" data = result.get("data", result) display_name = stock_name or stock_code if intent["type"] == "quote": message = f"""【{display_name}】实时行情 交易日期：{data.get('trade_date', '')} 最新价：{data.get('close', 0):.2f}元 涨跌幅：{data.get('pct_chg', 0):+.2f}% 涨跌额：{data.get('change', 0):+.2f}元 开盘价：{data.get('open', 0):.2f}元 最高价：{data.get('high', 0):.2f}元 最低价：{data.get('low', 0):.2f}元 成交量：{data.get('vol', 0):.0f}手 成交额：{data.get('amount', 0):.0f}千元""" return { "message": message, "metadata": {"type": "quote", "data": data} } elif intent["type"] == "technical": indicators = data.get("indicators", {}) parts = [f"【{display_name}】技术指标\n"] if "ma" in indicators: ma = indicators["ma"] parts.append(f"均线：MA5={ma.get('ma5')}, MA10={ma.get('ma10')}, MA20={ma.get('ma20')}") if "macd" in indicators: macd = indicators["macd"] parts.append(f"MACD：DIF={macd.get('dif')}, DEA={macd.get('dea')}, MACD={macd.get('macd')}") if "rsi" in indicators: rsi = indicators["rsi"] parts.append(f"RSI：RSI6={rsi.get('rsi6')}, RSI12={rsi.get('rsi12')}") return { "message": "\n".join(parts), "metadata": {"type": "technical", "data": data} } elif intent["type"] == "visualization": return { "message": f"已生成【{display_name}】的K线图", "metadata": {"type": "chart", "data": data} } elif intent["type"] == "fundamental": message = f"""【{display_name}】基本信息 股票代码：{data.get('ts_code', '')} 所属地域：{data.get('area', '')} 所属行业：{data.get('industry', '')} 上市市场：{data.get('market', '')} 上市日期：{data.get('list_date', '')}""" return { "message": message, "metadata": {"type": "fundamental", "data": data} } return { "message": "查询完成", "metadata": {"type": "data", "data": data} } async def _analyze_question_intent(self, message: str, session_id: str) -> Optional[Dict[str, Any]]: """ 使用LLM分析问题意图（支持上下文） Args: message: 用户消息 session_id: 会话ID Returns: 意图分析结果: { 'type': 'stock_specific' | 'macro_finance' | 'knowledge' | 'general_chat', 'description': '问题描述', 'keywords': ['关键词列表'], 'stock_names': ['股票名称'] (如果是stock_specific类型) } """ if not self.use_llm: logger.warning("LLM未配置，无法分析意图") return None # 获取历史对话上下文 history = self.context_manager.get_context(session_id) context_str = "" if history: context_str = "\n\n【对话历史】\n" # 只取最近4条消息 for msg in history[-4:]: role = "用户" if msg["role"] == "user" else "助手" content = msg['content'][:100] # 限制长度 context_str += f"{role}: {content}\n" prompt = f"""你是一个专业的金融智能助手。分析用户的问题，理解用户意图。 {context_str} 【当前问题】 用户: {message} 请分析这个问题属于以下哪一类： 1. **stock_specific** - 针对特定股票或指数的问题 例如："贵州茅台怎么样"、"分析一下比亚迪"、"600519的技术指标"、"帮我看看这只股票" **重要**：指数查询也属于此类，例如："上证指数怎么样"、"分析大盘"、"A股指数走势"、"深证成指" **美股支持**：美股查询也属于此类，例如："苹果股票怎么样"、"AAPL分析"、"特斯拉走势"、"TSLA技术指标" 2. **macro_finance** - 宏观金融/市场问题（不针对特定股票或指数） 例如："最近有什么投资机会"、"现在适合买股票吗"、"市场情绪如何" 3. **knowledge** - 金融知识问答 例如："什么是MACD"、"如何看K线图"、"价值投资是什么"、"市盈率怎么算" 4. **general_chat** - 一般对话/问候/不明确的问题 例如："你好"、"在吗"、"你能做什么"、"帮我"（没有具体说明） **重要提示**： - 如果用户问题不明确，但可能与金融相关，优先归类为 general_chat，以便引导用户 - 如果用户提到"这只股票"、"它"等代词，查看对话历史判断是否指特定股票 - **如果用户提到"大盘"、"上证"、"深证"、"A股指数"等，归类为 stock_specific，并在stock_names中填入对应的指数名称** - **如果用户提到美股公司名称（如苹果、特斯拉、微软）或美股代码（如AAPL、TSLA、MSFT），归类为 stock_specific，并在stock_names中填入对应的股票名称或代码** - 对于模糊的问题，不要强行归类，使用 general_chat 类型 请以JSON格式返回分析结果： {{ "type": "问题类型", "description": "问题的简要描述（用一句话概括用户想了解什么）", "keywords": ["关键词1", "关键词2"], "stock_names": ["股票名称或指数名称或美股代码"] (仅当type为stock_specific时，如果有的话), "market": "A股" 或 "美股" (仅当type为stock_specific时，根据股票类型判断) }} 只返回JSON，不要有任何其他内容。""" try: result = await self._call_llm_async( messages=[{"role": "user", "content": prompt}], temperature=0.3, max_tokens=300 ) if not result: logger.warning("LLM返回空结果") return None # 清理结果，移除可能的markdown代码块标记 result = result.strip() if result.startswith("```json"): result = result[7:] if result.startswith("```"): result = result[3:] if result.endswith("```"): result = result[:-3] result = result.strip() # 检查是否为空 if not result: logger.warning("LLM返回内容为空") return None # 解析JSON intent = json.loads(result) logger.info(f"意图分析结果: {intent}") return intent except json.JSONDecodeError as e: logger.error(f"意图分析JSON解析失败: {e}, 原始响应: {result[:200] if result else 'None'}") return None except Exception as e: logger.error(f"意图分析失败: {e}") return None async def _handle_stock_question( self, intent_analysis: Dict[str, Any], message: str ) -> Dict[str, Any]: """处理针对特定股票或指数的问题""" stock_names = intent_analysis.get('stock_names', []) market = intent_analysis.get('market', 'A股') # 默认A股 if not stock_names: return { "message": "抱歉，我没有识别到您提到的股票或指数。请提供更明确的股票代码、名称或指数名称。", "metadata": {"type": "error"} } # 提取第一个股票或指数 stock_keyword = stock_names[0] # 检测是否为美股 is_us_stock = self._is_us_stock(stock_keyword, market) if is_us_stock: # 处理美股 return await self._handle_us_stock(stock_keyword, message) # 处理A股和指数 - 使用LLM进行智能匹配 stock_info = await self._match_stock_with_llm(stock_keyword) if not stock_info: return { "message": f"抱歉，未找到股票或指数\"{stock_keyword}\"。请确认名称或代码是否正确。", "metadata": {"type": "error"} } stock_code = stock_info['code'] stock_name = stock_info['name'] is_index = stock_info['is_index'] logger.info(f"处理{'指数' if is_index else '股票'}问题: {stock_name}({stock_code})") # 判断是否需要全面分析 is_comprehensive = self._is_comprehensive_analysis(message) if is_comprehensive: if is_index: return await self._comprehensive_index_analysis(stock_code, stock_name, message) else: return await self._comprehensive_analysis(stock_code, stock_name, message) else: return await self._single_query(stock_code, stock_name, message) async def _match_stock_with_llm(self, keyword: str) -> Optional[Dict[str, Any]]: """ 使用LLM智能匹配股票或指数 Args: keyword: 用户输入的关键词 Returns: 匹配结果: {'code': '股票代码', 'name': '股票名称', 'is_index': bool} """ if not self.use_llm: # 降级方案：使用Tushare搜索 search_results = tushare_service.search_stock(keyword) if search_results: return { 'code': search_results[0]['symbol'], 'name': search_results[0]['name'], 'is_index': False } return None prompt = f"""你是一个专业的A股市场专家。请根据用户输入的关键词，识别对应的股票代码或指数代码。 用户输入：{keyword} 常见指数代码： - 上证指数/大盘/沪指/A股 → 000001.SH - 深证成指/深证/深指 → 399001.SZ - 创业板指/创业板 → 399006.SZ - 科创50 → 000688.SH - 沪深300 → 000300.SH - 中证500 → 000905.SH 如果是指数，请直接返回对应的指数代码。 如果是股票名称或代码，请使用Tushare数据库进行搜索匹配。 请以JSON格式返回： {{ "is_index": true/false, "code": "股票或指数代码（如000001.SH）", "name": "股票或指数名称", "confidence": 0.0-1.0 }} 如果无法匹配，返回： {{ "is_index": false, "code": null, "name": null, "confidence": 0.0 }} 只返回JSON，不要有任何其他内容。""" try: result = await self._call_llm_async( messages=[{"role": "user", "content": prompt}], temperature=0.3, max_tokens=200 ) if not result: logger.warning("LLM匹配返回空结果") return None # 清理结果 result = result.strip() if result.startswith("```json"): result = result[7:] if result.startswith("```"): result = result[3:] if result.endswith("```"): result = result[:-3] result = result.strip() # 解析JSON match_result = json.loads(result) # 如果LLM无法匹配或置信度太低，使用Tushare搜索 if not match_result.get('code') or match_result.get('confidence', 0) < 0.5: logger.info(f"LLM匹配置信度低，使用Tushare搜索: {keyword}") search_results = tushare_service.search_stock(keyword) if search_results: return { 'code': search_results[0]['symbol'], 'name': search_results[0]['name'], 'is_index': False } return None logger.info(f"LLM匹配成功: {keyword} -> {match_result['name']}({match_result['code']})") return { 'code': match_result['code'], 'name': match_result['name'], 'is_index': match_result['is_index'] } except json.JSONDecodeError as e: logger.error(f"LLM匹配JSON解析失败: {e}, 原始响应: {result[:200] if result else 'None'}") # 降级方案 search_results = tushare_service.search_stock(keyword) if search_results: return { 'code': search_results[0]['symbol'], 'name': search_results[0]['name'], 'is_index': False } return None except Exception as e: logger.error(f"LLM匹配失败: {e}") # 降级方案 search_results = tushare_service.search_stock(keyword) if search_results: return { 'code': search_results[0]['symbol'], 'name': search_results[0]['name'], 'is_index': False } return None async def _handle_macro_question( self, intent_analysis: Dict[str, Any], message: str ) -> Dict[str, Any]: """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"[智能模式] 处理宏观问题: {description}") try: # 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} 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。 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( messages=[{"role": "user", "content": prompt}], temperature=0.7, max_tokens=1500 ) if analysis: return { "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 return { "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( self, intent_analysis: Dict[str, Any], message: str ) -> Dict[str, Any]: """处理金融知识问答（智能模式）""" description = intent_analysis.get('description', '') logger.info(f"[智能模式] 处理知识问答: {description}") # 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。 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: answer = await self._call_llm_async( messages=[{"role": "user", "content": prompt}], temperature=0.7, max_tokens=1200 ) if answer: return { "message": answer, "metadata": {"type": "knowledge"} } except Exception as e: logger.error(f"知识问答处理失败: {e}") return { "message": "抱歉，暂时无法回答您的问题。请稍后再试。", "metadata": {"type": "error"} } async def _handle_general_chat( self, intent_analysis: Dict[str, Any], message: str ) -> Dict[str, Any]: """处理一般对话（智能模式）""" description = intent_analysis.get('description', '') logger.info(f"[智能模式] 处理一般对话: {description}") # 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} 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。 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: response = await self._call_llm_async( messages=[{"role": "user", "content": prompt}], temperature=0.8, max_tokens=500 ) if response: return { "message": response, "metadata": {"type": "chat"} } except Exception as e: logger.error(f"一般对话处理失败: {e}") # 降级方案 return { "message": """您好！我是您的金融智能助手 👋 我可以帮您： • 📊 分析具体股票（如"分析比亚迪"） • 📈 解读市场走势（如"现在大盘怎么样"） • 📚 解答金融知识（如"什么是市盈率"） 请告诉我您想了解什么？""", "metadata": {"type": "chat"} } def _is_us_stock(self, keyword: str, market: str) -> bool: """ 判断是否为美股 Args: keyword: 股票关键词 market: 市场类型（从LLM意图分析中获取） Returns: 是否为美股 """ # 如果LLM已经判断为美股 if market == "美股": return True # 检查是否为全大写字母（美股代码特征） if keyword.isupper() and keyword.isalpha() and len(keyword) <= 5: return True return False def _get_us_stock_symbol(self, keyword: str) -> str: """ 获取美股代码（同步版本，用于兼容） Args: keyword: 股票关键词 Returns: 美股代码 """ # 如果已经是代码格式，直接返回 if keyword.isupper() and keyword.isalpha(): return keyword # 默认返回大写形式 return keyword.upper() async def _handle_us_stock(self, keyword: str, message: str) -> Dict[str, Any]: """ 处理美股查询（兼容旧接口，内部调用 _handle_us_stock_with_code） Args: keyword: 股票关键词（可能是代码或名称） message: 用户消息 Returns: 分析结果 """ # 如果是大写字母，直接作为代码使用 if keyword.isupper() and keyword.isalpha() and len(keyword) <= 5: return await self._handle_us_stock_with_code(keyword, keyword, message) # 否则需要通过 QuestionAnalyzer 重新分析获取代码 # 这种情况理论上不应该发生，因为 QuestionAnalyzer 应该已经返回了代码 logger.warning(f"_handle_us_stock 收到非代码格式的关键词: {keyword}") return { "message": f"抱歉，无法识别美股 \"{keyword}\"。请直接输入美股代码（如 BABA、AAPL、TSLA）进行查询。", "metadata": {"type": "error"} } async def _handle_us_stock_with_code(self, symbol: str, stock_name: str, message: str) -> Dict[str, Any]: """ 处理美股查询（使用已知的股票代码） Args: symbol: 美股代码（如 BABA、AAPL） stock_name: 股票名称 message: 用户消息 Returns: 分析结果 """ logger.info(f"处理美股查询: {stock_name} -> {symbol}") try: # 1. 使用 QuestionAnalyzer 分析问题意图 intent = await self.question_analyzer.analyze_question( question=message, context=[], session_id="" ) # 确保 intent 包含股票信息 if 'target' not in intent: intent['target'] = {} intent['target']['stock_code'] = symbol intent['target']['stock_name'] = stock_name intent['target']['market'] = '美股' logger.info(f"美股问题意图分析: dimensions={intent.get('dimensions')}") # 2. 使用 SkillPlanner 规划技能（会自动识别美股并使用正确的技能） plan = self.skill_planner.plan_skills(intent) logger.info(f"美股技能规划完成: {[s['name'] for s in plan['skills']]}, 策略: {plan['execution_strategy']}") # 3. 执行技能规划 execution_results = await skill_manager.execute_plan( plan=plan, stock_code=symbol ) if execution_results['errors']: logger.warning(f"美股技能执行有错误: {execution_results['errors']}") # 5. 检查 us_stock_analysis 是否成功 us_stock_data = execution_results['results'].get('us_stock_analysis') if not us_stock_data or 'error' in us_stock_data: return { "message": f"抱歉，未找到美股 {symbol}。请确认股票代码是否正确。\n\n提示：美股代码通常为大写字母，如 AAPL（苹果）、TSLA（特斯拉）、MSFT（微软）等。", "metadata": {"type": "error"} } # 6. 整合数据 all_data = { "symbol": symbol, "name": stock_name, **us_stock_data, "news": execution_results['results'].get("brave_search") # 新增：新闻数据 } # 7. 使用LLM分析美股数据 if self.use_llm: analysis = await self._llm_us_stock_analysis(all_data, message) else: analysis = self._format_us_stock_data(all_data) return { "message": analysis, "metadata": { "type": "us_stock_analysis", "data": all_data, "plan": plan } } except Exception as e: logger.error(f"美股查询失败: {e}") return { "message": f"查询美股 {symbol} 时出错：{str(e)}", "metadata": {"type": "error"} } async def _handle_hk_stock_with_code(self, symbol: str, stock_name: str, message: str) -> Dict[str, Any]: """ 处理港股查询（使用已知的股票代码） Args: symbol: 港股代码（如 0700.HK、9988.HK） stock_name: 股票名称 message: 用户消息 Returns: 分析结果 """ logger.info(f"处理港股查询: {stock_name} -> {symbol}") try: # 1. 使用 QuestionAnalyzer 分析问题意图 intent = await self.question_analyzer.analyze_question( question=message, context=[], session_id="" ) # 确保 intent 包含股票信息 if 'target' not in intent: intent['target'] = {} intent['target']['stock_code'] = symbol intent['target']['stock_name'] = stock_name intent['target']['market'] = '港股' logger.info(f"港股问题意图分析: dimensions={intent.get('dimensions')}") # 2. 使用 SkillPlanner 规划技能（会自动识别港股并使用正确的技能） plan = self.skill_planner.plan_skills(intent) logger.info(f"港股技能规划完成: {[s['name'] for s in plan['skills']]}, 策略: {plan['execution_strategy']}") # 3. 执行技能规划 execution_results = await skill_manager.execute_plan( plan=plan, stock_code=symbol ) if execution_results['errors']: logger.warning(f"港股技能执行有错误: {execution_results['errors']}") # 5. 检查 us_stock_analysis 是否成功 hk_stock_data = execution_results['results'].get('us_stock_analysis') if not hk_stock_data or 'error' in hk_stock_data: return { "message": f"抱歉，未找到港股 {symbol}。请确认股票代码是否正确。\n\n提示：港股代码格式为数字加.HK后缀，如 0700.HK（腾讯）、9988.HK（阿里巴巴）等。", "metadata": {"type": "error"} } # 6. 整合数据 all_data = { "symbol": symbol, "name": stock_name, "market": "港股", **hk_stock_data, "news": execution_results['results'].get("brave_search") } # 7. 使用LLM分析港股数据 if self.use_llm: analysis = await self._llm_hk_stock_analysis(all_data, message) else: analysis = self._format_us_stock_data(all_data) return { "message": analysis, "metadata": { "type": "hk_stock_analysis", "data": all_data, "plan": plan } } except Exception as e: logger.error(f"港股查询失败: {e}") return { "message": f"查询港股 {symbol} 时出错：{str(e)}", "metadata": {"type": "error"} } async def _llm_hk_stock_analysis(self, data: Dict[str, Any], user_message: str) -> str: """使用LLM分析港股数据""" from datetime import datetime current_time = datetime.now().strftime("%Y-%m-%d %H:%M") # 提取关键数据（使用 us_stock_service 返回的扁平结构） symbol = data.get('symbol', '') name = data.get('name', symbol) technical = data.get('technical_indicators', {}) news = data.get('news', []) # 构建数据摘要 data_summary = f""" 【港股数据】{name}（{symbol}） 查询时间：{current_time} 【基本信息】 - 公司名称：{name} - 行业：{data.get('industry', '未知')} - 板块：{data.get('sector', '未知')} - 市值：{data.get('market_cap', '未知')} 【最新行情】 - 当前价格：{data.get('current_price', '未知')} - 今日涨跌：{data.get('change_percent', '未知')}% - 52周最高：{data.get('52_week_high', '未知')} - 52周最低：{data.get('52_week_low', '未知')} 【估值指标】 - 市盈率(PE)：{data.get('pe_ratio', '未知')} - 市净率(PB)：{data.get('pb_ratio', '未知')} - 股息率：{data.get('dividend_yield', '未知')} 【技术指标】 - MA5：{technical.get('ma5', '未知')} - MA20：{technical.get('ma20', '未知')} - RSI：{technical.get('rsi', '未知')} - MACD：{technical.get('macd', '未知')} """ # 添加新闻摘要 if news: data_summary += "\n【相关新闻】\n" for i, item in enumerate(news[:3], 1): if isinstance(item, dict): title = item.get('title', '') data_summary += f"{i}. {title}\n" prompt = f"""你是一个专业的港股分析师。请根据以下数据，回答用户的问题。 {data_summary} 用户问题：{user_message} 请提供专业、客观的分析，包括： 1. 直接回答用户的问题 2. 基于数据的分析和判断 3. 潜在的风险提示 注意：港股以港币计价，交易时间为港交所交易时段。""" try: result = await self._call_llm_async( messages=[{"role": "user", "content": prompt}], temperature=0.7, max_tokens=2000 ) return result or self._format_us_stock_data(data) except Exception as e: logger.error(f"LLM港股分析失败: {e}") return self._format_us_stock_data(data) async def _llm_us_stock_analysis(self, data: Dict[str, Any], user_message: str) -> str: """使用LLM分析美股数据""" from datetime import datetime current_time = datetime.now().strftime("%Y-%m-%d %H:%M") # 提取关键数据 symbol = data.get("symbol", "") name = data.get("name", "") sector = data.get("sector", "") industry = data.get("industry", "") current_price = data.get("current_price", 0) change = data.get("change", 0) change_pct = data.get("change_percent", 0) volume = data.get("volume", 0) market_cap = data.get("market_cap", 0) pe_ratio = data.get("pe_ratio", 0) pb_ratio = data.get("pb_ratio", 0) dividend_yield = data.get("dividend_yield", 0) week_52_high = data.get("52_week_high", 0) week_52_low = data.get("52_week_low", 0) technical = data.get("technical_indicators", {}) description = data.get("description", "") news_data = data.get("news", {}) # 新增：获取新闻数据 # 格式化市值 market_cap_str = f"${market_cap / 1e9:.2f}B" if market_cap > 1e9 else f"${market_cap / 1e6:.2f}M" # 格式化新闻数据 news_section = "" if news_data and not news_data.get('error'): results = news_data.get('results', []) if results: news_section = "\n【最新新闻和舆情】（来源：Brave Search）\n" for i, item in enumerate(results[:5], 1): title = item.get('title', '无标题') description = item.get('description', '') source = item.get('source', '') published = item.get('published', '') news_section += f"{i}. {title}\n" if description: news_section += f" 摘要：{description[:100]}...\n" if source: news_section += f" 来源：{source}\n" if published: news_section += f" 发布时间：{published}\n" news_section += "\n" else: news_section = "\n【最新新闻和舆情】\n暂无相关新闻\n" else: news_section = "\n【最新新闻和舆情】\n暂无相关新闻\n" # 构建分析提示 prompt = f"""你是一位专业的美股分析师。请基于以下数据对 {name} ({symbol}) 进行全面分析。 **重要提示：当前日期是 {current_time}，请在分析中使用这个日期，不要使用其他日期。** 【基本信息】 股票代码：{symbol} 公司名称：{name} 所属行业：{sector} - {industry} 公司简介：{description[:300] if description else '暂无'} 【实时行情】（数据时间：{current_time}） 当前价格：${current_price:.2f} 涨跌额：${change:.2f} 涨跌幅：{change_pct:.2f}% 成交量：{volume:,} 市值：{market_cap_str} 【估值指标】 市盈率(PE)：{f"{pe_ratio:.2f}" if pe_ratio else '暂无'} 市净率(PB)：{f"{pb_ratio:.2f}" if pb_ratio else '暂无'} 股息率：{f"{dividend_yield * 100:.2f}%" if dividend_yield else '暂无'} 52周最高：${week_52_high:.2f} 52周最低：${week_52_low:.2f} 【技术指标】 MA5：{f"${technical.get('ma5'):.2f}" if technical.get('ma5') else '计算中'} MA10：{f"${technical.get('ma10'):.2f}" if technical.get('ma10') else '计算中'} MA20：{f"${technical.get('ma20'):.2f}" if technical.get('ma20') else '计算中'} MA60：{f"${technical.get('ma60'):.2f}" if technical.get('ma60') else '计算中'} RSI：{f"{technical.get('rsi'):.2f}" if technical.get('rsi') else '计算中'} MACD：{f"{technical.get('macd'):.4f}" if technical.get('macd') else '计算中'} {news_section} 用户问题：{user_message} 请提供专业的分析报告，包括： ## 📊 行情概览 简要总结当前股价表现和市场表现（2-3句话） ## 💼 公司基本面 - 行业地位和竞争优势 - 估值水平分析（PE、PB是否合理） - 盈利能力和成长性 ## 📈 技术面分析 - 当前趋势判断（基于均线系统） - 关键支撑位和压力位 - RSI和MACD信号解读 ## 📰 市场情绪和新闻分析 - 基于最新新闻分析市场情绪和舆情 - 识别可能影响股价的重要事件或消息 - 评估新闻对短期和中期走势的影响 ## 💡 投资建议 - 短期操作建议（1-2周） - 中期投资价值（1-3个月） - 风险提示 写作要求： 1. 语言专业但易懂，避免过度修饰 2. 分析客观理性，基于数据和事实 3. 每个部分独立成段，段落间用空行分隔 4. **充分利用新闻数据进行市场情绪分析** 5. 控制在600-800字 6. **不要在报告中添加日期标题，直接开始分析内容** 7. 最后声明："以上分析仅供参考，不构成投资建议。美股投资有风险，请谨慎决策。" """ try: analysis = await self._call_llm_async( messages=[{"role": "user", "content": prompt}], temperature=0.7, max_tokens=2500 # 增加 token 数量以容纳新闻分析 ) if analysis: return f"【美股分析】{name} ({symbol})\n\n{analysis}" else: return self._format_us_stock_data(data) except Exception as e: logger.error(f"LLM美股分析失败: {e}") return self._format_us_stock_data(data) def _format_us_stock_data(self, data: Dict[str, Any]) -> str: """格式化美股数据（降级方案）""" symbol = data.get("symbol", "") name = data.get("name", "") current_price = data.get("current_price", 0) change = data.get("change", 0) change_pct = data.get("change_percent", 0) market_cap = data.get("market_cap", 0) pe_ratio = data.get("pe_ratio", 0) technical = data.get("technical_indicators", {}) market_cap_str = f"${market_cap / 1e9:.2f}B" if market_cap > 1e9 else f"${market_cap / 1e6:.2f}M" change_emoji = "📈" if change >= 0 else "📉" return f"""【美股行情】{name} ({symbol}) {change_emoji} 当前价格：${current_price:.2f} 涨跌：${change:.2f} ({change_pct:+.2f}%) 市值：{market_cap_str} 市盈率：{pe_ratio:.2f if pe_ratio else '暂无'} 【技术指标】 MA5：${technical.get('ma5', 0):.2f if technical.get('ma5') else '计算中'} MA20：${technical.get('ma20', 0):.2f if technical.get('ma20') else '计算中'} RSI：{technical.get('rsi', 0):.2f if technical.get('rsi') else '计算中'} 以上数据仅供参考，不构成投资建议。""" async def process_message_stream( self, message: str, session_id: str, user_id: Optional[str] = None ): """ 流式处理用户消息（智能模式） Args: message: 用户消息 session_id: 会话ID user_id: 用户ID Yields: 响应文本片段 """ logger.info(f"[智能模式-流式] 处理消息: {message[:50]}...") # 转换 user_id 为整数（如果是字符串） user_id_int = int(user_id) if user_id else None # 1. 保存用户消息 self.context_manager.add_message(session_id, "user", message, user_id=user_id_int) # 2. 提取上下文信息 context_info = self.context_manager.extract_context_info(session_id) logger.info(f"[智能模式-流式] 上下文信息: last_stock={context_info.get('last_stock')}") # 3. 深度问题分析 intent = await self.question_analyzer.analyze_question( question=message, context=self.context_manager.get_context(session_id), session_id=session_id ) logger.info(f"[智能模式-流式] 问题分析: type={intent.get('type')}, dimensions={intent.get('dimensions')}") # 4. 处理上下文引用（代词解析） if intent.get('context_references', {}).get('refers_to_previous'): intent = self._resolve_context_references(intent, context_info) logger.info(f"[智能模式-流式] 上下文解析后: target={intent.get('target')}") # 5. 根据问题类型分发（流式） full_response = "" if intent['type'] == 'stock_analysis': async for chunk in self._handle_stock_analysis_stream(intent, message): full_response += chunk yield chunk elif intent['type'] == 'market_overview': response = await self._handle_macro_question(intent, message) full_response = response["message"] for char in full_response: yield char elif intent['type'] == 'knowledge': response = await self._handle_knowledge_question(intent, message) full_response = response["message"] for char in full_response: yield char else: response = await self._handle_general_chat(intent, message) full_response = response["message"] for char in full_response: yield char # 6. 保存助手响应 self.context_manager.add_message(session_id, "assistant", full_response, user_id=user_id_int) async def _handle_other_question( self, question_type: str, intent_analysis: Dict[str, Any], message: str ) -> Dict[str, Any]: """处理非股票分析的其他问题""" if question_type == 'macro_finance': return await self._handle_macro_question(intent_analysis, message) elif question_type == 'knowledge': return await self._handle_knowledge_question(intent_analysis, message) elif question_type == 'general_chat': return await self._handle_general_chat(intent_analysis, message) else: return {"message": "抱歉，我无法理解您的问题。"} async def _handle_stock_question_stream( self, intent_analysis: Dict[str, Any], message: str ): """流式处理股票问题""" stock_names = intent_analysis.get('stock_names', []) market = intent_analysis.get('market', 'A股') if not stock_names: yield "抱歉，我没有识别到您提到的股票或指数。请提供更明确的股票代码、名称或指数名称。" return stock_keyword = stock_names[0] is_us_stock = self._is_us_stock(stock_keyword, market) if is_us_stock: # 美股分析 - 流式 async for chunk in self._handle_us_stock_stream(stock_keyword, message): yield chunk else: # A股分析 - 流式 async for chunk in self._handle_a_stock_stream(stock_keyword, message): yield chunk async def _handle_a_stock_stream(self, stock_keyword: str, message: str): """流式处理A股分析（使用 skill_planner）""" # 使用LLM进行智能匹配 stock_info = await self._match_stock_with_llm(stock_keyword) if not stock_info: yield f"抱歉，未找到股票或指数\"{stock_keyword}\"。请确认名称或代码是否正确。" return stock_code = stock_info['code'] stock_name = stock_info['name'] is_index = stock_info['is_index'] logger.info(f"[流式] A股分析: {stock_name}({stock_code})") try: # 1. 使用 QuestionAnalyzer 分析问题意图 intent = await self.question_analyzer.analyze_question( question=message, context=[], session_id="" ) # 确保 intent 包含股票信息 if 'target' not in intent: intent['target'] = {} intent['target']['stock_code'] = stock_code intent['target']['stock_name'] = stock_name logger.info(f"[流式] A股问题意图分析: dimensions={intent.get('dimensions')}") # 2. 使用 SkillPlanner 规划技能（包括 brave_search） plan = self.skill_planner.plan_skills(intent) logger.info(f"[流式] A股技能规划完成: {[s['name'] for s in plan['skills']]}, 策略: {plan['execution_strategy']}") # 3. 执行技能规划 execution_results = await skill_manager.execute_plan( plan=plan, stock_code=stock_code ) if execution_results['errors']: logger.warning(f"[流式] A股技能执行有错误: {execution_results['errors']}") # 4. 整合数据（兼容旧格式） results = execution_results['results'] all_data = { "stock_code": stock_code, "stock_name": stock_name, "quote": results.get("market_data"), "technical": results.get("technical_analysis"), "fundamental": results.get("fundamental"), "advanced": results.get("advanced_data"), "news": results.get("brave_search") # 新增：新闻数据 } # 5. 使用LLM流式分析 if self.use_llm: async for chunk in self._llm_comprehensive_analysis_stream(all_data, message, is_index): yield chunk else: yield self._rule_based_analysis(all_data) except Exception as e: logger.error(f"A股分析失败: {e}") import traceback logger.error(traceback.format_exc()) yield f"分析{stock_name}时出错：{str(e)}" async def _handle_us_stock_stream(self, keyword: str, message: str): """流式处理美股分析（兼容旧接口）""" # 如果是大写字母，直接作为代码使用 if keyword.isupper() and keyword.isalpha() and len(keyword) <= 5: async for chunk in self._handle_us_stock_stream_with_code(keyword, keyword, message): yield chunk return # 否则报错 logger.warning(f"_handle_us_stock_stream 收到非代码格式的关键词: {keyword}") yield f"抱歉，无法识别美股 \"{keyword}\"。请直接输入美股代码（如 BABA、AAPL、TSLA）进行查询。" async def _handle_us_stock_stream_with_code(self, symbol: str, stock_name: str, message: str): """流式处理美股分析（使用已知的股票代码）""" logger.info(f"[智能模式-流式] 美股查询: {stock_name} -> {symbol}") try: # 1. 使用 QuestionAnalyzer 分析问题意图 intent = await self.question_analyzer.analyze_question( question=message, context=[], session_id="" ) # 确保 intent 包含股票信息 if 'target' not in intent: intent['target'] = {} intent['target']['stock_code'] = symbol intent['target']['stock_name'] = stock_name intent['target']['market'] = '美股' logger.info(f"[流式] 美股问题意图分析: dimensions={intent.get('dimensions')}") # 2. 使用 SkillPlanner 规划技能（会自动识别美股并使用正确的技能） plan = self.skill_planner.plan_skills(intent) logger.info(f"[流式] 美股技能规划完成: {[s['name'] for s in plan['skills']]}, 策略: {plan['execution_strategy']}") # 3. 执行技能规划 execution_results = await skill_manager.execute_plan( plan=plan, stock_code=symbol ) if execution_results['errors']: logger.warning(f"[流式] 美股技能执行有错误: {execution_results['errors']}") # 5. 检查 us_stock_analysis 是否成功 us_stock_data = execution_results['results'].get('us_stock_analysis') if not us_stock_data or 'error' in us_stock_data: yield f"抱歉，未找到美股 {symbol}。请确认股票代码是否正确。" return # 6. 整合数据 all_data = { "symbol": symbol, "name": stock_name, **us_stock_data, "news": execution_results['results'].get("brave_search") # 新增：新闻数据 } # 7. 使用智能模式的动态prompt生成 if self.use_llm: # 构建美股数据的动态prompt prompt = self._build_us_stock_dynamic_prompt(all_data, symbol, message) # 流式生成 stream = llm_service.chat_stream( messages=[{"role": "user", "content": prompt}], temperature=0.7, max_tokens=2500, # 增加 token 数量以容纳新闻分析 model_override=self.model_override ) for chunk in stream: yield chunk else: yield self._format_us_stock_data(all_data) except Exception as e: logger.error(f"美股查询失败: {e}") import traceback logger.error(traceback.format_exc()) yield f"查询美股 {symbol} 时出错：{str(e)}" async def _handle_hk_stock_stream_with_code(self, symbol: str, stock_name: str, message: str): """流式处理港股分析（使用已知的股票代码）""" logger.info(f"[智能模式-流式] 港股查询: {stock_name} -> {symbol}") try: # 1. 使用 QuestionAnalyzer 分析问题意图 intent = await self.question_analyzer.analyze_question( question=message, context=[], session_id="" ) # 确保 intent 包含股票信息 if 'target' not in intent: intent['target'] = {} intent['target']['stock_code'] = symbol intent['target']['stock_name'] = stock_name intent['target']['market'] = '港股' logger.info(f"[流式] 港股问题意图分析: dimensions={intent.get('dimensions')}") # 2. 使用 SkillPlanner 规划技能（会自动识别港股并使用正确的技能） plan = self.skill_planner.plan_skills(intent) logger.info(f"[流式] 港股技能规划完成: {[s['name'] for s in plan['skills']]}, 策略: {plan['execution_strategy']}") logger.info(f"[流式] 港股技能规划完成: {[s['name'] for s in plan['skills']]}, 策略: {plan['execution_strategy']}") # 4. 执行技能规划 execution_results = await skill_manager.execute_plan( plan=plan, stock_code=symbol ) if execution_results['errors']: logger.warning(f"[流式] 港股技能执行有错误: {execution_results['errors']}") # 5. 检查 us_stock_analysis 是否成功 hk_stock_data = execution_results['results'].get('us_stock_analysis') if not hk_stock_data or 'error' in hk_stock_data: yield f"抱歉，未找到港股 {symbol}。请确认股票代码是否正确。\n\n提示：港股代码格式为数字加.HK后缀，如 0700.HK（腾讯）、9988.HK（阿里巴巴）等。" return # 6. 整合数据 all_data = { "symbol": symbol, "name": stock_name, "market": "港股", **hk_stock_data, "news": execution_results['results'].get("brave_search") } # 7. 使用智能模式的动态prompt生成 if self.use_llm: # 构建港股数据的动态prompt prompt = self._build_hk_stock_dynamic_prompt(all_data, symbol, message) # 流式生成 stream = llm_service.chat_stream( messages=[{"role": "user", "content": prompt}], temperature=0.7, max_tokens=2500, model_override=self.model_override ) for chunk in stream: yield chunk else: yield self._format_us_stock_data(all_data) except Exception as e: logger.error(f"港股查询失败: {e}") import traceback logger.error(traceback.format_exc()) yield f"查询港股 {symbol} 时出错：{str(e)}" def _build_hk_stock_dynamic_prompt(self, data: Dict[str, Any], symbol: str, user_message: str) -> str: """构建港股分析的动态prompt""" from datetime import datetime current_time = datetime.now().strftime("%Y-%m-%d %H:%M") # 提取关键数据（使用 us_stock_service 返回的扁平结构） name = data.get('name', symbol) technical = data.get('technical_indicators', {}) news = data.get('news', []) # 构建数据摘要 data_summary = f""" 【港股数据】{name}（{symbol}） 查询时间：{current_time} 【基本信息】 - 公司名称：{name} - 行业：{data.get('industry', '未知')} - 板块：{data.get('sector', '未知')} - 市值：{data.get('market_cap', '未知')} 【最新行情】 - 当前价格：{data.get('current_price', '未知')} - 今日涨跌：{data.get('change_percent', '未知')}% - 52周最高：{data.get('52_week_high', '未知')} - 52周最低：{data.get('52_week_low', '未知')} 【估值指标】 - 市盈率(PE)：{data.get('pe_ratio', '未知')} - 市净率(PB)：{data.get('pb_ratio', '未知')} - 股息率：{data.get('dividend_yield', '未知')} 【技术指标】 - MA5：{technical.get('ma5', '未知')} - MA20：{technical.get('ma20', '未知')} - RSI：{technical.get('rsi', '未知')} - MACD：{technical.get('macd', '未知')} """ # 添加新闻摘要 if news: data_summary += "\n【相关新闻】\n" if isinstance(news, dict) and 'results' in news: news_list = news.get('results', []) else: news_list = news if isinstance(news, list) else [] for i, item in enumerate(news_list[:3], 1): if isinstance(item, dict): title = item.get('title', '') data_summary += f"{i}. {title}\n" prompt = f"""你是一个专业的港股分析师。请根据以下数据，回答用户的问题。 {data_summary} 用户问题：{user_message} 请提供专业、客观的分析，包括： 1. 直接回答用户的问题 2. 基于数据的分析和判断 3. 潜在的风险提示 注意：港股以港币(HKD)计价，交易时间为港交所交易时段（北京时间9:30-12:00, 13:00-16:00）。""" return prompt def _format_news_section(self, news_data: Dict[str, Any]) -> str: """ 格式化新闻数据为统一格式 Args: news_data: 新闻数据字典 Returns: 格式化后的新闻文本 """ if not news_data or news_data.get('error'): return "\n**最新新闻和舆情**: 暂无相关新闻\n" results = news_data.get('results', []) if not results: return "\n**最新新闻和舆情**: 暂无相关新闻\n" news_section = "\n**最新新闻和舆情**（来源：Brave Search）:\n" for i, item in enumerate(results[:5], 1): title = item.get('title', '无标题') description = item.get('description', '') source = item.get('source', '') published = item.get('published', '') news_section += f"{i}. {title}\n" if description: news_section += f" 摘要：{description[:100]}...\n" if source: news_section += f" 来源：{source}\n" if published: news_section += f" 发布时间：{published}\n" news_section += "\n" return news_section def _build_unified_analysis_prompt( self, market: str, stock_info: Dict[str, Any], data: Dict[str, Any], user_message: str ) -> str: """ 统一的分析提示词构建函数（自然语言风格） Args: market: 市场类型（'A股' 或 '美股'） stock_info: 股票基本信息 {'code': ..., 'name': ...} data: 市场数据（行情、技术、基本面、新闻等） user_message: 用户问题 Returns: 构建好的prompt字符串 """ from datetime import datetime current_time = datetime.now().strftime("%Y-%m-%d %H:%M") stock_code = stock_info.get('code', '') stock_name = stock_info.get('name', '') # 格式化新闻数据（统一格式） news_section = self._format_news_section(data.get('news', {})) if market == '美股': # 美股数据格式 current_price = data.get('current_price', 0) change = data.get('change', 0) change_percent = data.get('change_percent', 0) volume = data.get('volume', 0) market_cap = data.get('market_cap', 0) pe_ratio = data.get('pe_ratio', 0) pb_ratio = data.get('pb_ratio', 0) technical = data.get('technical_indicators', {}) ma5 = technical.get('ma5', 0) ma10 = technical.get('ma10', 0) ma20 = technical.get('ma20', 0) rsi = technical.get('rsi', 0) macd = technical.get('macd', 0) market_data_section = f""" **行情数据**: - 最新价: ${current_price:.2f} - 涨跌: ${change:+.2f} ({change_percent:+.2f}%) - 成交量: {volume:,.0f} - 市值: ${market_cap:,.0f} - 市盈率(PE): {pe_ratio:.2f} - 市净率(PB): {pb_ratio:.2f} **技术指标**: - 均线: MA5=${ma5:.2f}, MA10=${ma10:.2f}, MA20=${ma20:.2f} - RSI: {rsi:.2f} - MACD: {macd:.4f} """ analyst_role = "美股分析师" risk_disclaimer = "以上分析仅供参考，不构成投资建议。美股投资有风险，请谨慎决策。" else: # A股 # A股数据格式 quote = data.get('quote', {}) technical = data.get('technical', {}) fundamental = data.get('fundamental', {}) advanced = data.get('advanced', {}) # 获取交易日期 quote_date = quote.get('trade_date', '未知') if quote else '未知' # 构建行情数据部分 if quote: market_data_section = f""" **行情数据**（截止：{quote_date}）: - 最新价: ¥{quote.get('close', 0):.2f} - 涨跌幅: {quote.get('pct_chg', 0):+.2f}% - 成交量: {quote.get('vol', 0):,.0f}手 - 成交额: {quote.get('amount', 0):,.0f}千元 - 换手率: {quote.get('turnover_rate', 0):.2f}% """ else: market_data_section = "\n**行情数据**: 数据获取失败\n" # 添加技术指标 if technical: market_data_section += f""" **技术指标**（截止：{quote_date}）: - 均线: MA5=¥{technical.get('ma5', 0):.2f}, MA10=¥{technical.get('ma10', 0):.2f}, MA20=¥{technical.get('ma20', 0):.2f} - RSI: {technical.get('rsi', 0):.2f} - MACD: {technical.get('macd', 0):.4f} """ # 添加基本面数据 if fundamental: market_data_section += f""" **基本面数据**: - 市盈率(PE): {fundamental.get('pe', 0):.2f} - 市净率(PB): {fundamental.get('pb', 0):.2f} - 总市值: {fundamental.get('total_mv', 0):,.0f}亿元 - ROE: {fundamental.get('roe', 0):.2f}% """ # 添加高级数据（资金流向、融资融券等） if advanced: if advanced.get('money_flow'): money_flow = advanced['money_flow'][0] if advanced['money_flow'] else {} market_data_section += f""" **资金流向**: - 主力净流入: {money_flow.get('net_mf_amount', 0):,.0f}万元 - 大单净流入: {money_flow.get('buy_lg_amount', 0) - money_flow.get('sell_lg_amount', 0):,.0f}万元 """ if advanced.get('margin'): margin = advanced['margin'][0] if advanced['margin'] else {} market_data_section += f""" **融资融券**: - 融资余额: {margin.get('rzye', 0):,.0f}元 - 融券余额: {margin.get('rqye', 0):,.0f}元 """ analyst_role = "A股分析师" risk_disclaimer = "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。" # 构建统一的prompt prompt = f"""你是一位专业的{analyst_role}。请根据以下数据分析【{stock_name}({stock_code})】。 **用户问题**: {user_message} **【重要】最新新闻和舆情（必须分析）** {news_section} ## 数据信息 {market_data_section} ## 分析要求 请根据用户的问题，提供自然、有针对性的分析。不要使用固定格式，而是像专业分析师一样，用自然的语言回答用户的问题。 **重要：必须在分析中包含对上面提供的最新新闻的分析，评估新闻对股价的影响。** 分析时请注意： - 如果用户关注价格走势，重点分析价格和趋势，并结合新闻分析市场情绪 - 如果用户关注技术指标，重点分析技术面，并结合新闻判断短期走势 - 如果用户关注基本面，重点分析公司情况和估值，并结合新闻评估投资价值 - **无论用户问什么，都要在分析中提及最新新闻对股价的潜在影响** 请直接开始分析，不要添加日期标题。控制在600-800字。最后声明："{risk_disclaimer}" """ return prompt def _build_us_stock_dynamic_prompt( self, data: Dict[str, Any], symbol: str, user_message: str ) -> str: """ 为美股构建动态prompt（调用统一函数） Args: data: 美股数据 symbol: 股票代码 user_message: 用户消息 Returns: prompt字符串 """ stock_info = { 'code': symbol, 'name': data.get('name', symbol) } return self._build_unified_analysis_prompt( market='美股', stock_info=stock_info, data=data, user_message=user_message ) async def _llm_comprehensive_analysis_stream(self, data: Dict[str, Any], user_message: str, is_index: bool = False): """使用LLM流式进行综合分析（调用统一函数）""" stock_info = { 'code': data.get('stock_code', ''), 'name': data.get('stock_name', '') } # 使用统一的prompt构建函数 prompt = self._build_unified_analysis_prompt( market='A股', stock_info=stock_info, data=data, user_message=user_message ) # 流式调用LLM import asyncio stream = llm_service.chat_stream( messages=[{"role": "user", "content": prompt}], temperature=0.7, max_tokens=2500, model_override=self.model_override ) # 在线程中迭代同步生成器，避免阻塞事件循环 for chunk in stream: # 每次yield后让出控制权 await asyncio.sleep(0) yield chunk async def _llm_us_stock_analysis_stream(self, data: Dict[str, Any], user_message: str): """使用LLM流式分析美股""" from datetime import datetime current_time = datetime.now().strftime("%Y-%m-%d %H:%M") symbol = data.get("symbol", "") name = data.get("name", "") sector = data.get("sector", "") industry = data.get("industry", "") current_price = data.get("current_price", 0) change = data.get("change", 0) change_pct = data.get("change_percent", 0) volume = data.get("volume", 0) market_cap = data.get("market_cap", 0) pe_ratio = data.get("pe_ratio", 0) pb_ratio = data.get("pb_ratio", 0) dividend_yield = data.get("dividend_yield", 0) week_52_high = data.get("52_week_high", 0) week_52_low = data.get("52_week_low", 0) technical = data.get("technical_indicators", {}) description = data.get("description", "") market_cap_str = f"${market_cap / 1e9:.2f}B" if market_cap > 1e9 else f"${market_cap / 1e6:.2f}M" prompt = f"""你是一位专业的美股分析师。请基于以下数据对 {name} ({symbol}) 进行全面分析。 **重要提示：当前日期是 {current_time}，请在分析中使用这个日期，不要使用其他日期。** 【基本信息】 股票代码：{symbol} 公司名称：{name} 所属行业：{sector} - {industry} 公司简介：{description[:300] if description else '暂无'} 【实时行情】（数据时间：{current_time}） 当前价格：${current_price:.2f} 涨跌额：${change:.2f} 涨跌幅：{change_pct:.2f}% 成交量：{volume:,} 市值：{market_cap_str} 【估值指标】 市盈率(PE)：{f"{pe_ratio:.2f}" if pe_ratio else '暂无'} 市净率(PB)：{f"{pb_ratio:.2f}" if pb_ratio else '暂无'} 股息率：{f"{dividend_yield * 100:.2f}%" if dividend_yield else '暂无'} 52周最高：${week_52_high:.2f} 52周最低：${week_52_low:.2f} 【技术指标】 MA5：{f"${technical.get('ma5'):.2f}" if technical.get('ma5') else '计算中'} MA10：{f"${technical.get('ma10'):.2f}" if technical.get('ma10') else '计算中'} MA20：{f"${technical.get('ma20'):.2f}" if technical.get('ma20') else '计算中'} MA60：{f"${technical.get('ma60'):.2f}" if technical.get('ma60') else '计算中'} RSI：{f"{technical.get('rsi'):.2f}" if technical.get('rsi') else '计算中'} MACD：{f"{technical.get('macd'):.4f}" if technical.get('macd') else '计算中'} 用户问题：{user_message} 请提供专业的分析报告，包括： ## 📊 行情概览 简要总结当前股价表现和市场表现（2-3句话） ## 💼 公司基本面 - 行业地位和竞争优势 - 估值水平分析（PE、PB是否合理） - 盈利能力和成长性 ## 📈 技术面分析 - 当前趋势判断（基于均线系统） - 关键支撑位和压力位 - RSI和MACD信号解读 ## 💡 投资建议 - 短期操作建议（1-2周） - 中期投资价值（1-3个月） - 风险提示 写作要求： 1. 语言专业但易懂，避免过度修饰 2. 分析客观理性，基于数据和事实 3. 每个部分独立成段，段落间用空行分隔 4. 控制在500-600字 5. **不要在报告中添加日期标题，直接开始分析内容** 6. 最后声明："以上分析仅供参考，不构成投资建议。美股投资有风险，请谨慎决策。" """ # 流式调用LLM（同步生成器，使用线程避免阻塞） import asyncio stream = llm_service.chat_stream( messages=[{"role": "user", "content": prompt}], temperature=0.7, max_tokens=2500, # 增加 token 数量以容纳新闻分析 model_override=self.model_override ) # 在线程中迭代同步生成器，避免阻塞事件循环 for chunk in stream: # 每次yield后让出控制权 await asyncio.sleep(0) yield chunk # ==================== 新增：智能模式方法 ==================== async def _handle_stock_analysis_v2( self, intent: Dict[str, Any], message: str ) -> Dict[str, Any]: """ 处理股票分析请求（智能模式 V2） Args: intent: 问题意图 message: 用户消息 Returns: 响应结果 """ target = intent.get('target', {}) stock_code = target.get('stock_code') stock_name = target.get('stock_name') market = target.get('market', 'A股') # QuestionAnalyzer 应该已经返回了股票代码 if not stock_code: return { "message": f"抱歉，我没有识别到您提到的股票「{stock_name or ''}」。请提供更明确的股票代码或名称。", "metadata": {"type": "error"} } # 根据市场类型处理 if market == '美股': # 美股处理 return await self._handle_us_stock_with_code(stock_code, stock_name or stock_code, message) if market == '港股': # 港股处理（使用 yfinance，与美股类似） return await self._handle_hk_stock_with_code(stock_code, stock_name or stock_code, message) logger.info(f"[智能模式] 分析股票: {stock_name}({stock_code})") # 1. 技能规划 plan = self.skill_planner.plan_skills(intent) logger.info(f"[智能模式] 技能规划: {[s['name'] for s in plan['skills']]}") # 2. 执行技能 execution_results = await skill_manager.execute_plan( plan=plan, stock_code=stock_code ) if execution_results['errors']: logger.warning(f"[智能模式] 技能执行有错误: {execution_results['errors']}") # 3. 智能生成回答 analysis = await self._generate_intelligent_response( intent=intent, execution_results=execution_results['results'], stock_code=stock_code, stock_name=stock_name, user_message=message ) return { "message": analysis, "metadata": { "type": "stock_analysis", "intent": intent, "plan": plan, "data": { "stock_code": stock_code, "stock_name": stock_name, **execution_results['results'] } } } async def _generate_intelligent_response( self, intent: Dict[str, Any], execution_results: Dict[str, Any], stock_code: str, stock_name: str, user_message: str ) -> str: """ 智能生成回答 - 根据用户意图定制 Args: intent: 问题意图 execution_results: 技能执行结果 stock_code: 股票代码 stock_name: 股票名称 user_message: 用户消息 Returns: 分析报告 """ # 1. 构建动态prompt prompt = self._build_dynamic_prompt( intent=intent, data=execution_results, stock_code=stock_code, stock_name=stock_name, user_message=user_message ) # 2. 调用LLM生成 max_tokens = self._calculate_max_tokens(intent) response = await self._call_llm_async( messages=[{"role": "user", "content": prompt}], temperature=0.7, max_tokens=max_tokens ) if not response: # 降级到规则化格式 return self._format_fallback_response(execution_results, stock_name) return response def _build_dynamic_prompt( self, intent: Dict[str, Any], data: Dict[str, Any], stock_code: str, stock_name: str, user_message: str ) -> str: """ 根据意图动态构建prompt Args: intent: 问题意图 data: 执行结果数据 stock_code: 股票代码 stock_name: 股票名称 user_message: 用户消息 Returns: prompt字符串 """ dimensions = intent.get('dimensions', {}) time_scope = intent.get('time_scope', {}) specific_concerns = intent.get('specific_concerns', []) user_style = intent.get('user_style', {}) # 基础部分 prompt_parts = [ f"你是一个专业的股票分析师。请根据以下数据分析【{stock_name}({stock_code})】。", "", f"**用户问题**: {user_message}", "" ] # 添加用户关注点 if specific_concerns: prompt_parts.append(f"**用户特别关注**: {', '.join(specific_concerns)}") prompt_parts.append("") # 添加数据部分 prompt_parts.append("## 数据信息") prompt_parts.append("") # 根据维度添加相应数据 if dimensions.get('price_trend') and 'market_data' in data: prompt_parts.append(self._format_market_data_section(data['market_data'])) if dimensions.get('technical') and 'technical_analysis' in data: prompt_parts.append(self._format_technical_section(data['technical_analysis'])) if dimensions.get('fundamental') and 'fundamental' in data: prompt_parts.append(self._format_fundamental_section(data['fundamental'])) if dimensions.get('valuation') or dimensions.get('money_flow'): if 'advanced_data' in data: prompt_parts.append(self._format_advanced_section(data['advanced_data'])) # 分析要求 prompt_parts.append("") prompt_parts.append("## 分析要求") prompt_parts.append("") # 根据时间范围调整 if time_scope.get('short_term'): prompt_parts.append("- 重点分析短期走势（1-2周）") if time_scope.get('medium_term'): prompt_parts.append("- 分析中期趋势（1-3个月）") if time_scope.get('long_term'): prompt_parts.append("- 评估长期投资价值（半年以上）") # 根据用户风格调整 if user_style.get('tone') == 'casual': prompt_parts.append("- 使用通俗易懂的语言，避免过多专业术语") else: prompt_parts.append("- 使用专业的金融术语和分析方法") if user_style.get('detail_level') == 'brief': prompt_parts.append("- 简洁回答，控制在200-300字") else: prompt_parts.append("- 详细分析，控制在500-600字") # 输出格式 prompt_parts.append("") prompt_parts.append("请直接开始分析，不要添加日期标题。最后声明：\"以上分析仅供参考，不构成投资建议。\"") return "\n".join(prompt_parts) def _format_market_data_section(self, data: Dict) -> str: """格式化行情数据部分""" if 'error' in data: return "**行情数据**: 暂时无法获取" return f"""**行情数据**: - 最新价: {data.get('close', 0):.2f}元 - 涨跌幅: {data.get('pct_chg', 0):+.2f}% - 成交量: {data.get('vol', 0):.0f}手 - 成交额: {data.get('amount', 0):.0f}千元 """ def _format_technical_section(self, data: Dict) -> str: """格式化技术指标部分""" if 'error' in data: return "**技术指标**: 暂时无法获取" indicators = data.get('indicators', {}) parts = ["**技术指标**:"] if 'ma' in indicators: ma = indicators['ma'] parts.append(f"- 均线: MA5={ma.get('ma5', 0):.2f}, MA10={ma.get('ma10', 0):.2f}, MA20={ma.get('ma20', 0):.2f}") if 'macd' in indicators: macd = indicators['macd'] parts.append(f"- MACD: DIF={macd.get('dif', 0):.4f}, DEA={macd.get('dea', 0):.4f}, MACD={macd.get('macd', 0):.4f}") if 'rsi' in indicators: rsi = indicators['rsi'] parts.append(f"- RSI: RSI6={rsi.get('rsi6', 0):.2f}, RSI12={rsi.get('rsi12', 0):.2f}") return "\n".join(parts) def _format_fundamental_section(self, data: Dict) -> str: """格式化基本面部分""" if 'error' in data: return "**基本面**: 暂时无法获取" return f"""**基本面**: - 公司名称: {data.get('name', '')} - 所属行业: {data.get('industry', '')} - 所属地域: {data.get('area', '')} - 上市市场: {data.get('market', '')} """ def _format_advanced_section(self, data: Dict) -> str: """格式化高级数据部分""" if 'error' in data: return "**高级数据**: 暂时无法获取" parts = ["**高级数据**:"] if 'valuation' in data: val = data['valuation'] parts.append(f"- 估值: PE={val.get('pe', 0):.2f}, PB={val.get('pb', 0):.2f}") if 'money_flow' in data and data['money_flow']: mf = data['money_flow'][0] if isinstance(data['money_flow'], list) else data['money_flow'] parts.append(f"- 资金流向: 净流入={mf.get('net_mf_amount', 0):.2f}万元") return "\n".join(parts) def _calculate_max_tokens(self, intent: Dict[str, Any]) -> int: """根据意图计算max_tokens""" depth = intent.get('analysis_depth', 'standard') detail_level = intent.get('user_style', {}).get('detail_level', 'detailed') if depth == 'quick' or detail_level == 'brief': return 800 elif depth == 'deep' or detail_level == 'detailed': return 2000 else: return 1500 def _format_fallback_response(self, data: Dict, stock_name: str) -> str: """降级响应格式""" parts = [f"【{stock_name}】分析报告\n"] if 'market_data' in data and 'error' not in data['market_data']: md = data['market_data'] parts.append(f"最新价: {md.get('close', 0):.2f}元") parts.append(f"涨跌幅: {md.get('pct_chg', 0):+.2f}%\n") parts.append("以上分析仅供参考，不构成投资建议。") return "\n".join(parts) async def _handle_stock_analysis_stream( self, intent: Dict[str, Any], message: str ): """ 流式处理股票分析请求（智能模式） Args: intent: 问题意图 message: 用户消息 Yields: 响应文本片段 """ target = intent.get('target', {}) stock_code = target.get('stock_code') stock_name = target.get('stock_name') market = target.get('market', 'A股') # QuestionAnalyzer 应该已经返回了股票代码 if not stock_code: yield f"抱歉，我没有识别到您提到的股票「{stock_name or ''}」。请提供更明确的股票代码或名称。" return # 根据市场类型处理 if market == '美股': # 美股处理流程 async for chunk in self._handle_us_stock_stream_with_code(stock_code, stock_name or stock_code, message): yield chunk return if market == '港股': # 港股处理流程（使用 yfinance，与美股类似） async for chunk in self._handle_hk_stock_stream_with_code(stock_code, stock_name or stock_code, message): yield chunk return # A股处理流程 logger.info(f"[智能模式-流式] 分析股票: {stock_name}({stock_code})") # 1. 技能规划 plan = self.skill_planner.plan_skills(intent) logger.info(f"[智能模式-流式] 技能规划: {[s['name'] for s in plan['skills']]}") # 2. 执行技能 execution_results = await skill_manager.execute_plan( plan=plan, stock_code=stock_code ) if execution_results['errors']: logger.warning(f"[智能模式-流式] 技能执行有错误: {execution_results['errors']}") # 3. 智能生成回答（流式） async for chunk in self._generate_intelligent_response_stream( intent=intent, execution_results=execution_results['results'], stock_code=stock_code, stock_name=stock_name, user_message=message ): yield chunk async def _generate_intelligent_response_stream( self, intent: Dict[str, Any], execution_results: Dict[str, Any], stock_code: str, stock_name: str, user_message: str ): """ 智能生成回答（流式） - 根据用户意图定制 Args: intent: 问题意图 execution_results: 技能执行结果 stock_code: 股票代码 stock_name: 股票名称 user_message: 用户消息 Yields: 响应文本片段 """ # 1. 构建动态prompt prompt = self._build_dynamic_prompt( intent=intent, data=execution_results, stock_code=stock_code, stock_name=stock_name, user_message=user_message ) # 2. 调用LLM流式生成 if self.use_llm: stream = llm_service.chat_stream( messages=[{"role": "user", "content": prompt}], temperature=0.7, max_tokens=self._calculate_max_tokens(intent), model_override=self.model_override ) for chunk in stream: yield chunk else: # 降级到规则化格式 fallback = self._format_fallback_response(execution_results, stock_name) for char in fallback: yield char def _resolve_context_references( self, intent: Dict[str, Any], context_info: Dict ) -> Dict[str, Any]: """ 解析上下文引用（代词解析） Args: intent: 问题意图 context_info: 上下文信息 Returns: 更新后的意图 """ target = intent.get('target', {}) # 如果用户说"这只股票"、"它"等，从上下文中提取 if not target.get('stock_code') and context_info.get('last_stock'): target['stock_code'] = context_info['last_stock'] intent['target'] = target logger.info(f"[智能模式] 从上下文解析股票代码: {target['stock_code']}") return intent # 创建全局实例 smart_agent = SmartStockAgent()