AGENT

用LLM Wiki让智能体分析股票

为什么无状态的AI是无用的AI（以及如何构建一个真正会思考的AI）

May 15, 2026 • 7 min read

微信 ezpoda免费咨询：AI编程 | AI模型微调| AI私有化部署
AI模型价格对比 | AI工具导航 | ONNX模型库 | Tripo 3D | Meshy AI | ElevenLabs | KlingAI | ArtSpace | Phot.AI | InVideo

如果你仍然把AI当作聊天机器人来总结那些你根本不会看的邮件，那你的用法就错了。

我决定让我的AI帮我研究股票，作为一个爱好项目。

1、背景：新闻过载

我在AI和股票的交叉领域花了太多时间。有一段时间，我的设置很简单：用Hermes智能体将20多份时事通讯总结成一封早间邮件。感觉挺高效，但这是一个相当薄弱的使用场景。

我在阅读AI和股票新闻，但没有一条在积累。周一我在播客中找到一个很棒的AI论点，到周五我就忘了它和三周前在X上读到的半导体瓶颈有什么关系。

然后Andrej Karpathy发布了关于"LLM Wiki"的内容——这个理念是AI不应该只回答问题，它应该维护一个持久的、不断演进的知识库。

我意识到我从来没有保留任何知识，即使保留了，它们也是孤立的。我需要一个能记住并帮我串联线索的大脑。

我的设置：

我的第一个提示词是这样的：

每天扫描：https://x.com/aleabitoreddit https://x.com/midascabal 并编译一份股票清单，分为买入、投机、关注或你能想到的任何其他类别。我想从他发布的所有帖子中提取信号而非噪音。发布到Slack的"market-updates"频道

单次提示后的结果相当不错，但很机械，没有推理。

在喂给它我自己的关注列表、我的第一份每日市场简报并要求它寻找不对称交易机会后，我早上8点的"市场更新"看起来像一个大型关注列表和新闻快讯：

扫描器的第一个版本就像一个大学一年级实习生：很积极，但不会战略性地思考。它能找到股票代码，但无法告诉我它们在整体格局中为什么重要。

为了从基本关注列表升级到高确信度研究系统，我必须构建这些"缺失"的层：

宏观情境化： 没有上下文的原始股票提及是无用的。我强制智能体叠加"战略头条"——将股票代码提及与利率变动、超大规模AI资本支出（"大金主"）和特定供应链瓶颈等联系起来
确信度层级： 并非所有信号都是平等的。我实现了一个严格的筛选系统，将股票代码分为一个层级：确信（强有力的论点）、高信号（异常活动）和关注（等待回调或更多数据）
递归来源发现： 智能体现在会主动寻找替代来源。它会扫描新的X账号，而不仅仅是"炒作"的账号，而是那些在梳理供应链的账号
多模态输入： 由于一些最好的alpha隐藏在一个小时的深度分析中，我正在整合YouTube和播客的文字记录作为信号源

运行几天后，我的列表、研究和评分系统开始堆积。智能体很难找到东西。

我让V（我的"vibecodingdad.com"助手）来设置这个，它会自动整理内容。只需把V指向Karpathy的LLM-wiki页面。

你是一个专注于基本面向好的不对称交易的分析师——我们的研究、信号和宏观管道还应该添加什么？你在这个过程中不断改进。总是学习什么有效什么无效，总是调整。记住你是一个从不对称交易中赚钱的智能体，总是在寻找新机会

这是它实际工作的架构：

信号扫描器： 每天早上7:45，它抓取深度研究账号过去24小时的推文（想想供应链极客，而不是博眼球的账号）。
噪音过滤器： 它提取股票标签并按确信度分类。它被训练来忽略"我在$X时就说过了"的帖子，专注于实际基于论点的数据。
汇聚引擎： 这是神奇的部分。如果三个不同的聪明账号提到**$INTC的CPU-to-GPU比率或$SIVE**的InP激光器，智能体会将其标记为"汇聚信号"。
持久Wiki： 不是每天出一份新报告，它维护一个research/index.md。它交叉链接股票代码。如果有一条关于霍尔木兹海峡的新闻，它不只是告诉我"石油涨了"——它会告诉我基于**$VST**与亚马逊的PPA协议，这将如何影响其利润率。