第 6 课 · 盘中异动监控 Agent

规则引擎先行，LLM 快报殿后，人工确认收尾——半自动闭环的第一步

预计用时：35 分钟上一课：第 5 课（待发布）

这节课你将得到什么

一个能跑的"盘中异动监控 Agent"雏形：盯着你手里的自选股（600519 贵州茅台 / 000001 平安银行 / 300750 宁德时代），满足硬条件就生成一份异动快报推给你，快报里写清楚触发事实、风险提示、以及——最关键的——你这笔持仓今天到底能不能动。

这是"半自动闭环"的第一步：机器负责盯盘和整理，人负责决策和下单。它不是全自动交易，也故意不是——看完这节课你会明白为什么这是现阶段对你最诚实的架构。

一、三层架构总览

脚本 scripts/intraday_monitor.py 的结构只有三层，每一层的职责和"用什么技术"都是刻意的：

层	职责	用什么做	为什么
① 规则引擎	硬条件过滤：涨速、量能、逼近涨停	纯 Python 算术	便宜、稳定、毫秒级、可回测——99% 的时间盘面无事发生，不值得惊动 LLM
② LLM 快报	把触发事实翻译成人话 + 风险提示	LLM API（演示模式用预计算文本）	人读"涨速+2.18%、量比2.1"要反应几秒，读一段快报只要一眼——这是 LLM 该干的活
③ 人工确认	标注持仓的 T+1 状态，等你决策	纯文本输出	决策权与下单权都在你手里，Agent 不碰

为什么规则先行、LLM 殿后

反过来的做法——每分钟把全市场行情喂给 LLM 问"有异动吗"——三个致命伤：成本（每天几百次调用，全是"没有异动"的浪费）、稳定性（API 抖动或 Key 失效时监控直接瘫痪）、不可复现（同一份行情问两次，结论可能漂移，你无法回测它）。规则引擎一分钱不花、永不下班、结果可逐条审计；LLM 只在规则命中后被调用一次，干的还是它最擅长的翻译工作。贵的组件放在便宜的过滤器后面，这是 Agent 工程的通用分层原则。

二、第一层：三条硬规则（含第 1 课复习）

脚本里的 run_rules() 实现三条经典异动条件：

涨速：5 分钟涨幅 ≥ +2%——捕捉脉冲式拉升；
量能：成交量 ≥ 20 日均量的 2 倍——上涨没有量能配合，多半是假动作（茅台的 20 日均量直接用第 2 课落地的 data/600519_qfq_2024.csv 现算，不重复拉接口）；
逼近涨停：距涨停价 < 1%——触板前后是流动性与情绪剧变的临界点。

第三条里藏着第 1 课的硬知识：涨停价必须按板块算。脚本用 board_limit() 区分：主板（600/000 开头）±10%，创业板（300/301）与科创板（688）±20%。同样"距涨停 1%"，主板是距 +9%，创业板是距 +19%——后者离涨停还远着呢。用错板块幅度，整条规则报废。

三、行情获取：降级链与接口礼仪

盘中监控对行情的要求是"快"而不是"全"，脚本用逐级降级的 get_snapshot()：

东方财富 ak.stock_zh_a_spot_em()：全市场实时快照，数据全，但接口重、且我们这台机器被风控过（第 2 课封 IP 事件），所以放在 try/except 里；
新浪财经（requests 直连，单请求 5 秒超时）：轻量备用源；
内置合成快照：两个源都挂了也能完整演示三层架构——监控 Agent 自己绝不能因为数据源挂掉而崩溃。

我在你机器上实测 --real 模式时，降级链真实地走了一遍：

东方财富接口失败（ProxyError），尝试下一数据源……
行情来源：新浪财经实时快照

免费数据源的不稳定性不是意外，是常态——这正是第 2 课那句"任何数据入口都要有备胎"在盘中场景的复现。

轮询频率与接口礼仪（复习第 2 课封 IP 事件）

监控意味着循环请求，但"盯得紧"和"刷得狠"是两回事。纪律：盘中轮询间隔 30~60 秒足够（你的决策粒度是分钟级，不是毫秒级的高频）；单个请求必须设 timeout；失败重试要间隔退避，禁止无间隔猛刷。第 2 课那次 IP 被东财临时拒连，就是高频请求的直接后果——对一个免费接口，礼仪不是客气，是可用性本身。

四、第二层：LLM 快报——只翻译，不指挥

规则触发后，make_report() 把"触发事实"交给 LLM 生成快报。Prompt 的关键设计（SYSTEM_PROMPT）：

你是A股盘中异动监控助手。根据给出的触发事实写一段不超过80字的异动快报。
要求：只陈述事实与风险，不给买卖指令，结尾提醒"决策由人做出"。

第 3 课的 Prompt 三原则在这里依然成立，并且加了一条角色纪律：不给买卖指令。盘中是情绪最上头的时候，一条"建议立即卖出"的快报在 14:50 的杀伤力远大于盘后。LLM 的职责是把事实与风险摆清楚，按钮留在你手里。

五、第三层：人工确认——T+1 是快报的灵魂

同一条异动快报，对不同持仓状态的你，含义完全不同。这是第 1 课的核心分水岭在实战中的第一次落地：

持仓状态	含义	快报给出的行动指引
可卖持仓（昨日买入）	今日可正常卖出	"你可以行动：是否减仓/止盈由你判断"
冻结持仓（今日买入）	T+1，今天卖不掉	"Agent 只能记录异动，并为你准备明日开盘预案"
无持仓（自选观察）	可以关注是否介入	"是否介入由你判断，注意追高风险"

一个不懂 T+1 的监控 Agent，会在你今日刚买入的股票跳水时喊"快止损"——而你根本卖不掉，只剩焦虑。快报区分持仓状态，不是为了信息完整，是为了不给你无法执行的建议。

六、动手：跑起来（无需网络、无需 Key）

演示模式用内置合成行情快照 + 预计算快报，先把三层架构看懂：

cd "$HOME/AI Project/Quant Learning"
source .venv/bin/activate
python scripts/intraday_monitor.py

你会看到（我已在你的环境实测通过）：

运行模式：演示模式（合成行情 + 预计算快报）
行情来源：内置合成快照（演示模式）

扫描时间：00:45:40（每只股票只算硬条件，不触发不打扰）

========================================================
异动快报 ｜ 贵州茅台(600519) ｜ 触发：涨速、量能
--------------------------------------------------------
  规则明细：5分钟涨速 +2.18%（阈值 ≥ +2.00%）
  规则明细：成交量为20日均量的 2.1 倍（阈值 ≥ 2.0 倍）
  规则明细：距涨停价 1628.00 元还有 5.37%（阈值 < 1.00%）
  预计算摘要：贵州茅台盘中放量急拉：5分钟涨速超2%，成交量已达20日均量2倍以上，资金呈脉冲式流入。注意今日为提价公告后的第二个交易日，短线情绪偏热，急涨后回落风险同样放大。
  持仓状态：可卖持仓 100 股（昨日买入，今日可卖）
  → 你可以行动：是否减仓/止盈由你判断，Agent 不替你下单。
========================================================

- 平安银行(000001)：未触发任何规则，静默

========================================================
异动快报 ｜ 宁德时代(300750) ｜ 触发：逼近涨停
--------------------------------------------------------
  规则明细：5分钟涨速 +1.28%（阈值 ≥ +2.00%）
  规则明细：成交量为20日均量的 1.1 倍（阈值 ≥ 2.0 倍）
  规则明细：距涨停价 240.00 元还有 0.84%（阈值 < 1.00%）
  预计算摘要：宁德时代逼近20%涨停板：现价距涨停不足1%，创业板波动幅度本就翻倍，触板后流动性骤降、排队成交。注意此类急拉若封板失败，回撤速度会非常快。
  持仓状态：冻结持仓 200 股（今日买入，T+1 冻结中）
  → 今天卖不掉！Agent 只能记录异动，并为你准备明日开盘预案。
========================================================

提醒：以上是'机器快报'，不是交易指令。半自动闭环 = 机器盯盘 + 人做决策。

对照架构读这份输出：三只股票都过了规则引擎（第一层），平安银行未触发直接静默——不触发不打扰；两份快报各带 LLM 摘要（第二层）和持仓状态确认（第三层）。注意宁德时代的涨停价是 240.00 元（200.00 × 1.20，创业板 ±20%），不是主板的 220.00——第一层就在用第 1 课的板块幅度表。

想体验轮询与真实降级链，可以加参数（--real 走东财→新浪→合成的降级链，--loop 控制扫描轮数，--interval 控制间隔秒数）：

python scripts/intraday_monitor.py --real
python scripts/intraday_monitor.py --loop 3 --interval 30

七、接入真实模型（可选，课后完成）

演示模式的快报是预计算文本；真实模式用环境变量走 OpenAI 兼容接口（默认 DeepSeek）：

export LLM_API_KEY="sk-你的key"
python scripts/intraday_monitor.py --live

LLM_BASE_URL 默认 https://api.deepseek.com、LLM_MODEL 默认 deepseek-chat，换别家模型改这两个变量即可。与第 3 课一样：--live 代码路径已写好但尚未实测（你机器上还没有 Key），拿到 Key 后跑一次，有报错直接贴给我。

八、为什么停在"半自动"——批判性思考

你可能想问：都监控到异动了，为什么不直接接券商 API 自动下单？三个现实理由：

规则会误报。量比 2 倍可能是大利好，也可能是大宗交易或指数调仓——规则不懂语境，误报率不低。自动下单把误报直接变成亏损。
T+1 放大了错误。自动追高一买进，当天就无法纠错，错了要扛到明天。在 T+0 市场自动化的试错成本远低，在 A 股你必须更保守。
责任与复盘。半自动闭环里每次决策都有"快报 → 你的判断"的记录，几个月后你能复盘自己的决策质量；全自动黑盒亏了钱你连原因都查不到。

所以现阶段的最优解就是这节课的形态：机器做它擅长的（不知疲倦地盯、毫秒级地算、有条理地写），人做人擅长的（结合语境判断、承担决策责任）。全自动不是不存在，而是需要先用半自动积累对自己规则命中率的信任——第 8 课讲执行闭环架构（vn.py / QMT）时会再展开。

自测

凭记忆作答，答错会显示解析。