A股深度日报生成器

核心目标不是「描述今天发生了什么」，而是「理解今天市场在定价什么、定价是否合理、明天可能发生什么」。

执行流程

Phase 1: 确认日期 → 数据采集（akshare + tavily）
Phase 2: 三个 Subagent 并行分析
Phase 3: 渲染 Agent 整合输出 HTML

路径约定（强制）

• SKILL_ROOT：market-debrief-cn skill 目录（即当前 SKILL.md 所在目录）
• ASSETS_DIR：SKILL_ROOT/assets（所有 JSON 中间产物固定写这里）
• PROJECT_ROOT：本次运行 skill 的项目根目录（最终 HTML 固定写这里）

不允许把 HTML 写入 ASSETS_DIR，也不允许把 JSON 中间产物写入 PROJECT_ROOT。

Phase 1: 数据采集（主协调 Agent）

Step 1: 确认目标日期

解析用户意图，确认目标交易日期。默认为最近一个已收盘的交易日。

Step 2: 运行数据采集脚本

python scripts/fetch_market_data.py --date YYYYMMDD

脚本自动拉取 12 类数据（详见 references/akshare-api.md）：

• 指数日线（6大指数近一年）、指数PE估值、全A PB
• 全市场资金流向（超大/大/中/小单）、行业资金流向
• 涨停池/跌停池/炸板池/强势连板股
• 北向资金、两融余额、国债收益率、龙虎榜机构/个股统计、市场广度摘要（上涨/下跌家数）

脚本自动写入 SKILL_ROOT/assets/market_data_YYYY-MM-DD.json（目录不存在时自动创建）。

⚠️ 东方财富数据源偶尔限流导致个别接口失败（返回空数组）——脚本已内置容错，失败项会在 stderr 显示 [WARN]，并记录在输出 JSON 的 _failed_items 字段中。若关键数据缺失，可等待 10 秒后重跑。

Step 3: 搜索新闻事件

使用 Tavily 搜索当日关键事件，自动执行 7 组查询（政策、板块、外盘、宏观、机构观点、北向资金、突发事件）。

Windows（推荐，跨平台）：

python scripts/search_news.py --date YYYY-MM-DD

Linux / macOS：

bash scripts/search_news.sh '{"date": "YYYY-MM-DD"}'

两个脚本输出格式完全相同，自动写入 SKILL_ROOT/assets/news_data_YYYY-MM-DD.json。其中：

• results：去噪+去重+按质量排序后的新闻列表（优先用于分析）
• query_batches：各查询原始回包（用于追溯）
• _failed_queries：失败查询数量

⚠️ 需要 Tavily API token。优先级：TAVILY_API_KEY 环境变量（支持 tvly-... 格式）→ ~/.mcp-auth/ JWT 缓存。若两者均不可用，脚本会报错退出——必须先解决认证问题再继续（见 Step 4 双源要求）。

Step 3.5: 运行量化分析引擎（新增）

在完成行情数据采集后，运行分析脚本对原始数据做预处理，输出结构化量化指标：

python scripts/analyze_market.py --date YYYYMMDD

脚本自动写入 SKILL_ROOT/assets/analysis_YYYY-MM-DD.json，包含：

若脚本运行失败（numpy/pandas 未安装等），可跳过此步——AI 将从原始 market_data JSON 直接分析，但准确度会有所下降。依赖：pip install numpy pandas

Step 4: 准备数据包

读取 SKILL_ROOT/assets/market_data_YYYY-MM-DD.json、SKILL_ROOT/assets/analysis_YYYY-MM-DD.json 和 SKILL_ROOT/assets/news_data_YYYY-MM-DD.json，构建三个 Subagent 的数据子集。

⚠️ 双源强制要求：三个 Subagent 必须同时持有 akshare 行情数据和 tavily 新闻数据。若 news_data 文件不存在或为空，必须先执行 Step 3 搜索新闻，不允许跳过新闻采集直接进入 Phase 2。两类数据是报告深度的双支柱，缺少任一类都会导致分析仅停留在数字描述层面。

检查采集状态：

• 若 market_data["_failed_items"] 非空，记录失败项列表（例：["index pe", "lhb"]）
• 若 news_data["_failed_queries"] > 0，记录失败查询数
• 将以上信息汇总为 data_warnings 传递给渲染 Agent，用于最终回复告知用户

Phase 2: 三 Subagent 并行分析

使用 subagent 并行启动三个分析任务。每个 subagent 的 prompt 包含：角色定义 + 对应数据子集 + 分析任务清单 + 输出格式。

分析框架详见 → references/analysis-framework.md

所有 Subagent 的核心输出要求：除了量化数据字段，每个模块必须输出 analysis_text 叙述字段（见 analysis-framework.md 各 Subagent JSON schema）。叙述字段必须双源融合——同时引用 akshare 数字和 tavily 新闻事件，推断市场参与者动机，不只描述现象。

强制要求：Module 1 和 Module 6 必须额外输出“预期差 / 明日验证点 / 证伪条件”结构。不能只解释今天发生了什么，还必须说明：市场原先在定价什么、今天新增信息改了什么、明天看什么来证明这个判断对或错。

Subagent A: 宏观事件解读师 × 情绪量化分析师

模块: Module 1（宏观定价扫描）+ Module 2（市场情绪温度计）

提供数据: tavily 新闻、analysis.sentiment（各分项得分、综合分、散户/机构分、60日百分位）、analysis.northbound（趋势描述）、market_data（涨跌停原始数据、两融）

核心任务:

• 从新闻中筛选有效事件，判断定价完成度（已充分/未充分/过度）
• 对最关键的 1-2 个事件补充“预期差框架”：市场原预期、今日新增信息、盘面反应、预期差判断、明日验证点、证伪条件
• 更新宏观三维坐标（经济动能/流动性/风险偏好）
• 直接使用 analysis.sentiment.composite_score 作为综合情绪分（无需重算）
• 确认散户/机构分歧类型（使用 analysis.sentiment.divergence_type）
• 判断情绪趋势斜率（加速上行/高位走平/拐头下行/筑底反弹）

输出: JSON（结构见 analysis-framework.md「Subagent A」节）

Subagent B: 板块策略师 × 资金流向分析师

模块: Module 3（板块结构性分析）+ Module 4（资金路线图）

提供数据: analysis.industry（四分类表、成长/价值风格、资金流向TOP/BOTTOM3、迁移类型）、analysis.limit_up_ecology（封板率、连板分布、主题集中度、赚钱效应）、analysis.fund_structure（机构/散户行为类型、超大单趋势）、market_data.lhb_jgmmtj、market_data.lhb_stocks

核心任务:

• 直接使用 analysis.industry.heatmap 做行业四分类（无需重算）
• 直接使用 analysis.industry.style 输出成长/价值量化对比
• TOP 2 板块深度解剖（驱动力/轮动周期/资金主体/持续性评级）
• 直接使用 analysis.limit_up_ecology 涨停板生态指标
• 基于 analysis.fund_structure.behavior_type + market_data.lhb_jgmmtj/lhb_stocks 解读资金意图

输出: JSON（结构见 analysis-framework.md「Subagent B」节）

输出: JSON（结构见 analysis-framework.md「Subagent B」节）

Subagent C: 技术分析师 × 估值研究员 × 情景规划师

模块: Module 5（技术形态与估值）+ Module 6（次日预判与历史镜像）

提供数据: analysis.technical（MA矩阵、均线排列、量比、K线形态、支撑/压力位、日内/隔夜拆解）、analysis.valuation（PE百分位、ERP信号）、指数原始日线序列（用于图表渲染）

核心任务:

• 直接使用 analysis.technical[指数].ma_arrangement、ma_deviations、kline_pattern 输出技术矩阵
• 直接使用 analysis.technical[指数].supports/resistances 列出支撑/压力位（已附计算依据）
• 直接使用 analysis.valuation.erp.erp_signal 输出 ERP 信号
• 直接使用 analysis.valuation.index_pe[指数].pe_zone 输出估值水位档位
• 基于以上量化锚点，构建三情景概率判断（概率之和=100%，各附可观测触发条件）
• 每个情景必须写明“它在验证哪条市场叙事”，以及“出现什么信号时该情景失效”
• 历史镜像匹配 + 上期预判回顾

输出: JSON（结构见 analysis-framework.md「Subagent C」节）

Phase 3: 渲染 Agent 生成 HTML

收集三份 JSON 后，交给渲染 Agent。

深度分析指令（最高优先级）

1. 交叉证伪机制（Cross-Validation） 禁止简单复读新闻中的利好与利空。必须执行新闻事件与盘面数据的交叉对比：

• 若新闻大肆渲染某热点（如“某板块重磅利好”），必须立即去查阅 market_data.lhb_jgmmtj（龙虎榜机构买卖）或 analysis.industry.fund_flow_top3_outflow：
• 如果机构/主力在高位净卖出（新闻火热但资金撤退），强烈提示【风险提示：情绪高潮但主力资金背离 / 借利好兑现】。
• 如果新闻利好与龙虎榜机构净买入共振，判定为【主线确认】。

2. 必须建立因果链条 禁止仅罗列“指数涨跌”或“新闻标题”。所有结论必须符合 数据(Data) + 事件(Event) -> 归因(Attribution) -> 验证(Verification) 的结构。

• ❌ 错误：今日半导体板块上涨，主力流入。
• ✅ 正确：半导体板块上涨3.2%，主力净流入15亿（数据），主要受昨夜英伟达财报超预期驱动（事件），确认了AI硬件端的景气度外溢（归因），需关注明日是否缩量分歧（验证）。

3. 必须使用量化锚点与速率(Velocity)

• 情绪与加速度：必须引用 composite_score、divergence（散户/机构分歧）以及 momentum_velocity（加速度）。
• 量价配合：必须引用 analysis.technical 中的 volume_price_desc 判断量价关系（如缩量下跌、放量滞涨等）。
• 资金：必须引用 northbound（北向）与 sector_fund_flow（内资）的背离或共振，且留意机构/散户流向。
• 预期管理：梳理未来3天的宏观数据或财报发布窗口，给出具体落地验证点。

4. 数据失败处理 若 market_data 中存在 _failed_items，必须在报告开头显著位置（引用块）提示：“⚠️ 部分数据源（如龙虎榜）暂时不可用，相关模块分析可能受限”。

HTML 设计规范详见 → references/html-design-spec.md

渲染要点

1. 冲突检查：若三份 JSON 数据矛盾，以 Subagent C 数据为准
2. 统一视角：最终报告不出现 Agent 角色名，以统一研究报告形式呈现
3. 模块标题用结论式句式（如「资金从消费向科技大迁移，赚钱效应持续修复」）
4. FT 风格固定：三文鱼粉底色系（#FAF7F2），涨红（#C0392B）跌蓝深（#1A2E3E），espresso header（#1C0F08）
5. 字体："Georgia", "Noto Serif SC", "PingFang SC" 优先，展现权威感
6. 单文件输出：不引用本地资源，ECharts 通过 CDN 加载
7. body 最大宽度 1100px，水平居中，内边距 48px/40px，辅助文字≥11px
8. 所有数字使用等宽字体（SFMono-Regular, Menlo, Consolas）
9. 卡片圆角 12-16px，投影 0 4px 16px rgba(0,0,0,0.08)
10. 必须渲染叙述区块：每个模块必须包含来自 analysis_text 的 .insight-block 深度解读段落，禁止只渲染数字表格/图表而省略文字分析。叙述区块 CSS 组件见 html-design-spec.md「深度叙述区块」节。
11. 禁止排版漂移：顶部仪表盘、图表区、表格区必须使用固定组件容器（.dashboard-strip、.viz-card、.table-wrap、.chart-frame），禁止裸露图表直接贴在模块根节点下。
12. 禁止元素重叠：仪表盘 gauge、K 线图、Sankey、表格必须有明确高度；若数据不足导致图表拥挤，降级为 stat card / badge / 简化表，不允许文字与图表互相覆盖。
13. 响应式强制要求：桌面端按 2-3 列信息栅格布局；当视口 < 900px 时统一降为单列，顶部指数卡改为 2 列网格，禁止 6 个指数横向挤压在一行。
14. 视觉层次强制要求：每个模块必须遵循「标题区 → 一句话结论 → 核心图表区 → 深度解读 → 次级表格/清单」的顺序，禁止把图表、长段落、表格随机穿插。
15. 优先美观而非堆砌：宁可减少一个次级组件，也要保证主图表和关键数字排版整齐、留白充足、模块高度均衡。
16. 图表必须自带解释与交互（深度优化要求）：所有的单独 .chart-frame 顶部必须带有醒目的文字标签（HTML 标题或说明段落），告知用户正在看什么指标（如：<div class="chart-title">主力30日净流入趋势</div>）；严禁生成没有任何文字说明“裸图表”；对于时序折线/柱状图必须强制开启 dataZoom 以供拖拽缩放；必须配置带有单位（% 或 亿元）的 tooltip { trigger: 'axis' } 和 legend。
17. 必须显式渲染“市场在交易什么”：在顶部摘要区或 Module 1 中，固定展示 module1.expectation_gap 的主叙事摘要。
18. 必须显式渲染“明日验证点”：在 Module 6 的情景区中展示每个情景的 validates 与 invalidation，禁止只渲染概率和区间。

页面结构

[顶部仪表盘横条]  三行布局：品牌行 | 指数行（6个指数）| 概览行（成交/情绪/涨停/北向）
[Module 1] 宏观定价扫描       ← Subagent A
[Module 2] 市场情绪温度计     ← Subagent A
[Module 3] 板块结构性分析     ← Subagent B
[Module 4] 资金路线图         ← Subagent B
[Module 5] 技术形态与估值     ← Subagent C
[Module 6] 次日预判与历史镜像 ← Subagent C
[页脚] 数据来源声明 + 免责声明

可视化清单（强制要求）

原则：每个模块至少含 2个 可视化组件（图表或交互组件），禁止出现纯文字罗列的模块。

输出文件

将最终 HTML 写入PROJECT_ROOT（运行 skill 的项目根目录）：

market-debrief-YYYY-MM-DD.html

数据中间产物继续存放于 SKILL_ROOT/assets/，最终成品 HTML 单独放在 PROJECT_ROOT，便于直接预览、分享和版本比对：

>

- SKILL_ROOT/assets/market_data_YYYY-MM-DD.json — 原始行情数据 - SKILL_ROOT/assets/analysis_YYYY-MM-DD.json — 量化指标分析结果（新） - SKILL_ROOT/assets/news_data_YYYY-MM-DD.json — 新闻搜索结果 - PROJECT_ROOT/market-debrief-YYYY-MM-DD.html — 最终日报

输出动作要求：渲染完成后，必须显式执行“写入 PROJECT_ROOT HTML 文件”这一步，不允许把最终 HTML 留在 SKILL_ROOT/assets/、临时目录或对话内联代码块中。

内容质量红线

禁用表达（出现即重写）：

每期必含量化锚点：

1. 情绪综合分（含散户/机构拆解）
2. 资金迁移净额
3. 沪深300 PE 历史百分位
4. 关键支撑/压力位 + 计算依据
5. 三情景概率（和=100%）+ 触发条件
6. 上期预判准确度（若有）

语言规范

先说好还是不好，再说为什么。 每个模块标题和首句即结论。

保留英文：PE、PB、ERP、MA、ETF、MLF、EPS、ROE、CPI、PMI

必须中文：所有分析结论、图表标题、评价性用语、方向性判断

禁止出现：「总而言之」「需要指出的是」「值得注意的是」「总体来看」「综上所述」

数据失败项告知（必须执行）

生成报告完毕后，在最终回复中必须以中文明确告知用户：

1. 若所有数据均采集成功：说明「本期数据采集完整，所有 12 类行情数据和新闻查询均成功」
2. 若存在失败项：列出具体失败内容，例如：

⚠️ 本期数据采集部分失败，以下内容未能获取，相关模块分析准确度可能受影响：

>

- 行情数据：龙虎榜机构统计（lhb_jgmmtj）或龙虎榜个股统计（lhb_stocks）、指数PE（index pe） - 新闻查询：2/4 个查询无有效返回

来源：读取 SKILL_ROOT/assets/market_data_YYYY-MM-DD.json 中的 _failed_items 字段，以及 SKILL_ROOT/assets/news_data_YYYY-MM-DD.json 中的 _failed_queries 字段。

参考文件索引

脚本索引

依赖安装：pip install akshare numpy pandas requests、jq + curl（Bash，可选）、Tavily API token（可选）