metadata: version: "1.0.0"

name: stock-wiki description: "用 LLM 构建和维护个人股票投研知识库、逻辑验证库。当用户需要创建股票相关的知识库、导入研报/新闻/财报、查询投研逻辑、维护知识库健康状态（如检查逻辑矛盾）时触发。关键词：投研、股票、研报、财报、知识库、wiki、ingest、导入资料、知识管理。" version: 1.0.0

stock-wiki - 用 LLM 构建股票投研知识和操作经验持续积累的知识库

核心理念

不同于 RAG 每次从零检索，LLM Wiki 让 LLM 持续构建并维护一个结构化的 Markdown 投研 Wiki。每次导入新资料（研报、新闻、财报），LLM 不是简单索引，而是阅读、提取关键信息、整合到现有 Wiki 中——更新个股档案、修订行业逻辑、标注多空矛盾、强化或挑战已有投资论点。知识编译一次，持续更新，而非每次查询重新推导。

三层架构

1. Raw Sources（原始资料）

• 存放在 /Users/Admin/workspace/python/deepagents-test/deepagents/data/raw/ 目录
• 不可变——LLM 只读不改，作为投研的“真相来源”
• 包含：券商研报(PDF)、财经新闻、宏观数据、公司公告、交易复盘记录等

2. Wiki（知识库）

• 存放在 /Users/Admin/workspace/python/deepagents-test/deepagents/data/wiki/ 目录
• LLM 生成并维护的 Markdown 文件集
• 包含：个股档案页、行业综述页、宏观概念页、投资策略页、综合分析页
• LLM 全权管理：创建页面、更新、维护交叉引用、保持逻辑一致性

3. Schema（配置）

• 使用 /Users/Admin/workspace/python/deepagents-test/deepagents/data/schema.md 文件中的定义(如果文件存在)
• 告诉 LLM Wiki 的结构、命名约定、工作流
• 你和 LLM 共同迭代演进

关键文件

• /Users/Admin/workspace/python/deepagents-test/deepagents/data/wiki/index.md — 内容总览目录。按类别组织（个股、行业、宏观、策略），每条含链接 + 核心逻辑一句话摘要。LLM 每次导入时更新。查询时 LLM 先读索引再深入具体页面。
• /Users/Admin/workspace/python/deepagents-test/deepagents/data/wiki/log.md — 投研操作日志。按时间顺序追加记录（导入、查询、维护），格式如 ## [2026-04-29] ingest | 某某券商-宁德时代深度研报。

三大核心操作

Ingest（导入与编译）

当用户说"导入"、"处理这份研报"、"添加到知识库"时执行：

⚠️ 第一步永远是 markitdown 预处理（详见下方"实战流程"第 0 步）。禁止直接 `read_file` 任何 PDF。

1. 读取 /Users/Admin/workspace/python/deepagents-test/deepagents/data/raw/ 中的新资料（只读 .md / .md 转换后的文本，PDF 跳过）
2. 在 /Users/Admin/workspace/python/deepagents-test/deepagents/data/wiki/ 中创建资料摘要页（source-xxx.md）
3. 更新相关个股/行业页：将新数据、新观点整合进对应的 wiki/companies/ 或 wiki/industries/ 页面（可能涉及多个页面）
4. 更新 /Users/Admin/workspace/python/deepagents-test/deepagents/data/wiki/index.md 索引
5. 在 /Users/Admin/workspace/python/deepagents-test/deepagents/data/wiki/log.md 中追加操作记录
6. 标注逻辑冲突：如果新资料与已有认知矛盾（如：之前看多，新研报看空），必须在对应页面明确标注冲突点。

Query（查询与推演）

当用户提问或要求分析时执行：

1. 读取 /Users/Admin/workspace/python/deepagents-test/deepagents/data/wiki/index.md 定位相关页面
2. 深入阅读相关个股、行业页面
3. 综合回答，附带引用（指向具体的 source 或 wiki 页面）
4. 有价值的分析结论（如：某次复盘总结出的交易模式）可以回写为 Wiki 新页面，让探索也能积累。

输出格式可以多样：Markdown 页面、个股对比表格、SWOT 分析等。

Lint（维护与体检）

当用户说"检查知识库"、"维护一下"时执行：

1. 检查页面间的内容冲突（如：A 研报说产能过剩，B 研报说供不应求）
2. 发现被新财报/新政策取代的过时内容（标记为 [已过时]）
3. 找出无入站链接的孤立页面
4. 识别被提及但缺少专属页面的重要概念（如：某新出的行业术语）
5. 发现缺失的交叉引用（如：个股页未链接到对应的行业页）
6. 建议可通过网络搜索填补的数据空白（如：缺少最新股价或 PE 数据）

初始化工作流

当用户说"创建知识库"、"初始化" 时：

1. 创建目录结构：

• /Users/Admin/workspace/python/deepagents-test/deepagents/data/raw/ # 原始资料
• /Users/Admin/workspace/python/deepagents-test/deepagents/data/raw/assets/ # 图片等附件
• /Users/Admin/workspace/python/deepagents-test/deepagents/data/wiki/ # Wiki 页面
• /Users/Admin/workspace/python/deepagents-test/deepagents/data/wiki/index.md # 索引
• /Users/Admin/workspace/python/deepagents-test/deepagents/data/wiki/log.md # 操作日志

1. 创建初始 /Users/Admin/workspace/python/deepagents-test/deepagents/data/wiki/index.md（空目录模板）
2. 创建初始 /Users/Admin/workspace/python/deepagents-test/deepagents/data/wiki/log.md（首条记录：Wiki 创建）
3. 如有必要，创建 /Users/Admin/workspace/python/deepagents-test/deepagents/data/schema.md schema 文件

最佳实践

• 逐条导入资料并保持参与——阅读摘要、检查更新、引导 LLM 聚焦重点（如：重点看风险提示）
• 好的查询回答要回写到 Wiki，让探索也能复利
• 定期执行 Lint 保持 Wiki 健康，尤其是财报季结束后
• Wiki 就是一个 Markdown 文件的 Git 仓库——天然拥有版本历史
• 使用 Obsidian 作为浏览 IDE，利用图谱视图查看“个股-行业-宏观”的逻辑脉络
• 页面的 YAML frontmatter 可以配合 Dataview 插件生成动态表格（如：自动汇总所有“强烈推荐”评级的个股）

股票投研实战经验

以下经验来自实际运行投研知识库过程中积累的模式和教训。

资料获取

• 微信公众号/财经类、股票类文章：推荐用 Obsidian Web Clipper 浏览器扩展剪藏为 Markdown，再放入 /Users/Admin/workspace/python/deepagents-test/deepagents/data/raw/ 目录。
• 券商研报 / 财报 PDF：放入 /Users/Admin/workspace/python/deepagents-test/deepagents/data/raw/ 后，必须在导入前先转换为 Markdown，使用项目内置的 markitdown：

/Users/Admin/workspace/python/deepagents-test/deepagents/bin/markitdown data/raw/<file>.pdf -o data/raw/<file>.md

⚠️ 硬性约束（违反会浪费 token 且触发上游警告）

1. 禁止直接对 data/raw/*.pdf 调用 read_file 工具。PDF 是二进制，会被 deepagents 编码为 base64 文件块塞回 LLM，既不可读（OpenAI 兼容模型不支持原生 PDF 上传），又会触发 LC_AUTOGENERATED 文件名警告。

2. 只读转换后的 .md 文件 + data/raw/assets/ 下被 markitdown 提取出来的图片资源。

3. 如果某份 PDF 没有对应的 .md，说明转换未完成——先跑 markitdown 再继续。

• 剪藏后的文件自带 YAML frontmatter（title、source、author、created、tags），可直接利用。

页面命名规范

实践中形成的股票 Wiki 文件命名约定：

Ingest 实战流程（详细版）

一次完整的投研资料导入通常产生以下操作：

1. 【强制前置】预处理原始资料

• 扫描 data/raw/，找出所有未经处理的 PDF（即同名 .md 不存在的 PDF）。
• 对每个 PDF 执行：

``bash /Users/Admin/workspace/python/deepagents-test/deepagents/bin/markitdown \ data/raw/<file>.pdf -o data/raw/<file>.md ``

• markitdown 会自动把 PDF 内的图片提取到 data/raw/assets/<file>/。
• 转换完成后，本流程后续所有"读取原文"步骤都读 .md 版本，不要读 .pdf。

1. 复制原文到 `/Users/Admin/workspace/python/deepagents-test/deepagents/data/raw/` — 保持原始资料不可变
2. 创建摘要页 — source-xxx.md，包含：

• YAML frontmatter（tags: [研报, 新能源], source, author, date, url）
• 核心观点（看多/看空/中性）
• 关键数据（营收、净利、目标价）
• [[双向链接]] 指向相关个股和行业页

1. 创建/更新个股页 — 提取并更新：

• 基本面摘要（业务模式、护城河）
• 核心逻辑（看多理由、看空风险）
• 最新催化剂（事件驱动）
• 估值与财务数据

1. 创建/更新行业/宏观页 — 将个股放入更大的背景中（如：宁德时代的更新要同步到“动力电池行业”页面）
2. 交叉引用 — 所有页面之间用 [[wikilink]] 互相关联
3. 更新 index.md — 按类别（个股/行业/宏观/资料）添加新条目
4. 更新 log.md — 记录创建了哪些页面、更新了哪些页面、关键要点、与已有知识的关联

交叉引用原则

• 每个个股页面底部都要有“来源”链接，指回资料摘要页。
• 新资料导入时，主动检查已有页面是否需要更新（如：新财报数据要覆盖旧数据，并记录变化趋势）。
• 摘要页末尾列出“相关概念”，形成概念网络（如：某光伏股关联到“碳中和”、“硅料价格”）。
• 标注跨资料关联：当多篇研报提到相似观点时，在页面中明确标注（如“与 [[source-xxx]] 的共同主题：行业集中度提升...”）。

页面 Frontmatter 模板

---
tags: [source-summary, report, 新能源]  # 资料摘要页
# 或
tags: [stock, company, 300750]   # 个股页
# 或
tags: [industry, concept]        # 行业/概念页
type: company | industry | macro | strategy
ticker: "300750"  # 仅个股页需要
sector: "电力设备"
source: "原文标题"
author: 作者名/券商
date: YYYY-MM-DD
url: "原始链接"
---

知识关联发现

导入第二篇及以后的资料时，重点关注： 共同主题：多篇研报反复出现的观点要在页面中标注（如：“多家券商均看好某公司出海逻辑”） 矛盾观点：不同资料的冲突要明确标注，不偷偷覆盖（如：“A券商认为产能过剩，但B券商认为需求旺盛，需关注后续库存数据”） 补充关系：新资料为已有概念增加案例/数据时，更新已有页面而非只创建新页面 逻辑演化：同一投资逻辑在不同时期的表述可能不同，页面要综合呈现（如：从“主题炒作”演变为“业绩兑现”）

版本管理建议

• 竞品档案等时效性强的内容，建议带日期命名（如 competitor_analysis_20260102.md）
• Wiki 页面本身不需要日期后缀——通过 git 历史追踪变化
• /Users/Admin/workspace/python/deepagents-test/deepagents/data/wiki/log.md 是了解知识库演进的最佳入口s

常见的一次导入规模

根据实践，一篇中等长度的深度研报或新闻（20-30页）通常：

• 新建 2-4 个页面（1 个摘要 + 1 个个股页 + 1-2 个相关行业/概念页）
• 更新 2-4 个已有页面（如：更新行业综述、更新竞争对手数据）
• 总计触及 5-8 个文件