新闻详情

新闻详情

首页 / 资讯中心 / 详情

tick-stock-panel AI对话助手实战:一句话取数、18个只读工具与工具足迹可展开核对

发布时间:2026/11/14 2:32:01来源:尧图网络
tick-stock-panel AI对话助手实战:一句话取数、18个只读工具与工具足迹可展开核对
tick-stock-panel AI对话助手实战一句话取数、18个只读工具与工具足迹可展开核对【免费下载链接】tick-stock-panelTSP自托管、零运维的 A 股「选股 监控 回测」量化工作台 | LLM能力驱使策略定制个股分析复盘 | 自由接入第三方数据源与个性化扩展数据 | 个人开源项目地址: https://gitcode.com/GitHub_Trending/ti/tick-stock-panel在 A 股量化面板 tick-stock-panel 中AI 对话助手让你用一句话就能查行情、看自选、跑策略、做复盘。它内置 18 个只读工具覆盖行情、财务、板块轮动、市场环境等核心页面能力并且每次取数都会生成可展开核对的工具足迹卡片让你清楚知道 AI 查了哪些数据、传了什么参数、结果有多少行。本文带你快速上手这位自托管面板里的贴身数据助理。为什么需要 AI 对话助手传统的量化工作台查数据要在多个页面之间来回切换看大盘去看板看自选去自选页看财务去财务页。而 AI 对话助手把这些能力收拢到一个对话框里一句话取数问今天市场怎么样助手会自动调用市场总览工具返回涨跌家数、成交额、涨停连板梯队与情绪雷达全只读设计所有工具只查询、不修改不会改动你的策略、自选或数据文件用起来更放心结果可核对每个工具调用都会生成足迹卡片展开即可看到原始参数与一行摘要回答建立在真实数据之上而非模型编出来的数字。助手以独立二开模块形式挂在面板上删除该目录即可整体卸载、不影响核心功能模块入口见 backend/app/custom/assistant/。18 个只读工具AI 能帮你查什么工具目录分两层4 个核心目录工具 14 个页面查询工具全部在 tools.py 中统一注册与执行。核心目录工具4个工具作用list_factors检索约 100 个可用因子目录可按资产类型过滤list_strategies检索已加载的策略目录含描述与可调参数list_data_capabilities检索数据源能力日K/分钟/五档/财务等run_backtest对已保存策略跑一次全量回测返回夏普、回撤、胜率等精简指标核心目录的序列化与分发逻辑在 tool_catalog.py回测只回传精简 stats 关键键不会把整条资金曲线塞给模型。页面查询工具14个工具对应能力说明get_stock_quote个股实时行情最多 50 只单只查询还会附当日分时小图get_stock_daily个股日线近 N 个交易日≤500附日K小图get_stock_analysis个股分析基于 120 日日线计算 11 类关键价位支撑/压力/枢轴/布林等get_financials财务报表最近几个报告期的指标/利润/资产负债/现金流get_watchlist自选股列表合并最新价与今日涨跌幅get_market_overview市场总览与看板首页同口径涨跌家数、涨停连板、情绪雷达get_indices指数行情上证/深证/创业板/科创50 等点位与涨跌幅get_sector_rotation板块轮动概念/行业维度的活跃板块榜与切换事件get_regime市场环境最近 N 日的强弱状态、情绪周期阶段get_abnormal异动监控盘中异动涨停/炸板/新高新低/放量get_lots持仓提醒持仓成本、目标/止损幅度合并最新价list_signals信号库自定义信号的名称、表达式与启用状态run_strategy执行选股策略以最新交易日盘面跑一个策略返回命中列表get_factor_values因子排名某因子在全市场的 Top N 取值排名所有工具都有有界保护返回行数一律被钳制limit数值统一四舍五入、日期转 ISO 字符串保证结果既能喂给模型、又不会撑爆上下文。一句话取数从快捷指令开始打开助手对话框空会话时会看到 6 个快捷指令定义在 tools.py 的QUICK_SUGGESTS点击即发今天市场怎么样—— 触发市场总览涨跌家数、成交额、涨停连板梯队、情绪雷达、领涨领跌板块我的自选表现如何—— 拉取自选股列表按今日涨跌幅排序并点评最佳/最差我有哪些策略—— 遍历策略目录逐个简述用途与适用资产回测我的策略—— 先查策略列表再挑一个回测最近半年解读收益、回撤、夏普与胜率分析一只个股—— 结合分时与日K给出关键价位、趋势状态和量价特征当前市场环境—— 回顾最近一个月的 regime 演变判断今天是强势还是弱势。你也可以自由提问比如600519.SH 最近 60 天走得怎么样助手会自动组合get_stock_quoteget_stock_daily完成回答。工具足迹每次取数都能展开核对这是本模块的体验铁律——结果可核对。回答流式输出的同时前端会实时渲染工具足迹卡片头部显示已调用 N 个工具与总耗时部分失败会标红提示展开后列出每个工具的中文名、状态图标、耗时和一行摘要如返回自选 23 只、总览: 涨 2134 / 跌 2871 · 涨停 45**继续展开参数**可以看到模型传给工具的原始 JSON想核对口径时一目了然若工具返回了可绘图数据分时/日K走势小图会始终可见地挂在足迹卡下方而不是藏在展开区里。相关实现分别在 messages.tsx足迹卡渲染与 tools.py 的summarize_tool_result摘要生成。已调用 2 个工具 · 342ms ✓ 查询市场总览 总览: 涨 2134 / 跌 2871 · 涨停 45 ✓ 查询板块轮动 完成板块轮动查询 ▸ 参数 { kind: concept, top: 20 }前后端通过 NDJSON 事件流协作tool_call事件触发足迹卡出现tool_result携带摘要与可选图表数据协议细节见init.py 头部注释。每轮回答结束后前端还会固定渲染风险提示与数据口径说明不依赖模型自觉。实战三个典型对话场景场景一盘中快速摸底。问今天市场怎么样几十秒内得到市场总览 领涨领跌板块 情绪雷达的综合解读比手动在多个页面间切换快得多。场景二自选股体检。问我的自选表现如何助手拉取自选列表、合并最新行情直接标出表现最好和最差的标的并给出点评。场景三策略验证。问挑一个我的策略回测最近半年助手先检索策略目录再运行回测最后解读收益、回撤、夏普与胜率——而回测本身是只读操作不会修改任何策略文件。上手建议与小结先用 6 个快捷指令熟悉助手边界再尝试自由组合提问先查因子目录再跑一下 XX 策略回答里出现关键数字时点开足迹卡片核对原始参数与行数这是建立信任的最佳习惯需要 AI 生成策略等更进阶的能力可参考 docs/strategy-iteration.md 了解策略迭代链路。一句话总结tick-stock-panel 的 AI 对话助手把选股 监控 回测工作台的数据能力装进了一个对话框——18 个只读工具负责取数工具足迹负责让你随时核对是新手快速摸清自己数据资产的实用入口。【免费下载链接】tick-stock-panelTSP自托管、零运维的 A 股「选股 监控 回测」量化工作台 | LLM能力驱使策略定制个股分析复盘 | 自由接入第三方数据源与个性化扩展数据 | 个人开源项目地址: https://gitcode.com/GitHub_Trending/ti/tick-stock-panel创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/13 0:43:49

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/13 10:09:00

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/13 13:31:48

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/13 16:11:45

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/13 0:02:27

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉