# Agent驱动的盘后龙虎榜解读系统用LLM给营业部席位打风格标签 IG50免费开源股票数据API接口

龙虎榜数据的信息量很大，但阅读成本极高：一天几十只股票上榜，每只背后是五到十个买卖席位，每个席位又有自己的历史行为模式。人工复盘一轮至少半小时，还容易看漏。我在上一篇文章里讲过怎么把龙虎榜做结构化入库和统计画像，这次往前再走一步——把这套数据能力交给 Agent，让 LLM 在盘后自动完成席位打标和榜单解读，输出一份可以直接读的复盘纪要。整个系统的核心思路是：统计算特征，模型做归纳，人只做终审。

先说系统结构。Agent 挂载三个数据工具：每日榜单读取、营业部历史画像查询、个股上榜统计。LLM 的职责不是算数——净买强度这类硬指标全部由确定性代码算好——而是做"归纳和翻译"：把一个营业部近90日的行为特征，归纳成风格标签，再结合当日榜单上下文写出解读。这种分工是踩过坑之后的结论，早期我让模型直接从原始记录里总结，幻觉率居高不下，把特征计算从提示词里剥离出去之后，输出质量立刻稳定了。

第一个工具，读当日榜单并附上席位的历史画像特征。画像特征由统计层预先算好：净买强度、活跃度、偏好上榜的股票类型。Agent 拿到的每条席位记录都是"特征包"而不是原始流水。

```python
import json
from pathlib import Path

def get_lhb_with_profile(date: str) -> str:
    """工具一：返回当日龙虎榜单 + 每个席位的统计特征包"""
    fp = Path(DATA_ROOT) / 'all/ld' / f'{date}.json'
    board = json.loads(fp.read_text(encoding='utf-8'))
    profile = load_yyb_profile()          # 统计层预计算的营业部画像
    out = []
    for day in board:
        for reason in ('zpl7', 'dpl7', 'h20', 'z20', 'zf15'):
            for d in (day.get(reason) or []):
                item = {'code': d.get('dm'), 'name': d.get('mc'),
                        'reason': reason, 'amt': d.get('v'),
                        'seats': []}
                for seat in d.get('buy_seats', []):
                    p = profile.get(seat['yybmc'], {})
                    item['seats'].append({
                        'seat': seat['yybmc'], 'buy': seat.get('buy'),
                        'net_ratio_90d': p.get('net_ratio'),
                        'count_90d': p.get('count'),
                        'top3': p.get('top3'),
                    })
                out.append(item)
    return json.dumps(out[:40], ensure_ascii=False)
```

第二个工具是标签推理。风格标签体系我固定为五类：进攻型游资（净买强度高、金额大）、通道型（买卖两侧都活跃）、量化套利型（净额接近零但频次极高）、机构专用（席位名称自带标识）、散户集中型（频次高金额碎）。前四类有明确的统计规则可以直接判，真正需要 LLM 判断的是模糊地带——比如一个净买强度中等的席位，它的 top3 股票是清一色连板票还是大盘蓝筹，这种"行为气质"的归纳正是语言模型的长项。

```python
TAG_PROMPT = """你是龙虎榜席位分析师。对下面每个营业部给出风格标签与一句依据。
标签只能从五种中选择：进攻型游资 / 通道型 / 量化套利型 / 机构专用 / 散户集中型。
判断依据必须引用给出的统计特征（net_ratio_90d、count_90d、top3），不得编造数字。
输出 JSON 数组，每项含 seat、tag、evidence 三个字段。

席位特征数据：
{seats}"""

def tag_seats(seats: list) -> str:
    """工具二：LLM 归纳席位风格标签，输出结构化 JSON"""
    prompt = TAG_PROMPT.format(seats=json.dumps(seats, ensure_ascii=False))
    resp = llm.chat(prompt, response_format='json')
    return validate_tags(resp)            # 校验标签合法性与席位名一致性
```

第三个环节是编排与成文。Agent 主循环按"读榜单 → 逐股聚合席位标签 → 生成解读"三步走，解读环节的提示词里我加了三条硬约束：只描述历史行为不预测涨跌、每个结论必须挂席位标签作为证据、全文控制在八百字以内。最后输出一份 markdown 纪要，包含当日榜单总览、进攻型席位聚集的个股名单、席位联动观察（同批席位共同出现在多只票上）三个板块。

```python
REPORT_PROMPT = """基于以下结构化榜单数据（含席位风格标签）写盘后龙虎榜纪要。
规则：1) 只做行为描述与历史归纳，不预测涨跌，不给出买卖建议；
2) 每个结论后标注依据的席位标签；
3) 结构为：榜单总览 / 值得注意的席位聚集 / 席位联动观察；
4) 全文不超过 800 字。

数据：
{payload}"""

def run_daily_agent(date: str) -> str:
    board = get_lhb_with_profile(date)
    tagged = tag_seats(extract_seats(board))
    return llm.chat(REPORT_PROMPT.format(payload=merge(board, tagged)))
```

上线一个多月的体感：单日全流程压缩到两分钟以内，人工只需终审纪要。模型归纳出的标签和人工复盘的一致率粗估在八成以上，分歧集中在通道型和量化套利型的边界上——这类模糊样本恰好也是统计规则本来就切不干净的。还有一个意外收获是席位联动观察板块，模型对"同一批席位跨票聚集"的敏感度比人眼高，多次提前把资金集团的动向圈了出来。

两个工程提醒。其一，validate_tags 这一步不能省，LLM 偶尔会自创标签或者张冠李戴，席位名校验加标签白名单双保险，不合规的记录回退到统计规则兜底。其二，营业部画像的更新频率决定了标签的时效，我固定每季度全量重算、每周增量刷新，画像过期是整套系统最大的隐性风险。

本文用到的数据接口：每日龙虎榜详情 all/ld（字段 t、zpl7、dpl7、h20、z20、zf15、dm、mc、v）；营业部上榜统计 all/yyb/加近n日（字段 yybmc、count、totalb、totals、top3）；个股上榜统计 all/gg/加近n日（字段 dm、count、netp）。本地数据底座为 ig50。

资料参考：ig50

[gitee开源地址](https://gitee.com/igtrade/ighub)
[github开源地址](https://github.com/ig50-service/ig50-official)


龙虎榜数据的信息量很大，但阅读成本极高：一天几十只股票上榜，每只背后是五到十个买卖席位，每个席位又有自己的历史行为模式。人工复盘一轮至少半小时，还容易看漏。我在上一篇文章里讲过怎么把龙虎榜做结构化入库和统计画像，这次往前再走一步——把这套数据能力交给 Agent，让 LLM 在盘后自动完成席位打标和榜单解读，输出一份可以直接读的复盘纪要。整个系统的核心思路是：统计算特征，模型做归纳，人只做终审。

Agent驱动的盘后龙虎榜解读系统用LLM给营业部席位打风格标签 IG50免费开源股票数据API接口

人工智能

编程语言

数据库

Agent驱动的盘后龙虎榜解读系统，通过LLM为营业部席位自动打风格标签并生成复盘纪要。系统结合统计特征计算与语言模型归纳，覆盖进攻型游资、量化套利等五类标签，支持席位联动观察。采用IG50免费开源股票数据API，实现每日榜单读取、历史画像查询，显著提升复盘效率。

数据接口

代码解释

Agent

JSON

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

Agent驱动的盘后龙虎榜解读系统用LLM给营业部席位打风格标签 IG50免费开源股票数据API接口-腾讯云开发者社区-腾讯云

Agent驱动的盘后龙虎榜解读系统用LLM给营业部席位打风格标签 IG50免费开源股票数据API接口

Agent驱动的盘后龙虎榜解读系统用LLM给营业部席位打风格标签 IG50免费开源股票数据API接口

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐