· 2 分钟阅读
先过滤,再思考
Stock Bot 的设计:一个定时运行、以极低成本解读尼日利亚股市的 LLM 智能体。
Stock Bot 是我正在做的一个小型智能体。它每天找出尼日利亚证券交易所里下跌的股票,判断哪些下跌像是机会,再把候选名单发到我的 Telegram。最有意思的不是 LLM,而是它周围的一切。
流水线
- EventBridge 定时任务每天触发一次 Lambda 函数。
- 函数只抓取当天跌幅最大的股票,而不是全部上市公司。
- 对每只股票,查看 DynamoDB 中保存的五天价格,确认是真实的回调,而不是某一天的噪声。
- 只有通过筛选的股票才会带着结构化提示词交给 Gemini,精选结果发到 Telegram。
为什么先过滤
LLM 调用是最慢、最贵的一步,所以放在最后。普通代码零成本地筛掉大部分候选,模型只评判少数值得评判的股票。这个思路适用于任何智能体:让便宜、确定性的步骤先缩小问题,把“智能”花在能改变答案的地方。
包越小,意外越少
第一版用了 pandas,导致 Lambda 包太大,不加额外的层就无法部署。换成轻量的 HTML 解析器后问题就消失了。Serverless 偏爱朴素的依赖。
项目仍在进行中:流水线在本地已跑通,部署正在收尾。下一步,我想记录每一次选择,并把模型的判断与市场的真实走势做对比。
相关案例
Stock Bot