Toluwalope Akinkunmi加载中…

正在画草图…

000
跳到正文
← 全部笔记

· 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

每日一次运行:从定时到报告。每日定时 → 扫描器; 扫描器 ↔ 行情数据; 扫描器 ↔ 历史价格; 扫描器 ↔ AI 分析师; 扫描器 → 每日报告每日定时EventBridge扫描器AWS Lambda行情数据NGX历史价格DynamoDBAI 分析师Gemini每日报告Telegram触发抓取跌幅榜五日校验分析精选
每日一次运行:从定时到报告。
  • 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
下一篇共享逻辑,不共享界面一个活动平台的 Next.js 与 Expo 应用之间,哪些放进了共享包,哪些没有,以及为什么。