DSA：面向多市场股票研究的证据感知 LLM 智能体编排框架

arXiv 论文提出 DSA，一个面向多市场股票研究的证据感知 LLM 智能体编排框架。该框架将工作流划分为证据获取、结构化上下文构建、模型路由分析、可选角色与策略技能推理，以及报告生成。实现包含六个区域市场路径、十五个内置策略技能、本地与托管模型路由。在冻结软件快照下，1457 个离线后端契约测试通过，其中 596 个案例映射到六个契约族。证据表明实现符合测试契约，不代表报告质量或投资回报更优。

此前 LLM 金融总结多直接生成意见，缺乏证据组装与约束。DSA 显式处理异构证据、模型能力暴露，并通过契约测试验证实现一致性，为 LLM 在金融分析中的可信部署提供了工程化参考，尤其在多市场、多策略场景下。

DSA 通过分阶段工作流控制证据流向：先获取证据并构建结构化上下文，再由模型路由决定分析路径，可选启用角色与策略技能推理。报告生成时仅使用选定上下文并附加诊断。代理配置中，角色输出经专用解析器，策略技能意见需经过信号资格划分，分歧显式提供给决策智能体，并执行保守风险覆盖。

对研发影响：需构建证据获取与上下文管理模块，设计契约测试保证实现一致性。对产品影响：可将 DSA 模式应用于金融分析产品，提升报告的可解释性与风险控制，但需投入额外工程成本。对成本影响：多模型路由与本地模型支持可优化推理成本。

• 开发一个基于 DSA 的多市场股票研究原型，使用六个区域市场路径和十五个策略技能进行内部验证。
• 设计一套契约测试套件，用于验证 LLM 智能体编排系统的实现一致性，作为产品交付的质量门槛。
• 探索将 DSA 的路径选择与风险覆盖机制集成到现有研究报告中，增强对分歧意见的处理与风险提示。

• DSA 框架在真实市场中的预测准确性或投资回报表现是否优于传统方法？
• 证据获取阶段具体如何处理异构数据源（如新闻、财报、行情）的可靠性？
• 模型路由策略的具体规则与性能基准是什么？
• 代理配置中的风险覆盖机制如何量化风险并触发覆盖？