TradingAgents-CN 提示词基础多智能体金融框架下的 Prompt 设计入门实战【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN导读提示词Prompt是与大语言模型交互的入口直接决定模型输出的质量与可用性。本篇技术指南基于 TradingAgents-CN基于多智能体 LLM 的中文金融交易框架中的提示词工程学习文档系统讲解提示词的定义、五要素结构、编写技巧与常见错误并对照仓库源码展示这些基础方法在基本面分析师、市场分析师、多空研究员等真实智能体节点中的工程化应用。读完本文你将掌握一套可直接复用于股票分析场景的提示词设计方法论并理解它在多智能体协作流程中的实际落地方式。一、什么是提示词1.1 定义与作用提示词Prompt是你发送给大语言模型的输入文本用于指导模型生成特定的输出。简单来说提示词就是你对 AI 说的话告诉它你想要什么。它的作用可以用一条链路概括你的提示词 → 大语言模型 → AI的回答提示词的质量直接决定了回答的质量模糊的输入只能得到模糊的输出而结构清晰、信息充足的提示词才能驱动模型给出专业、可用的分析结果。1.2 模糊与清晰的对比在金融分析场景下这一差异尤为明显❌ 模糊的提示词分析这只股票✅ 清晰的提示词请分析股票代码000001平安银行的投资价值包括 1. 基本面分析财务指标、盈利能力 2. 技术面分析价格走势、技术指标 3. 行业地位和竞争优势 4. 投资建议和风险提示在 TradingAgents-CN 中分析目标不明确是实际工程中要极力避免的问题。仓库中的每个分析师节点在构造提示词时都会显式注入公司名称 股票代码 所属市场三元信息。例如 基本面分析师 的系统提示词开头即为你是一位专业的股票基本面分析师。 任务分析{company_name}股票代码{ticker}{market_info[market_name]}其中的company_name、ticker、market_name通过代码动态填充这正是清晰提示词在框架中的标准实现。二、提示词的基本结构一个好的提示词通常包含五个部分角色设定、任务描述、上下文信息、输出格式、约束条件。2.1 角色设定Role告诉 AI 它应该扮演什么角色帮助模型从正确的专业视角组织语言与推理路径。示例你是一位资深的股票分析师拥有10年以上的A股市场分析经验。为什么重要帮助 AI 理解应该从什么角度回答提高回答的专业性和针对性在 TradingAgents-CN 中角色设定是所有智能体提示词的固定开场。例如 市场分析师 使用你是一位专业的股票技术分析师与其他分析师协作。而 看涨研究员 的定位更具体你是一位看涨分析师负责为股票 {company_name}股票代码{ticker}的投资建立强有力的论证。仓库中的角色设计体现了一个重要理念角色要与任务目标强绑定。多空研究员被设定为论证者因此其提示词要求构建基于证据的强有力案例中性风险分析师 则被设定为提供平衡视角要求评估上行和下行风险。角色即视角多角色组合才能覆盖决策所需的全部角度。2.2 任务描述Task清楚地说明你想要 AI 做什么。示例请分析平安银行000001的投资价值。要点使用明确的动词分析、总结、比较、评估指定具体对象股票代码、公司名称说明分析范围时间段、维度框架内的任务描述不仅指明做什么还明确按什么步骤做。例如 基本面分析师 的系统提示词给出强制工作流程✅ 工作流程 1. 【第一次调用】如果消息历史中没有工具结果ToolMessage立即调用 get_stock_fundamentals_unified 工具 2. 【收到数据后】如果消息历史中已经有工具结果ToolMessage 绝对禁止再次调用工具 3. 【生成报告】收到工具数据后必须立即生成完整的基本面分析报告包含 - 公司基本信息和财务数据分析 - PE、PB、PEG等估值指标分析 - 当前股价是否被低估或高估的判断 ...这正是分步骤引导思想在工程中的落地把分析这个大任务拆解为「调用工具取数 → 等待结果 → 生成报告」三个可验证的子步骤防止模型跳过取数直接编造结论。2.3 上下文信息Context提供必要的背景信息和数据让 AI 基于实际数据分析避免模型编造信息幻觉。示例当前股价12.50元 市盈率5.2 市净率0.6 最近一年涨跌幅-8.5% 行业银行业为什么重要让 AI 基于实际数据分析避免 AI 编造信息幻觉TradingAgents-CN 对上下文的工程化处理值得借鉴上下文不是写死的文字而是由数据层动态注入的。在 基本面分析师 中真实数据通过get_stock_fundamentals_unified工具获取后被拼接进强制分析提示词请提供 1. 公司基本信息分析{company_name}股票代码{ticker} 2. 财务状况评估 3. 盈利能力分析 4. 估值分析使用{currency_info} 5. 投资建议买入/持有/卖出 要求 - 基于提供的真实数据进行分析 ...看涨研究员 的提示词则把多个上游报告作为上下文资源整体注入可用资源 市场研究报告{market_research_report} 社交媒体情绪报告{sentiment_report} 最新世界事务新闻{news_report} 公司基本面报告{fundamentals_report} 辩论对话历史{history}这说明在多智能体框架中上下文信息还包括其他智能体的输出——这正是 TradingAgents-CN 智能体间协作的信息基础。2.4 输出格式Format指定你希望的回答格式让输出可解析、可复用。示例请按以下格式输出 ## 基本面分析 - 财务指标评价 - 盈利能力分析 ## 技术面分析 - 价格走势 - 技术指标 ## 投资建议 - 建议买入/持有/卖出 - 理由...常用格式Markdown 格式JSON 格式表格格式列表格式输出格式约束在框架中直接服务于下游消费。市场分析师的输出会被下游研究员引用因此 market_analyst.py 对格式做了强约束 **输出格式要求必须严格遵守** ## 股票基本信息 - 公司名称{company_name} - 股票代码{ticker} - 所属市场{market_name} ## 技术指标分析 [在这里分析移动平均线、MACD、RSI、布林带等技术指标提供具体数值] ## 价格趋势分析 [在这里分析价格趋势考虑{market_name}市场特点] ## 投资建议 [在这里给出明确的投资建议买入/持有/卖出]并补充了反向约束必须使用上述格式输出不要自创标题格式不要在标题中使用技术分析报告等自创标题。正反结合的格式约束比单纯给出模板更能保证输出一致性。2.5 约束条件Constraints设定回答的限制和要求划定模型行为的边界。示例要求 - 回答长度不超过500字 - 使用简洁的语言避免专业术语 - 必须包含风险提示 - 不要给出具体的买卖建议约束条件是 TradingAgents-CN 提示词中最具工程特色的部分。以 基本面分析师 为例其约束分为三个层次 语言和货币要求 - 所有分析内容必须使用中文 - 投资建议必须使用中文买入、持有、卖出 - 绝对不允许使用英文buy、hold、sell - 货币单位使用{currency_name}{currency_symbol} 严格禁止 - 不允许说我将调用工具 - 不允许假设任何数据 - 不允许编造公司信息 - 不允许直接回答而不调用工具 - 不允许回复无法确定价位或需要更多信息 ✅ 你必须 - 立即调用统一基本面分析工具 - 等待工具返回真实数据 - 基于真实数据进行分析 - 提供具体的价位区间和目标价这种禁止 必须✅ 语言规范的三层约束结构本质上是在用提示词做行为契约是约束条件要素在真实生产系统中的完整示例。三、编写有效提示词的技巧技巧1具体明确❌ 模糊这只股票怎么样✅ 具体请从基本面、技术面、行业地位三个维度分析平安银行000001的投资价值。技巧2提供充足信息❌ 信息不足分析一下银行股✅ 信息充足请分析平安银行000001 - 当前股价12.50元 - 市盈率5.2行业平均6.5 - ROE10.5% - 不良贷款率1.2%技巧3分步骤引导❌ 一次性要求太多分析这只股票的所有方面并给出详细的投资建议和风险评估以及未来预测✅ 分步骤第一步请先分析平安银行的基本面 第二步基于基本面分析评估其投资价值 第三步列出主要风险因素技巧4使用示例Few-shot通过示例告诉 AI 你想要什么样的输出请按以下示例格式分析股票 示例 股票贵州茅台600519 评级★★★★★ 理由行业龙头品牌价值高盈利能力强 风险估值偏高政策风险 现在请分析平安银行000001技巧5设定角色和语气你是一位谨慎的价值投资者请用客观、理性的语气分析平安银行。 避免使用夸张的表述重点关注长期投资价值。TradingAgents-CN 将上述技巧组合运用在多轮辩论中。多空研究员的提示词不仅要求用具体数据和合理推理批判性分析看跌论点还要求以对话风格呈现你的论点直接回应看跌分析师的观点并进行有效辩论而不仅仅是列举数据见 bull_researcher.py。具体对象 充足上下文 分步结构 语气要求的组合让模型从单次问答升级为参与动态辩论。四、常见错误错误1提示词过于简短❌ 太简短000001问题AI 不知道你想要什么。在框架中这会导致模型跳过取数、直接编造因此基本面分析师的系统提示词明确要求不允许直接回答而不调用工具。错误2一次问太多问题❌ 问题太多分析000001的基本面技术面行业地位竞争优势财务状况未来前景投资建议风险因素...问题回答可能不够深入。框架的解法是让每个智能体只聚焦单一职责基本面分析师只做基本面、市场分析师只做技术面再通过多智能体协作汇总这正是分而治之在架构层面的体现。错误3使用模糊的词语❌ 模糊这只股票好不好问题好的标准不明确。✅ 明确从投资回报率的角度这只股票是否值得长期持有错误4没有提供必要信息❌ 缺少信息分析一下这只股票问题AI 不知道是哪只股票。错误5期望 AI 预测未来❌ 不合理期望告诉我这只股票明天会涨还是跌问题AI 无法预测股市这样的提示词会导致不可靠的回答。框架的做法是要求模型提供基于基本面的目标价位建议而非预测涨跌并把最终决策交由交易员与风险经理的多轮博弈完成。五、实战示例示例1单股分析一个融合五要素的完整提示词你是一位资深股票分析师。请分析平安银行000001的投资价值。 当前数据 - 股价12.50元 - 市盈率5.2 - 市净率0.6 - ROE10.5% - 行业银行业 请从以下角度分析 1. 估值水平与行业对比 2. 盈利能力 3. 成长性 4. 风险因素 输出格式 - 使用Markdown格式 - 每个部分不超过150字 - 最后给出综合评价1-5星对照源码可以发现TradingAgents-CN 中的分析师提示词正是这一范式的自动化版本角色你是一位专业的股票基本面分析师 任务分析{company_name}的投资价值 上下文工具返回的真实数据 输出格式固定的 Markdown 小节 约束中文、禁止编造五要素缺一不可且全部由代码动态组装见 fundamentals_analyst.py。示例2股票对比请对比分析以下两只银行股 股票A平安银行000001 - 市盈率5.2 - ROE10.5% - 不良贷款率1.2% 股票B招商银行600036 - 市盈率6.8 - ROE15.2% - 不良贷款率0.9% 请从估值、盈利能力、资产质量三个维度对比 并说明哪只股票更适合价值投资者。六、总结与下一步关键要点提示词是与 AI 对话的关键输入质量决定输出质量好的提示词包含五要素角色、任务、上下文、格式、约束编写技巧具体明确、信息充足、分步引导、使用示例、设定角色语气避免错误过于简短、问题太多、期望不合理、信息缺失、模糊用词。在 TradingAgents-CN 中这些基础方法并非停留在纸面每个智能体节点的系统提示词都严格遵循五要素结构并由代码动态注入真实数据见 tradingagents/agents 目录下的分析师与研究员实现而 Reflector 反思模块 则展示了自我批评思想在框架中的落地——让模型复盘自己的决策并提炼经验教训。下一步学习 进阶内容提示词工程最佳实践——掌握清晰性、具体性、结构化、迭代优化四大核心原则以及分隔符、模板化、链式提示、角色扮演等高级技巧。七、练习题动手实践是掌握提示词工程的最快路径。请尝试改进以下提示词练习1❌ 原提示词分析一下茅台 ✅ 改进后_______________练习2❌ 原提示词这只股票能涨吗 ✅ 改进后_______________建议的改进思路练习1 应从缺少具体对象与分析维度入手补全股票代码600519、分析维度基本面/估值/行业地位与输出格式练习2 应从不合理期望入手将预测涨跌改写为基于财务指标与行业对比评估长期投资价值并提示风险。你可以在本地运行框架中的任一智能体节点如基本面分析师把改进后的提示词套用到实际分析中验证其对输出质量的真实影响。【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 TradingAgents-CN 提示词基础：多智能体金融框架下的 Prompt 设计入门实战
TradingAgents-CN 提示词基础多智能体金融框架下的 Prompt 设计入门实战【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN导读提示词Prompt是与大语言模型交互的入口直接决定模型输出的质量与可用性。本篇技术指南基于 TradingAgents-CN基于多智能体 LLM 的中文金融交易框架中的提示词工程学习文档系统讲解提示词的定义、五要素结构、编写技巧与常见错误并对照仓库源码展示这些基础方法在基本面分析师、市场分析师、多空研究员等真实智能体节点中的工程化应用。读完本文你将掌握一套可直接复用于股票分析场景的提示词设计方法论并理解它在多智能体协作流程中的实际落地方式。一、什么是提示词1.1 定义与作用提示词Prompt是你发送给大语言模型的输入文本用于指导模型生成特定的输出。简单来说提示词就是你对 AI 说的话告诉它你想要什么。它的作用可以用一条链路概括你的提示词 → 大语言模型 → AI的回答提示词的质量直接决定了回答的质量模糊的输入只能得到模糊的输出而结构清晰、信息充足的提示词才能驱动模型给出专业、可用的分析结果。1.2 模糊与清晰的对比在金融分析场景下这一差异尤为明显❌ 模糊的提示词分析这只股票✅ 清晰的提示词请分析股票代码000001平安银行的投资价值包括 1. 基本面分析财务指标、盈利能力 2. 技术面分析价格走势、技术指标 3. 行业地位和竞争优势 4. 投资建议和风险提示在 TradingAgents-CN 中分析目标不明确是实际工程中要极力避免的问题。仓库中的每个分析师节点在构造提示词时都会显式注入公司名称 股票代码 所属市场三元信息。例如 基本面分析师 的系统提示词开头即为你是一位专业的股票基本面分析师。 任务分析{company_name}股票代码{ticker}{market_info[market_name]}其中的company_name、ticker、market_name通过代码动态填充这正是清晰提示词在框架中的标准实现。二、提示词的基本结构一个好的提示词通常包含五个部分角色设定、任务描述、上下文信息、输出格式、约束条件。2.1 角色设定Role告诉 AI 它应该扮演什么角色帮助模型从正确的专业视角组织语言与推理路径。示例你是一位资深的股票分析师拥有10年以上的A股市场分析经验。为什么重要帮助 AI 理解应该从什么角度回答提高回答的专业性和针对性在 TradingAgents-CN 中角色设定是所有智能体提示词的固定开场。例如 市场分析师 使用你是一位专业的股票技术分析师与其他分析师协作。而 看涨研究员 的定位更具体你是一位看涨分析师负责为股票 {company_name}股票代码{ticker}的投资建立强有力的论证。仓库中的角色设计体现了一个重要理念角色要与任务目标强绑定。多空研究员被设定为论证者因此其提示词要求构建基于证据的强有力案例中性风险分析师 则被设定为提供平衡视角要求评估上行和下行风险。角色即视角多角色组合才能覆盖决策所需的全部角度。2.2 任务描述Task清楚地说明你想要 AI 做什么。示例请分析平安银行000001的投资价值。要点使用明确的动词分析、总结、比较、评估指定具体对象股票代码、公司名称说明分析范围时间段、维度框架内的任务描述不仅指明做什么还明确按什么步骤做。例如 基本面分析师 的系统提示词给出强制工作流程✅ 工作流程 1. 【第一次调用】如果消息历史中没有工具结果ToolMessage立即调用 get_stock_fundamentals_unified 工具 2. 【收到数据后】如果消息历史中已经有工具结果ToolMessage 绝对禁止再次调用工具 3. 【生成报告】收到工具数据后必须立即生成完整的基本面分析报告包含 - 公司基本信息和财务数据分析 - PE、PB、PEG等估值指标分析 - 当前股价是否被低估或高估的判断 ...这正是分步骤引导思想在工程中的落地把分析这个大任务拆解为「调用工具取数 → 等待结果 → 生成报告」三个可验证的子步骤防止模型跳过取数直接编造结论。2.3 上下文信息Context提供必要的背景信息和数据让 AI 基于实际数据分析避免模型编造信息幻觉。示例当前股价12.50元 市盈率5.2 市净率0.6 最近一年涨跌幅-8.5% 行业银行业为什么重要让 AI 基于实际数据分析避免 AI 编造信息幻觉TradingAgents-CN 对上下文的工程化处理值得借鉴上下文不是写死的文字而是由数据层动态注入的。在 基本面分析师 中真实数据通过get_stock_fundamentals_unified工具获取后被拼接进强制分析提示词请提供 1. 公司基本信息分析{company_name}股票代码{ticker} 2. 财务状况评估 3. 盈利能力分析 4. 估值分析使用{currency_info} 5. 投资建议买入/持有/卖出 要求 - 基于提供的真实数据进行分析 ...看涨研究员 的提示词则把多个上游报告作为上下文资源整体注入可用资源 市场研究报告{market_research_report} 社交媒体情绪报告{sentiment_report} 最新世界事务新闻{news_report} 公司基本面报告{fundamentals_report} 辩论对话历史{history}这说明在多智能体框架中上下文信息还包括其他智能体的输出——这正是 TradingAgents-CN 智能体间协作的信息基础。2.4 输出格式Format指定你希望的回答格式让输出可解析、可复用。示例请按以下格式输出 ## 基本面分析 - 财务指标评价 - 盈利能力分析 ## 技术面分析 - 价格走势 - 技术指标 ## 投资建议 - 建议买入/持有/卖出 - 理由...常用格式Markdown 格式JSON 格式表格格式列表格式输出格式约束在框架中直接服务于下游消费。市场分析师的输出会被下游研究员引用因此 market_analyst.py 对格式做了强约束 **输出格式要求必须严格遵守** ## 股票基本信息 - 公司名称{company_name} - 股票代码{ticker} - 所属市场{market_name} ## 技术指标分析 [在这里分析移动平均线、MACD、RSI、布林带等技术指标提供具体数值] ## 价格趋势分析 [在这里分析价格趋势考虑{market_name}市场特点] ## 投资建议 [在这里给出明确的投资建议买入/持有/卖出]并补充了反向约束必须使用上述格式输出不要自创标题格式不要在标题中使用技术分析报告等自创标题。正反结合的格式约束比单纯给出模板更能保证输出一致性。2.5 约束条件Constraints设定回答的限制和要求划定模型行为的边界。示例要求 - 回答长度不超过500字 - 使用简洁的语言避免专业术语 - 必须包含风险提示 - 不要给出具体的买卖建议约束条件是 TradingAgents-CN 提示词中最具工程特色的部分。以 基本面分析师 为例其约束分为三个层次 语言和货币要求 - 所有分析内容必须使用中文 - 投资建议必须使用中文买入、持有、卖出 - 绝对不允许使用英文buy、hold、sell - 货币单位使用{currency_name}{currency_symbol} 严格禁止 - 不允许说我将调用工具 - 不允许假设任何数据 - 不允许编造公司信息 - 不允许直接回答而不调用工具 - 不允许回复无法确定价位或需要更多信息 ✅ 你必须 - 立即调用统一基本面分析工具 - 等待工具返回真实数据 - 基于真实数据进行分析 - 提供具体的价位区间和目标价这种禁止 必须✅ 语言规范的三层约束结构本质上是在用提示词做行为契约是约束条件要素在真实生产系统中的完整示例。三、编写有效提示词的技巧技巧1具体明确❌ 模糊这只股票怎么样✅ 具体请从基本面、技术面、行业地位三个维度分析平安银行000001的投资价值。技巧2提供充足信息❌ 信息不足分析一下银行股✅ 信息充足请分析平安银行000001 - 当前股价12.50元 - 市盈率5.2行业平均6.5 - ROE10.5% - 不良贷款率1.2%技巧3分步骤引导❌ 一次性要求太多分析这只股票的所有方面并给出详细的投资建议和风险评估以及未来预测✅ 分步骤第一步请先分析平安银行的基本面 第二步基于基本面分析评估其投资价值 第三步列出主要风险因素技巧4使用示例Few-shot通过示例告诉 AI 你想要什么样的输出请按以下示例格式分析股票 示例 股票贵州茅台600519 评级★★★★★ 理由行业龙头品牌价值高盈利能力强 风险估值偏高政策风险 现在请分析平安银行000001技巧5设定角色和语气你是一位谨慎的价值投资者请用客观、理性的语气分析平安银行。 避免使用夸张的表述重点关注长期投资价值。TradingAgents-CN 将上述技巧组合运用在多轮辩论中。多空研究员的提示词不仅要求用具体数据和合理推理批判性分析看跌论点还要求以对话风格呈现你的论点直接回应看跌分析师的观点并进行有效辩论而不仅仅是列举数据见 bull_researcher.py。具体对象 充足上下文 分步结构 语气要求的组合让模型从单次问答升级为参与动态辩论。四、常见错误错误1提示词过于简短❌ 太简短000001问题AI 不知道你想要什么。在框架中这会导致模型跳过取数、直接编造因此基本面分析师的系统提示词明确要求不允许直接回答而不调用工具。错误2一次问太多问题❌ 问题太多分析000001的基本面技术面行业地位竞争优势财务状况未来前景投资建议风险因素...问题回答可能不够深入。框架的解法是让每个智能体只聚焦单一职责基本面分析师只做基本面、市场分析师只做技术面再通过多智能体协作汇总这正是分而治之在架构层面的体现。错误3使用模糊的词语❌ 模糊这只股票好不好问题好的标准不明确。✅ 明确从投资回报率的角度这只股票是否值得长期持有错误4没有提供必要信息❌ 缺少信息分析一下这只股票问题AI 不知道是哪只股票。错误5期望 AI 预测未来❌ 不合理期望告诉我这只股票明天会涨还是跌问题AI 无法预测股市这样的提示词会导致不可靠的回答。框架的做法是要求模型提供基于基本面的目标价位建议而非预测涨跌并把最终决策交由交易员与风险经理的多轮博弈完成。五、实战示例示例1单股分析一个融合五要素的完整提示词你是一位资深股票分析师。请分析平安银行000001的投资价值。 当前数据 - 股价12.50元 - 市盈率5.2 - 市净率0.6 - ROE10.5% - 行业银行业 请从以下角度分析 1. 估值水平与行业对比 2. 盈利能力 3. 成长性 4. 风险因素 输出格式 - 使用Markdown格式 - 每个部分不超过150字 - 最后给出综合评价1-5星对照源码可以发现TradingAgents-CN 中的分析师提示词正是这一范式的自动化版本角色你是一位专业的股票基本面分析师 任务分析{company_name}的投资价值 上下文工具返回的真实数据 输出格式固定的 Markdown 小节 约束中文、禁止编造五要素缺一不可且全部由代码动态组装见 fundamentals_analyst.py。示例2股票对比请对比分析以下两只银行股 股票A平安银行000001 - 市盈率5.2 - ROE10.5% - 不良贷款率1.2% 股票B招商银行600036 - 市盈率6.8 - ROE15.2% - 不良贷款率0.9% 请从估值、盈利能力、资产质量三个维度对比 并说明哪只股票更适合价值投资者。六、总结与下一步关键要点提示词是与 AI 对话的关键输入质量决定输出质量好的提示词包含五要素角色、任务、上下文、格式、约束编写技巧具体明确、信息充足、分步引导、使用示例、设定角色语气避免错误过于简短、问题太多、期望不合理、信息缺失、模糊用词。在 TradingAgents-CN 中这些基础方法并非停留在纸面每个智能体节点的系统提示词都严格遵循五要素结构并由代码动态注入真实数据见 tradingagents/agents 目录下的分析师与研究员实现而 Reflector 反思模块 则展示了自我批评思想在框架中的落地——让模型复盘自己的决策并提炼经验教训。下一步学习 进阶内容提示词工程最佳实践——掌握清晰性、具体性、结构化、迭代优化四大核心原则以及分隔符、模板化、链式提示、角色扮演等高级技巧。七、练习题动手实践是掌握提示词工程的最快路径。请尝试改进以下提示词练习1❌ 原提示词分析一下茅台 ✅ 改进后_______________练习2❌ 原提示词这只股票能涨吗 ✅ 改进后_______________建议的改进思路练习1 应从缺少具体对象与分析维度入手补全股票代码600519、分析维度基本面/估值/行业地位与输出格式练习2 应从不合理期望入手将预测涨跌改写为基于财务指标与行业对比评估长期投资价值并提示风险。你可以在本地运行框架中的任一智能体节点如基本面分析师把改进后的提示词套用到实际分析中验证其对输出质量的真实影响。【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考