DSA：面向多市场股票研究的证据感知型 LLM-Agent 编排

大型语言模型可以总结金融信息，但一个可运行的股票研究系统必须首先汇集异构证据，暴露不可用的数据和模型能力，并控制生成的观点如何影响最终报告。我们提出 DSA，这是一种面向多市场股票研究、结合大型语言模型（LLM）agent 的证据感知型编排框架。DSA 将工作流组织为证据获取、结构化上下文构建、模型路由分析、可选的角色和 Strategy Skill 推理，以及基于所选上下文和诊断信息的报告生成。默认报告配置和可选的 agentic 配置共享证据和模型路由服务，但使用各自配置特定的输出验证和风险防护。在 agentic 配置中，核心角色输出由角色特定的解析器处理，而 Strategy Skill 观点在综合之前会经过额外的信号资格划分；分歧会显式提供给决策 agent，随后进行保守的风险覆盖。参考实现包括六条区域市场路径、十五个打包的 Strategy Skills、托管和本地模型路由，以及多种执行和交付界面。在冻结的软件快照中，所选清单中的 1,457 个可移植离线后端契约测试全部通过；其中 596 个案例被回溯性映射到六个与所报告 LLM-agent 架构核心相关的契约家族。这些证据仅证明所测试软件契约的实现符合性，而不证明报告质量更优、预测准确性更高或投资回报更好。