架构优化（降本提质）
1. 动态分析师选择
在 Layer 0 加一个"路由器"，解析问题意图后只激活必要的分析师。估值问题不需要宏观分析师，宏观判断不需要个股分析师，以此类推。
2. Layer 1 只输出结构化证据
每个分析师不再写完整文段，统一输出 JSON 格式的证据包（claim + evidence + confidence），后续层只处理结构化数据。预计 Token 消耗降低 40-60%。
json
{
"claim": "NVDA 数据中心收入同比增长 122%",
"evidence": "2024Q4 财报，Revenue $35.1B，YoY +122%",
"confidence": 0.95,
"source": "SEC 10-K 2024-02-21"
}3. 层间压缩传递
进入下一层前做一次合并：提取各分析师共识、保留核心分歧、删除冗余。Context 长度恒定可控，不会越传越长。
4. 模型分级调度
- 简单归纳 → Haiku / mini（低成本）
- 冲突判断 → Sonnet（中等推理）
- 最终合成 + 修复 → Opus（按需调用）
5. 报告自动评分 + 按需修复
五个维度打分（数据可追溯性、结论完整性、失效条件、逻辑一致性、覆盖度）：
- ≥80 分：直接输出
- 60-79：Sonnet 轻修
- <60：Opus 深修
---
Benchmark 评测
四个核心维度：
- 完整性 — 一次提问能否产出完整投研分析
- 数据准确性 — 关键数据是否可追溯
- 结论质量 — 是否给出结论、依据和失效条件
- 持续跟踪 — 能否跟踪原有投资判断的变化
方法： 同一组问题（普通用户原话，不加复杂 Prompt）同时打给 arti 和竞品，横向打分对比。
---
优先级
| 优先级 | 事项 | |--------|------| | P0 | Layer 1 结构化输出 + 自动评分修复 | | P1 | 路由器 + 层间压缩 | | P2 | Benchmark 问题集 + 竞品横向对比 |
