从猜方向到可复现判断PA Agent决策节点如何让K线分析更可靠【免费下载链接】PA_Agent项目地址: https://gitcode.com/gh_mirrors/pa/PA_AgentPA Agent 是一款基于价格行为Price Action理论的 AI 辅助 K 线分析桌面工具。它最核心的设计是位于 decision_nodes.py 的程序化决策节点引擎在调用 AI 之前先做数据预检在 AI 判断之后用确定性算法复核关键节点。这套数据预检 AI 判断融合的机制让 K 线分析的结果不再依赖模型单次发挥而是可复现、可审计、可追溯。为什么纯 AI 的 K 线分析不够可靠很多 AI 交易分析工具的痛点是一样的方向会漂移同一个行情模型今天看涨、明天看跌缺乏稳定判据数据不足时硬分析只有十几根 K 线AI 也会煞有介事地给出结论结论无法复盘为什么判断做多翻遍回答找不到量化依据。PA Agent 的思路是把算得准的判断交给程序把看得懂的判断交给 AI再用一套仲裁规则把两者融合。决策依据本身来自项目内的 二元决策.txt——一棵每一步只问是/否答案不清楚就等待的交易决策树。第一道防线AI 介入前的数据预检在 PA Agent 两阶段分析流程 two_stage.py 中AI 被调用之前会先经过check_preflight_data数据预检闸门。它只做三件确定性的事检查项规则不通过的原因码OHLC 合法性每根 K 线开盘/最高/最低/收盘价必须为有限数值且最高 ≥ 最低bars_empty_or_bad_ohlc数据量门槛已收盘 K 线 ≥ 20 根BAR_COUNT_THRESHOLD 20bar_count_lt_20指标可用性EMA20 与 ATR14 不能全为 NaNindicators_all_nan任何一项存疑流程保守终止不会进入 AI 分析而是保存一条insufficient_data类型的异常记录并通知界面。这一设计的意义在于——垃圾数据不会产出看起来很专业的分析结论新手用户看到数据不足的提示而不是一个可能是幻觉的交易建议。预检的边界行为19 根失败、20 根通过有专门的单元测试覆盖见 test_decision_nodes_preflight.py。程序化判断节点把主观题变成选择题通过预检后PA Agent 进入 AI 两阶段分析阶段一做市场诊断定性闸门阶段二做策略与执行。关键来了——阶段一的apply_stage1会运行一组确定性判断函数对决策树上最容易各说各话的节点给出程序判定的标准答案§1.1 数据充分性judge_data_sufficiency数据够不够做分析§1.3 市场混乱度judge_market_chaos综合 EMA 走平程度、K 线重叠率、方向得分判断是否处于铁丝网般的无交易环境§2.3 方向投票judge_direction用 5 类信号EMA 斜率、收盘位置、HH/HL 结构、趋势棒占比、重叠率投票计分≥3 判多、≤-3 判空其余为中性§2.4 Always In 状态judge_always_in以近端 8 根 K 线为主判窗口判断市场惯性的多空归属§2.5 动能强度judge_momentum_strength趋势棒占比、回撤深度ATR 倍数等回答趋势强不强。这些节点生成的程序答案随后与 AI 的判断合并进同一份决策轨迹trace用户可以看到每个节点是谁判的、依据哪些 K 线bar_range字段如K20-K1。融合的关键节点权限分级与仲裁程序与 AI 谁说了算PA Agent 的答案不是二选一而是按节点分级授权定义同样位于 decision_nodes.py# 锁定节点程序说了算AI 不能改数据充分性、信号棒收盘确认 LOCKED_NODES: frozenset[str] frozenset({1.1, 9.1}) # 可覆盖节点AI 可基于整体理解提出异议 OVERRIDABLE_NODES: frozenset[str] frozenset({ 1.3, 2.3, 2.4, 2.5, 9.2, 9.3, 11.1, 11.2, 11.3, 11.4, }) # AI 主导节点AI 是主裁判程序仅在 AI 漏判时兜底 AI_PRIMARY_NODES: frozenset[str] frozenset({1.3, 2.5})这套分级背后的逻辑很清晰硬性事实用锁——数据是否够 20 根不需要 AI 思考锁定节点杜绝模型自我说服市场理解可覆盖——§2.3 方向、§2.4 Always In 这类节点AI 若基于整体盘面结构提出异议可通过node_overrides覆盖程序判定且每次覆盖都会写入轨迹write_override_trace留痕安全闸门不可穿透——SAFETY_GATE_NODES§1.1、§10.3 交易者方程、§14 硬禁令是风控底线程序答案优先。阶段二还有apply_stage2继续接管入场信号类节点§9 信号棒是否收盘、方向、长度§11 下单方式路由并同步direction、always_in等关联字段保证决策树上下游答案自洽不会因为一个节点被改而留下矛盾。融合之后可靠性提升在哪里环节纯 AI 方案PA Agent 决策节点方案数据不足时照样输出分析预检拦截明确提示数据不足方向判断单次采样结果可能漂移程序投票 AI 复核覆盖须留痕结论依据自然语言感觉每节点带 K 线区间与量化理由风控底线依赖提示词约束安全闸门程序强制复盘审计难以追溯完整 trace 记录谁判的、改了什么对新手而言最实际的好处是**等待被制度化**了二元决策树的默认动作是等待而程序节点会在数据不足、市场混乱、方向不明时把等待变成客观结论而不是需要用户自己克制的心理博弈。想深入代码从这里开始决策节点引擎预检闸门、判断函数、仲裁合并decision_nodes.py两阶段编排与预检接入点two_stage.py决策树加载与轨迹工具decision_tree.py决策树原始逻辑14 章是/否闸门二元决策.txt预检闸门单元测试test_decision_nodes_preflight.py判断函数与覆盖仲裁测试test_decision_nodes_judges.py下单方式路由测试test_order_method_router.py项目整体说明PA_Agent使用文档.md、README.md常见问题FAQQ什么是决策节点A二元决策树上每个是/否问题对应的判断点如 §1.1数据是否充分、§2.3方向偏多还是偏空。PA Agent 中部分节点由程序算法判定部分由 AI 判定再按权限规则融合。Q数据预检不通过会发生什么A分析流程在 AI 调用前终止保存一条insufficient_data异常记录含失败检查项界面收到InsufficientData事件提示用户补充数据。QAI 可以推翻程序的判断吗A只有可覆盖节点可以且必须通过node_overrides显式声明并写入轨迹锁定节点如数据充分性和安全闸门节点程序说了算。QPA Agent 会直接帮我下单吗A不会。它只做分析与决策建议含等待/拒绝/交易的裁定不持仓、不执行交易。一句话总结先验数据、再分权限、全程留痕——这就是 PA Agent 决策节点把 AI K 线分析从灵感变成流程的方式。【免费下载链接】PA_Agent项目地址: https://gitcode.com/gh_mirrors/pa/PA_Agent创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 从猜方向到可复现判断：PA Agent决策节点如何让K线分析更可靠
从猜方向到可复现判断PA Agent决策节点如何让K线分析更可靠【免费下载链接】PA_Agent项目地址: https://gitcode.com/gh_mirrors/pa/PA_AgentPA Agent 是一款基于价格行为Price Action理论的 AI 辅助 K 线分析桌面工具。它最核心的设计是位于 decision_nodes.py 的程序化决策节点引擎在调用 AI 之前先做数据预检在 AI 判断之后用确定性算法复核关键节点。这套数据预检 AI 判断融合的机制让 K 线分析的结果不再依赖模型单次发挥而是可复现、可审计、可追溯。为什么纯 AI 的 K 线分析不够可靠很多 AI 交易分析工具的痛点是一样的方向会漂移同一个行情模型今天看涨、明天看跌缺乏稳定判据数据不足时硬分析只有十几根 K 线AI 也会煞有介事地给出结论结论无法复盘为什么判断做多翻遍回答找不到量化依据。PA Agent 的思路是把算得准的判断交给程序把看得懂的判断交给 AI再用一套仲裁规则把两者融合。决策依据本身来自项目内的 二元决策.txt——一棵每一步只问是/否答案不清楚就等待的交易决策树。第一道防线AI 介入前的数据预检在 PA Agent 两阶段分析流程 two_stage.py 中AI 被调用之前会先经过check_preflight_data数据预检闸门。它只做三件确定性的事检查项规则不通过的原因码OHLC 合法性每根 K 线开盘/最高/最低/收盘价必须为有限数值且最高 ≥ 最低bars_empty_or_bad_ohlc数据量门槛已收盘 K 线 ≥ 20 根BAR_COUNT_THRESHOLD 20bar_count_lt_20指标可用性EMA20 与 ATR14 不能全为 NaNindicators_all_nan任何一项存疑流程保守终止不会进入 AI 分析而是保存一条insufficient_data类型的异常记录并通知界面。这一设计的意义在于——垃圾数据不会产出看起来很专业的分析结论新手用户看到数据不足的提示而不是一个可能是幻觉的交易建议。预检的边界行为19 根失败、20 根通过有专门的单元测试覆盖见 test_decision_nodes_preflight.py。程序化判断节点把主观题变成选择题通过预检后PA Agent 进入 AI 两阶段分析阶段一做市场诊断定性闸门阶段二做策略与执行。关键来了——阶段一的apply_stage1会运行一组确定性判断函数对决策树上最容易各说各话的节点给出程序判定的标准答案§1.1 数据充分性judge_data_sufficiency数据够不够做分析§1.3 市场混乱度judge_market_chaos综合 EMA 走平程度、K 线重叠率、方向得分判断是否处于铁丝网般的无交易环境§2.3 方向投票judge_direction用 5 类信号EMA 斜率、收盘位置、HH/HL 结构、趋势棒占比、重叠率投票计分≥3 判多、≤-3 判空其余为中性§2.4 Always In 状态judge_always_in以近端 8 根 K 线为主判窗口判断市场惯性的多空归属§2.5 动能强度judge_momentum_strength趋势棒占比、回撤深度ATR 倍数等回答趋势强不强。这些节点生成的程序答案随后与 AI 的判断合并进同一份决策轨迹trace用户可以看到每个节点是谁判的、依据哪些 K 线bar_range字段如K20-K1。融合的关键节点权限分级与仲裁程序与 AI 谁说了算PA Agent 的答案不是二选一而是按节点分级授权定义同样位于 decision_nodes.py# 锁定节点程序说了算AI 不能改数据充分性、信号棒收盘确认 LOCKED_NODES: frozenset[str] frozenset({1.1, 9.1}) # 可覆盖节点AI 可基于整体理解提出异议 OVERRIDABLE_NODES: frozenset[str] frozenset({ 1.3, 2.3, 2.4, 2.5, 9.2, 9.3, 11.1, 11.2, 11.3, 11.4, }) # AI 主导节点AI 是主裁判程序仅在 AI 漏判时兜底 AI_PRIMARY_NODES: frozenset[str] frozenset({1.3, 2.5})这套分级背后的逻辑很清晰硬性事实用锁——数据是否够 20 根不需要 AI 思考锁定节点杜绝模型自我说服市场理解可覆盖——§2.3 方向、§2.4 Always In 这类节点AI 若基于整体盘面结构提出异议可通过node_overrides覆盖程序判定且每次覆盖都会写入轨迹write_override_trace留痕安全闸门不可穿透——SAFETY_GATE_NODES§1.1、§10.3 交易者方程、§14 硬禁令是风控底线程序答案优先。阶段二还有apply_stage2继续接管入场信号类节点§9 信号棒是否收盘、方向、长度§11 下单方式路由并同步direction、always_in等关联字段保证决策树上下游答案自洽不会因为一个节点被改而留下矛盾。融合之后可靠性提升在哪里环节纯 AI 方案PA Agent 决策节点方案数据不足时照样输出分析预检拦截明确提示数据不足方向判断单次采样结果可能漂移程序投票 AI 复核覆盖须留痕结论依据自然语言感觉每节点带 K 线区间与量化理由风控底线依赖提示词约束安全闸门程序强制复盘审计难以追溯完整 trace 记录谁判的、改了什么对新手而言最实际的好处是**等待被制度化**了二元决策树的默认动作是等待而程序节点会在数据不足、市场混乱、方向不明时把等待变成客观结论而不是需要用户自己克制的心理博弈。想深入代码从这里开始决策节点引擎预检闸门、判断函数、仲裁合并decision_nodes.py两阶段编排与预检接入点two_stage.py决策树加载与轨迹工具decision_tree.py决策树原始逻辑14 章是/否闸门二元决策.txt预检闸门单元测试test_decision_nodes_preflight.py判断函数与覆盖仲裁测试test_decision_nodes_judges.py下单方式路由测试test_order_method_router.py项目整体说明PA_Agent使用文档.md、README.md常见问题FAQQ什么是决策节点A二元决策树上每个是/否问题对应的判断点如 §1.1数据是否充分、§2.3方向偏多还是偏空。PA Agent 中部分节点由程序算法判定部分由 AI 判定再按权限规则融合。Q数据预检不通过会发生什么A分析流程在 AI 调用前终止保存一条insufficient_data异常记录含失败检查项界面收到InsufficientData事件提示用户补充数据。QAI 可以推翻程序的判断吗A只有可覆盖节点可以且必须通过node_overrides显式声明并写入轨迹锁定节点如数据充分性和安全闸门节点程序说了算。QPA Agent 会直接帮我下单吗A不会。它只做分析与决策建议含等待/拒绝/交易的裁定不持仓、不执行交易。一句话总结先验数据、再分权限、全程留痕——这就是 PA Agent 决策节点把 AI K 线分析从灵感变成流程的方式。【免费下载链接】PA_Agent项目地址: https://gitcode.com/gh_mirrors/pa/PA_Agent创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考