「要防止 LLM 在金融分析中產生 Hallucination 或輸出不方便讀的龐大數字，最佳實踐是在 Prompt 中注入硬性執行規則，並在送入模型前先進行程式碼層級的 Pre-processing。」

在 Day 15 中，我們成功將盤後分析重構為「Stage 1-3 Pipeline」。然而，光有管道方向約束還不夠，在實際運作中，還面臨了兩大分析品質問題：
1. 原始數字不可讀：TWSE API 回傳的成交金額往往是長達 12 位數的原始字串（如 123456789012），LLM 經常直接輸出給使用者，極度不友善。
2. 語意幻覺與無效廢話：LLM 偶爾會提及「根據知識庫...」、「因為沒有新聞...」等系統語言，或者在週末休市時模擬當日盤態。

今天我們將深入 daily_analysis.py，解析我們如何透過 _fmt 前處理函式、7 條 Core Execution Rules 與週末模式 解決這些痛點！

本篇重點摘要

1. 剖析 _fmt() 前處理函式：在送入 LLM 前先將 9 位數以上金額自動轉換為「億元/兆元」。
2. 解密寫入 Prompt 的 7 條 Core Execution Rules（長度控制、語氣調和、白話化與防幻覺錨點）。
3. 實作週末休市自動切換《台股週報與下週展望》模式。

一、金額前處理格式化 (_fmt) 實作

TWSE API 輸出的月成交資訊或三大法人數據包含許多 多位數數字。若直接將原始字串餵給 LLM，模型不僅容易算錯小數位數，還會直接把「123456789012」印在報告中。

因此，我們在 generate_report() 中設計了 _fmt() 前處理正則函式，在文字組裝階段就強制將 9 位數以上的數字轉換為直覺的「兆元」或「億元」：

Python
# PRE-PROCESS: Format large numbers in market data BEFORE sending to Gemini
import re as _re

def _fmt(val):
    """Convert raw number strings to readable format."""
    if not isinstance(val, str):
        return val
    clean = val.replace(',', '').strip()
    try:
        num = float(clean)
        if num >= 1_000_000_000_000:
            return f"約 {num/1_000_000_000_000:.2f} 兆元"
        elif num >= 100_000_000:
            return f"約 {num/100_000_000:.1f} 億元"
    except (ValueError, TypeError):
        pass
    return val

# 使用正則自動匹配 9 位數以上的數字進行替換
tw_summary_parts = [
    _re.sub(r'[\d,]{9,}', lambda m: _fmt(m.group(0)), p) 
    for p in tw_summary_parts
]

透過這道預先處理工序，送入 Gemini 的 Prompt 數據本身就已經被標準化，徹底避免了 LLM 在處理多位數時的計算誤差與不可讀問題。

二、Prompt 核心約束：7 條 Core Execution Rules

為了確保 Agent 輸出的金融報告風格一致、沒有系統廢話且具備明確的操作指引，我們在 daily_analysis.py 的 Stage 3 與 Fallback Prompt 中，明確寫入了 7 條 Core Execution Rules：

# Role & Tone
你是一位專業、客觀且具備實戰經驗的台灣股市首席分析師。報告應兼具數據精準度、高可讀性與實用操作指引。

# Core Execution Rules
1. 報告長度：總輸出字數嚴格控制在 800-1000 字。說話直奔主題、精簡贅字，確保完整產出到操作建議與免責聲明。
2. 盤態與中長期語氣調和：當日大漲時先肯定多方動能，再以「逢高順勢調節/注意高檔風險」帶出中長期警示。嚴禁在大漲日宣告市場極度悲觀。
3. 數據格式化：金額大於億一律四捨五入換算為億元或兆元（保留小數點後1-2位）。絕對禁止輸出原始多位數數字。
4. 防幻覺：指數點位與前一交易日維持連續性，絕對禁止捏造偏離現況超過10%的數字。
5. 隱藏系統語言：絕對禁止提及「知識庫」「投資框架」「新聞列表為選單」「無具體新聞」等。新聞不足時直接以「從量價結構與籌碼動向觀察」帶過。
6. 技術面白話化：MA5=5日均線/極短線成本, MA20=20日均線/月線。
7. 報告末尾必須包含：倉位控制建議與具體停損/觀察點位。

關鍵防禦細節解析：

1. Rule 2（語氣調和）：防止模型因為抓到極端看空論文而出現「今天大漲 300 點但市場極度悲觀」的衝突語氣。
2. Rule 5（隱藏系統語言）：徹底防止 Prompt Injection 或 RAG 檢索失敗時，模型脫口說出「因為知識庫沒有資料...」等破綻。
3. Rule 6（技術面白話化）：自動將硬核的 MA5 / MA20 翻譯為「5 日均線 / 極短線成本」與「20 日均線 / 月線」，大幅提升使用者閱讀體驗。

三、週末模式自動切換 (is_weekend)

在週末台股休市時，若強制跑當日盤態分析，模型容易因為沒有今日數據而產生「模擬交易」的幻覺。

在 generate_report() 中加入 is_weekend 判斷分支：當週末執行時，跳過 Stage 1 與 Stage 2 的當日盤態判定，直接切換為《台股週報與下週展望》專用 Prompt：

Python
# Weekend mode: skip Stage 1/2, go directly to Stage 3
if is_weekend:
    weekend_prompt = (
        "❗ 今天是週末，台股休市。\n"
        "報告標題必須為《台股週報與下週展望》。\n"
        "內容架構：上週盤態總結 -> 美股與全球宏觀 -> 下週觀盤重點 -> 操作建議。\n"
        "嚴禁出現「今日無交易數據」或模擬當日盤態。\n\n"
        # 帶入 Role & 7 條 Core Execution Rules...
        f"# 市場數據\n{tw_section}\n\n{us_section}\n\n{news_section}\n\n"
        f"# 投資知識參考\n{knowledge_section}\n\n"
        "# 輸出格式\n"
        "請依序產出：1.上週回顧 2.美股狀況 3.下週展望 4.操作建議(含倉位與停損位) 5.免責聲明\n"
        "❗ 總字數不得超過1000字。必須完整產出到免責聲明。"
    )
    # 直接呼叫 Gemini API 生成週報...

四、今日總結

透過程式碼前處理 (_fmt) 與 7 條 Core Execution Rules 的配合，達成了：

1. 數據極致可讀：9 位數以上金額在送入模型前即完成「億/兆元」自動轉換。
2. 無幻覺、無系統語言：隱藏內部 RAG 運作細節，報告風格高度統一且專業。
3. 場景自動切換：週末自動轉為週報架構，避開休市期間的無效生成。

明天（Day 17）我們將深入探討 Post-processing 程式碼強制規則：包含 9 組系統禁止詞自動替換與 Regex 後處理正規化！

明日預告：【Day 17】後處理防線：Post-processing 程式碼強制規則與 9 組禁止詞自動替換