第十四天 09/28/2026
驗證里程碑 2：使用 5 檔範例股票測試完整代理鏈；調整提示以修正邏輯錯誤。
在進行「驗證里程碑 2」時，透過 5 檔具備不同產業與特徵的範例股票（例如：高成長半導體股、成熟週期股、高殖利率金融股、轉虧為盈轉機股、以及受地緣政治影響的生技股）對整體多代理鏈（Multi-Agent Chain）進行壓力測試，是驗證系統邏輯嚴密性的關鍵過程。
即使單一代理（如基本面、技術面、產業事件或 CRO 風控代理）各自運作正常，當它們透過編排器串聯時，仍會暴露出許多隱蔽的系統級邏輯錯誤。以下詳細說明在測試過程中發現的典型邏輯錯誤，以及提示詞（Prompt）調整與未來的修正機制。
一、 測試過程中發現並修正的四大邏輯錯誤

┌─────────────────────────────────────────────────────────┐
│ 完整代理鏈測試發現之邏輯錯誤 │
├───────────────────────────────────────────────────────────
│ 1. 估值模型與產業特性錯配（DCF 誤用於金融/週期股） │
│ 2. 風控否決權過度濫用導致「決策癱瘓」（False Positive Reject) │
│ 3. 事件代理「時間軸混淆」（歷史事件誤判為即時衝擊） │
│ 4. 視覺圖態與指標訊號「權重倒置」（無視整體大趨勢） │
└──────────────────────────────┬────────────────────────────┘
│
▼
┌───────────────────────────────────────────────────────────┐
│ 提示詞 (Prompt) 調整與優化機制 │
└───────────────────────────────────────────────────────────┘

1. 估值模型與產業特性的「方法論錯配」
   • 邏輯錯誤：測試金融股或景氣週期股時，基本面代理一律強制套用 DCF 自由現金流模型，導致金融股（無標準 FCF）或週期股（谷底 FCF 為負）算出極端荒謬的目標價，進而引發風控代理一律拒絕買進。
   • Prompt 修正：在基本面代理中加入產業模型動態分流邏輯。「若辨識標的為金融業，強制切換為 P/B（股價淨值比）估值；若為週期股，自動改用 Normalized Earnings 或 P/S 模型，禁止無腦套用 DCF。」
2. CRO 風控代理的「過度防禦與決策癱瘓」
   • 邏輯錯誤：CRO Agent 讀取到事件代理提及「市場存在宏觀不確定性」時，將該模糊警訊拉高至最高優先級，導致 5 檔測試股票即使安全邊際高達 25%，依然全部被 REJECT。
   • Prompt 修正：明確量化風控否決的觸發條件，防止質化描述掩蓋量化數據。「非明確量化之風險描述（如『市場情緒悲觀』）不可單獨作為否決依據。唯有當實質安全边際 < 15% 或 72 小時內有確定重大事件（如財報發布）時，方可發動單方否決。」
3. 事件代理的「時間軸與因果倒置」
   • 邏輯錯誤：整合 Google Search 與 Vertex AI RAG 時，事件代理將一年前的「擴產延期」舊新聞誤認為當前突發事件，導致對最新亮眼的財報數據進行了錯誤的折價修飾。
   • Prompt 修正：在事件代理中引入強制時間戳比對規範。「所有新聞與檢索文件必須與目前時間對齊。若新聞發生時間超過 30 天且未在最新 SEC 財報中獲證實，視為已反映之歷史資訊，不得調整未來現金流折現參數。」
4. 技術代理的「微觀圖態無視宏觀趨勢」
   • 邏輯錯誤：Gemini Vision 辨識出某股票在日 K 線出現「小W底突破」，給出 0.9 高分；但該股票在週 K 層級處於極度空頭走勢，導致系統在高位接刀。
   • Prompt 修正：要求技術代理執行多時間框架（Multi-Timeframe）層級校驗。「進行視覺圖態辨識時，必須同時輸入週 K 與日 K。若週 K 趨勢向下，日 K 之多頭型態信心分數強制扣減 30%。」
   二、 未來實作中若產生邏輯錯誤的修正機制與 SOP
   若系統在未來正式上線或擴充至更多股票時出現新的邏輯錯誤，應遵循以下標準修正管道（SOP）：
5. 隔離測試與快照重播（Snapshot Replay）：
   利用前述儲存於 Firestore 與 Cloud Storage 的歷史 Input/Output 快照，將出錯的交易單獨提取，在單機環境中進行「單一變數重播」，精確定位是哪一個代理的推理鏈產生偏差。
6. 導入微型 Prompt 單元測試（Prompt Unit Testing）：
   不直接在全系統中修改 Prompt。針對出錯的代理撰寫獨立的測試腳本（Edge-case Suite），確保調整後的 Prompt 能通過該極端情境，且不引發舊有正常情境的退化（Regression）。
7. 設置語意 Guardrails 閘門：
   若 Prompt 調整無法完全杜絕 LLM 的隨機性邏輯偏轉，則在外層的編排代碼（Python/TypeScript）中，增加「確定性代碼斷言（Deterministic Code Assertions）」，作為最終硬性防線。
   三、 結論
   透過 5 檔範例股票的實測，我們證明了多代理系統的強大，但也揭露了「語意傳播」中的邏輯漏洞。藉由精細化 Prompt 界線、加入產業動態分流與時間戳對齊，能大幅修復代理鏈的邏輯缺陷，讓 AI 交易系統在真實市場中運行時更具備穩定性與商業可信度。