我如何把Z哥(万千)装进了AI里
一个程序员如何把 200 万字直播语料,蒸馏成一个能查行情、能复盘、有灵魂的 AI 交易助手。
一个程序员如何把 200 万字直播语料,蒸馏成一个能查行情、能复盘、有灵魂的 AI 交易助手。

缘起:一个程序员的”练手”项目
说实话,这个项目一开始只是为了练手。
我自己是程序员,平时喜欢捣鼓一些 AI 小项目。之前做了一个叫 HALO 框架分析的东西,想搞股票量化分析,结果卡在数据上——高质量数据要么拿不到,要么贵得离谱,项目就这么搁置了。
直到有一天,我在 GitHub 闲逛,看到两个东西:
一个是同事的 Skill 项目,另一个是花椒做的”女娲 Skill”。
看到女娲的那一刻,我脑子里就一句话:“AI 真的太利好有想法的人了。”
花椒一个人,用一套蒸馏方法论,把一个人的思维方式完整地复刻进了 AI。那我是不是也可以?
我的第一反应是:搞 ZG(万千)。
第一步:搞数据,搞到怀疑人生

做过 AI 项目的人都知道:语料是地基,地基不牢,上面盖什么都是歪的。
但 ZG 的内容太散了——B 站 ztalk 视频、付费直播课、股探报告、雪球专栏……而且很多内容根本拿不到原始文件。
我大概列了一下我收集的来源:
| 来源 | 内容 | 获取难度 |
|---|---|---|
| 股探报告 | ZG 早期的交易心理系列 | 自己有 |
| ztalk 视频 | “现在挣钱还是以后挣大钱”等老视频 | 要转写 |
| 蛋挞哥直播 | SRT 字幕文件 | 朋友爬的 |
| 二楼视频 | 网盘资源,没有 SRT | 纯手动 |
| 学姐公众号 | 知行课代表、知行小菜鸟等 | 自费购买 |
| 师兄公众号 | 复盘专家Z、大富翁小菜鸟、TANGOO | 自费购买 |
是的,那两个学姐的公众号 + 三个师兄的公众号,我是自费买的。
微信这一波内容封闭确实猛,你想绕过去,绕不过去。该花钱的地方,只能花。
最后总共收了多少?467 篇直播/付费课整理文章,约 200 万字。
这还不算 13 个 ztalk 视频 transcript(12.7 万字)和 9 篇股探报告(3.3 万字)。
数据收集是整个项目最痛苦、最耗时的环节。 我自己也是搞技术的,深知现在企业里有多少信息孤岛、多少数据躺在硬盘里吃灰。这次做完,我后面的方向可能就是去解决企业数据痛点的问题了。
如果让我重来一次,我一定会做好一件事:数据备份。
别问为什么,问就是 AI 把我数据清掉过。
第二步:200 万字怎么变成”知识”?

原始语料有了,但都是碎片——今天讲少妇战法,明天讲 MACD,后天讲仓位管理。
怎么把这些碎片串成体系?
这时候我刚好看到 Karpathy 大神公开了他的 wiki 知识库理念。他把自己所有的知识用 wiki 的方式管理,每一个概念都有链接、有上下文、有溯源。
我一拍大腿:这不就是我需要的吗?
于是我顺着 Karpathy 的理念,搭建了自己的 wiki 知识库。
你们现在看到的 [[B1建仓波|B1]]、[[B2战法|B2]]、[[B3买点|B3]] 买点体系、[[少妇战法]] SOP、[[四块砖交易体系|四块砖]]、[[双线战法|双线趋势判断]]……所有能”穿起来”的东西,都是基于这个 wiki 知识库完成的。
它不是简单的摘抄,而是有逻辑、有层级、有交叉引用的知识体系。
(这部分知识库我也开源了,模板地址:https://github.com/lululu811/init-knowledge-base.git,可以直接 fork 使用。)
第三步:让 AI “像” ZG,而不是”背” ZG

知识库有了,但怎么让 AI 说话像 ZG?
这里我必须再次感慨:花椒的女娲蒸馏术,太猛了。
我基于他的方法论,把 ZG 平时直播的视频字幕、切片视频字幕,全部喂给 LLM,让 Agent 去处理。
为了更像,我搞了一个多模型流水线:
| 模型 | 分工 | 版本 |
|---|---|---|
| Kimi | 吃语料、理解语境 | 2.6 |
| Qwen | 写核心代码、逻辑处理 | 3.6 |
| MiniMax | 杂活、格式化、清洗 | 2.7 |
反复蒸馏了很多次,才得到一个比较满意的版本。
关键不是让 AI “背诵” ZG 的原话,而是让 AI 掌握 ZG 的思维框架——遇到一个问题,他会先问什么、再看什么、最后怎么下结论。
第四步:从”嘴炮 AI”到”实战助手”

最早版本是纯文本对话,Z 哥只能跟你”聊”,不能”看”。
但我觉得不够。你用假数据练出来的全是花架子,上了市场就是被割的命。
所以我要接真实行情数据。
我自己用的是 KimiClaw 的专业数据库,可以直接查同花顺数据,对我来说做长线够用了。
但之前做 HALO 的时候,我买了一些 Tushare 中转服务,还写了一些爬虫,不想浪费,就一并接入了。
于是就有了 JNB 模式:
Tushare 拉取数据 → Python 计算指标 → 结果给 LLM → Z 哥自然语言输出
这样的好处是:Python 负责精准,LLM 负责灵魂。
Python 不会瞎给建议,LLM 也不会瞎编数据。各司其职。
目前支持:
- 实时行情、K 线数据
- [[MACD三大用法|MACD]] / [[KDJ]] / [[BBI]] / RSI / 布林线等 60+ 技术指标
- 资金流向、涨停数据、财务数据
- SQLite 缓存,支持历史回查
第五步:随堂复盘——一个晚上的灵感
做到 JNB 模式的时候,我本来以为项目差不多了。
结果周三听 ZG 直播间标题:“要考试了,你们把交割单交上来我看看。”
我一想:妈的,交卷的都是好学生,那差学生和中不溜怎么办?
当天晚上我就肝了一个功能出来——随堂测试复盘。
你不用记什么格式,直接说人话:
“复盘一下,4月5号买了100股茅台,1800块”
Z 哥就会问你当时为什么买、看到什么信号、仓位控制得怎么样,然后结合当时的技术指标给你点评。
自己用下来,感觉挺不错。就算当个记账本,也比 Excel 强。
项目现在长什么样?
zettaranc-skill/
├── SKILL.md # 核心路由器(Z 哥的灵魂)
├── modules/
│ ├── tushare_client.py # Tushare API 封装
│ ├── database.py # SQLite 数据库(7 张表)
│ ├── data_sync.py # 数据同步器
│ ├── indicators.py # 60+ 技术指标计算引擎
│ ├── screener.py # 曼城评分体系选股器
│ ├── strategies.py # 30+ 战法识别引擎
│ ├── trade_parser.py # 口语化交割单解析
│ ├── trade_manager.py # 交易记录 CRUD
│ └── trade_reviewer.py # 随堂复盘点评
├── knowledge/ # 14 篇知识文档
├── tests/ # 单元测试(25+ 用例)
└── references/research/ # 11 份调研报告
版本:v2.1.0
GitHub 开源地址:https://github.com/lululu811/zettaranc-skill
三个月做下来,我最大的感悟
1. 数据收集是最难的。
比写代码难,比调模型难。信息分散在各个平台,有的要花钱,有的要手动处理,有的根本拿不到。企业里更是如此——大量数据躺在硬盘里,没人用,也没人知道怎么用。
2. 知识库是骨架,蒸馏是灵魂。
Karpathy 的 wiki 理念帮我搭好了骨架,花椒的女娲蒸馏术帮我注入了灵魂。两者缺一不可。
3. 多模型分工比单模型硬扛更实用。
Kimi 吃语料、Qwen 写代码、MiniMax 干杂活,各司其职,效率比单模型高很多。
4. 一定要做好数据备份。
别问我怎么知道的。
最后
这个项目从”练手”开始,做到现在已经成了一个能看行情、能跑指标、能复盘、有灵魂的 AI 交易助手。
但它最重要的价值,不是技术有多牛,而是把一个认真做了二十年交易的人的思维框架,用 AI 的方式保留了下来。
你可以跟它对话,可以拿它复盘,可以让它在你看盘的时候帮你盯指标。
但记住 ZG 的一句话:
“利润是市场给的,都是概率的事儿,谁也别吹牛逼。”
AI 能给你框架,能给你纪律,能给你概率——
但执行,还是只能靠你自己。
项目开源,欢迎 Star 和 PR。 不构成投资建议,Z 哥说的也不构成。
小陈无所事事的一天 关注公众号,也可以不关注