08 公众号存档 归档 2026.10.23

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