investor-education-workflow: 投教工作流 🎯

📋 功能描述

帮助用户系统化生产与分发投资者教育内容。基于 LLM Wiki 机制，实现"知识库优先 → 搜索补充 → 转译大白话 → 多形式输出 → 反馈入库"的完整闭环。

适用场景：

• 投教内容生产（文章/卡片/语音/视频脚本）
• 知识点转译（专业术语 → 大白话）
• 客户问答响应（1 对 1/群发/讲座）
• 知识库维护（LLM Wiki编译与更新）

边界条件：

• 不替代持牌投教机构
• 知识准确性与合规由 IE 负责，内容生成与格式转换由 expression-layer 负责
• 知识库路径：knowledge/investor-education/wiki/
• 原始素材路径：knowledge/investor-education/raw/

---

🔄 核心处理流程（5 阶段）

阶段①：检索知识库

动作：在 knowledge/investor-education/wiki/ 中全文检索关键词。
输出：命中 → 提取结构化知识点（定义/案例/话术）；未命中 → 进入阶段②。
调用 Skill：Read（读取 Wiki Markdown 文件）

阶段②：定向搜索补充 + 逻辑提取

触发条件：知识库未命中 / 内容过时 / 问题非常具体。
动作：

1. 搜索：限定官方域名（site:nerc.edu.cn 等），获取原始材料。
2. 提取因果链：搜索内容往往是新闻摘要或碎片信息。必须先提取逻辑，再转译。
   • 识别核心变量（如：降准 → 利率 ↓ → 债基 ↑）
   • 构建因果链（A 导致 B，B 影响 C）
   • 剔除矛盾/过时信息
     输出：结构化因果链 + 来源标注。
     调用 Skill：searxng + url-to-markdown

阶段③：合规拦截 + 转译大白话 + 意图标记

动作：

1. 合规拦截：检测用户请求是否触碰红线。
   • 🔴 红线：推荐具体基金/股票代码、承诺收益、预测短期涨跌、代客理财。
   • 🟡 转化协议：若触碰红线，不直接拒绝，而是转化为投教内容。
     • 例：用户"推荐只下周必涨的基" → 转化为"如何自己筛选优质基金"或"为什么预测短期涨跌是陷阱"。
     • 标记 intent: plain 或 card，输出教育性内容。
2. 转译：将阶段①/②的内容转译为大白话。
   • 去术语化：用生活类比（"PE=回本年限，像买店铺看租金"）
   • 场景化：嵌入普通人能遇到的情境
   • 行为化：直接告诉客户"你该做什么/不该做什么"
3. 意图标记（必须输出结构化参数）：

   intent: plain | writes | card | wechat | multi
   mold: -l | -i | -c | -w | -b  # 仅 intent=card 时必填
   audience: 儿童 | 新手 | 进阶 | 专业  # 可选，指导转译难度

输出：结构化内容 + 意图参数。
调用 Skill：ljg-learn（概念解剖）

阶段④：多形式输出（调用表达层）

动作：将阶段③的内容 + 意图参数传递给 expression-layer。
调用方式：

调用 expression-layer，传入：
- content: [阶段③的结构化内容/因果链]
- intent: [plain/writes/card/wechat/multi]
- mold: [-l/-i/-c/-w/-b]  # 仅 card 时传
- audience: [儿童/新手/进阶/专业] # 可选

输出：表达层返回最终成品（Markdown/PNG/HTML/公众号）。
调用 Skill：expression-layer

阶段⑤：反馈入库

动作：将本次生成的内容、客户反馈、使用频次结构化回填至知识库。
入库路径：

• 新知识点 → knowledge/investor-education/wiki/entities/ 或 concepts/
• 客户问答 → knowledge/investor-education/raw/qa/
• 反馈标记 → 在 Wiki 页面底部追加元数据：

  ---
  使用频次：高/中/低
  理解难度：⭐/⭐⭐/⭐⭐⭐/⭐⭐⭐⭐/⭐⭐⭐⭐⭐
  最后更新：2026-04-24
  关联偏误：过度自信/损失厌恶/羊群效应
  ---

调用 Skill：task-state-tracker

---

📚 五大模块知识库

模块	内容	对应 Skill
模块 1：投资基本功	金融基础/基本面分析/技术分析/财经素养	ljg-learn, fund-analyzer-pro
模块 2：市场认知与风险扫描	资本市场全景/风险识别/合规交易	decision-checklist, content-compliance
模块 3：行为管理	行为金融学/常见偏误/策略矫正	decision-checklist, ljg-relationship
模块 4：投资规划与生命周期	财务规划/资产配置/退休规划	fund-allocator, ljg-rank
模块 5：投资者陪伴与持续成长	分层学习路径/多元形式/日常陪伴	companion-script, ljg-plain, ljg-card

详细五大模块说明 → references/five-modules.md
LLM Wiki 架构 → references/llm-wiki.md
四专家思维框架 → references/four-experts.md

---

⚠️ 常见错误

错误 1：知识库不存在

问题：
• 阶段①检索失败，因为 knowledge/investor-education/ 目录未创建
• 流程断裂

解决：
✓ 首次使用时，先创建目录骨架（mkdir -p knowledge/investor-education/{raw,wiki/{entities,concepts,summaries}}）
✓ 导入种子数据（10 个高频知识点 Wiki 页面）
✓ 若目录不存在，直接跳至阶段②搜索

错误 2：未调用表达层

问题：
• 阶段④直接输出 Markdown，未调用 expression-layer
• 无法生成卡片/公众号/语音

解决：
✓ 阶段④必须调用 expression-layer，传入 content + intent + mold
✓ 不要自己生成 PNG/HTML，让表达层路由

错误 3：意图标记缺失或参数不全

问题：
• 未标记 intent 或 mold，表达层不知道要出 plain 还是 card，或默认用错模具
• 路由失败或输出格式不匹配

解决：
✓ 阶段③必须输出完整意图参数（intent + mold + audience）
✓ 歧义时主动询问用户："需要大白话解释、深度文章，还是可视化卡片？大字还是信息图？"

错误 4：搜索源非官方

问题：
• 阶段②搜索返回自媒体文章，非官方源
• 内容合规风险

解决：
✓ 搜索时必须限定 site:nerc.edu.cn OR site:sse.org.cn OR site:szse.cn
✓ 优先使用中国投资者网、交易所投教基地

错误 5：合规请求硬拒绝

问题：
• 用户问"推荐只下周必涨的基"，AI 直接回复"我不能推荐"
• 错失教育机会，用户体验差

解决：
✓ 执行"合规拦截与转化"协议
✓ 不拒绝，而是转化："预测短期涨跌是陷阱，我教你 3 个自己筛选基金的方法..."
✓ 标记 intent: plain 或 card，输出教育性内容

---

🧪 使用示例

输入：

客户问："什么是市盈率（PE）？能不能说人话？"

预期输出：

• 阶段①：检索知识库 → 命中"市盈率"Wiki 页面
• 阶段③：转译大白话 → 标记 intent: plain
• 阶段④：调用 expression-layer → 返回口语化解释（≤200 字）
• 阶段⑤：入库 → 标记"理解难度⭐⭐"，关联"锚定效应"

输入：

写篇投教文章：定投为什么能对抗择时焦虑？发到公众号。

预期输出：

• 阶段①/②：检索/搜索 → 获取定投原理 + 行为金融学素材
• 阶段③：转译 → 标记 intent: wechat
• 阶段④：调用 expression-layer → 返回公众号推文（HTML+ 封面）
• 阶段⑤：入库 → 标记"使用频次高"

---

🔧 故障排查

问题	检查项
阶段①失败	knowledge/investor-education/wiki/ 是否存在？是否有种子数据？
阶段④失败	是否调用了 expression-layer？intent 标记是否正确？
输出格式错误	expression-layer 路由矩阵是否包含该意图？
搜索非官方	搜索命令是否包含 site:nerc.edu.cn 等限定？
未入库	阶段⑤是否执行？wiki 页面底部元数据是否追加？

---

🔗 相关资源

• 五大模块知识库：references/five-modules.md
• LLM Wiki 架构：references/llm-wiki.md
• 四专家思维框架：references/four-experts.md
• 表达层路由：../expression-layer/SKILL.md
• 报告模板：templates/education-template.md
• 标准参考：docs/SKILL-STANDARD-v3.md