提醒 Agent
把重要变化转成真正该通知用户的提醒，而不是制造更多噪音。
提醒 Agent 负责把 thesis change、价格触发、催化节点和风险事件变成清晰的通知逻辑。
持续读取研究输入、市场上下文与关键变化。
把判断结果送往下一环节与最终结论。
用多维框架压缩噪音、校准偏差。
围绕职责边界、作用方式与协作关系展开。
它通过阶段站位、触发信号和协作链路共同发挥作用，而不是孤立输出。
来自研究输入与实时上下文
连接上游、下游与平行角色
通过多重判断维度压缩偏差
谁会先把上下文或信号送到这里。
谁会直接接收它的判断结果。
哪些平行角色会共同校准这段判断。
这个角色真正推动什么
下面这 6 件事，是这个角色在系统里最值得被单独分工处理的职责。
把 thesis 变化和风险触发转成提醒规则。
过滤低价值提醒，保留真正值得用户注意的变化。
连接价格、事件和 thesis 三种提醒逻辑。
在自己的职责边界内补齐证据、缩小噪音，让结论建立在更专业的判断基础上。
为下游角色提供可执行、可复核、可延续的中间结果，而不是停留在笼统描述。
当输入发生变化时，快速更新这一阶段的判断重点。
能力边界
这个角色越专业，越需要清楚地知道自己不该替别人做什么。
不负责重新做分析。
不负责决定长期 thesis。
为什么系统需要它
先给一句结论，再用几个结构化要点解释这个角色存在的必要性。
提醒 Agent 属于 AlphaVue 多智能体系统中的「风险与监控」通道，主要在「监控」阶段建立更专业的判断，让后续角色能够接在更可靠的前提上。很多提醒系统的失败，不是提醒太少，而是提醒太多。
决定它主要服务哪一段研究工作。
这是它最直接施加影响的位置。
它的判断会在这里继续被放大和执行。
输入如何被压缩成可以执行的判断
把这个角色的输入、判断和输出拆成三段看，会更容易理解它在系统里的真实作用。
输入与信号
持续读取哪些信息
来自 Thesis Change Monitor 的变化判断。
来自 Catalyst Calendar 的重点日期与事件优先级。
来自市场与风险层的关键阈值和风险红线。
分析框架
如何压缩噪音形成判断
如果所有变化都推送，最终等于没有提醒系统。
一个提醒最有价值的部分，往往是它解释了为什么值得看。
提醒不该独立存在，而应当围绕原始研究框架展开。
输出与产物
如何把判断送往下一环
把最重要的变化推送给用户。
区分必须立即关注、可以稍后查看和无需打扰的事项。
提醒不仅告诉用户发生了什么，还说明为什么值得在意。
提醒 Agent 如何参与 AI 股票分析
提醒 Agent 是 AlphaVue 多智能体股票研究工作流中的 风险与监控 角色。它把输入信号压缩成可交给下游角色的判断，帮助用户从“信息很多”进入“观点更清楚”。
你不想只看单一模型给出的笼统结论。
一只股票出现财报、价格异动、新闻催化或估值争议。
你需要知道某个判断来自哪些证据，而不是一句简单买卖建议。
它不是投资建议，也不会替用户保证收益。
它只处理自己职责范围内的信号，最终结论需要和其他 agent 协同。
如果公开数据不足，它会降低结论确定性，而不是假装知道。
提醒 Agent research paths
围绕这个角色的常见问题
FAQ 保留完整内容，但默认只露问题，让页面更轻，也更适合搜索问答场景。
提醒 Agent 和普通价格提醒有什么不同？
它不仅看价格，还结合 thesis 变化、事件背景和风险条件来判断是否该提醒。
它会不会推送太多？
它的设计目标就是过滤提醒，而不是扩大提醒数量。
Alerting Agent 为什么值得单独介绍？
因为这体现了 AlphaVue 从分析到行动的闭环能力。
提醒 Agent 在整个系统里最核心的职责是什么？
它最核心的职责，是在「风险与监控」通道里把 监控 阶段需要的关键判断做深，并为后续角色提供更高质量的前提。
提醒 Agent 最依赖哪类输入？
它最依赖的通常是「thesis 变化」这一类信号，因为这是它形成专业判断的起点。
继续打开这些相关角色
这些角色通常会直接承接、挑战或放大当前页面里的判断。
继续查看整个智能体系统
从总览页进入完整角色目录，或直接体验 AlphaVue 的多智能体股票分析工作流。
回到总览页继续浏览其它角色，或者直接进入 AlphaVue 看这些角色如何在真实分析里协同工作。