催化日历 Agent
追踪会改变节奏和 thesis 验证顺序的关键事件。
催化日历 Agent 专门管理“什么时候需要重新看这只股票”。
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。
整理未来关键事件与时间窗口。
判断哪些催化最可能改变 thesis。
为监控和提醒角色提供时间维度。
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。
不负责单独重写 thesis。
不负责具体价格执行。
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。
催化日历 Agent 属于 AlphaVue 多智能体系统中的「交易与组合」通道，主要在「决策」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。再好的 thesis，如果没有时间轴，后续就很难监控。
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
财报、产品发布、指引、投资者日和管理层讲话。
监管决定、行业会议、宏观数据和政策发布时间。
哪些变量必须在未来某个时点被验证或推翻。
分析框架
如何压缩噪音形成判断
研究需要知道“何时验证”，不是只知道“为什么相信”。
不是所有日期都重要，重点是那些能改写路径的时刻。
有些 thesis 需要提前布局，有些 thesis 更适合等确认后行动。
输出与产物
如何把判断送往下一环
让用户知道接下来哪些日期最值得关注。
帮助系统区分关键催化和普通日历噪音。
给 Thesis Monitor 和 Alerting Agent 提供时间触发器。
催化日历 Agent 如何参与 AI 股票分析
催化日历 Agent 是 AlphaVue 多智能体股票研究工作流中的 交易与组合 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。
催化日历 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。
催化日历和普通日历有什么区别？
它不是列所有日期，而是筛出最可能改变 thesis 和执行节奏的节点。
这个角色主要服务谁？
最直接受益的是监控、提醒和交易角色。
它会决定财报前一定不能做吗？
不会。
催化日历 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「交易与组合」通道里把 决策 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。
催化日历 Agent 最依赖哪类输入？
它最依赖的通常是「公司事件」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。