保守风险 Agent
从本金保护和错误容忍度角度检视每一笔 thesis。
保守风险 Agent 代表系统里最重视回撤控制的一方。
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。
从回撤和本金保护角度审查 thesis。
指出容错率过低、假设过乐观的部分。
给 Risk Manager 提供更严格的约束建议。
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。
不等于否定所有高波动机会。
不负责组合层相关性分析。
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。
保守风险 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。任何真正负责任的研究系统，都需要一方认真捍卫本金安全。
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
这笔 idea 的回撤弹性、波动强度和失误成本。
是否有足够空间应对错误、延迟或市场噪音。
这笔 thesis 是否建立在过于乐观的前提上。
分析框架
如何压缩噪音形成判断
这个角色优先考虑错误时的后果，而不是正确时的兴奋感。
如果一个 thesis 只能在完美前提下成立，它就不够安全。
在高不确定阶段，等待本身是一种有价值的防守动作。
输出与产物
如何把判断送往下一环
说明为什么应该更谨慎、更慢，或更低仓位。
指出哪些变量一旦变化，就不应继续坚持。
给仓位和交易角色提供更防守的边界。
保守风险 Agent 如何参与 AI 股票分析
保守风险 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。
保守风险 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。
保守风险 Agent 会不会让系统太谨慎？
单独看会，但它只是风险辩论的一方。
它最看重什么？
最看重错误时的损失代价，以及 thesis 对完美假设的依赖程度。
它会直接要求空仓吗？
在容错率极低、事件风险极高时，会显著提高不参与的权重。
保守风险 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。
保守风险 Agent 最依赖哪类输入？
它最依赖的通常是「风险暴露」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。