仓位管理 Agent
决定如果要做，这笔交易应该占多大比重。
仓位管理 Agent 负责把 thesis 质量、波动、组合上下文与执行摩擦转成实际仓位建议。
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。
将置信度、风险和组合约束转成仓位建议。
区分核心仓、战术仓和观察仓。
为执行层提供仓位上限和加仓边界。
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。
不重做 thesis 本身。
不负责发送价格提醒。
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。
仓位管理 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。很多投资结果并不是因为观点对错，而是因为仓位失控。
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
研究层与风险层对这笔 idea 的整体评价。
已有暴露、相关性和风险预算。
流动性、波动和事件窗口约束。
分析框架
如何压缩噪音形成判断
不是所有正确想法都值得同样权重。
有些标的是可以参与的，但只能用更小的资本表达。
好的仓位策略会为后续验证和调整留余量。
输出与产物
如何把判断送往下一环
告诉系统这笔交易是核心仓、战术仓还是试探仓。
说明什么情况下可以放大仓位，什么情况下必须控制。
帮助用户理解这笔交易会消耗多少组合注意力与回撤空间。
仓位管理 Agent 如何参与 AI 股票分析
仓位管理 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。
仓位管理 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。
仓位管理 Agent 会给具体百分比吗？
它更重要的作用是给出仓位层级和上限逻辑，具体百分比可以再结合账户规模细化。
高置信度就一定大仓位吗？
不一定，还要结合组合重复暴露、流动性和回撤容忍。
它和 Risk Manager 有什么区别？
Sizing 主要决定资本表达强度，Risk Manager 负责整体风险分级与风险辩论后的最终约束。
仓位管理 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。
仓位管理 Agent 最依赖哪类输入？
它最依赖的通常是「置信度与风险」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。