QVeris · 数据实测
这是一篇第三方实践记录。示例程序已经继续扩展到 full-context 版本：除了财报电话会逐字稿，也把电话会后的市场表现、基础财务指标、新闻上下文、语义分类、人工标注模板和 LLM 复核包放进同一条工作流。
核心目标没有变：
不是自动给投资建议，而是把多家公司、多季度电话会里的主题变化整理成可复核的研究线索，并保留每一条信号背后的原文证据和数据调用记录。
01
从一个真实问题开始
财报电话会逐字稿很适合做投研 Agent 的基础数据源。它比新闻更接近公司一线表达，比财报表格更容易反映管理层对业务、风险和未来预期的叙述方式。
但逐字稿也有明显问题：单份 transcript 往往有几万字，多家公司、多季度一起看时，人工阅读成本很高。如果只是让模型"总结一下"，又容易丢掉证据来源，最后很难复核。
02
示例程序现在做了什么
程序名称是 QVeris Earnings Call Signal Demo。它的输入很简单：股票代码、最近几个季度、关注主题。新版运行方式使用 --full-context，会一次性拉取逐字稿、市场上下文、基础面数据和新闻上下文。
程序运行总览：主题强度、证据数量、输出文件和后续问题
03
一次真实运行
我用 AAPL 和 NVDA 各取最近两个季度，跑出了 4 份逐字稿。新版完整运行约 12 秒，生成了 381 条证据片段和 12 个输出文件。
主题结果里，AI 是最强信号，共 210 次提及，由 NVDA 领先；SupplyChain、Margin、Pricing、Guidance 也形成了可比较的主题矩阵。这里的数字不是结论，而是下一步阅读原文的索引。
04
把电话会放进更完整的上下文
只看逐字稿容易忽略外部背景。新版程序通过 QVeris 继续调用基础面和新闻类工具，把最近财年的收入、毛利率、经营利润率、ROIC，以及最新新闻主题放到同一份结果里。
上下文矩阵：基础面指标和最新新闻主题
这样做的价值在于：当某个主题升温或降温时，分析师可以同时看到基础面指标和外部新闻叙事。例如 Margin / Pricing 主题可以和毛利率、经营利润率一起看，AI / Product 主题可以和近期新闻标题一起看。
05
研究时间线：把主题、市场和基础面并起来
research_timeline.csv 是这次新增的关键产物。它按电话会逐行整理最强主题、提及次数、电话会后的市场表现，以及最新基础面指标，适合做第一轮筛选。
研究时间线：主题变化、市场反应和基础面指标
同时，theme_timeseries.csv 会按公司、季度、主题输出 mentions_per_1k_words、机会/风险语境、管理层主动叙述/分析师追问等字段。后续如果继续扩展，可以直接把它做成长期趋势图。
06
证据台账、语义分类和人工标注
投研分析里最怕的是"看起来像结论，但不知道从哪里来的结论"。这个 demo 会生成 evidence_ledger.csv，每一行都包含公司、季度、命中主题、关键词、说话人、prepared remarks / Q&A 分段、管理层主动叙述 / 分析师追问 / 管理层回答等来源分类，以及原文片段。
新版还增加了轻量语义桶，例如 demand、supply、pricing、margin_cost、competition、regulation_macro、product_technology。这不是最终模型，只是一个可解释的起点：先让证据变得可分组，再通过人工标注逐步改进。
语义分类与人工标注模板
真正有价值的不是把逐字稿总结成几段话，而是把数据发现、调用、对比、证据留存和人工复核这一整条链路跑通。
07
电话会议内容是如何获取的
市场上下文用的是历史价格工具，但它只是后续补充背景。这个 demo 的第一性数据来源是 earnings call transcript，电话会期次和逐字稿正文同样都是通过 QVeris 搜索并执行工具获取的。
程序没有直接硬编码外部接口地址，而是先让 QVeris 搜索"电话会日期"和"电话会正文"两类工具。搜索命中后，再用返回的 search_id 关联后续执行。
实际流程是：先搜索工具，再对每个股票代码调用 transcript dates 工具，例如输入 AAPL，返回可用的 fiscal year、quarter 和日期；随后按用户传入的 --quarters 选取最近几个期次；最后对每个期次调用 transcript content 工具，传入 symbol/year/quarter 拉取正文。
拿到 content 字段后，程序才进入后续分析：说话人识别、prepared remarks / Q&A 分段、主题命中、风险/机会语境、语义桶和证据台账。市场价格、基础面和新闻都是在逐字稿分析完成之后补进来的上下文。
这也是为什么文章里强调"可追溯"：报告不只展示主题统计，还会记录 QVeris 搜索命中的 tool、执行结果、execution_id、cost，以及每条主题信号对应的原文片段。
如何参考微信公众号文章
这个 demo 不是照着公众号文章复述一遍，而是把文章里的产品思路转成一个可以运行的第三方实践。
换句话说，公众号文章提供的是"为什么 QVeris 适合做 API Agent 基础设施"的方向；这个 demo 做的是"拿一个真实投研问题，把这条路径跑通"。
08
通过 QVeris 获取市场上下文
程序不直接调用外部 chart 接口，而是通过 QVeris 搜索并调用市场数据工具获取历史 EOD 价格。当前使用的工具是：
financialmodelingprep.historical_price_eod.light.retrieve.v1.3f860211
QVeris 市场上下文：电话会后下一交易日和 5 个交易日表现
这一步的意义不是用股价反应证明电话会内容，而是给分析师一个背景：哪些电话会后的市场反应值得和主题变化放在一起看。程序会把 execution_id、cost、market_tool_id 一起写入 CSV，方便追溯。
09
LLM 复核包
为了避免 LLM 生成没有出处的结论，程序额外导出 llm_review_pack.json。这个文件包含 guardrails、主题视图、市场上下文、基础面上下文、新闻摘要、证据样本和一个面向复核 memo 的 prompt。
LLM 复核包：guardrails、上下文和证据样本
它的定位不是让模型直接给投资建议，而是让模型基于证据生成复核问题，帮助人更快进入"该回看哪段原文"的状态。
10
实现上的一个小改进：外部调用要能降级
这次完整运行时，逐字稿接口曾出现过一次 ReadTimeout。程序因此补了一个实用改动：日期和逐字稿调用如果单次失败，不再让整个分析崩掉，而是把失败记录进 missing_transcripts 和执行元数据里，其他公司、其他季度仍然可以继续产出结果。
这类 demo 如果要变成可长期运行的工具，外部接口超时、空结果、部分失败都应该是正常分支，而不是异常终点。
11
十一、运行方式
uv synccp .env.example .envuv run earnings-signal \--symbols AAPL,NVDA,TSM \--quarters 2 \--theme-set extended \--themes AI,Margin,Guidance,SupplyChain,Pricing,Competition \--full-context
代码地址：
https://zxoriiwxds4.feishu.cn/wiki/Dmfbw8yG8ibsflkTjXqcxUOTnkc#share-C8wydnNGoormD5xeOWOcrg26nwf
12
这个程序是如何实现的
这个 demo 的实现思路并不复杂：先把"找数据接口"和"调用数据接口"交给 QVeris，再把精力放到投研工作流本身。程序内部没有硬编码某个固定接口，而是先用自然语言搜索可用工具，再根据搜索结果选择最合适的 tool 执行。
几个关键概念
实际给 Codex 的指令
整个开发过程基本都由 Codex 完成。指令不是"一次性写完程序"，而是按阶段不断收敛：先确定方向，再扩展能力，然后部署、测试、修复和更新文章。
开发方向
阅读QVeris官微的文章https://mp.weixin.qq.com/s/LYAgdIidj1ElOldx6wfL2Q，参照这个文章实现一个有意义的程序，需要有实际效果。代码单独放一个仓库，在demo目录下建一个子目录，然后推送到github。这一步确定了项目方向：做一个能把财报电话会逐字稿转成结构化投研线索的 demo。Codex 先搭出 Python 项目、QVeris 客户端、分析器和命令行入口。
能力扩展
按文章最终的可以继续扩展的方向扩展 qveris-earnings-call-signal-demo。不要使用 Yahoo Finance chart 接口，使用QVeris的工具获取数据。
这一步把程序从"只分析 transcript"扩展成完整上下文版本。因为明确要求不要使用 Yahoo Finance chart 接口（第一版AI会根据自己的理解尝试直接使用这个接口，但是会失败，所以这里明确建议使用QVeris的工具），市场数据改成通过 QVeris 搜索并调用市场数据工具获取。
截图与文档
按文章最终的可以继续扩展的方向扩展 qveris-earnings-call-signal-demo。不要使用 Yahoo Finance chart 接口，使用QVeris的工具获取数据。
这一步补齐了截图、报告、LICENSE 和文章内容。
Codex 不是只写代码，也负责运行程序、生成输出文件、截取页面、更新文档。我们在写文章的同时同步完成demo程序，整个过程是逐步迭代的，文章每次的最后会有一个章节的内容说明"下一步还可以继续做什么"，我们可以让Codex根据这些内容继续推进，根据需要可以适当调整。
部署与页面
在测试机器上部署这个程序。除了 Markdown Report 的内容，还可以增加一个 Report 按钮，直接显示 HTML 格式的页面。更新代码、文档并同步部署到 testlab。
这一步把 demo 从命令行程序变成可访问的网页应用。Codex 增加了 FastAPI 服务、首页 dashboard、HTML 报告页、截图页和 systemd 用户服务。事先需要告诉Codex测试机器的访问方式，可以让它自己去设置免密登录。第一版的程序只有Markdown Report，不是很直观，我们让Code又生成了可以直接打开的HTML版本的报告页面。
13
后续还可以继续做什么
把 theme_timeseries.csv 接到图表页面，形成按公司和主题筛选的长期趋势视图。
把规则语义桶替换成可评估的小模型分类，但仍保留 evidence ledger 作为可追溯基础。
基于 annotation_template.csv 做人工标注，统计规则分类与人工分类的差异。
把新闻事件、基本面变化和电话会主题变化做成更明确的事件时间线。
增加更多数据源，但每个新增数据源都记录调用工具、参数、execution_id 和 cost。
本文只是一次可复现的小实验，不构成任何投资建议。对外使用时，还需要结合数据源条款、公司公告和人工判断。
关于 QVeris AI
QVeris AI 聚焦于 Agent 时代的行动基础设施层，致力于构建 AI 可理解、可调用的"能力互联网"。
QVeris 当前定位：面向智能体的搜索和行动引擎，让智能体能够通过语义搜索发现并一键调用 10,000+ 真实且已验证的工具。
产品矩阵：
QVeris CLI — 终端中的万能 API 入口
QVeris MCP Server — IDE 智能体的工具网关
QVerisBot — 基于 OpenClaw 的生产级 AI 助手
QVeris REST API — 标准 HTTP 接口，适配任何语言和平台
官网：https://qveris.ai
GitHub：https://github.com/QVerisAI/QVerisAI
加入飞书群体验?
觉得有用？ 点个❤️在看，转给还不知道的朋友 关注「QVeris」，获取更多 AI 数据工具资讯
