Python搭建A股智能选股系统：从数据自动化到AI初筛

先说个背景：我平时盯盘时间并不充裕，但又不想完全凭感觉买卖。前两年刚开始接触量化时，跟很多人一样，以为“全自动选股”就是装个软件、填几个指标参数，让它每天给我推几只票。真跑起来才发现，数据源、复权、停牌、增量更新、情绪干扰——每一个环节都在劝退新手。后来我索性用Python把整套流程自己搭了一遍，从数据抓取到智能初筛全部自动化，跑了大半年，虽然不敢说它能预测涨跌，但确实帮我从每天手工翻几百只股票的状态里解放了出来。这篇文章就把我搭建这套系统的完整思路、代码细节、踩过的坑一次性写清楚，希望能给同样在Python和AI边缘试探的朋友一点参考。

1. 为什么非要用代码来做这件事：从手动翻票到系统初筛

很多人会觉得，看股票嘛，打开行情软件，按涨幅排名一个个翻不就完了。但实操过的人都知道，当你需要同时看技术形态、财务指标、量能变化、公告新闻，还要保持情绪稳定不追涨杀跌，人的注意力根本撑不过半个小时。我一开始也是这么干的，结果就是今天被某个热点带偏，明天被一根大阴线吓得清仓，毫无纪律可言。

后来我给自己定了个规矩：凡是能用规则描述的事情，就让代码去干；凡是需要主观判断的事情，再交回给人。这个思路落实到选股上，就是把“每天翻几千只股票，粗筛出值得进一步研究的二十只”这个动作，变成一个半自动的筛选管线。我给它起了个名字叫“股票龙虾”——因为它像个有着两只大钳子的机器人，一只钳子负责往家里捞数据，另一只钳子负责把垃圾和噪声捏碎，最后只留下干净的、符合条件的猎物。

这套系统有三层定位，大家先在心里有个底：

• 第一层是数据自动化：它拉取的是公开行情数据，不需要人每天手动导出Excel，也不依赖某些行情软件的公式系统。你说自己也想搞一套，没问题，核心就是Python请求公开数据源并做本地化存储。
• 第二层是规则化初筛：把可量化的标准写成策略，比如财务指标阈值、均线排列、动量排名、波动率区间等，让程序批量计算。这相当于把过去你眼睛扫图表的动作拆解成一个个固定逻辑。
• 第三层是AI辅助分析：传统指标擅长处理数字，但公告标题、新闻通稿、研报摘要里面的语气和态度，传统公式没法直接量化。这部分我会用大模型API做语义初筛，把文本信息转成可参与打分的情感标签。

我当时用这套系统替代的，其实就是“每天早上开盘前花二十分钟翻一遍自选股和涨幅榜”的习惯。系统会在每天收盘后自动把数据拉齐、跑完初筛，第二天开盘前我只需要花五分钟看一眼输出名单，再决定要不要人工深入研究。

需要强调一句，这套系统输出的是“初筛候选池”，不是“买入指令”。它解决的是信息过载和注意力分配问题，而不是替你拍板。明确了这层边界，你在搭建和使用它的时候才不会走偏。

2. 数据是地基：行情数据获取的三种主流方式与我的选型

2.1 免费开源库、券商接口、自写爬虫，怎么选

行情数据是整个系统的地基，这个环节如果数据质量不行，后面所有筛选逻辑都是空中楼阁。我实际调研下来，个人开发者做A股数据分析通常有三条路：

我最终选择的是第一类方案，主力用了AkShare加Baostock的组合。原因很简单：AkShare覆盖的接口非常多，从历史行情、实时行情到交易日历都有；Baostock则胜在免费且不需要token，做一些长时间的日线回测数据拉取比较稳。

这里特别提一句，网上很多旧教程里的AkShare接口现在已经变了，比如早期版本获取A股列表用的接口名，在后来版本里已经换成了stock_info_a_code_name()。所以如果你照着老教程跑不通，不要怀疑自己，先去官方文档页搜一下新接口名。我自己跑的时候也被这个坑绊过两回。

2.2 Python环境准备和安装

因为很多读者可能是第一次接触Python，我多说几句环境的事。你不用下载Anaconda那么大一个全家桶，直接到Python官网下载安装包就行。Windows安装时有一个非常关键的勾选项——一定要勾选“Add Python to PATH”，否则后面在命令行里输入python会提示找不到命令，这一步是新手最常见的问题。

装好之后打开终端（Windows叫命令提示符或PowerShell），依次执行：

bash复制python --version
pip --version

能正常输出版本号，说明环境OK。然后把需要用到的库装一下：

bash复制pip install akshare baostock pandas schedule requests

如果你的网络环境装库比较慢，可以用国内镜像源加速。注意，这个步骤只是装依赖，不涉及任何代理工具。

2.3 第一批数据入手：A股列表和日线行情

环境就绪后，先把数据跑通。下面这段代码拉取全部A股代码列表，并打印前五只股票：

python复制import akshare as ak

# 获取A股上市公司代码与名称
df_code = ak.stock_info_a_code_name()
print(df_code.head())
print("总股票数：", len(df_code))

接着拉取某只股票的历史日线数据。以贵州茅台（600519）为例：

python复制import akshare as ak

df_daily = ak.stock_zh_a_hist(
    symbol="600519",
    period="daily",
    start_date="20240101",
    end_date="20241231",
    adjust="qfq"  # 前复权
)
print(df_daily.head())
print(df_daily.tail())

adjust="qfq"表示前复权，这个概念我们下一节详细说。如果你把period换成weekly，拿到的就是周线数据。

2.4 为什么不建议自己写爬虫

可能有人觉得，既然AkShare底层也是爬虫，那我干脆自己写一个，岂不更自由？我的看法是：能封装的数据获取，就不要自己造轮子。自己写爬虫获取行情数据，需要处理cookie过期、IP限制、网页结构变化、验证码、断线重连等一系列问题。花一周写出来的爬虫，可能三个月后对方网站改版就直接报废。而开源库实际上已经帮你把这些麻烦处理掉了，虽然接口偶尔变动，但维护成本比自己写低一个数量级。

数据源选型这件事，我得到的最大教训是：先小步快跑，不要贪多求全。一开始别想着把财务、公告、资金流、龙虎榜全部拉下来，先把代码列表和日线跑通，存到本地，再逐步加字段。数据链路越短，出错时越好排查。

3. 先让数据“干净”起来：清洗、对齐与增量更新的那些坑

如果说拉数据是搬运工的工作，那清洗数据就是质检员的工作。很多人拿到数据就往策略里塞，结果算出来的指标完全不对，回头还以为是策略问题。我第一版系统就栽在复权和停牌这两件事上。

3.1 复权到底是怎么回事

先讲一个非常容易踩的坑：除权除息日。比如某只股票现在价格100元，公司宣布10派10元，也就是每股分红1元。除息日当天，股价会从100元直接跳到99元开盘。如果只看原始价格，你会以为这只股票一天跌了1%，但事实是公司把利润分给你了，你手里还多了现金分红。

更夸张的是送转股。如果10送10，股价直接砍半，图表上看像腰斩，但你的持股数量翻倍了，总资产其实没变。如果不做复权处理，所有均线、涨跌幅、动量指标都会被这种人为跳空扭曲。

复权分为前复权和后复权：

• 前复权（qfq）：把历史价格向下调整，让当前价格与市场真实价格一致。绝大多数行情软件默认显示前复权。
• 后复权（hfq）：把历史价格向上调整，让首日价格为基准，走势更真实反映长期收益，但显示的价格不是真实成交价。

在我们这种“全市场扫一遍”的选股场景下，看历史收益率和均线趋势，建议用后复权做计算，用前复权做展示。我在日线拉取时，会在数据文件里同时保留原始价和前复权价，回测和实盘信号都用前复权数据，因为这样计算出的信号相对来说更贴近真实交易时的盘面观察。

如果你用AkShare，直接传adjust="qfq"就好了；如果你用Baostock，取数时能拿到adjustFlag参数，可以一次把不复权、前复权、后复权都拉出来。

3.2 停牌和缺失值不能直接填充

股票停牌时，当天就没有行情数据。如果你用pandas的fillna()把缺失值填成前一天的收盘价，会让MACD、RSI这类带周期计算的指标发生偏差，甚至产生“停牌期间还在交易”的错误信号。

我的处理原则是：停牌日期直接保留为空，不填充，计算指标时用skipna逻辑跳过空值。在使用Baostock时，交易日没有成交量的记录会被过滤掉，所以拿到数据后先检查一下量能是否为0或NaN，如果出现且日期不是节假日，优先怀疑是停牌。

3.3 交易日历：别在周六跑数据，别把调休日当节假日

A股什么时候开市，不是简单地“周一到周五”，还有法定节假日调休。比如国庆节前的周末可能要上班，但股市不开；春节前后的交易日安排也经常调整。如果你用pd.bdate_range()生成工作日，再拿这个日期去拉行情，大概率会出现节假日请求失败。

稳妥的做法是用交易日历接口。AkShare提供一个交易日历接口，示例代码如下：

python复制import akshare as ak

df_trade_date = ak.tool_trade_date_hist_sina()
print(df_trade_date.tail())

拿到这个DataFrame后，把所有交易日存成列表，后面的定时任务只在这个列表内的日期运行，可以有效减少无效请求。

3.4 增量更新：用日期游标避免重复拉全量

如果你每天拉一次全市场几千只股票的三年日线，接口会被限流，本地存储也会越来越大。正确的思路是“增量更新”：本地已经存到2025年4月1日，下次更新就只拉4月2日到4月3日的数据。

逻辑其实很简单，就是用一个日期游标记录每只股票本地数据的最大日期：

python复制import os
import pandas as pd
import akshare as ak

DATA_DIR = "./stock_data"

def update_stock_daily(symbol: str):
    file_path = os.path.join(DATA_DIR, f"{symbol}.csv")

    # 如果本地已有数据，就读取最后一行的日期
    if os.path.exists(file_path):
        df_old = pd.read_csv(file_path)
        last_date = pd.to_datetime(df_old["date"]).max().strftime("%Y%m%d")
    else:
        last_date = "20200101"

    # 从本地最大日期开始拉取，end_date 可以留空自动取当天
    df_new = ak.stock_zh_a_hist(
        symbol=symbol,
        period="daily",
        start_date=last_date,
        end_date="20500101",
        adjust="qfq"
    )

    # 去掉可能重复的最后一天数据，再合并
    if os.path.exists(file_path):
        df_new = df_new[df_new["日期"] > pd.to_datetime(last_date)]
        df_merged = pd.concat([df_old, df_new], ignore_index=True)
    else:
        df_merged = df_new

    df_merged.to_csv(file_path, index=False, encoding="utf-8-sig")

这里有个小细节：stock_zh_a_hist返回的日期列名是中文“日期”，不是英文date，很多初学朋友在这里会报KeyError。字段名到底是中文还是英文，取决于你用哪个接口，建议每次拿到DataFrame先打印columns确认一下。

3.5 本地存储选CSV还是SQLite

我第一版用的是CSV，一个股票一个文件。好处是直观，能直接拿Excel打开看；坏处是股票数量多了以后，文件数量变得很庞大，做全市场扫描时要遍历几千个文件，效率明显下降。

后来我迁移到了SQLite，一个文件搞定，查询速度和文件管理都好了不少。如果你还在起步阶段，用CSV没问题；但如果你打算长期跑全市场，我建议直接用SQLite。只要在代码里把to_csv换成to_sql，把read_csv换成read_sql，改动成本并不高。

数据清洗这个环节我总结一句：宁可缺失，不要乱填。数据质量问题的隐蔽性在于，它不会让程序报错，只会让最终结果慢慢失真，让你误以为策略失效了，其实是数据根本没对齐。

4. 智能筛选模型搭建：从指标公式到AI参与的初筛管线

数据干净了，接下来是系统的核心——筛选模型。我把筛选分成两大部分：传统量化指标的机器打分，和基于大模型的文本语义初筛。两者结合，才配叫“AI智能筛选”。

4.1 先把筛选逻辑定义成可计算的规则

在写代码之前，建议先把自己的选股逻辑写在纸上。不是为了学术严谨，而是为了逼自己面对一个问题：你到底凭什么觉得一只股票值得关注？

我第一版规则很简单粗暴，目的是先把流程跑通。当时我设置的过滤条件是这样的（仅作为示例）：

• 上市时间超过3年，剔除次新股
• 最近一季度ROE大于10%
• 最近一年营收增速大于10%
• 股价在5日均线之上
• 近20日日均成交额大于1亿元
• 当前价格在10元以上

这些条件本质上是在描述“有一定盈利质量、流动性不错、短期趋势没有走坏”的股票。你不用照抄我的条件，关键是形成“用规则表达想法”的习惯。

4.2 打分而非一票否决

单一的硬性过滤有个毛病：假如一只股票ROE是9.8%，其他所有条件都很优秀，就因为差0.2%被刷掉了，可能有点可惜。所以我后来把过滤逻辑改成了打分制。

每个维度按0到100分打分，再按权重线性加权：

python复制def composite_score(row):
    score = 0.0

    # 财务质量
    score += min(row["roe"] / 15.0 * 100, 100) * 0.3

    # 成长性
    score += min(row["revenue_yoy"] / 20.0 * 100, 100) * 0.2

    # 趋势强度：股价相对60日均线的位置
    if row["close"] > row["ma60"]:
        score += 60 * 0.2
        score += min((row["close"] / row["ma60"] - 1) * 100, 10) * 2 * 0.2
    else:
        score += 30 * 0.2

    # 流动性：成交额越集中在合适的区间，分数越高，这里只是示意
    score += min(row["amount_20d"] / 5e8 * 100, 100) * 0.15

    # AI情绪得分，从外部传入，默认给50分
    score += row.get("ai_sentiment_score", 50) * 0.15

    return score

上面这些权重看起来拍脑袋，其实我是参考了很多人的公共经验后设的初始值，然后边跑边改。你不用担心权重设置不完美，重要的是整个管线可以随意调参，这样你后续才有优化的空间。

4.3 AI在这里到底能做什么

你可能要问，既然都能打分，那AI的角色是什么？我做下来的体会是，AI主要负责处理那些“公式没法搞定”的文本信息。

具体来说，我会把两类文本交给大模型：

• 公司公告标题和摘要：比如“关于签订重大合同的公告”“关于收到政府补助的公告”，标题本身就有情绪倾向。
• 近期新闻标题列表：个股新闻的聚合标题，能一定程度反映市场关注点和舆论风向。

为什么不用现成的金融情感词典？因为中文金融文本的表达太灵活了，“业绩预增”“商誉减值”“收到问询函”这些词需要结合上下文理解，传统词典对否定句式和新词的处理很弱。而大模型在这类短文本分类任务上，效果是明显过硬的。

4.4 大模型情感判断的代码示例

我用一个函数，把新闻标题列表传给大模型，让它返回JSON格式的情感判断。这里的关键点在提示词设计上，需要明确告诉模型输出格式：

python复制import json
from openai import OpenAI

client = OpenAI(
    api_key="你的API_KEY",
    base_url="你的接口地址"
)

def judge_news_sentiment(news_list):
    prompt = f"""
你是一名A股资讯分析助手。请阅读以下个股相关新闻标题，判断其整体情绪。

新闻标题：
{json.dumps(news_list, ensure_ascii=False)}

请严格输出如下JSON格式，不要输出任何其他内容：
{{
  "sentiment": "positive / neutral / negative",
  "score": 0到100之间的整数，50为中性，
  "reason": "一句话说明判断理由"
}}
"""

    resp = client.chat.completions.create(
        model="你的模型名称",
        messages=[
            {"role": "user", "content": prompt}
        ],
        temperature=0.2
    )

    content = resp.choices[0].message.content.strip()
    # 清理可能的Markdown代码块标记
    content = content.replace("```json", "").replace("```", "").strip()
    return json.loads(content)

调用时，把当天每只股票的新闻标题列表传入，得到0到100的情感分，再当成一个因子加权到刚才的composite_score()里。

4.5 提示词工程里最容易忽略的事

经验不足的人第一次调大模型接口，容易遇到两个问题：

第一个是模型不听话，输出了一堆解释而不是纯JSON。解决办法是上面代码里加一步对输出内容做清洗，把所有json和标记去掉；更稳的办法是在提示词里加一句“不要输出任何解释性文字”。只要你的提示词约束越明确，出错率越低。

第二个问题是API调用耗时。全市场几千只股票，如果你每天给每只都发一次请求，费用和延迟都吃不消。我的做法是只在第一轮候选池出炉后，再对有候选资格的一两百只股票做AI文本分析。这样既省了成本，又让AI筛选集中在最值得关注的范围内。

4.6 关于模型选型的小建议

如果你要处理的是纯文本分类、情感判断这种简单任务，没必要一上来就接最大最贵的模型。我自己试下来，中等规模的模型在这类任务上完全够用，而且响应更快、成本更低。更复杂的深度研报分析，我才会单独用更强的模型去处理。这个思路就像筛选泥沙时用筛子就够了，没必要开一台挖掘机。

整个筛选环节跑通后，你每天收盘后要做的事非常机械：先执行数据更新，再执行打分程序，最后把得分前20的股票存成一个待研究清单，供次日人工复核。

5. 全自动闭环：任务编排、异常重试与运行监控

整套系统如果只能手动在命令行里跑，还谈不上“全自动”。你需要让它在收盘后自动运行，然后在第二天早盘前把结果送达到你手上。

5.1 用几行代码实现定时任务

我推荐使用schedule库做轻量级定时调度，它足够简单，不需要额外部署分布式任务框架。下面是一个调度脚本的骨架：

python复制import schedule
import time
import datetime
import akshare as ak

DAILY_HOUR = 17  # 每天17点后运行，A股15点收盘，留出数据更新时间

def is_trade_day():
    """判断今天是否交易日，最简单方法：查交易日历接口"""
    df_cal = ak.tool_trade_date_hist_sina()
    today = datetime.date.today()
    return today in set(pd.to_datetime(df_cal["trade_date"]).dt.date)

def daily_job():
    if not is_trade_day():
        print("非交易日，跳过")
        return
    print("开始更新行情数据...")
    update_all_stocks()
    print("开始执行智能筛选...")
    run_screener()
    print("当日任务完成")

schedule.every().day.at(f"{DAILY_HOUR:02d}:00").do(daily_job)

while True:
    schedule.run_pending()
    time.sleep(60)

is_trade_day()会先判断当天是不是交易日，不是就直接跳过——这比在代码里写一堆假期判断要省事得多。

5.2 异常重试：数据接口说崩就崩

免费数据接口的稳定性，说多了都是泪。我遇到过AkShare某个接口临时失效、服务器返回空数据、网络超时等各种问题。所以重要数据更新函数里，我加了异常重试机制：

python复制import time

def fetch_with_retry(func, retries=3, wait_seconds=5):
    for attempt in range(retries):
        try:
            return func()
        except Exception as e:
            print(f"第{attempt + 1}次尝试失败：{e}")
            if attempt < retries - 1:
                time.sleep(wait_seconds)
            else:
                raise RuntimeError("重试多次仍然失败，请人工检查数据源")

所有网络请求相关的操作，都包一层fetch_with_retry，能解决90%的偶发网络问题。

5.3 日志系统：没有日志的定时任务等于裸奔

如果你把系统部署在一台长期开机的电脑或者服务器上，没有日志监控，出了问题根本不知道什么时候开始坏的。Python有个内置的logging模块，配合RotatingFileHandler可以按大小切分日志文件：

python复制import logging
from logging.handlers import RotatingFileHandler

logger = logging.getLogger("stock_lobster")
logger.setLevel(logging.INFO)

handler = RotatingFileHandler(
    "stock_lobster.log",
    maxBytes=10 * 1024 * 1024,
    backupCount=5,
    encoding="utf-8"
)
formatter = logging.Formatter("%(asctime)s - %(levelname)s - %(message)s")
handler.setFormatter(formatter)
logger.addHandler(handler)

logger.info("系统启动")

5.4 交付结果：邮件还是即时通知

筛选结果写到一个CSV文件里只是第一步，要想真正方便，建议把结果推送到你常用的通讯工具上。最简单的做法是接入常见即时通讯机器人的webhook接口，把当日候选股票列表、综合得分、入选原因打包成一条消息发出来。

要注意，推送之前先把敏感信息和免责声明加上：“本清单仅作为数据分析演示，不构成任何投资建议”。这句话既是对用户的保护，也是一种纪律提醒。

5.5 部署环境建议

如果有一台云服务器或者旧的迷你主机，把脚本部署上去是最理想的，7x24小时运行，不用操心电脑休眠。如果暂时没有服务器，用一台不常关机的台式机也行。Windows下可以用“任务计划程序”定时启动脚本，Linux下用crontab，但这两种方式都需要在脚本里处理路径切换和环境变量问题。

我自己的做法是把代码放到固定目录，用统一的环境启动命令去执行，避免双击运行时环境变量不对的坑。

6. 跑了大半年之后的真心话：这套系统的能力与边界

系统搭建完成只是万里长征第一步，真正有价值的是后面反复调优和使用过程中积累的认知。我把自己跑了大半年之后最真实的感受写在这里，可能会劝退一些人，也可能让你省掉几个月的试错。

6.1 数据质量永远是第一优先级

我在第3节反复强调数据清洗，这里不想再重复数据有多重要，只想说一个现象：当你的策略跑出来的结果不如预期时，不要第一反应就去调权重、换因子，先检查数据里有没有隐藏的脏数据。我调试系统过程中最离谱的一次，是因为某只股票在停牌期间没有做剔除处理，导致它的“20日涨幅”被错误地计算成了负值，连续几天被指标当成超跌股推上来。后来查出来是停牌处理逻辑漏了一个分支。

先怀疑数据，再怀疑策略，这是量化初筛的第一原则。

6.2 筛选逻辑不可能一成不变

市场环境会变，选股标准也会变。以前你觉得“低价股有翻倍潜力”，注册制推行后壳价值消退了，低价股反而可能成为退市风险股。所以筛选逻辑最好设计成配置文件，不要写死在代码里。

我的做法是把所有规则参数放到一个config.py或.yaml文件里：

yaml复制filters:
  min_roe: 8.0
  min_revenue_yoy: 5.0
  min_amount_20d: 1.5e8
  min_close: 5.0

weights:
  roe: 0.3
  revenue_yoy: 0.2
  trend_score: 0.2
  liquidity_score: 0.15
  ai_sentiment_score: 0.15

每次调整完参数，重新跑一遍当天数据就能看到候选池变化。你甚至还可以把历史每日的候选池存下来，三个月后复盘时看看当初系统筛出来的股票，后续表现到底如何。

6.3 AI情感因子的权重一定不要设太高

大模型对文本的理解能力确实强，但新闻情绪是瞬息万变的。今天铺天盖地都是“利好”的股票，明天可能就爆出黑天鹅。AI因子的作用是给你提供另一维度的参考，而不是主导你的决策。

我最初把AI情绪因子权重设到了0.3，跑了一个月后发现，候选股票频繁跟着当天的新闻热搜走，换手率和波动率都上来了，和我“寻找稳健标的”的初衷完全相反。后来我把权重压到0.1到0.15之间，候选池才稳定下来。用一句话概括我的体会：AI在这里是个助理，不是老板。

6.4 它不会替你解决“买不买”的问题

写到这儿肯定有朋友想问：那它到底能不能赚钱？

我的回答是：它负责的是把全市场5000多只股票，根据你的偏好压缩成一份值得花时间研究的名单。真正赚不赚钱，取决于你深入研究之后怎么决策、什么时候进场、以及你的风控纪律。工具帮不了你控制情绪，也帮不了你扛住回撤。

我现在的使用方式也更像是一个“研究助理”：每天早上看它推的二十只股票，挑出三五只感兴趣的，认真看公告和财报，再决定要不要动手。这个习惯坚持下来，最大的收益反而不是某只股票赚了多少，而是我对市场的观察方式从“凭感觉”变成了“有体系、可复盘”。

6.5 后续还能怎么扩展

如果你觉得这套系统还不够过瘾，可以沿着下面几个方向继续深入：

• 把日线行情换成分钟级行情，做日内波动分析
• 接入更多基本面数据，把毛利率、现金流、负债率纳入打分
• 给候选股票自动生成一份简要分析报告，直接输出给用户阅读
• 加入回测引擎，把你设定的筛选参数放到历史数据上跑一遍，看看它过去三年表现如何
• 换成你自己关心的其他投资品种，只要数据源支持，逻辑几乎可以原样复用

我自己下一步的计划就是加入回测模块，让每次调参都能在几秒钟内看到历史表现变化，而不是靠感觉判断“参数有没有变好”。

最后分享一个我个人的体会：搭建这套系统的过程，比系统本身更有价值。它逼迫我把散落在行情软件、财报网站、新闻资讯里的信息，整理成一套有逻辑、可验证的工作流。当你真正把这件事做完，你会发现自己对市场的理解比过去提升了一个层级。希望这篇文章能帮你少踩一些坑，早点把数据自动化和智能初筛这套东西跑起来。