DSA：面向多市场股票研究的证据感知LLM智能体编排

大语言模型能总结金融信息，但一个可运行的股票研究系统必须首先汇集异构证据、暴露不可用的数据与模型能力，并控制生成观点如何影响最终报告。我们提出DSA，一个使用大语言模型（LLM）智能体进行多市场股票研究的证据感知编排框架。DSA将工作流组织为证据获取、结构化上下文构建、模型路由分析、可选的角色与策略技能（Strategy Skill）推理，以及带所选上下文和诊断信息的报告生成。默认报告配置和可选的agentic配置共享证据与模型路由服务，但使用各自配置专有的输出验证和风险保障。在agentic配置中，核心角色输出由角色专用解析器处理，而策略技能观点在合成前要经过额外的信号合格性划分；分歧被显式提供给决策智能体，随后是保守的风险覆盖。参考实现包括六条区域市场路径、十五个内置策略技能、托管与本地模型路由，以及多种执行与交付界面。在冻结的软件快照上，所选清单中的1,457个可移植离线后端契约测试全部通过；596个案例被追溯映射到与所报告LLM智能体架构核心相关的六类契约。这一证据确立的是所测软件契约的实现一致性，而非报告质量、预测准确率或投资回报的优越性。