一.选题

        项目选题立意是项目上限的一大决定性因素，为保证选题具有合理性、可用性、效益性和社会价值性，在学院正式发布项目实训组队通知前，我们已提前确定团队组织，依托社会热点、社会痛点、技术热潮和近期获奖项目对选题立意展开了数次讨论。针对技术发展趋势和近期全国大学生软件创新大赛获奖名单、山东省大学生创新创业训练计划立项名单，团队首先排除了已发展成熟的食谱识别、类似作业帮的小学教育等主题。因本次项目实训鼓励大模型的使用，我决定将获奖名单上传至AI大模型，由大模型分析选题趋势。AI大模型的分析能力远超我的想象，AI选题展示如下：

Figure 1:AI推荐选题方向

        但是经过我们调研分析，AI给的选题确实不错但是项目实训不仅是一门课，也是让同学进行头脑风暴、展示想法的创新平台，最后依据成员兴趣选定了两个方向：第一个方向是元素周期表的增强现实互动，实现AR 元素物质实景、智能化学方程式配平、模拟化学实验等功能，选择该选题是因为团队成员化学基础较好（我们组四个成员中有一名同学是从材料学院转至软件学院，其他三名同学均是从化学与化工学院转至软件学院的），想打造具有学科优势的科普互动平台；第二个选题是基于大模型的智能金融学习与量化策略分析系统，集金融知识教学、量化回测、策略生成、新闻解读等功能为一体的数智平台。从创新性角度考虑，我们最终确定了方向二数智金融为我们的最终选题。

二.准备

        我是第一次接触金融炒股相关知识，为顺利参与小组讨论和更好地完成项目的需求分析，我首先学习了包括夏普比率、期货、期权和基金等在内的基础金融概念，牛市、开户、建仓、平仓等炒股基本操作。在对金融知识和炒股有了基本的了解之后，我调研了现有的开源炒股模型，如TradingAgent、InStock、OpenBB,分析功能如下：

Figure 2:开源模型功能对比表

        综合对比了 TradingAgent、InStock、OpenBB 这几款开源模型的功能优势后，我发现它们虽然各有侧重，但大多只解决了单一环节的问题 —— 要么侧重数据，要么侧重交易，要么侧重回测。为了让我们的项目更具实用性和综合性，我最终决定将目标人群定位为面向对基金市场和模拟炒股感兴趣的散户，核心功能覆盖金融知识科普教学、AI 智能交易策略生成、量化策略回测验证、盈亏趋势预测、财经新闻智能解读、用户投资画像分析以及宏观经济数据分析，真正做到了从入门学习到实战决策的全链路覆盖。

        确定功能后，我继续深入调研技术发展趋势，寻找合适于本项目的技术发展路线。在大模型应用层面，我调研了RAG技术从最初的朴素检索增强，到引入重排序、混合检索、再到知识图谱增强的发展路线，确认当前项目拟定采用向量检索+LLM精排架构，可以与业界主流实践一致。 在策略召回方面，我调研发现工业界推荐系统从双塔模型向多兴趣模型、序列推荐模型演进，但因为团队精力有限，若客观条件不允许，我们可以选择以Chroma向量检索替代DSSM双塔的过渡方案，在工期内具备合理性，后期可沿召回精度优化方向持续迭代。 在多模态方向，跟踪了Vision Transformer与大语言模型融合的技术路线，调研了Qwen-VL、DeepSeek-VL等国产多模态模型的能力边界与API成熟度，确认图像+语音+文字三模态融合方案在现有API条件下具备工程可行性，无需自研视觉模型。

        为清晰直观地向老师展示我们的项目，我用Adobe Illustrator绘制了项目框架图，画图听起来是个工程量很小的任务，但困难的是从项目书中提炼总结核心功能概念、将概念和技术路线抽象成便于理解的象征符号。

Figure 3:系统框架图

三.汇报返修  

        第一次汇报时我们的展示序号靠后，这给了我充分的观察时间。在等待过程中，我持续关注老师对其他组的提问方向，逐条记录高频质疑点，并对照自身项目进行分析比对针对现有材料中的盲区，不断修订PPT与展示稿，力求在正式汇报前将漏洞填补完整。

        正式汇报时，老师针对技术路线和创新点的提问不多，但言简意赅地指出了一些项目问题。这次全力准备汇报的过程本身收获颇丰：一方面，经过反复拆解和重组项目结构以应对潜在问题，我对项目各模块的技术逻辑和创新点的理解比之前更加系统和深入，对模块间的联系有了更深一层的理解；另一方面，在复盘戴老师针对本项目提出的问题时，发现项目的问题之一是结构有些单薄。针对这一问题，在返修阶段，我们将多智能体架构引入项目，以Agent编排的方式将策略生成、个性化记忆、多模态分析等模块整合为协同工作的智能体系统，让项目在技术深度和系统完整性上实现了跃升。