系统一 · 投资决策

BrainOS：一个运行在 Git 仓库里的 AI 投资决策系统

我用个人投资决策作为实验场，把信息、规则、判断、执行和复盘，重构成 AI 可以参与的工作系统。

看 SoulOS 写作系统读 BrainOS 的完整介绍

载体Markdown / YAML / JSONL

机制上下文加载 / 任务路由

目标可追踪决策

BrainOS 架构图：输入层、上下文层、编排层、决策层和复盘层 — BrainOS 的核心不是一个工具界面，而是一套让 AI 能读取上下文、遵守规则、参与决策并反向更新系统的工作结构。

业务问题

投资决策的问题，通常不是缺少信息

真正困难的是信息太多、判断太散、情绪太强，而决策过程又很难被复盘。AI 即使能回答问题，如果没有稳定上下文，也无法理解仓位、风险偏好、历史判断、买入纪律和复盘教训。

系统设计

把决策流程重构成 AI 可读取的结构

文件系统作为业务数据库

用 Markdown、YAML、JSONL 承载 Thesis、风险规则、交易日志和复盘材料。

三级上下文加载

根据任务类型加载最少、最相关的信息，避免 AI 被噪音淹没。

任务路由系统

估值、期权、持仓复盘、内容消化、交易记录进入不同工作流。

风险约束系统

把仓位上限、期权纪律、买入条件写成 AI 必须读取的约束。

决策日志系统

每次关键判断留下时间、理由、假设、风险和后续状态。

Agent 技能系统

把高频任务拆成可复用技能，让 AI 按既定流程执行。

BrainOS 的价值不是更聪明的投资建议，而是让决策过程从混乱变成可管理。

系统边界

与 SoulOS 的海关

BrainOS 只管理性侧：标的、仓位、期权纪律与决策复盘；读书、生活、思考与写作归 SoulOS。一份材料只有一个家，另一边只放指针，永不双写；跨库流动必须经过我的确认，没有自动同步。两套系统各自生长，靠这道海关保持边界清晰。

脱敏真实案例

BrainOS 如何参与一次实际投资决策

以下内容来自真实使用截图，但已做脱敏处理：隐藏具体标的、价格、日期、数量、金额和合约细节，只保留决策结构和系统能力。

案例 01 / 退出型备兑策略复盘

从历史经验中复用成功模板

系统先读取历史相似案例，再把当时的选择逻辑平移到当前情境，生成不同激进程度的方案对比。

读取上下文 历史操作记录 + 风险配置 + 当前目标

核心判断 目标不是提高收益，而是提高被执行概率

输出形式 三档方案对比 + 推荐方案 + 理由

保留边界 最终执行仍由人确认

把“上次怎么选的”从记忆问题变成可检索上下文。
用统一指标比较保守、均衡、激进三类方案。
将推荐理由明确写出，避免只给结论不留判断链。

案例 02 / 执行纪律与后续节奏

把一次交易计划变成可复盘的纪律包

系统不只输出当下方案，还同步生成执行触发条件、风险提示和后续月份节奏，让决策进入可追踪状态。

方案内容 合约结构、到期窗口、目标节奏

纪律约束 提前止盈、风险监控、禁止临场逃避

后续计划 本期执行 -> 到期处理 -> 下一周期复盘

日志入口 建议写入决策日志等待执行

把“纪律”写入流程，而不是依靠临场意志力。
同时列出反向风险和缓解方式，避免只看收益。
让后续节奏可见，减少事后凭感觉调整。

案例 03 / 加仓历史回溯

回溯仓位上限的决策来源

当我追问“为什么这类资产只能到某个上限”时，系统回读历史决策备忘录、再平衡计划和仓位轨迹，解释上限从何而来。

读取上下文 历史决策备忘 + 再平衡计划 + 仓位变化记录

分析方式 多视角冲突比较 + 关键自问测试 + 组合分层

输出形式 上限来源、逐步加仓轨迹、未来重评条件

系统价值 把“我当时为什么这么定”从模糊记忆变成可追溯证据

回溯不同观点的冲突：清理、持有、升级、等待触发线。
解释仓位数字背后的依据，而不是只复述当前结果。
明确未来什么条件出现时，才允许重新评估上限。

说明：这些案例只用于展示 BrainOS 的上下文工程、任务路由、规则约束和复盘机制，不构成任何投资建议。

可迁移场景

这套方法不只适用于投资

销售团队

客户资料、跟进动作、成交判断、风险提醒和复盘日志。

内容团队

选题、素材、草稿、发布、数据复盘和方法积累。

投研团队

资料、假设、估值、风险、决策和复盘连成一条流程。

小企业老板

把老板脑子里的经验结构化成团队和 AI 都能使用的资产。