一座融合「天赋 · 专家 · 资金」三路信号、能自我推演上千次的 NBA 选秀预测 Agent
我们没有训练一个预测模型，而是重建了一座拥有 30 位独立人格 GM 的选秀作战室——它追踪钱的流向，把信号间的背离变成 alpha，并为每个顺位给出带置信度、可解释、可审计的预测。
AWS Summit Shanghai 2026 · 「模拟球探」24h 黑客松 · 评分：代码 30% / 路演 30% / 预测 40%
DraftCode 把 2026 NBA 选秀预测当成一场博弈，而非一道有标准答案的题：
- 不为「整张名单全对」优化（概率 ≈ 0），而为每个顺位的期望得分优化。
- 以市场为锚、天赋为调整项；市场再分两层——专家（mock）+ 资金（赔率）。
- 在信号背离处用 gpt-5.5 深度推理破平局——分歧，就是 alpha。
最终产物：一张可提交的答题卡（30 顺位 + 7 里程碑，每项带置信度）、一座可审计的作战室记录、一套全 Serverless 的 AWS 蓝图。
矢量源 · docs/architecture.svg
端到端一张图：数据采集 → 三路信号（天赋 / 专家 / 资金）→ 融合 + 两轴背离（gpt-5.5，LLM-once）→ 30 GM 偏好 → 蒙特卡洛 ×1500（Step Functions Distributed Map 并行）→ 30 顺位 + 置信度 / 7 里程碑 / 答题卡 / 审计，全部跑在 AWS Serverless 底座上。
数据流 · Mermaid 可编辑版
flowchart TD
T["🧬 天赋信号<br/>手册速率指标 / 体测"]:::sig
E["📋 专家信号<br/>多源 mock 共识"]:::sig
M["💰 资金信号<br/>赔率 de-vig 隐含概率"]:::sig
T & E & M --> F{"三信号融合 + 两轴背离<br/>gpt-5.5 在分歧处破平局"}
F --> P["30 GM 偏好函数<br/>w·(天赋+需求+人格+专家+资金)"]
P --> MC["蒙特卡洛 ×1500<br/>顶部顺位锚定去水赔率"]
MC --> B["🎯 匈牙利指派<br/>30 顺位 + 边际概率(置信度)"]
MC --> Q["📐 7 里程碑<br/>与最终板自洽"]
B & Q --> A["📋 答题卡 answer_card.xlsx"]
B & Q --> AU["🔍 审计追踪 audit.json/md"]
classDef sig fill:#141c30,stroke:#f4a93b,color:#eef2fb;
| 创新点 | 一句话 | |
|---|---|---|
| 🥇 | 三信号融合 + 两轴背离 | 天赋 × 专家 × 资金三路融合；轴① 天赋 vs 市场、轴② 专家 vs 资金背离触发 gpt-5.5 裁决。钱是最快的情报。 |
| 🥈 | 30 位独立人格 GM | 每队一个带「决策 DNA」的 GM Agent（顺位 / 缺口 / 人格 / 时间线）；一份模板，运行时注入 30 套人格。 |
| 🥉 | 蒙特卡洛作战室 | 自我推演 1500 次 → 每顺位概率分布 = 诚实置信度；顶部以去水赔率为采样锚；同批模拟顺手答 7 道里程碑。 |
| 🏅 | 实时情报 + 资金线移动 | 锁定前扫描新闻与赔率漂移，抓最后 48h 变化并重跑（字母哥交易已落地验证）。 |
| 🎖 | 红队 + 全程可审计 | 魔鬼代言人 Agent 挑战共识；每个预测产出可复现的证据档（数据 / 解释 / 背离 / 赔率来源）。 |
LLM-once 解耦 —— gpt-5.5 只在「产 30 GM 偏好函数」与「裁决信号背离」时各跑一次；蒙特卡洛是纯算力采样，1500 次轻松跑完。昂贵推理与廉价采样彻底解耦，是成本与速度的关键。
资金信号 · 赔率 de-vig（v3 新核心，公开赔率仅作预测信号，不构成下注建议）：
美式赔率 → 隐含概率: -X → X/(X+100) | +X → 100/(X+100)
去水 de-vig (比例法): p_i = q_i / Σq_j (同一顺位市场, 消抽水使 Σp = 1)
跨书共识: 多书同一(顺位, 球员)取均值, 按顺位归一
三处接入引擎：
- 偏好叠加
w_money · odds_signal - 蒙特卡洛顶部置信度锚定市场
(1-λ)·softmax + λ·odds（λ 随顺位衰减） - 轴② 背离（专家 mock vs 资金 odds）
|gap| ≥ 8触发 gpt-5.5 裁决
实测真实赔率（ESPN + OddsShark，gpt-5.5 解析 + de-vig）：当日顶部专家与资金高度同向，轴② 触发 0 次（= 高置信锁定），裁决器仅在二者分歧时出手。
向后兼容：任一信号源缺失时优雅降级；不跑
odds时全链路与纯天赋 + 专家路径逐字节一致。
make install # 安装 (uv, 零第三方核心依赖)
make test # 75 tests
make simulate # 蒙特卡洛 Draft Twin (样例数据)完整选秀预测流程（真实 2026 数据，需 gpt-5.5 网关）
# 设置 gpt-5.5 网关 (本地 Codex 反代, 或远程 EC2 网关)
export DRAFTCODE_LLM_BASE_URL=http://<gateway>:8787 DRAFTCODE_LLM_API_KEY=<key>
draftcode ingest --source data/raw/official --out data/processed --divergence-llm # ① 官方 107 参选人 + 轴① 背离
draftcode intel --news-text "<交易新闻>" --apply # ② 实时情报换签
draftcode market --mock-file CBS=… --mock-file SI=… --apply # ③ 专家共识 (mock)
draftcode odds --odds-file ESPN=… --odds-file OS=… --apply # ④ 资金信号 (赔率 de-vig) + 轴② 背离
draftcode warroom --data-dir data/processed --output-dir outputs/llm # ⑤ 30 GM 偏好 (gpt-5.5)
draftcode simulate --data-dir data/processed --output outputs/twin.json --draws 1500 # ⑥ 蒙特卡洛 + 赔率锚
draftcode answer --data-dir data/processed --out outputs/answer_card.xlsx # ⑦ 答题卡
draftcode audit # ⑧ 合并预测+解释+背离+GM+红队 → 证据档前端：
web/draft_room.html是一份自包含单文件的六幕渐进式作战室（封面 → 上线 → 天赋 → 市场 → 融合 → 终榜球星卡）；浏览器直接打开，加?demo=1自动演示。
官方板 + 已确认交易（完整 30 顺位见 outputs/answer_card.xlsx）。
|
7 里程碑（与左侧板自洽）
|
持签球队对齐官方 30 队名单；字母哥交易经核实为官方（NBA.com / ESPN，密尔沃基获第 13 签）。
| Agent | 命令 | 职责 | 产物 |
|---|---|---|---|
| 官方归一化 | ingest |
107 参选人 + 体测/手册 + 轴① 背离 (gpt-5.5) | prospects.csv |
| 实时情报 | intel |
新闻 → 换签/缺口 (gpt-5.5)，字母哥案例验证 | draft_order.csv |
| 专家市场 | market |
多源 mock → 共识 (中英文名匹配) | mock_signals.csv |
| 资金赔率 | odds |
赔率 → de-vig 隐含概率 + 轴② 背离 | odds_signals.csv |
| 30 GM 作战室 | warroom |
30 队人格偏好 + 解释 + 红队 (LLM-once) | outputs/llm/*.json |
| 蒙特卡洛孪生 | simulate |
1500 次采样 + 赔率锚 + 匈牙利指派 | twin.json |
| 答题卡 / 审计 | answer / audit |
提交卡 + 可复现证据档 | answer_card.xlsx · audit.md |
所有吃外部内容的抓取都在引擎外（WebFetch / 爬虫 / 人工注入文本）；引擎只做结构化、聚合、应用、审计——干净、确定、可复现。
全 Serverless（零 EC2 业务逻辑）+ Serverless 容器 + IaC + 全链路安全 + Well-Architected。
架构映射 / Scenario Swarm / 部署命令
| 层 | 服务 |
|---|---|
| 采集（容器） | EventBridge + Fargate（headless 爬虫，含赔率）+ ECR |
| 存储 | S3 (KMS) · DynamoDB 台账 (KMS) |
| 编排 / 模拟 | Step Functions Distributed Map（1000+ 蒙特卡洛并行） |
| 计算 | Lambda 容器镜像 |
| 输出 | API Gateway + Lambda |
| 安全 | KMS CMK · Secrets Manager · 最小权限 IAM · Bedrock Guardrails（条件） |
| IaC | AWS SAM (infra/template.yaml，sam validate --lint 通过) |
Scenario Swarm（Distributed Map 并行蒙特卡洛）：
PrepareRun → N 个分片 payload → Distributed Map (action=simulate_shard)
→ 各分片写 runs/<run_id>/shards/<i>.json → Aggregate 合并 → twin.json + DynamoDB
每分片独立随机流 seed + shard_index * 1000003；单分片（index 0）与本地 run() 逐字节等价。
部署：
make sam-deploy STACK_NAME=draftcode AWS_REGION=us-east-1 DATA_S3_PREFIX=processed
make upload-data S3_BUCKET=<bucket> DATA_S3_PREFIX=processed
aws stepfunctions start-execution --state-machine-arn <PredictionWorkflowArn> --region us-east-1- 语言 / 工具：
Python 3.11·uv·Typer/RichCLI - 依赖：核心引擎零第三方依赖（
openpyxl仅在 official / answer 层） - LLM：
gpt-5.5，经本地 Codex 反代 / EC2 OpenAI 兼容网关（非 Bedrock——账号地区受限的真实约束） - 算法：赔率 de-vig · softmax 温度采样 · 蒙特卡洛 · 匈牙利指派 · 置信度加权融合
展开
src/draftcode/
official.py 官方数据归一化 + 轴① 背离 odds.py 赔率聚合 Agent (de-vig)
intel.py 实时情报 Agent market.py 专家共识 Agent
divergence.py gpt-5.5 两轴背离裁决 preference.py 三信号偏好函数
simulate.py 蒙特卡洛 Draft Twin (+赔率锚) warroom.py 30 GM 编排
answer.py 答题卡 writer audit.py 可审计追踪合并器
llm_client.py gpt-5.5 客户端 cli.py 命令行入口
infra/template.yaml AWS SAM 蓝图
web/draft_room.html 六幕渐进式作战室前端 (自包含单文件, ?demo=1 演示)
scripts/build_frontend.py 前端数据生成器 (twin + audit → 刷新数据块)
design.md · spec.md 前端设计稿 / 技术规格
docs/architecture.{png,svg} 系统架构图
docs/ 架构 / 创新策略 / AWS 计分 / Agent 设计
- 公开赔率**仅作预测信号（隐含概率）**使用，不构成、不提供任何下注建议——标准概率预测方法。
- 交易 / 赔率 / mock 等第三方新闻真假自行核验（字母哥交易已 web 核实 = 官方）。
- gpt-5.5 采样跨 run 有波动，缓存即任一次提交的唯一真值；文档结果均按实测如实标注。
- 球员池严格 = 官方 107 参选人名单；不预测不可能被选的人。