Mr.IF
Tell it anything. It tells you which US stocks to watch — and why.
What • Demo • How • Quick Start • Architecture • Coverage • License
______________________________________________________________________
IF先生是什么？
IF先生 是一个连接的AI推理代理 任何日常事件 --天气、健康、政治、直觉 可操作的美国股票信号 通过蝴蝶效应因果分析。
它不仅仅是搜索新闻。它 原因 --构建多学科因果链（生理学→ 流行病学→ 药品供应链→ ticker），根据15个历史先例对其进行验证，并像坐在你对面的一位敏锐的财务顾问一样提供输出。
“今天越来越冷了”→ 能源中游、施工延误、室内消耗变化、特定股票、时间范围以及下一步要注意什么。
“我看到埃隆·马斯克在一次活动中看起来很孤独”→ 社会情绪分析、特斯拉领导风险、SpaceX防御定位、逆向博弈反应过度。
“特朗普可能会做一些疯狂的事情”→ 关税风险链、地缘政治避风港流动、波动受益者、历史贸易战相似之处。
作为一个 主控程序 服务器 --将其插入支持模型上下文协议的任何LLM（Claude、Cursor等）。
______________________________________________________________________
在行动中看到它
你： *“今天越来越冷了”*
IF先生：
气温下降——从表面上看，这只是天气，但也有一些值得一试的地方。 能量是最直接的游戏。 2月下旬，供暖季节结束。如果寒流持续到3月份，天然气库存将超过预期。周四的EIA存储报告是关键催化剂——如果提取量超过1000亿立方英尺，天然气价格就会上涨。有趣的角度不是上游生产商，而是中游。ET和WMB从运输量中获利，因此运输量激增对其利润率杠杆的打击更大，股息收益率为7%以上。 消费者行为也发生了变化。 寒冷让人们呆在室内——如果NFLX与强劲的内容周期相吻合，它的参与度就会提高。比每年冬天推出的AMZN“恶劣天气下的电子商务”游戏更有趣。 另一方面， 如果这种寒冷只持续一两天，天然气价格可能会回落“没有人们担心的那么冷”。如果天气延误，像DHI这样的住宅建筑商会看到第一季度开工数据疲软。 |Ticker |为什么|方向|时间|定罪| |--------|-----|-----------|------|------------| |ET |中游交易量受益，7%+收益率下限|看涨|2-4周|高| |UNG |天然气ETF，直接天然气价格敞口|看涨|1-2周|中等| |NFLX |室内娱乐替代品|看涨|1-2个月|中等| |DHI |施工延误压力Q1开始|看跌|1个月|中等| 关键催化剂： EIA天然气储存（星期四），NOAA延长预测，美国疾病控制与预防中心流感数据 *因果推理练习——而不是投资建议。做你自己的尽职调查。*
这就是用户看到的。在幕后，IF先生在5个学科中建立了3个因果链，对每个因果链进行了验证，并与2021年德克萨斯州深度冷冻的先例进行了比较，并在接触外部数据工具之前对其进行了评分。
______________________________________________________________________
运作原理
User Input ─── "it's getting cold"
│
▼
┌───────────────────────────────────────────────┐
│ Step 1: mr_if_reason (MCP Tool) │
│ One call returns everything: │
│ • Event classification + complexity level │
│ • Chain templates (matched to input) │
│ • Historical precedent search (15 cases) │
│ • Discipline knowledge injection │
│ • Adaptive depth recommendation │
└───────────────────┬───────────────────────────┘
│
▼
┌───────────────────────────────────────────────┐
│ Step 2: Adaptive Reasoning (in LLM thinking) │
│ │
│ Depth scales to input complexity: │
│ Light → 2 chains, basic validation │
│ Medium → 2-3 chains + historical + 2nd-order │
│ Heavy → 3-4 chains, full analysis │
│ │
│ Anti-hallucination: no reverse-engineering, │
│ every step needs "because...", honest about │
│ weak links, numbers need sources │
└───────────────────┬───────────────────────────┘
│
▼
┌───────────────────────────────────────────────┐
│ Step 3: External Tool Orchestration │
│ Industry Mapper → Security Mapper → Data API │
│ + Conditional: news, DCF, sentiment, etc. │
└───────────────────┬───────────────────────────┘
│
▼
┌───────────────────────────────────────────────┐
│ Step 4: RIA-Style Output │
│ Conversational analysis + ticker table │
│ + key catalysts + risk disclaimer │
└───────────────────────────────────────────────┘为什么是自适应深度？
并非所有输入都值得同样的分析。“我打喷嚏了”需要两条坚固的链子。“贸易战+美联储会议+寒流”需要全深度多因素分析。该工具自动评估复杂性，并告诉LLM要深入到什么程度——防止对简单输入的过度引擎化和对复杂输入的分析不足。
______________________________________________________________________
建筑
┌──────────────────────────────────────────────────────┐
│ Mr.IF Agent Layer │
│ (System Prompt Orchestration) │
├──────────────────────────────────────────────────────┤
│ │
│ MCP Toolkit (this repo) │
│ │
│ ┌─ mr_if_reason ─────────────────────────────────┐ │
│ │ Unified reasoning engine — one call returns: │ │
│ │ • Event classifier (9 categories) │ │
│ │ • Chain template matcher (16 patterns) │ │
│ │ • Historical echo search (15 precedents) │ │
│ │ • Discipline knowledge injector (10 fields) │ │
│ │ • Complexity assessor (light/medium/heavy) │ │
│ │ • Conditional second-order routing │ │
│ └────────────────────────────────────────────────┘ │
│ │
│ Skills (MCP Resources — knowledge base) │
│ ├─ butterfly-effect-chain Core reasoning method │
│ ├─ cross-domain-reasoning 10-discipline handbook │
│ ├─ second-order-thinking Contrarian framework │
│ └─ reasoning-discipline Adaptive protocol │
│ │
├──────────────────────────────────────────────────────┤
│ External Tools (orchestrated via system prompt) │
│ Industry Mapper │ Security Mapper │ Market Data │
│ News Search │ DCF │ Monte Carlo │ Sentiment │ ... │
└──────────────────────────────────────────────────────┘______________________________________________________________________
快速开始
# Clone
git clone https://github.com/superiron888/chaos2alpha.git
cd chaos2alpha
# Install & Build
npm install && npm run build
# Run
npm start连接到您的法学硕士
添加到您的MCP客户端配置（Claude Desktop、Cursor等）：
{
"mcpServers": {
"mr-if": {
"command": "node",
"args": ["/path/to/chaos2alpha/dist/index.js"]
}
}
}那就自然地跟它说话吧： *“外面冷极了”*, *“特朗普再次发推特”*, *“我只是打了个喷嚏”* --IF先生处理其余的事情。
______________________________________________________________________
是什么让这与众不同
| 传统金融机器人 | IF先生 | |
|---|---|---|
| 输入 | “AAPL怎么了？” | “我今天打喷嚏了” |
| 方法 | 新闻摘要+情感 | 多学科因果推理 |
| 深度 | 表面水平 | 10个学科的3-6步因果链 |
| 验证 | 无 | 历史先例匹配+抗幻觉检查 |
| 输出 | 通用摘要 | 特定股票+方向+时间框架+信念+催化剂 |
| 语音 | 机器人 | 值得信赖的财务顾问 |
______________________________________________________________________
覆盖
9事件类型
Physiological · Weather & Climate · Economic Signal · Social Trend · Technology · Policy & Regulation · Natural Disaster · Daily Observation · Geopolitical
10个学科
Psychology · Physiology · Physics & Energy · Chemistry · Economics · Meteorology · Sociology · Geopolitics · Supply Chain · Market Mechanics
16个链模板
自 *症状→ 医药供应链* 到 *技术范式→ 铲车游戏* 到 *地缘政治冲突→ 安全港资产* --涵盖了金融市场中最常见的蝴蝶效应传播路径。
15历史先例
| 案例 | 年份 | 蝴蝶效应 |
|---|---|---|
| 新冠肺炎 | 2020年 | 病毒→ 封锁→ 远程工作革命→ 科技大集会 |
| 德克萨斯州深冻 | 2021 | 极地涡旋→ 电网崩溃→ 天然气产量飙升400% |
| 卡特里娜飓风 | 2005 | Cat 5→ 炼油厂停工→ 汽油危机 |
| 俄罗斯-乌克兰战争 | 2022 | 入侵→ 能源禁运→ 美国液化天然气热潮 |
| 美中贸易战 | 2018 | 关税→ 供应链重组→ 回流浪潮 |
| 美联储支点 | 2023 | 温和信号→ 降息预期→ 成长型股票反弹 |
| ChatGPT发布 | 2022 | AI聊天机器人→ 计算需求→ NVIDIA超级摩托车 |
| GameStop挤压 | 2021 | Reddit→ 逼空→ 市场结构辩论 |
| 美联储加息周期 | 2022 | 0%→ 5.25% → 从增长到价值轮换 |
| 比特币ETF | 2024 | SEC批准→ 制度性流入→ 加密货币主流化 |
| GLP-1/Ozenpic | 2023 | 减肥药→ 食品/医疗技术重新定价 |
| 苏伊士运河阻塞 | 2021 | 船只搁浅→ 航运激增→ 通货膨胀压力 |
| SVB崩溃 | 2023 | 银行挤兑→ 区域传染病→ TBTF保费 |
| 美国干旱 | 2012 | 干旱→ 歉收→ 粮食价格飙升 |
| 油价战 | 2020 | OPEC+崩溃→ 负油→ 能源结构调整 |
______________________________________________________________________
项目结构
chaos2alpha/
├── src/
│ ├── index.ts # MCP Server entry point
│ └── tools/
│ └── mr-if-reason.ts # Unified reasoning engine
├── skills/
│ ├── butterfly-effect-chain.md # Butterfly effect methodology
│ ├── cross-domain-reasoning.md # 10-discipline reasoning handbook
│ ├── second-order-thinking.md # Second-order thinking framework
│ └── reasoning-discipline.md # Adaptive reasoning protocol
├── prompts/
│ └── system-prompt.md # Complete system prompt
├── package.json
├── tsconfig.json
└── README.md______________________________________________________________________
设计理念
- 一个工具，零协调税。 一个原子调用返回完整的推理框架。LLM不能跳过步骤，因为所有东西都会同时到达。
- 适应性深度，而不是严格的检查表。 简单的输入得到轻量级的分析。复杂的多因素输入得到全深度处理。工具决定，而不是固定的协议。
- 推理时的知识。 基于事件类型动态注入特定学科的定量锚和常见陷阱——模型在需要时准确地获得专家级领域知识。
- 设计抗幻觉。 每个因果链步骤都需要一个有纪律支持的“因为…”。逆向工程（首先确定结论，然后构建链）被明确阻止。薄弱的链条会掉下来，没有装饰。
- 第二个命令，当它重要的时候。 当结论是市场共识（“冷→ 当结论已经不明显时，它不会浪费时间强迫反向角度。
- RIA的声音，不是机器人的声音。 输出读起来像一个值得信赖的财务顾问——对话、具体、商业意识——而不是结构化的数据转储。
______________________________________________________________________
贡献
欢迎发布问题和PR。如果您对新的链模板、历史案例或学科知识有想法，请打开一个问题。
______________________________________________________________________
许可证
麻省理工学院
______________________________________________________________________
Mr.IF — Every event has a market signal. Find it.