用途：利用新闻、公告、宏观政策等事件信息，由 LLM 分析情感与影响幅度，生成事件驱动交易信号，并与技术信号加权合成最终交易决策。
主要能力：用 read_url 工具抓取新闻与公告全文；LLM 按标准化提示词对事件打分（-1.0 至 1.0，极度看空到极度看多）；事件写入 CSV；signal_engine.py 读取事件 CSV，施加时间衰减并与技术信号合成。核心原则是事件 CSV 为数据层、signal_engine.py 为逻辑层，二者解耦。
事件 CSV 字段：date（可获知日期，非发生日期；盘后发布用下一交易日）、event_type（earnings/macro/policy/sentiment/insider/technical_break）、score（-1.0~1.0）、source（数据源标签）、summary（一句话摘要，不含逗号）。
信号聚合：事件影响按指数衰减，score * exp(-lambda * days)；默认参数 alpha=0.6（技术 60%、事件 40%）、decay_lambda=0.1、event_lookback=30 天、min_score_threshold=0.2。合成公式为 alpha * tech_signal + (1 - alpha) * event_signal，并裁剪到 [-1.0, 1.0]。无事件时 event_signal=0，合成信号退化为纯技术信号。
依赖：pip install pandas numpy，无额外依赖；LLM 分析由 Agent 自身完成，read_url 工具内置。
限制与常见问题：需避免前视偏差，回测中严格保证 event_date <= trade_date；同一事件多来源需按 (date, event_type) 去重或取均值；LLM 评分标准可能随提示词或模型版本漂移，需固定模板并定期校准；多数交易日无事件属正常，不应为填补而编造数据；回测需预先准备完整历史事件 CSV，无法实时抓取，建议按标的分文件维护；summary 含逗号易致 CSV 解析错误；衰减参数敏感，默认将所有事件类型简化为 0.1。