让人工智能当第二读图人而不是替你下判断的黑箱

取证不是预测 是回答一根柱子上发生了什么

"取证"这个词是从事故调查借来的。事故调查不问下次会不会再出事，只问这一次的因果链条是什么，并且每一环都要有可核对的证据。放到K线上，取证要回答的问题是——这一根柱子为什么长这样。

这和预测是两种完全不同的任务。预测的输出没法当场验证，取证的输出可以。模型说"这根柱子的下影线对应一批集中的强平"，你可以立刻回到图上，看那个时间点附近有没有相应的强平记录、金额量级对不对、方向对不对。对不上就是错的，不需要等三天。

正是这种可当场证伪的性质，让取证成为目前把模型放进交易工作流里最稳妥的用法之一。它不要求你相信模型，只要求你有能力检查它。

使用条件说明：K线 Pro 需要登录才能使用。人工智能分析同样需要登录，并且需要账号有可用的分析用量余额，余额用尽时会有相应的提示弹窗，具体的可用次数与规则以产品内当前显示为准，本文不列出任何固定数值。订单流足迹与部分高级数据可能需要有效的会员权益，可以在 查看会员权益 页面确认当前状态。

一次取证是怎么被发起的

入口有两条路径，行为略有不同，值得分清楚。

第一条是在图上直接选取。在图表区域对着某个时间点调出上下文菜单，可以把那个时间点作为取证目标交给分析侧。这条路径的好处是时间点来自你正在看的这张图，品种、合约类型和周期天然一致。

第二条是通过页面参数进入。K线 Pro 的路由支持携带一个取证时间戳，同时携带交易所、品��、��约类型和周期，页面加载后会在图表准备就绪时发起取证请求，而不是在图表还没画出来的时候就发。这条路径主要用于分享和跨页面跳转——你把一次取证的完整上下文放进链接里，对方打开就落在同一根柱子上。参数里还会区分来源是分享链接还是普通路由跳转，这个区分对后续统计有用。

需要注意的是"就绪之后再请求"这个设计。图表的数据加载是异步的，如果在数据到位之前就发起请求，模型拿到的可能是一个还没渲染完的视图。这也提示了一个使用习惯——通过链接进入时，等图表完全画出来再看结论，中途看到的中间状态不作数。

模型能定位什么 定位不到什么

图表侧提供给分析的定位能力主要有三件事。

一是滚动到指定时间戳。它会把目标时间点放在视口内一个偏左的位置，这样目标柱子右侧还留有后续走势，左侧留有前置上下文，适合做因果观察。

二是必要时向左加载历史。当目标时间早于当前已加载的最早一根K线时，它会通过模拟滚动到左边界来触发历史数据加载，每加载一轮就重新检查一次是否已经覆盖目标时间，如此反复。这个过程是有次数上限的，超出上限或者数据本身已经到头，它会退化成尽力定位——把视口移到能到达的最近位置，而不是报错退出。

三是高亮特定的数据点。大额挂单、大额成交、大额强平这三类数据可以按时间范围、价格范围、金额范围和方向做筛选，取出其中最符合条件的若干条，然后在图上模拟一次悬停，把对应的信息浮层显示出来，持续几秒后自动收起。

定位不到的东西同样要清楚。它读的是图表已经加载的这些数据，读不到委托队列的完整状态，读不到撤单，读不到跨场所的资金路径，也读不到任何图表之外的信息。所有超出这个范围的解释，都属于模型在做推断，而推断需要你另行验证。

提交取证时必须交代的五件事

上下文给得不全，得到的解释一定是泛泛而谈。五件事缺一不可。

时间。精确到你关心的那根柱子，并且说明这个时间用的是哪个时区。跨时区沟通时，直接给时间戳最不容易出错。

标的。交易所、品种、合约类型三样都要，只说币种名字是不够的，同一个币在不同场所和不同产品上的行为可能完全不同。

周期。同一段行情在不同分辨率下呈现的形态不同，不注明周期的截图基本没有讨论价值。

视图状态。当前开着哪些指标、足迹的配置大概是什么档位、有没有处于回放状态。这决定了你和模型看到的是不是同一张图。

你的问题。不要问"这里怎么看"，要问具体的事实性问题，比如"这根柱子的成交是否明显集中在下半段"或者"这个时间点前后有没有金额显著高于近期常态的强平"。事实性问题才有对错。

回到原图核对的三个动作

模型给出结论之后，别急着采信，做三个动作。

第一个动作是找到那条被引用的原始记录。如果结论提到了某笔大额成交或某次强平，就在图上把它找出来，核对时间、价格、方向和金额量级。找不到对应记录的结论，直接作废。

第二个动作是换周期再看一遍。把周期往上调一档和往下调一档，看这个结论是否仍然成立。只在某一个特定周期上成立的微观解释，稳健性通常很差。

第三个动作是检查因果方向。模型很容易把同时发生的两件事说成因果。看到"强平导致下跌"这类表述时，回到图上确认顺序——是强平记录在前还是价格下跌在前，两者的时间差有多大。在柱子级别的分辨率下，很多时候根本无法区分先后，那么正确的结论就是"无法判断"，而不是选一个听起来顺的。

三个动作全部通过，这条结论才可以进你的记录，并且要注明它是模型给出、你核对过的。

局限与风险

定位是尽力而为的。向左加载历史有次数和时间上限，如果目标时间点距离当前视图非常远，或者该时间段的数据本身不完整，最终可能停在一个近似位置。看到定位结果和预期不符时，先确认加载是否真的完成，再判断是不是数据问题，不要立刻归因于模型。

高亮依赖数据已经加载并渲染。刚打开某类数据时，相关记录可能还没到位，此时发起的高亮会落空或者延迟出现。这不代表那个时间点没有对应事件。

模型的语言流畅度和结论可靠度之间没有关系。一段读起来很专业的解释，可能建立在一条并不存在的记录上。这也是为什么核对环节不能省——省掉核对，取证就退化成了一个更有说服力的猜测机器。

样本偏差同样存在。你只会对那些"看起来不寻常"的柱子发起取证，因此你积累的取证记录天然偏向异常样本。用这批记录去推断常态市场的规律，会系统性偏离。

必须再强调一次：模型给出的解释、定位结果和高亮出来的数据点，都属于证据材料，不是自动的买卖指令。它们的作用是让你的判断过程可以被别人复核，也可以被将来的你复核。仓位、风险预算和是否行动，始终由你自己的规则决定。

最后是可用性本身的不确定。分析能力依赖登录状态和账号侧的可用用量，用量情况、支持的品种与周期都可能调整。把取证流程设计成"没有它也能走完"的形式，比把它放在关键路径上更稳妥。

收尾

取证的价值不在于模型多聪明，而在于它逼着你把一次判断拆成可以逐条核对的事实。挑一根你至今没想明白的柱子，把时间、标的、周期、视图状态和一个具体问题准备好，打开 K线 Pro 定位过去，然后按三个核对动作走一遍，你大概率会发现自己原来的解释里有一环是编的。