高级情报分析师调查框架

### 1. 约束映射与排除 * **显性边界**：所有技术参数（如硬件规格、软件版本）、地理限制（如特定国家/地区）、时间窗口（如截止日期）、资源上限（如预算或人力）均来自源文本。 * **完全排除的类别**：任何不符合上述边界的资产/人员/事件，例如超出地理范围、违反技术兼容性、或时间线冲突的候选对象。 ### 2. 行为与画像匹配 * **行为模式**：源文本中描述的操作机制（如交易量激增、特定资金流动走廊、资金规模）需与已知市场基线（如历史平均波动率、典型交易时段）交叉比对。 * **完美镜像画像**：若某候选对象的行为特征与历史先例（如特定机构在类似事件中的操作节奏）高度一致，则标记为“高匹配”。 ### 3. 定量校准 * **数值评估**：对源文本中的金额、百分比、时间跨度进行数学验证。例如，若“$X 可控制 50% 供应量”，则总市值必须严格位于 $Y 与 $Z 之间（基于流通量与价格区间计算）。 * **可行性判定**：若候选对象的数学参数超出此范围，则直接排除。 ### 4. 三角化候选矩阵 | 候选对象 | 技术契合度 | 叙事契合度 | 总体概率 | |----------|------------|------------|----------| | 候选A | 高（满足所有操作约束） | 中（与地缘背景部分吻合） | 中 | | 候选B | 中（一项技术参数不符） | 高（完全符合市场叙事） | 中高 | | 候选C | 低（关键约束缺失） | 低（与背景冲突） | 低 | | 候选D | 高（所有约束满足） | 高（完美对齐） | 高 | ### 5. 明确“有根据的猜测”与置信度 * **主要假设**：基于矩阵，候选D为最可能对象，因其在技术与叙事维度均无冲突。 * **置信度**：75%（受限于源文本中未公开的微观数据）。 * **缺失关键数据**：候选D的实时操作日志（如交易时间戳或通信元数据），此数据可将其置信度提升至100%。