吃晚饭的时候，动物园有朋友提出了一个比较有意思的需求，希望我通过群聊消息计算出每日的“投资温度”。我理解的意思就是，如果谈论投资相关的话题消息数比较多而且情绪比较“激动”，那计算出来的温度就会高一些。反过来如果一天都没怎么聊投资话题，那温度就是常温25℃。

最简单省钱的思路就是列出一系列和投资话题相关的关键词，用正则去统计频率和密度，再构建一些公式去计算温度。但有些聊投资的发言是不包含关键词的。所以这种办法虽然简单，但不准确。

我想的办法是用 LLM 来分析，把50条连续的消息作为一个批次，每条消息前打上序号，让 LLM 返回一个包含消息序号和情绪烈度的json数据，并且还有这个批次的起止时间戳。

这样一来，每个批次的数据就可以统计出“瞬时温度”。“瞬时温度”的计算公式和两个因素相关，一个是密度增益，投资消息占比越高越热；另一个是动能增益，是情绪烈度的1.5次幂 × 流速根号 × 常数系数，而流速就和批次的时间戳相关。

每个批次可以得到一个“瞬时温度”，那单日的温度就可以用下面公式计算出来：T_daily = Mean(T_b) + (Peak - Mean(T_b)) × weightweight = min(Peak / 100, 1.0)

跑完2026年每一天的数据，花了不到15元，还让 Hermes 写了一个还算可以的webui看图表。

比如可以看到6月5日动物园的温度达到66℃，然后看一下该日的瞬时温度，可以发现10点开始有15分钟关于投资的密集讨论。再结合社群日报，就可以回顾那天聊了什么投资话题。