AI 主题热度的五档窗口一致性检查：get_market_hot_concepts 从 1h 到 3d 的 15 项清单

摘要

熔岩（Lava）概念板块热度的入口是概念热榜 GET /hot/concepts（MCP 工具 get_market_hot_concepts），可选 window 为 1h、4h、18h、24h、3d 五档。以 AI 相关主题为例：同一个概念在 1h 窗口排前列、在 3d 窗口却排在中段，这种情况很常见，也最容易被误读为「突然爆发」或「热度退潮」。本文给出一份 15 项检查清单，把「取数参数是否一致、多窗口形态如何描述、下钻到成分股与日频序列时口径是否连贯、结果如何记录」逐项写清。清单面向量化研究脚本与 AI Agent，文中数字均为示例，所有字段都是描述性统计量。

一、为什么概念热度要做跨窗口检查

概念热榜有三个容易被忽略的特点：

1. 窗口是滚动的。 1h 统计的是从 meta.server_time 往回 1 小时，3d 是往回 72 小时。窗口越短，单条长文或一轮集中讨论的影响越大。
2. 没有 7d 档。 个股热榜 /hot/stocks 有 7d，概念热榜最长到 3d。需要周度概念序列时，应改用日频面板 /panel/daily 的 type=concept。
3. 已去掉泛词。 概念热榜在统计前去掉了过于宽泛的词，因此榜单上的概念名就是可以继续下钻的标准名；但被去掉的泛词也不会出现在任何窗口里，跨窗口对比时不必为它们找原因。

只看单一窗口时，这些特点不会造成问题；一旦把多个窗口的排名放在一起叙述，就必须先确认口径一致。

二、参数与口径速查

参数 / 字段	取值或含义	默认	备注
window	1h / 4h / 18h / 24h / 3d	24h	无 7d
min_score	只统计机构/大V 分 ≥ 该值的提及	不设	分数约 450～1500，1000 左右为中等，1050 约前 10%
limit	1～200	50	无分页偏移
mentions	窗口内被提到的次数	—	概念层面的计数
agencies	窗口内提到它的去重机构/大V 数	—	按匿名 agency_id 去重
heat_chg_1d / heat_chg_3d / heat_z20	纯统计量	—	精确公式以 OpenAPI 为准

更新节奏：概念热榜约 2 分钟更新一次，概念成分提及排行 /concepts/stocks 约 10 分钟更新一次。两者时间戳不同步，是跨接口对比时最常见的「对不上」原因。

三、15 项检查清单

A. 取数一致性（1～4）

1. 五个窗口在同一轮内连续取数。 五次调用间隔尽量短，并记录每次的 meta.server_time；跨轮混用会把「时间推移」误当成「窗口差异」。
2. min_score 五档保持一致。 一档加门槛、一档不加，比较的就是两类主体。
3. limit 足够大。 目标概念在长窗口里可能排到 50 名以外，默认 50 会让它「消失」。研究 AI 主题时建议 limit=200。
4. 概念名从榜单返回里取。 不要手写「人工智能」「AI」等别名；精确匹配以榜单返回为准，后续传给 /concepts/stocks 的 concept 也用同一个字符串（≤30 字符）。

B. 多窗口形态（5～9）

5. 先排列绝对计数，再看名次。 名次受其他概念影响，mentions 是概念自身的读数。
6. 计算短窗占比。 例如 share_1h = mentions_1h / mentions_24h（本地计算列）。示例：AI 主题 mentions_1h=36、mentions_24h=180，占比 0.2，意味着最近 1 小时占了一天讨论量的五分之一（示例数字）。
7. 对照 agencies 是否同步变化。 短窗 mentions 高但 agencies 很少，说明是少数主体集中发布；两列同步升高才是参与面扩大。
8. 读 heat_z20 时带上窗口。 写成「24h 窗口 heat_z20」，不同窗口的 z 分不能互相比较。
9. 用一个形态标签描述结果。 建议只用三种描述：短窗集中（1h/4h 占比高）、多窗同步（各窗口名次接近）、长窗累积（3d 名次明显高于短窗）。标签是描述，不推断后续走势。

C. 下钻连贯性（10～13）

10. 成分股用 get_concept_stock_heat 下钻。 /concepts/stocks 用 days 回看（默认 30，最大 365），不是滚动 window；与 24h 概念热度对照时设 days=1，与 3d 对照时设 days=3，并在结果里注明。
11. 检查成分集中度。 前 3 只成分股 mentions 占概念合计的比例过高时，概念热度更像个股事件带动。
12. 反查重点个股的概念归属。 用 get_stock_concept_heat（/concepts/by-stock）确认该股是否同时挂在多个 AI 相关概念下，避免重复计数。
13. 需要多日序列时切到日频面板。 get_stock_heat_panel(type="concept", names=...)（/panel/daily）按自然日返回概念的 mentions、agencies、weighted_heat，区间最长 92 天；它与滚动窗口口径不同，不要拼接到同一条曲线上。

D. 记录与复现（14～15）

14. 每轮落库最少字段： window、min_score、limit、meta.server_time、meta.request_id、概念名、mentions、agencies、heat_chg_1d、heat_chg_3d、heat_z20、名次。
15. 记录费用。 五档窗口即五次调用，每次 0.005 元，非 2xx 不计费；用 get_account（/account，不扣费）定期核对余额。

四、窗口形态示例表

以下为某 AI 相关概念在同一轮取数中的示例读数（均为示例数字）：

window	mentions	agencies	名次	读法
1h	36	9	2	短窗集中，参与主体较少
4h	74	21	4	仍偏短窗
18h	150	52	6	进入中段
24h	180	63	7	与 18h 接近
3d	410	118	11	长窗名次低于短窗

这张表的规范描述是：「该概念 1h 占 24h 讨论量约 20%，短窗名次高于长窗，形态为短窗集中」。不应写成「热度即将扩散」或任何方向判断。

五、一轮五窗取数脚本

# concept_windows.py —— 示例，地址与令牌为占位
import os, requests

BASE = os.environ.get("LAVA_BASE", "<YOUR_LAVA_BASE>/subscribe/v1")
H = {"Authorization": "Bearer " + os.environ.get("LAVA_API_KEY", "<YOUR_TOKEN>")}
TARGET = "<从榜单返回复制的概念标准名>"

snap = {}
for w in ("1h", "4h", "18h", "24h", "3d"):
    r = requests.get(BASE + "/hot/concepts",
                     params={"window": w, "limit": 200},
                     headers=H, timeout=60).json()
    assert r["ok"], r["code"]
    rows = r["data"] if isinstance(r["data"], list) else r["data"].get("list", [])
    # 概念名列名以 OpenAPI 为准，这里假设为 concept
    hit = [(i + 1, x) for i, x in enumerate(rows) if x.get("concept") == TARGET]
    snap[w] = {"server_time": r["meta"]["server_time"],
               "request_id": r["meta"]["request_id"],
               "rank": hit[0][0] if hit else None,
               "mentions": hit[0][1].get("mentions") if hit else None,
               "agencies": hit[0][1].get("agencies") if hit else None}

base = snap["24h"]["mentions"] or 0
share_1h = (snap["1h"]["mentions"] or 0) / base if base else None
print(snap, "share_1h:", share_1h)

rank 为空表示目标概念在该窗口前 200 名之外，应记为「未进入榜单前 200」，而不是 0。

六、与只读监测页的关系

熔岩站点上的 AI 板块热度监测页是只读展示，适合人工快速浏览主题热度的走势；本文的清单适合在 MCP 或 HTTP 层面复现同一主题的多窗口读数。两者的数据来源一致，但展示粒度与刷新时刻可能不同，引用页面上的读数时同样要注明查看时间。

七、常见误读对照表

误读	实际口径	规范写法（示例）
「AI 主题 1h 排第 2，说明全市场都在讨论它」	1h 只代表最近 1 小时，且可能由少数主体贡献	「1h 窗口名次 2，agencies=9」
「3d 名次下降，热度在退」	长窗名次受其他概念累积量影响	「3d 窗口 mentions=410，名次 11」
「概念热榜和成分排行对不上，数据有问题」	前者约 2 分钟更新、滚动窗口；后者约 10 分钟更新、按 days 回看	注明两者时间戳与区间
「日频面板的概念序列可以接在 3d 窗口后面」	面板按自然日切分，窗口按 meta.server_time 滚动	两条曲线分开展示
「加了 min_score 名次更靠前，说明质量更高」	门槛改变了统计对象，只是另一种口径	「min_score=1050 口径下名次 3」

误读多数来自省略了参数。只要规范写法里带上窗口、门槛与绝对计数，读者就能自行判断读数的适用范围。

八、给 AI Agent 的执行模板

把清单压缩成一段系统提示词，Agent 每次被问到「某个主题最近热不热」时按固定顺序执行：

对目标概念执行五窗一致性检查：
1. 用 get_market_hot_concepts 依次取 window=1h/4h/18h/24h/3d，limit=200，min_score 保持一致
2. 每档记录名次、mentions、agencies、heat_z20 与 meta.server_time；未进前 200 记为「未进入」
3. 计算 share_1h = mentions_1h / mentions_24h，给出形态标签：短窗集中 / 多窗同步 / 长窗累积
4. 如需成分股，用 get_concept_stock_heat，days 与对照窗口匹配并注明
5. 回答只描述统计形态，不推断后续走势，不给任何操作含义

模板中的步骤 2 与步骤 5 最重要：前者保证读数可复现，后者保证输出停留在描述层面。

FAQ

Q：为什么 1h 排名很高，3d 却不在前 50？
A：3d 窗口累积的是 72 小时讨论量，长期稳定讨论的概念会占据前列；一个短时集中被讨论的概念在长窗口里分量被稀释。先把 limit 调到 200 再确认名次。

Q：概念热榜能按 market 筛选吗？
A：概念热榜没有 market 参数。需要区分市场时，下钻到成分股后按代码自行过滤。

Q：五档窗口的 heat_z20 能求平均吗？
A：不建议。各窗口的统计区间不同，z 分的含义也不同，平均后没有可解释的口径。

Q：清单能直接交给 AI Agent 执行吗？
A：可以把 A、B 两组写进系统提示词，要求回答时同时给出 window、min_score、mentions、agencies，并禁止把形态标签改写为方向判断。

Q：同一主题有多个相近概念名，要合并吗？
A：可以在本地维护别名映射后并列展示，但不要把多个概念的 mentions 直接相加，同一条消息可能同时命中多个概念，相加会重复计数。

结论

概念热度的多窗口读数各自成立，问题出在把它们放在一起叙述时口径不一致。按清单做到同轮取数、参数一致、先看绝对计数、下钻时显式换算 days、需要多日序列时切换到日频面板，并把每轮参数与 meta.server_time 落库，AI 主题的热度形态就能被准确描述和复现。

数据来自熔岩消息面热度监测，仅供研究参考，不构成投资建议。

只读监测与字段说明见：https://lava.ai-dolphin.com/monitor/board-ai-heat