核心观点：
　　AI配置范式：本文以2004年1月至2026年6月共270个月的四资产（A股/债券/黄金/货币）配置为统一考题，让五种策略范式（KB v1事件知识库、KB v2摘要知识库、无知识库、等权基准、风险平价）在同一回测引擎中独立决策，再以等权基准和风险平价为对照，回答一个核心问题：知识增强型LLMAgent能否在超长周期中持续产生显著超额收益？
　　知识库层：知识库的引入是收益增强的关键驱动力（有KB策略均显著跑赢无KB版本），但知识库的格式设计决定了策略的特征。v1的非结构化历史事件格式提供更丰富的择时信号，收益更高（年化13.24%）；v2的规范化摘要格式回撤控制最优。这构成了一个经典的锐度与稳健的取舍。
　　格式效应：两个版本共享相同的信息来源和相同时期，唯一的差异在于知识呈现方式——非结构化叙事与规范化摘要。这个看似微小的差异产生了年化收益2.22个百分点的差距。信息呈现方式可能比信息内容本身更影响LLM的决策质量。
　　能力边界：LLMAgent已能高质量完成月度资产权重配置、在关键市场拐点做出前瞻性防御，且决策过程完全可追溯和审计。但其优势建立在历史情景学习之上，在市场结构发生根本性变化时，知识库的参考价值可能衰减。
　　风险提示：本文仅为AI技术层面的试验观察、不构成任何投资建议。