过去一年，AI Agent（智能体）的热度持续攀升，备受关注。诸如 LangChain、Dify、n8n 等通用框架，使模型能够轻松对接工具、嵌入流程、调用插件，极大降低了开发门槛。 然而，当场景切换到金融领域时，情况则截然不同。投研工作绝非简单的“提问—回答”式对话，而是一条环环相扣的长链路。 研究员真正需要完成的，远不止“英伟达怎么看”这类单点查询。他们必须跟踪财报、公告、行情、估值、资金面、产业链及宏观变量变化；将数据转化为图表，从图表中提炼判断，再将判断撰写成报告；更关键的是，一旦新数据出现，观点也需随之迭代更新。 这类任务面临几项硬性约束：数据不能依赖大模型随意生成，必须可复算；整个分析过程需完整留存，便于追溯；产生的文件、图表、模型和假设要能沉淀积累；长任务不能因上下文溢出或浏览器断开而中断；工具调用必须严格管理权限、密钥、沙箱设置并经人工确认；在机构场景下，还需考虑部署、审计、合规及数据隔离。 因此，金融Agent真正的核心竞争力不在于“回答风格是否像分析师”，而在于“能否真正跑通一条真实的金融研究任务链”。LangAlpha 致力于解决的，正是这一核心难题。  ### LangAlpha 是什么 LangAlpha 是 Ginlix AI 基于 Apache-2.0 协议开源的一款金融 Agent 项目。 Ginlix AI 对它的定位可以这样理解：如果说“vibe coding”是程序员用自然语言让 AI 读代码、改代码、运行测试，那么“vibe investing”就是投资研究者用自然语言描述研究目标、标的筛选、投资直觉和风险偏好，然后让 AI Agent 拆解任务、获取数据、编写计算代码、生成图表、沉淀报告，并在后续市场变化中持续更新。 需要强调的是，LangAlpha 的目标并非替代研究员的判断，而是将研究员的判断融入一个可持续运转的系统。它更像是一个“AI Research Workbench”（研究工作台），而非简单的金融聊天机器人。 ### 核心架构：Harness 托住执行，Loop 驱动研究 要让金融 Agent 真正进入工作流，仅靠 Prompt 远远不够，需要足够稳定的运行时环境。LangAlpha 的核心架构可概括为两部分：Harness 负责统筹上下文、工具、文件、事件、安全、状态和权限；而 Agentic Loop 则持续执行感知、规划、计算、观察、验证和记忆的循环。  *LangAlpha架构图* 这一架构的价值在于：Harness 使长任务变得可控，Loop 让研究判断得以持续演进。金融研究不再是单次问答，而是一个可被拆解、执行、验证和沉淀的工作流。 ### LangAlpha 的几个关键能力 #### 1. PTC：让代码做计算，而不是让 LLM 猜数字 在金融场景中，最危险的风险莫过于大模型一本正经地给出错误数字。 LangAlpha 的 PTC 机制，让 Agent 生成 Python 代码，在沙箱环境中调用数据、处理数据、生成表格和图表，再将结果返回推理链路。这意味着：估值、回撤、波动率、相关系数等指标全部由代码精确计算；每段代码均可保存、重跑和审计；大量原始数据无需硬塞入上下文，大幅节省 token；分析结果也更便于复核，而非仅靠自然语言解释。 对金融任务而言，这一点至关重要。真正的投研不是“说得像”，而是“算得对、查得到、能复现”。 #### 2. Workspace：让研究观点持续沉淀 真实的投研工作，绝非每天从零开始。 LangAlpha 的 Workspace 允许用户按主题、标的、组合、策略或行业建立独立的研究空间。历史对话、数据文件、图表、代码、模型、报告和研究笔记均可沉淀。其中核心文件 agent.md 记录研究目标、核心假设、关键发现、文件索引和线程历史。次日返回时，Agent 可沿已有研究继续推进，而非重新开始一次对话。  *Workspaces示例* 这使 Agent 从“回答工具”进化为“研究资产沉淀工具”。 #### 3. 25 层中间件：把 Agent 从 Demo 推向生产 LangAlpha 的中间件栈覆盖长任务、上下文、安全和协同等多个维度。典型能力包括：计划模式——复杂任务执行前先展示计划，等待人工确认；实时纠偏——任务执行中可追加指令；自动压缩与文件卸载——防止长任务被上下文窗口卡死；动态技能加载——按需启用 DCF、财报分析、晨报、催化剂日历等能力；多模态处理——支持图片、PDF、图表进入分析链路；还有凭据泄露检测和路径保护，以及基于 SSE 与 Redis 的事件回放，即便浏览器断线，任务也能继续执行。 金融 Agent 的生产化，不是简单接入多个 API，而是要让工具、状态、权限和执行过程全部处于可控状态。 #### 4. 金融数据与研究 Skills LangAlpha 支持分层的数据能力：快速查询层面，涵盖公司概览、行情、指数、行业表现、监管文件和新闻等；深度分析层面，则包括多年份财务数据、时间序列、因子检验、期权、宏观数据、图表和模型。 开源版本可从免费数据源起步，也支持接入 FMP、SEC EDGAR、Polygon 等。同时，LangAlpha 内置多类金融研究 Skills，例如 DCF、可比公司估值、财报分析、晨会材料、催化剂日历、行业比较、报告生成等。用户也可将自己的研究方法论固化为一个 Skill，反复调用。 ### 怎么使用 使用方式十分灵活。最简便的方式是直接访问其在线 SaaS 服务。若希望自行部署，可拉取开源代码，按项目文档指引完成部署配置。个人研究者推荐优先使用在线版本；开发者或机构技术团队，则可从开源版本开始试跑，再接入自己的模型 Key、数据源和内部系统。 ### 典型 Demo：它到底能做什么 #### 1. 宏观策略报告 用户可以输入一个任务，例如“帮我形成一份 2026 年下半年美股权益市场策略框架，重点分析利率、盈利、估值、流动性和政策变量，并给出行业配置方向”。LangAlpha 会拆解任务，调用市场和宏观数据，生成图表和报告框架。重点不仅是写出文字，而是将数据、图表和结论沉淀到 Workspace 中。 #### 2. 因子有效性检验 用户可以要求“检验美股大盘股中动量因子和盈利修正因子过去一年的有效性，输出分组收益和结论”。这类任务天然需要代码计算，LangAlpha 会在沙箱中编写 Python 代码，完成股票池构建、分组收益、回撤分析及结论输出。 #### 3. 可比公司估值 LangAlpha 的 Comps Analysis Skill 可生成可比公司的估值模型和报告，例如对英伟达、AMD、谷歌等公司进行倍数比较、计算隐含价格区间并输出报告初稿。  *可比估值demo* #### 4. 行业研究与催化剂日历 对于像 AI 算力产业链这类复杂主题，LangAlpha 可拆分为芯片、服务器、光模块、云厂商、电力和液冷等环节，由多个子 Agent 并行研究，最后汇总成完整的产业链框架。它还能生成未来几个月的催化剂日历，标记出财报发布、产品发布、行业会议及宏观风险事件。  *催化剂日历Dashboard* ### 简短横向评测 这里摘录一份金融 Agent 横向评测的核心结论。评测重点不在于数据源的数量，而是聚焦于 Agent 架构、长任务能力、工具层和记忆层。  *金融Agent横向测评摘要* 从评测结果可看出几个明确趋势：LangAlpha 位列第一，核心模式为“单体 Agent + PTC + Skills + agent.md”，在推理、记忆和精确检索方面优势显著，尤其适合复杂的长链路金融研究任务。紧随其后的是 AlphaEngine，更偏重自研模型家族和多步骤工具链，在私域数据和检索方面有优势，但短板在于精确数值计算。Wind Alice 数据终端能力强，但开放推理深度有限。同花顺系在 A 股结构化数据和执行闭环上表现不错，但开放推理能力仍有提升空间。 如果将这几个金融 Agent 划分为不同类型，那么 LangAlpha 的位置非常接近“研究工作台型”——它不仅做行情问答，也不只是做报告生成，而是试图将金融研究变成一个可持续运行、可复核、可沉淀的 Agent 操作系统。 ### 写在最后 下一代金融 AI 产品，不应只是一个问答窗口。它应该能理解研究目标，记住历史假设，读取文件，调用数据，编写代码计算，生成图表和报告，并在市场变化时持续更新。 LangAlpha 正在做的事，就是把金融 Agent 从“回答问题”推进到“完成金融研究任务”。对个人用户，它是一个 Vibe Investing 工具；对开发者，它是一个采用 Apache-2.0 协议开源的金融 Agent 框架；对机构，它是一个可走向私有化部署的 AI Research Workbench。