ginlix-ai/LangAlpha

解决的问题

LangAlpha 专为认为传统 AI 金融工具过于简单的投资者设计。它不处理一次性的问题，而是将投资视为一个研究随时间积累的迭代贝叶斯过程。通过提供持久的工作区，代理可以在其中维持论点、根据新数据更新观点，并在多个会话中基于之前的分析进行构建，从而解决了金融研究中的“上下文丢失”问题。

工作原理

该系统采用双模式代理架构：

• PTC (Programmatic Tool Calling) 模式：用于深度研究，代理在 Daytona 云沙箱中编写并执行 Python 代码。这使其能够在本地处理海量金融数据集并仅返回最终结果，从而避免 Token 限制并降低成本。
• Flash 模式：用于快速市场查询、对话式问答和工作区管理。

它集成了多层数据生态系统（ginlix-data、FMP 和 Yahoo Finance），并使用 Model Context Protocol (MCP) 服务器来获取原始数据。研究结果存储在持久的工作区中，拥有专用的 agent.md 笔记文件和长期记忆库，可保留用户偏好和跨沙箱知识。

适用对象

• 金融分析师与投资者：需要进行深度股票研究、构建 DCF 模型并追踪数周或数月市场催化剂的人士。
• 投资组合经理：希望自动化定期财务报告或设置触发 AI 分析的价格触发警报的用户。

亮点

• 持久工作区：为特定研究目标（例如“Q2 再平衡”）提供的专用沙箱，可保留文件、线程和研究笔记。
• 程序化工具调用：在沙箱中执行 Python 代码，处理复杂的数据处理任务，而不会占用过多的 LLM 上下文窗口。
• 金融研究技能：针对 DCF 建模、启动覆盖报告和收益分析等任务的 23 个预构建工作流。
• 交互式 MarketView：一个具有 TradingView 图表的 Web UI，代理可以实时进行标注（绘制趋势线、价格水平）。
• 代理集群 (Agent Swarm)：能够派遣具有隔离上下文的并行异步子代理，进行大规模市场筛选。
• 多模态智能：原生解析图像、PDF 和实时 K 线图，用于技术分析。