ginlix-ai/LangAlpha

解決的問題

LangAlpha 專為認為傳統 AI 金融工具過於簡單的投資者設計。它不處理一次性的問題，而是將投資視為一個研究隨時間累積的迭代貝氏過程。透過提供持久的工作區，代理可以在其中維持論點、根據新數據更新觀點，並在多個工作階段中基於先前的分析進行建構，從而解決了金融研究中的「上下文丟失」問題。

工作原理

該系統採用雙模式代理架構：

• PTC (Programmatic Tool Calling) 模式：用於深度研究，代理在 Daytona 雲端沙盒中編寫並執行 Python 程式碼。這使其能夠在本地處理海量金融數據集並僅回傳最終結果，從而避免 Token 限制並降低成本。
• Flash 模式：用於快速市場查詢、對話式問答與工作區管理。

它整合了多層數據生態系統（ginlix-data、FMP 與 Yahoo Finance），並使用 Model Context Protocol (MCP) 伺服器來獲取原始數據。研究結果儲存在持久的工作區中，擁有專用的 agent.md 筆記檔案與長期記憶庫，可保留使用者偏好與跨沙盒知識。

適用對象

• 金融分析師與投資者：需要進行深度股票研究、建構 DCF 模型並追蹤數週或數月市場催化劑的人士。
• 投資組合經理：希望自動化定期財務報告或設定觸發 AI 分析的價格觸發警報的使用者。

亮點

• 持久工作區：為特定研究目標（例如「Q2 再平衡」）提供的專用沙盒，可保留檔案、執行緒與研究筆記。
• 程式化工具呼叫：在沙盒中執行 Python 程式碼，處理複雜的數據處理任務，而不會占用過多的 LLM 上下文窗口。
• 金融研究技能：針對 DCF 建模、啟動覆蓋報告與盈餘分析等任務的 23 個預建工作流。
• 互動式 MarketView：一個具有 TradingView 圖表的 Web UI，代理可以即時進行標註（繪製趨勢線、價格水平）。
• 代理集群 (Agent Swarm)：能夠派遣具有隔離上下文的並行非同步子代理，進行大規模市場篩選。
• 多模態智能：原生解析圖像、PDF 與即時 K 線圖，用於技術分析。