推理在你机器上跑，仓位不出你硬盘：一个开源金融 AI Agent 的开发者手记 为什么散户用不上机构级的分析工具？我们试着用开源回答这个问题 摘要：这是一篇开发者手记。我们花了半年时间做了一个面向个人投资者的 AI 研究助手，8 月把它整个开源了（ Apache-2.0 ），9 月它入围了世界人工智能开源大赛（ GOAI 2026 ）总决赛。这篇文章想聊三件事：我们为什么认为「金融平权」首先是工具问题；一个自部署的金融 Agent 到底长什么样、有哪些取舍；以及它现在还有哪些没做好的地方。文中不涉及任何投资建议。 一、先说结论：散户和机构的差距，一半是工具 聊「金融平权」这个词之前，先说一个具体的场景。 一个券商研究员拿到一份财报，接下来会做什么？拉过去八个季度的数据做同比环比，找同行做 PE / PB / EV-EBITDA 对标，用 DCF 算一个估值区间再做敏感性分析，翻公告看有没有减持和解禁，最后写成一份格式固定的报告——这套流程在卖方叫「方法论」，每个新人入行都要被训练几个月。 一个普通投资者拿到同一份财报，大概率是看一眼营收和净利润，再去论坛翻别人的解读。 这中间的差距，很多人归结为「专业知识」。但我们做了几年金融数据之后觉得，知识差距其实没那么大——DCF 的公式一页纸就能写完。真正的差距是四层： 数据：机构用 Wind 、Bloomberg ，年费几万到几十万；散户用免费行情软件，很多字段根本看不到。 方法论：卖方那套流程是隐性知识，没写在任何一本教科书里。 工具：把数据和方法论串起来需要写代码，大多数人不会。 时间：就算前三样都有，一个人每天盯 20 只股票的公告也盯不过来。 大模型出现以后，第 2 、3 、4 层的门槛突然变得可以逾越。模型可以按一份写好的方法论去执行分析，可以自己调工具拉数据，可以 24 小时跑。剩下的问题是：谁来做这个工具，以及这个工具属于谁。 二、为什么一定要开源、一定要本地 市面上其实已经有不少「 AI 炒股助手」了，但几乎都是同一个形态：云端 SaaS ，你把自选和持仓上传，它给你结论。 我们最初也做的是这个形态，做了大半年，然后越做越不舒服。原因有三个： 第一，仓位是最私密的数据之一。 它比聊天记录更能说明一个人的财务状况、风险偏好、甚至判断力。让用户把它交给一家创业公司的服务器，我们自己作为用户都不愿意。 第二，云端 SaaS 的模型是锁死的。 服务商选了哪家大模型你就用哪家，换不了。而金融分析对模型的 tool calling 可靠性极其敏感——我们后来实测发现，同一套工具链下，不同模型的工具调用命中率从 5/7 到 7/7 不等，延迟差 4 倍。用户应该有权自己选。 第三，「 AI 说这只股票能买」这件事，从产品伦理到监管都是雷区。 一个封闭的 SaaS 很难让用户理解结论是怎么来的；一个开源的、方法论写成明文的工具，用户至少能打开看看它「是按什么逻辑分析的」，不同意就自己改。 所以 7 月我们做了决定：推翻云端版本，基于开源的 opencode （一个 AI 编程 Agent 框架）做一个金融垂直版，然后整个开源。三条原则写在项目首页上： 代码开源 · 模型自选 · 私有部署 用一句更直白的话说：我们不托管你的仓位，我们只运行在你的电脑上。 项目叫 HunterCode ，开源仓库名是 hunter-community ，8 月上线，Apache-2.0 协议。 三、它到底是什么 一句话：一个跑在你自己机器上的金融 AI 研究团队。docker compose up 起来之后，你在浏览器里得到一个对话界面，可以： 问「 601899 现在多少钱」——返回实时报价、52 周分位和一段 AI 短评（富卡片形式，不是一坨文字） 问「用 DCF 给某公司估个值」——它会调用 uzi_dcf 这个 SKILL ，拉财报数据、算 WACC 、出敏感性表 说「帮我看看这只票有没有杀猪盘特征」——调用 uzi_scan_trap ，检查异常拉升、减持时点、推票热度 输入一个代码点「深度分析」——60 到 300 秒后出一份 22 个维度的报告 说「预测茅台走势」——调用清华大学开源的 Kronos 金融时序模型，给出未来 10 天的 K 线预测 覆盖 A 股、港股、美股三个市场，32 个数据源，内置 23 个分析 SKILL 。 关键设计：SKILL 就是一段 Markdown 这是整个项目最想讲的一个设计。 上面提到的「卖方方法论」，我们把它拆成了 23 份 Markdown 文档，采用 Anthropic 的 Agent Skills 标准格式。每份文档就是一段人话：这类问题该分几步分析、先看什么后看什么、哪些信号要警惕。模型读了文档，按文档执行。 比如 uzi_earnings （财报解读）的核心逻辑大概是：先做 beat / miss 检测，再拆 EPS 的驱动因素是量还是价，最后给管理层指引的可信度打分。这是从卖方研究员的工作流里抽出来的，写成了两三百行 Markdown 。 这个设计带来几个我们很喜欢的结果： 方法论是明文的。你不同意某个 SKILL 的分析逻辑，打开文件改一行就行，重启容器生效。 加新方法论不需要写代码。你有自己一套看 K 线突破的方法？新建一个文件夹，写一份 SKILL.md ，它就成了你的工具。 可以直接用别人的。侧栏有个「＋」，粘一个 GitHub 地址就能装 SKILL ，装之前可以先看内容。网上按同一标准写的 skill 一个字不用改。 这也是我们理解的「平权」最具体的形式：方法论不再是机构的隐性知识，而是一份可以 fork 的文档。 另一个关键设计：模型你自己选 .env 里改三行就能换模型。我们用 7 个 golden case 实测过各家的工具调用可靠性，数据全部公开在仓库的 docs/model-testing/ 目录下。简单说： 国内直连首选 DeepSeek （便宜到单次不到一分钱，但要开一个 schema 清洗开关） 走网关的话 Claude Sonnet 和 Qwen Max 是两个 7/7 全命中的 一些 thinking 类模型会把内部推理泄漏到输出里，我们写了一层 shim 去剥离，11 个跨 chunk 边界的单元测试 这些评测数据本身可能比工具更有价值——如果你在做任何 Agent 项目，选模型之前可以先看看。 四、一个必须坦白的取舍：两把 key 项目需要两把 key 。第一把是你自己的大模型 key ，这很好理解。第二把是我们签发的平台 key （免费申请），用来解锁数据源和 SKILL 背后的数据管道。 有人会问：不是说完全本地吗？为什么还要你们的 key ？ 坦白说这是一个取舍。实时行情、财报、龙虎榜、北向资金这些数据的采集和清洗，需要一套持续维护的管道，这套管道跑在我们服务器上，不可能塞进每个人的 Docker 里。所以模型推理、对话、SKILL 执行、你的自选和持仓全部在本地；数据源那一层走我们的网关。 我们做了两件事来减少这种「半本地」的不适感： 不填 key 也能用。把数据源切到 AKShare （ A 股）或 yfinance （美股港股），完全免费不依赖我们，只是

  • 情报分类：服务器与云资源
  • 分类依据：内容涉及服务器、云资源或网络线路
  • 信息来源：服务器 / V2EX
  • 发布时间：2026/9/17 15:37:52