过去一年，AI Agent 很热。LangChain、Dify、n8n 这类通用框架让模型接工具、接流程变得容易。但一旦进入金融场景，问题就来了：投研不是"问一句答一句"，而是一条长链路。

研究员要完成的不是"英伟达怎么看"这种简单问答，而是跟踪财报、公告、行情、估值、资金面、产业链和宏观变量；把数据变成图表，把图表变成判断，把判断变成报告；还要在新数据出现后持续更新观点。

这类任务有几个硬约束： - 数字不能靠大模型猜，必须能复算 - 过程不能丢，必须能追溯 - 中间文件、图表、模型和假设要能沉淀 - 长任务不能因为上下文满了或浏览器断线就失败 - 工具调用要有权限、密钥、沙箱和人工确认 - 机构场景还要考虑部署、审计、合规和数据隔离

金融 Agent 的核心竞争力不是"回答得像不像分析师"，而是"能不能完成一条真实金融研究任务"。LangAlpha 就是为了解决这个问题。

LangAlpha 是什么

LangAlpha 是 Ginlix AI 推出的开源金融 Agent 项目，采用 Apache-2.0 协议。GitHub 地址：ginlix-ai/LangAlpha，在线 SaaS：ginlix.ai。

它的定位是 Vibe Investing Agent Harness——就像 Vibe Coding 让程序员用自然语言让 AI 写代码一样，Vibe Investing 让投资研究者用自然语言描述研究目标、标的范围、投资直觉和风险偏好，AI Agent 去拆任务、找数据、写代码计算、生成图表、沉淀报告，并在后续市场变化中持续更新。

它更像 AI Research Workbench（研究工作台），而不是金融 Chatbot。

核心架构：Harness + Agentic Loop

LangAlpha 的核心架构可以概括为两部分：

• Harness：托住上下文、工具、文件、事件、安全、状态和权限
• Agentic Loop：持续完成感知、规划、计算、观察、验证和记忆

Harness 让长任务可控，Loop 让判断持续演进。金融研究不再是一次性回答，而是可以被拆解、执行、验证和沉淀的工作流。

四大关键能力

1. PTC：让代码做计算，而非让 LLM 猜数字

金融场景里最危险的，是大模型一本正经地给出错误数字。

LangAlpha 的 PTC（Programmatic Tool Calling） 让 Agent 生成 Python 代码，在沙箱里调用数据、处理数据、生成表格和图表，再把结果返回给推理链。

这意味着估值、回撤、波动率、相关系数等指标由代码计算，每段代码可保存、重跑和审计，大量原始数据不用塞进上下文。对金融任务来说，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

LangAlpha 的 Workspace 可以按主题、标的、组合、策略或行业建立独立研究空间。历史对话、数据文件、图表、代码、模型、报告和研究笔记都会沉淀下来。

其中 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。用户第二天回来时，Agent 可以沿着已有研究继续推进，而非重新开始聊天。

这让 Agent 从"回答工具"变成"研究资产沉淀工具"。

3. 25 层中间件：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：

• Plan Mode：复杂任务执行前先展示计划，等待人工确认
• Live Steering：任务执行中可追加指令，实时纠偏
• 自动压缩与文件卸载：长任务不被上下文窗口卡死
• 动态 Skill 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
• 凭据泄露检测和路径保护：避免 API Key、密钥被泄露
• SSE + Redis Replay：浏览器断线后，任务仍可继续执行并回放事件

4. 金融数据与研究 Skills

LangAlpha 支持分层数据能力：快速查询（公司概览、行情、指数、行业表现、SEC filing、新闻等）和深度分析（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）。

开源版可从免费数据源开始，也可接入 FMP、SEC EDGAR、Polygon 等。同时内置多类金融研究 Skills：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。用户也可以把自己的研究方法论固化为 Skill。

典型场景

宏观策略报告

输入："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 拆解任务，调用数据，生成图表和报告框架，把数据、图表和结论沉淀到 Workspace。

因子有效性检验

输入："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。"在沙箱里写 Python，完成股票池构建、分组收益、回撤和结论输出。

可比公司估值

LangAlpha 的 Comps Analysis Skill 可生成可比公司估值模型，例如对 NVDA、AMD、GOOGL 做倍数比较、隐含价格区间和报告初稿。

行业研究与催化剂日历

对于 AI 算力产业链这类复杂主题，LangAlpha 可以拆分芯片、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，最后汇总成产业链框架。还可生成未来几个月的催化剂日历，包括财报、产品发布、行业会议和宏观风险事件。

金融 Agent 横向评测

从评测来看，LangAlpha 在金融 Agent 中排名第一，四维均值约 4.44。核心模式是"单体 Agent + PTC + Skills + agent.md"，优势在推理、记忆和精确检索，适合长复杂金融研究任务。

相比之下： - AlphaEngine（第二，均值 3.92）：更偏自研模型家族和多步骤工具链，优势在私域数据和检索，短板是精确数值计算 - Wind Alice（第三，均值 3.86）：数据终端和 MCP 工具集成能力强，短板是开放推理深度 - 同花顺系（第四，均值 3.61）：A 股结构化数据和执行闭环较强，开放 Agent 推理能力有限

如果分成四类：研究工作台型、数据终端型、角色辩论型、交易执行型，LangAlpha 的位置更接近"研究工作台型"——它不是只做行情问答或报告生成，而是尝试把金融研究变成一个可持续运行、可复核、可沉淀的 Agent OS。

快速上手

在线使用直接访问 ginlix.ai。自部署：

git clone https://github.com/ginlix-ai/LangAlpha.git
cd LangAlpha
make config
make up

启动后前端在 http://localhost:5173，后端 API 在 http://localhost:8000。个人研究者推荐先用在线版，开发者或机构技术团队可从开源版开始，接入自己的模型 Key、数据源和内部系统。

总结

下一代金融 AI 产品不应该只是问答窗口。它应该能理解研究目标、记住历史假设、读取文件、调用数据、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 Vibe Investing 工具；对开发者，它是 Apache-2.0 开源的金融 Agent 框架；对机构，它是可走向私有化部署的 AI Research Workbench。

GitHub：ginlix-ai/LangAlpha