
LangAlpha v2026.07.30
Cadre OSINT automatisé pour la reconnaissance, la collecte de données et le renseignement sur les menaces, avec des robots d'exploration, des scanners et des pipelines d'extraction modulaires.
Le harnais pour le trading agentique.
Des agents IA open source qui étudient le marché, construisent la thèse,
et négocient sur votre propre compte de courtage dans les limites des permissions que vous définissez.
Essayez LangAlpha ↗ ·
Documentation ↗ ·
Premiers pas ·
Trading agentique ·
Conception du harnais ·
Architecture full-stack ·
Sécurité
English · 简体中文 · 日本語
Pourquoi LangAlpha
La plupart des outils financiers IA répondent à des questions. Nous pensons que la recherche d'investissement est bayésienne : vous consignez une thèse et ce qui la réfuterait, puis chaque publication de résultats, chaque dépôt réglementaire et chaque mouvement de prix renforce ou affaiblit votre conviction, et votre position avec elle. Cette boucle dure des semaines ou des mois, et aucun prompt unique ne la capture.
Les agents de codage sont devenus performants une fois dotés d'un harnais conçu pour le code : une base de code persistante, où chaque commit s'appuie sur le précédent, plus les outils, la mémoire et l'environnement d'exécution autour du modèle. LangAlpha apporte ce harnais aux marchés, du vibe coding au vibe investing. Il fonctionne avec n'importe quel modèle, si bien que chaque meilleur modèle l'améliore. Deux convictions le façonnent :
- Un trade est une boucle, pas un appel d'outil. La thèse vit dans un espace de travail, et la recherche, le dimensionnement, l'ordre et la surveillance qui suit réinjectent chacun de nouvelles preuves dans cette thèse.
- L'autonomie exige une limite que vous fixez. Les agents agissent dans les limites des permissions que vous accordez, et chaque ordre suit un chemin gouverné unique.
Points forts des fonctionnalités
La plupart de ces exemples proviennent d'un espace de travail sur Cerebras (CBRS). Voyez-le à l'œuvre avec cette conversation partagée, de la première question au rapport d'initiation envoyé sur Slack.
🔎 Recherche avec une équipe d'agents
Posez une question et LangAlpha la répartit entre des analystes parallèles qui lisent les dépôts réglementaires, récupèrent les prix, les données d'options et macroéconomiques, et effectuent les calculs en code. Envoyez un message de suivi à tout moment pour les réorienter en cours d'exécution. Sur CBRS, l'exécution s'est conclue par un primer HTML sur ce que vend Cerebras, à quelle vitesse elle croît et qui paie pour cela.
Sous-agents : quatre analystes traitent la question sous l'agent principal, chaque carte comptant ses outils et ses tokens, et un /html-report transforme leurs conclusions en primer à droite
🗂️ Gardez chaque idée dans un espace de travail
Un espace de travail par thèse, secteur ou portefeuille. Les fichiers, les conversations et les notes de l'agent sont toujours là le lendemain, de sorte que chaque session s'appuie sur la précédente au lieu de repartir de zéro.
« Construis-moi un tableau de bord interactif sur CBRS à partir de ce que nous avons trouvé jusqu'ici dans cet espace de travail : le cours avec les événements clés, la croissance du chiffre d'affaires, la concentration des clients, et la part qui repose sur OpenAI. Je veux pouvoir cliquer un peu partout. »
Un nouveau fil le construit à partir de la recherche et des fichiers laissés par les fils précédents dans l'espace de travail : un tableau de bord interactif avec lequel jouer.