LangAlpha

바이브 투자 에이전트 하네스
LangAlpha는 금융 시장을 해석하고 투자 결정을 지원하기 위해 만들어졌습니다.

English ｜ 简体中文 ｜ 日本語

시작하기 • API 문서 • 에이전트 코어 • 백엔드 • 웹 • TUI • 플러그인

대시보드에서 엄선된 뉴스 브리핑을 고정하고, 아이디어 생성을 시작한 뒤, 병렬 서브에이전트를 투입해 시장을 스크리닝하세요 — 그러면 인라인 인터랙티브 대시보드에서 당신의 포트폴리오에 맞춰 보정된 다섯 개의 롱/숏 페어 트레이드 아이디어를 얻을 수 있습니다.

LangAlpha를 만든 이유

오늘날의 모든 AI 금융 도구는 투자를 일회성으로 취급합니다: 질문하고, 답을 얻고, 끝. 하지만 실제 투자는 베이지안적입니다 — 논지에서 시작해 매일 새로운 데이터가 도착하고, 그에 따라 확신을 갱신합니다. 이는 몇 주, 몇 달에 걸쳐 전개되는 반복적 과정입니다: 논지를 다듬고, 포지션을 재검토하고, 새로운 분석을 기존 분석 위에 쌓아 올립니다. 단일 프롬프트로는 이를 담아낼 수 없습니다.

바이브 코딩에서 바이브 투자로

소프트웨어 엔지니어링에서 영감을 받았습니다: 코드베이스는 지속되고, 모든 커밋은 이전 작업 위에 쌓입니다. Claude Code와 OpenCode 같은 코드 에이전트 하네스는 이러한 패턴을 받아들여 기존 컨텍스트를 탐색하고 이전 작업 위에 구축하는 에이전트를 만들어 성공했습니다. LangAlpha는 같은 통찰을 가져옵니다: 에이전트에게 영구적인 워크스페이스를 주면 리서치가 자연스럽게 축적됩니다.

실제로는 리서치 목표별로 워크스페이스를 만듭니다("2분기 리밸런싱", "데이터센터 수요 심층 분석", "에너지 섹터 로테이션"). 에이전트가 당신의 목표와 스타일에 대해 인터뷰하고, 첫 번째 결과물을 만들고, 모든 것을 워크스페이스 파일시스템에 저장합니다. 내일 다시 돌아와도 파일, 스레드, 축적된 리서치가 그대로 남아 있습니다.

주요 기능

• 점진적 도구 탐색 — 모든 MCP 도구가 컨텍스트에 요약으로 로드되고 전체 문서는 워크스페이스에 덤프되어, 에이전트가 진정으로 필요할 때 도구를 탐색하고 사용할 수 있습니다. 또한 json 도구를 스킬에 바인딩하고 스킬이 활성화될 때만 에이전트에 노출하는 것도 지원합니다.
• 프로그래매틱 도구 호출(PTC) — 에이전트가 Python을 작성하고 실행해 mcp 서버의 금융 데이터를 처리하며, 원시 데이터를 LLM 컨텍스트 윈도우에 쏟아붓지 않아 복잡한 다단계 분석을 가능하게 하면서 토큰 낭비를 극적으로 줄입니다.
• 금융 데이터 생태계 — 빠른 조회를 위한 네이티브 도구와 샌드박스에서의 대량 데이터 처리, 차트 작성, 다년간 분석을 위한 MCP 서버로 구성된 다계층 프로바이더 계층 구조.
• 영구 워크스페이스 — 각 워크스페이스는 구조화된 디렉터리와 세션 및 스레드 전반에 걸쳐 리서치를 축적하는 워크스페이스 노트 파일(agent.md)을 갖춘 전용 샌드박스에 매핑됩니다. 별도의 장기 메모리 저장소(.agents/user/memory/, .agents/workspace/memory/)가 지속적인 사용자 선호와 샌드박스 간 지식을 보존하며, 사용자가 관리하는 메모 저장소(.agents/user/memo/)를 통해 PDF와 마크다운 리서치 노트를 업로드하면 에이전트가 필요할 때 읽을 수 있습니다.
• 금융 리서치를 위한 스킬 — DCF 모델, 커버리지 개시 보고서, 실적 분석, 모닝 노트, 문서 생성 등을 위한 사전 구축된 워크플로우로, 슬래시 명령 또는 자동 감지로 활성화할 수 있습니다.
• 금융 리서치 워크벤치 — 인라인 금융 차트, 다중 포맷 파일 뷰어, TradingView 차트, 실시간 WebSocket 시장 데이터, 에이전트가 그린 차트 주석, 턴별 출처 패널, 공유 가능한 대화, 서브에이전트 모니터링을 갖춘 웹 UI.
• 멀티 프로바이더 모델 계층 — 프로바이더에 구애받지 않는 LLM 추상화와 오류 시 자동 페일오버.
• 자동화 — 반복 또는 일회성 작업을 예약하거나, 주식 또는 지수가 실시간 가격 조건에 도달하면 발동하는 가격 트리거 자동화를 설정합니다.
• 비서 — Flash 에이전트가 비서 역할을 겸합니다: 워크스페이스 생성 및 관리, 백그라운드에서 심층 PTC 분석 발송, 실행 중인 작업 모니터링, 결과 검색 — 모두 인간 개입 승인이 있는 대화형 명령을 통해 이루어집니다.
• 에이전트 스웜 — 격리된 컨텍스트 윈도우, 사전 로드된 도구 세트/스킬, 실행 중 조정, 체크포인트 기반 재개, UI에서의 실시간 진행 모니터링을 갖춘 병렬 비동기 서브에이전트.
• 실시간 조정 — 에이전트/서브에이전트가 작업하는 동안 후속 메시지를 보내 완료를 기다리지 않고 방향을 수정하거나 명확히 하거나 재지정할 수 있습니다.
• 미들웨어 스택 — 스킬 로딩, 플랜 모드, 멀티모달 입력, 자동 압축, 컨텍스트 관리를 처리해 장시간 실행되는 에이전트 세션을 지원하는 깊고 조합 가능한 미들웨어 스택.
• 보안 및 볼트 — pgcrypto를 통한 저장 데이터 암호화, 자동 자격 증명 유출 감지 및 마스킹, 샌드박스 실행, 안전한 에이전트 접근을 위한 계정별 비밀 저장소
• 채널 통합 — Slack, Discord, Feishu, Telegram에서 LangAlpha를 사용하고, 예약된 결과에 대한 이메일 전송도 지원합니다.
• 프로덕션 준비 인프라 — Redis 버퍼링 재연결 리플레이를 갖춘 SSE 스트리밍 에이전트 활동, HTTP 연결과 분리된 백그라운드 실행, PostgreSQL 기반 상태 지속성.

무엇이 이를 구동하는가

시스템 아키텍처```mermaid %%{init: {'theme': 'neutral'}}%%

flowchart TB Web["Web UI
React 19 · Vite · Tailwind"] -- "REST · SSE" --> API Web -- "WebSocket" --> WSP CLI["CLI / TUI"] -- "REST · SSE" --> API

subgraph Server ["FastAPI Backend"]
    API["API Routers<br/>Threads · Workspaces · Market Data<br/>OAuth · Automations · Skills"]
    WSP["WebSocket Proxy"]
    API --> ChatHandler["Chat Handler<br/>LLM Resolution · Workflow Dispatch"]
    ChatHandler --> BTM["Background Task Manager<br/>Decoupled Execution · Workflow Lifecycle"]
end

subgraph PostgreSQL ["PostgreSQL — Dual Pool"]
    AppPool[("App Data<br/>Users · Workspaces · Threads<br/>Turns · BYOK Keys · Automations")]
    CheckPool[("LangGraph Checkpointer<br/>Agent State · Checkpoints")]
end

subgraph Redis ["Redis"]
    EventBuf[("SSE Event Buffer<br/>150K events · Reconnect Replay")]
    DataCache[("API Cache<br/>Market Data · SWR")]
    Steering[("Steering Queue<br/>User Messages Mid-workflow")]
end

BTM --> AppPool
BTM --> CheckPool
BTM --> EventBuf
BTM --> Steering
API --> DataCache

BTM -. "Sandbox API" .-> Daytona["Daytona<br/>Cloud Sandboxes"]
API -. "REST" .-> FinAPIs["Financial APIs<br/>FMP · SEC EDGAR"]
WSP -. "WebSocket" .-> GData["ginlix-data<br/>Polygon.io · Massive"]

### 멀티 프로바이더 모델 레이어

LangAlpha는 여러 LLM 백엔드를 추상화하는 프로바이더 독립적인 모델 레이어 위에서 동작합니다. 동일한 미들웨어 스택, 도구, 워크플로가 어떤 모델이 구동하든 관계없이 작동합니다. 두 가지 모드를 제공합니다:

- **PTC 모드** — 심층적인 다단계 투자 리서치용. 강력한 추론 능력이 다단계 분석을 이끌며, 에이전트가 접근 방식을 계획하고, 금융 데이터를 숙고하며, 복잡한 분석을 위한 코드를 작성합니다. 긴 컨텍스트를 통해 SEC 공시 자료와 리서치 보고서를 한 번에 교차 참조할 수 있습니다.
- **Flash 모드** — 빠른 대화형 응답과 워크스페이스 오케스트레이션용: 빠른 시장 조회, MarketView에서의 차트 앤 채팅, 가벼운 Q&A, 그리고 워크스페이스를 관리하고 백그라운드에서 심층 PTC 분석을 디스패치하며 결과를 자연스러운 대화를 통해 다시 전달하는 비서 역할.

**자체 모델 사용(Bring your own model)** — 기존 AI 구독과 API 키를 직접 사용하세요. OAuth를 통해 ChatGPT 또는 Claude 구독을 연결하거나(OpenAI Codex OAuth, Claude Code OAuth), Kimi(Moonshot), GLM(Zhipu), MiniMax, 또는 Doubao(Volcengine)의 코딩 플랜을 사용하거나, BYOK를 통해 지원되는 모든 프로바이더에 대해 자체 API 키를 제공할 수 있습니다. 모든 키는 PostgreSQL pgcrypto를 통해 저장 시 암호화됩니다([보안](#security) 참조).

**모델 복원력** — 일시적 오류 발생 시 자동 재시도 후, 설정된 폴백 모델로 페일오버합니다. 추론 강도(`low`/`medium`/`high`)는 프로바이더 전반에 걸쳐 자동으로 정규화됩니다.

### 프로그래매틱 도구 호출(PTC) 및 워크스페이스 아키텍처

대부분의 AI 에이전트는 일회성 JSON 도구 호출을 통해 데이터와 상호작용하며, 그 결과를 컨텍스트 윈도우에 직접 덤프합니다. 프로그래매틱 도구 호출(Programmatic Tool Calling)은 이를 뒤집습니다: 원시 데이터를 LLM을 통해 전달하는 대신, 에이전트가 [Daytona](https://www.daytona.io/) 클라우드 샌드박스 내에서 코드를 작성하고 실행하여 데이터를 로컬에서 처리하고 최종 결과만 반환합니다. 이는 토큰 낭비를 극적으로 줄이면서 컨텍스트 한도를 초과할 수 있는 분석을 가능하게 합니다.

**PTC 실행 흐름**```mermaid
%%{init: {'theme': 'neutral'}}%%

flowchart LR
    LLM["LLM"] -- "1 — Writes Python" --> EC["ExecuteCode Tool"]
    EC -- "2 — Sends to sandbox" --> Run["Code Runner"]

    subgraph Sandbox ["Daytona Cloud Sandbox"]
        Run -- "3 — import tools.*" --> Wrappers["Generated Wrappers<br/>One module per MCP server"]
        Wrappers -- "4 — JSON-RPC stdio" --> MCP["MCP Servers<br/>Subprocesses in sandbox"]
    end