LangAlpha v2026.07.22

面向 vibe investing 的 agent harness
LangAlpha 帮你解读金融市场，辅助投资决策。

English ｜ 简体中文 ｜ 日本語

快速开始 • API 文档 • Agent 核心 • 后端 • 前端 • TUI • Skills • MCP

把 dashboard 里的精选新闻简报 pin 给 agent，让多个并行 subagent 扫描市场并生成选股思路——结果会回到对话内嵌的交互式 dashboard 里，给出五组贴合你持仓风格的多空配对交易思路。

为什么选择 LangAlpha

如今的 AI 金融工具大多把投资当成一次性问答：问一个问题，得到一个答案，然后结束。但真实的投资更像持续更新判断——先有一个投资假设，每天有新数据进来，再据此调整信心。这个过程往往以周、月为单位展开：修正假设、复盘仓位、在已有分析之上叠加新分析。单靠一句 prompt，很难承载这些。

从 vibe coding 到 vibe investing

灵感来自软件工程：一个 codebase 会一直留存，每一次 commit 都建立在此前的基础上。Claude Code、OpenCode 这类代码 agent harness 之所以有效，正是因为它们让 agent 先理解已有上下文，再基于已有工作继续推进。LangAlpha 把同样的思路带到投资里：给 agent 一个持久的 workspace，让研究可以持续积累。

具体来说，你为每个研究目标建一个 workspace（比如“二季度再平衡”“数据中心需求深挖”“能源板块轮动”）。agent 会先了解你的目标和风格，生成第一份交付物，并把相关文件保存到 workspace 文件系统里。第二天回来，你的文件、thread 和此前积累的研究都还在。

功能亮点

• 渐进式工具发现（Progressive Tool Discovery） — MCP 工具只以摘要形式进上下文，完整文档则落到 workspace 里，让 agent 真正按需去发现和调用工具。还支持把 JSON 工具绑定到 skill 上，只有 skill 激活时才暴露给 agent。
• Programmatic Tool Calling（PTC） — agent 直接写 Python 并执行代码，处理来自 MCP server 的金融数据，而不是把原始数据直接放进 LLM 上下文窗口。这样既能做多步复杂分析，又能减少 token 浪费。
• 金融数据生态 — 多层级的数据 provider 体系：native 工具负责快速查询，MCP server 负责在 sandbox 里做批量数据处理、画图和多年跨度的分析。
• 持久化 workspace — 每个 workspace 对应一个专属 sandbox，有结构化的目录，还有一份 workspace 笔记文件（agent.md），让研究在多次 session 和多个 thread 之间不断累积。另有一套独立的长期 memory 存储（.agents/user/memory/、.agents/workspace/memory/），保存长期有效的用户偏好和跨 sandbox 的知识；还有一套用户自管的 memo 存储（.agents/user/memo/），你可以上传 PDF 和 markdown 研究笔记，agent 按需读取。
• 金融研究 Skills — 预置的工作流，涵盖 DCF 模型、首次覆盖报告、财报分析、晨报、文档生成等等——可以用 slash command 触发，也能自动识别激活。
• 金融研究工作台 — Web 界面集成了内嵌金融图表、多格式文件查看器、TradingView 图表、实时 WebSocket 行情、agent 手绘图表标注、按轮次展示的数据来源面板、可分享的对话，以及 subagent 监控。
• 多 provider 模型层 — 与具体 provider 解耦的 LLM 抽象，出错时自动 failover。
• 自动化（Automations） — 可以排定周期性或一次性的任务，也能设置价格触发的自动化——当某只股票或指数触及实时价格条件时自动执行。
• Secretary（事务助理） — Flash agent 还能处理事务性工作：建立和管理 workspace、在后台派发深度 PTC 分析、跟踪运行中的任务、取回结果——这些都通过对话式指令完成，并带 human-in-the-loop 审批。
• Agent 集群 — 并行的异步 subagent，各自拥有隔离的上下文窗口、预加载的工具集与 skill，支持执行中途 steering、基于 checkpoint 的恢复，以及界面上的实时进度监控。
• 实时 steering — agent 或 subagent 运行时，你可以随时追加消息来纠偏、澄清或改变方向，不用等任务结束。
• Middleware 栈 — 一套深层、可组合的 middleware stack，负责 skill 加载、plan mode、多模态输入、自动 compaction 和上下文管理，支撑长时间运行的 agent session。
• 安全与 workspace vault — 用 pgcrypto 做静态加密，自动检测并脱敏泄露的 credential；代码在 sandbox 里执行，每个 workspace 都有独立的 secret 存储，供 agent 安全取用。
• 渠道集成 — 在 Slack、Discord、飞书、Telegram 里直接用 LangAlpha，定时结果还能通过邮件送达。
• 生产级基础设施 — agent 活动通过 SSE 流式输出，断线重连时靠 Redis 缓冲回放，后台执行与 HTTP 连接解耦，状态由 PostgreSQL 持久化。

技术内核

系统架构

%%{init: {'theme': 'neutral'}}%%

flowchart TB
    Web["Web UI<br/>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"]

多 Provider 模型层

LangAlpha 运行在与具体 provider 解耦的模型层上，统一封装多个 LLM 后端。不管底层由哪个模型驱动，同一套 middleware、工具和工作流都可以照常运行。内置两种模式：

• PTC 模式：用于深度、多步骤的投资研究。强推理模型负责规划分析路径、梳理金融数据，并写代码完成复杂分析。长上下文让它能在一次处理中交叉比对 SEC 文件和研报。
• Flash 模式：用于快速的对话响应和 workspace 调度——快速查行情、在 MarketView 里边看图边聊、轻量问答，还有一个秘书角色，帮你管理 workspace、在后台派发深度 PTC 分析，再用自然对话把结果带回来。

使用你自己的模型和 API key（BYOK） — 直接用你已有的 AI 订阅和 API key。通过 OAuth 接入 ChatGPT 或 Claude 订阅（OpenAI Codex OAuth、Claude Code OAuth），使用 Kimi（月之暗面）、GLM（智谱）、MiniMax 或豆包（火山引擎）的 coding plan，或者通过 BYOK 为任何受支持的 provider 填入自己的 API key。所有 key 都用 PostgreSQL 的 pgcrypto 做静态加密（详见安全）。

模型容错 — 遇到瞬时错误自动重试，之后 failover 到配置好的备用模型。推理力度（low/medium/high）会在各家 provider 之间自动对齐。

Programmatic Tool Calling（PTC）与 Workspace 架构

大多数 AI agent 通过一次性的 JSON 工具调用处理数据，并把结果直接放进上下文窗口。Programmatic Tool Calling 的做法不同：agent 不把原始数据交给 LLM，而是在 Daytona 云 sandbox 里写代码、执行代码，就地处理数据，只返回最终结果。这样既减少 token 浪费，也能完成原本会超出上下文上限的分析。

PTC 执行流程

%%{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

    MCP -- "5 — REST / WS" --> APIs["Financial APIs<br/>FMP · Yahoo · Polygon"]
    APIs -- "6 — Data" --> MCP
    Run -- "7 — stdout · charts · files" --> EC
    EC -- "8 — Result" --> LLM

除此之外，workspace 环境让数据不再局限于单次 session。每个 sandbox 都有一套结构化目录：work/<task>/ 放各任务的工作区（数据、图表、代码），results/ 放定稿报告，data/ 放共享数据集，中间结果因此可以跨 session 留存。根目录下的 agent.md 是 agent 跨 thread 维护的 workspace 笔记，记录 workspace 目标、关键发现、thread 索引和重要产物的文件索引。一层 middleware 会把 agent.md 注入每一次模型调用，因此 agent 不必反复重读文件，也能掌握此前工作的完整上下文。另有一套基于 store 的长期 memory 系统（.agents/user/memory/、.agents/workspace/memory/），记录长期有效的用户偏好和跨 sandbox 的知识；用户自管的 memo 存储（.agents/user/memo/）则用于存放你上传的文档。PDF 会在服务端抽取文本，元数据由 LLM 异步生成，方便 agent 按主题找到并引用。每个 workspace 支持多个对话 thread，并共同服务于同一个研究目标。

每个 workspace 对应一个持久 sandbox——按主题、投资组合或论点来组织研究。

agent 写代码生成交互式 dashboard——这里是一份“七巨头 + 半导体”的催化剂日历。

金融数据生态

PTC 擅长多步数据处理、金融建模、画图这类复杂任务，但每查一次数据就启动代码执行没有必要。所以我们还做了一套 native 金融数据工具，把常用数据转成适合 LLM 读取的格式。这些工具自带能在前端直接渲染的 artifact，让使用者在查看 agent 分析的同时，立刻有直观的视觉参照。

Native 工具，通过直接工具调用做快速查询：

• 公司概览：实时报价、价格表现、关键财务指标、分析师一致预期和营收构成
• SEC 文件（10-K、10-Q、8-K）：附带财报电话会记录，并格式化成便于引用的 markdown
• 市场指数与板块表现：提供大盘层面的背景
• 网页搜索（Tavily、Serper、博查）——由 manifest 驱动的 provider 选择，深度分层（从快速查询到深度研究），还有图片搜索和 AI research 模式，每个用户可各自选择——以及带熔断容错的网页爬取

MCP server，提供经由 PTC 代码执行消费的原始数据：

• 价格数据：股票、大宗商品、加密货币和外汇的 OHLCV 时间序列，外加空头持仓和卖空成交量分析
• 基本面：多年财务报表、财务比率、增长指标、估值、内部人交易、分红与拆股、流通股、核心高管，以及技术指标
• 宏观经济：GDP、CPI、失业率、联邦基金利率、国债收益率曲线（1M–30Y）、国家风险溢价、经济日历和财报日历
• 期权：可筛选的期权链、期权合约的历史 OHLCV，以及实时买卖盘快照
• Yahoo Finance 套件（价格、基本面、分析、市场）：无需 key，就能覆盖报表、分析师评级、持股人、选股和各类日历
• X（Twitter）：只读的帖子搜索、用户/推文查询和 thread 抓取，用于情绪和事件跟踪；另有一个爬取 server，用于处理 JS 渲染和有反爬保护的页面

agent 会自动选择合适的层级：能快速查询且适合放进上下文的任务使用 native 工具；需要在 sandbox 里做批量数据处理、画图或多年趋势分析时，则使用 MCP 工具。

MCP server 可按 workspace 配置。内置 server 能逐个禁用，自定义的 HTTP 或 stdio server——包括那些从 workspace vault 读取凭据的——可以通过 API 或界面添加，几秒内生效，无需重启。

数据 Provider 回退链

LangAlpha 支持三层数据 provider 体系。每一层都是可选的——高层不可用时，系统会平滑降级：

所有层级默认开启。若只想用免费数据（Yahoo Finance），运行 make config 并按提示选择即可。你也可以手动编辑 agent_config.yaml。

[!NOTE] Yahoo Finance 数据来自社区，存在一些限制：没有 1 小时以下的盘中数据、报价有延迟、宏观覆盖有限，偶尔还会限流。建议配置 FMP_API_KEY（有免费额度）。

金融研究 Skills

agent 内置 23 个金融研究 skill，每个都能用 slash command 触发，也可以自动识别激活。skill 遵循 Agent Skills Spec，把 SKILL.md 文件放进 workspace 就能扩展。

致谢：部分 skill 改编自 anthropics/financial-services-plugins。

可比公司分析 skill 交付一个 Excel 模型和一份 PDF 报告——附带由同业倍数推算出的隐含价格区间。

多模态能力

agent 原生就能读图片（PNG、JPG、GIF、WebP）和 PDF——多模态 middleware 拦下文件读取，从 sandbox 或 URL 下载内容，再以 base64 注入对话，供 agent 直接做视觉解读。在 MarketView 里，可以截取用户当前的 K 线图，作为多模态上下文发给 agent——截取的内容既有图表图像，也有结构化元数据（ticker、周期、OHLCV、均线、RSI、52 周区间），让 agent 既能看图形态，也能推敲背后的数据。

MarketView 把实时图表发给 agent，做实时技术分析。

Agent 手绘图表标注

让 agent 标注 MarketView 的图表，它就直接在画布上画——价格位、趋势线、斐波那契回撤、事件标记、矩形和文字标注。标注通过 SSE 实时流入，按 workspace 和 symbol:timeframe 组合分别保存（画在 NVDA:1day 上的和 NVDA:1hour 上的互不干扰），重连时还会重放。当对话发生在 MarketView 之外时，聊天记录里会显示一张小预览卡，附标注图例和一键跳转实时图表的链接。只要消息是从 MarketView 发出的，图表标注 skill 就会自动加载，所以 agent 始终清楚“这张图”指的是哪个 ticker、哪个周期。

自动化

agent 能在对话里直接安排任务——不需要另开界面。用户也可以在专门的 Automations 页面管理自动化，支持完整的增删改查、执行历史和手动触发。所有自动化类型共用同一个 AutomationExecutor、可配置的 agent 模式（PTC 或 Flash），连续失败若干次后会自动停用。

按时间 — 用标准 cron 表达式排周期性任务（“每周一早上 9 点跑这份分析”），也支持一次性的定时执行（指定未来某个时间点跑一次）。

按价格触发 — 给任意股票或主要指数设一个价格目标或涨跌幅，条件一旦满足，agent 就立刻执行你的指令。PriceMonitorService 通过一条共享的上游 WebSocket 连接，从 ginlix-data 订阅实时逐笔数据（股票使用 realtime 层，指数使用 delayed 层）。基于 Redis 的去重能防止多个 server 实例重复触发。

条件可以组合（AND 逻辑），每个价格自动化都支持一次性（触发一次）或周期性模式，冷却时间可配置（最短 4 小时，默认每个交易日一次）。

[!NOTE] 按价格触发的自动化需要来自 ginlix-data 的实时 WebSocket 数据源。beta 期间，此功能仅在托管平台上提供。更广泛的 WebSocket 数据源支持已在后续版本的规划中。

排定周期性研究——这里，“七巨头”的财报前分析会在每次财报前自动运行。

Agent 架构

%%{init: {'theme': 'neutral'}}%%

flowchart TB
    subgraph Orchestrator ["BackgroundSubagentOrchestrator"]
        direction TB
        Agent["Main Agent · LangGraph ReAct"]
    end

    Agent -- "Task(init · update · resume)" --> SubPool
    SubPool -- "results" --> Orchestrator

    subgraph SubPool ["Subagent Pool — Parallel Async"]
        direction LR
        S1["general-purpose"]
        S2["research"]
        S3["user-defined"]
    end

    subgraph Middleware ["Middleware Stack"]
        direction LR
        MW1["Tool Safety<br/>Leak Detection<br/>Protected Paths<br/>Error Handling"]
        MW2["Context & Skills<br/>agent.md Injection<br/>Skill Loading<br/>Multimodal"]
        MW3["Coordination<br/>HITL · Plan Mode<br/>Steering<br/>Subagent Dispatch"]
        MW4["Resilience<br/>Compaction<br/>Retry + Fallback<br/>Prompt Caching"]
    end

    Agent -- "wraps model + tool calls" --> Middleware
    Middleware --> LLM["Multi-Provider LLM<br/>OpenAI · Anthropic · Gemini · DeepSeek<br/>Qwen · Kimi · Doubao · GLM · MiniMax · ..."]

    Agent <--> Tools

    subgraph Tools ["Tool Layer"]
        direction LR
        T1["execute_code<br/>bash"]
        T2["Filesystem<br/>read · write · edit<br/>glob · grep"]
        T3["Finance<br/>Market Data · SEC<br/>Options · Screener"]
        T4["Web<br/>Search · Fetch"]
        T5["ShowWidget<br/>Inline HTML"]
    end

    T1 <--> Workspace
    T2 <--> Workspace

    subgraph Workspace ["Workspace — Daytona Sandbox"]
        direction LR
        W1["agent.md<br/>Workspace Notes"]
        W2["work/‹task›/<br/>data · charts"]
        W3["results/<br/>Reports"]
        W4["tools/<br/>MCP Wrappers"]
    end

Agent 集群

核心 agent 基于 LangGraph 运行，通过 Task() 工具派生并行的异步 subagent。subagent 各自在隔离的上下文窗口里并发执行，避免长推理链跑偏。每个 subagent 把综合后的结果交回主 agent，让编排层保持精简。主 agent 可以选择等待某个 subagent 的结果，也可以继续处理其他待办。你还能在界面里切到 Subagents 视图，实时查看它们的进度（仅 Web 前端）。

除了简单派发，主 agent 还可以给仍在运行的 subagent 追加指令，也可以带着完整上下文恢复一个已完成的 subagent，用于迭代修改。若 server 重启，subagent 状态会从最后一个 checkpoint 自动重建。

研究 subagent 沿着算力链并行分析——结果汇成一条交互式的 AI 算力时间线，覆盖 NVIDIA、Google、AMD、AWS 以及行业里的其他玩家。

Middleware 栈

agent 内置一套 middleware 栈，包括：

• 实时 steering — agent 可能走错方向、追踪无关数据，或者在分析中途误解你的意图。steering 让你不用等待任务结束就能纠偏。agent 运行时，你随时可以追加消息——更新指令、补充说明，或者提出新的问题——agent 会在下一步之前接收这些信息，就像实时对话一样。steering 在每一层都适用：给主 agent 改方向、给某个后台 subagent 追加指令，或者当工作流先结束时，让系统把尚未消费的消息退回输入框。任务不会丢失，也不用重启。
• 动态 skill 加载：通过 LoadSkill 工具，agent 按需发现并激活 skill 工具集；默认工具面保持精简，需要时再启用专门能力
• 多模态：拦下对图片和 PDF 的文件读取，从 sandbox 或 URL 下载内容，以 base64 注入对话，让多模态模型直接解读
• Plan mode：配合 human-in-the-loop 中断，让你在执行前审阅并批准 agent 的策略
• 自动 compaction：接近 token 上限时压缩对话历史，保留关键上下文并释放空间
• 上下文管理：自动把大块工具结果卸载到 workspace 文件系统，上下文里只保留简短预览；对话变长时随之 compaction——概括较早轮次，同时把完整记录留在 workspace 里随时可取回。研究 session 可以长期运行，不会轻易触及上下文上限。

完整清单见 src/ptc_agent/agent/middleware/。

致谢：部分 middleware 组件改编自 LangChain DeepAgents 的实现，或受其启发。

流式传输与基础设施

server 通过 SSE 流式输出 agent 的所有活动：文本分片、带参数和结果的工具调用、subagent 状态更新、文件操作产物，以及 human-in-the-loop 中断。agent 的每个决定都能在界面里完整追溯。

工作流作为独立的后台任务运行，与 HTTP/SSE 连接完全解耦。即使浏览器标签页关闭或网络中断，agent 也会继续执行。重连时，最多 15 万条缓冲事件会重放，让客户端从断点处继续接上。

PostgreSQL 承载 LangGraph 的 checkpoint、对话历史和用户数据（自选股、投资组合、偏好设置），因此 agent 状态和用户上下文能跨 session 留存。Redis 缓冲 SSE 事件，让浏览器刷新和断网都不会丢掉传输中的消息：客户端会自动重连、重放。用户数据以虚拟 JSON 文件的形式暴露给 agent，直接由数据库支撑——读取时按需把数据库中的当前行序列化，写入时在单个校验过的事务里落库，无需再同步到 sandbox——而 skill 则在 session 初始化时通过基于 manifest 的缓存同步到 sandbox，只有变更时才重新上传。细节见完整的 API 参考。

数据溯源

agent 访问过的每个外部数据源都会被记录并呈现。一层溯源 middleware 会记录每一次网页搜索、页面抓取、SEC 文件、行情调用、MCP 工具调用和 workspace 文件读取——包括后台 subagent 的访问——并为每个来源发出一个 provenance 流事件；这些事件不会进入 LLM 上下文。界面会把它们渲染成每轮旁边的 Sources 面板：来源按类型分组，网页来源配 favicon，详情视图里展示 provider、时间戳、捕获的参数、内容指纹和一段摘录。一个 本轮 / 全部来源 开关可以展开整个 thread 的完整数据足迹；点击文件或 memo 来源，就会直接在 workspace 文件面板里打开。每一份研究成果背后的数据，都保留可审计的记录。

安全与 Workspace Vault

LangAlpha 围绕凭据、代码执行和用户提供的 secret 采用分层安全模型。

静态加密 — 所有敏感数据（BYOK API key、OAuth token、vault secret）都在 PostgreSQL 内用 pgcrypto 加密。数据库里从不存明文。

凭据泄露检测 — 每一份工具输出在进入 LLM 上下文前都会被扫描。middleware 会解析所有已知的 secret 值（MCP server key、sandbox token、vault secret），命中就脱敏为 [REDACTED:KEY_NAME]。面向人的界面也一样——文件读取和下载在到达客户端前都会先清洗。

沙箱化代码执行 — 每个 workspace 都运行在自己的 Daytona 云 sandbox 里，有专属的文件系统和网络边界。受保护路径的守卫会阻止 agent 访问内部系统目录——工具输入侧会在执行前短路调用，工具输出侧会脱敏泄露路径。

Workspace Vault

每个 workspace 都有一个内置的 secret vault，用来存放 agent 在代码执行时会用到的 API key 和凭据——无论是访问第三方数据源（券商 API、外部数据供应商等），还是在 workspace 里构建由 LLM 驱动的工作流，都用得上。在界面里存一次 secret，就能通过一个简单的 Python API，供该 workspace 里的每一个 agent session 取用：

from vault import get, list_names, load_env

api_key = get("MY_API_KEY")       # 取出单个 secret
names = list_names()               # 列出所有可用的 secret 名称
load_env()                         # 把所有 secret 批量加载为环境变量

vault secret 继承上面的每一层防护：静态加密、从所有面向 agent 和面向人的输出里脱敏，并禁止直接文件访问。只有 workspace 的拥有者能创建、更新、查看或删除 secret。

前端

Web 界面不只是聊天窗口，而是一套完整的研究工作台：

• 可配置 dashboard — 从预设布局起步（Morning Brief、Trader、Researcher、Agent Desk、Trader (TradingView) 或 Portfolio Steward），或者从涵盖行情、情报、个人上下文、agent 入口和 workspace 快捷方式的 widget 库里自行组合
• 内嵌金融图表 — 工具结果直接在聊天 thread 里渲染成交互式迷你走势图、柱状图和概览卡片
• 内嵌 HTML widget — agent 能通过 ShowWidget 工具，直接在聊天里渲染交互式的 HTML/SVG 可视化（Chart.js 图表、指标卡、数据表），带主题自适应样式和沙箱化的 iframe
• HTML 研究报告 — agent 把完整自包含的 HTML 文档写到 results/，以真实浏览器语义呈现（脚本会执行、CDN 库会加载、相对资源能解析），可全屏查看、可导出 PDF——有别于内嵌 widget 和实时 dashboard
• 多格式文件查看器 — PDF（分页、可缩放）、Excel、CSV、HTML 预览和源代码（带 diff 模式的 Monaco 编辑器）——全都无需下载，就地查看
• TradingView 图表 — 完整的 TradingView Advanced Chart，带绘图工具、指标和专业的 K 线样式
• 实时行情 — 实时 WebSocket 价格流，逐笔精度到 1 秒（美股），盘前盘后可视化，多条均线叠加
• Agent 手绘图表标注 — agent 在 MarketView 图表上标出价格位、趋势线、斐波那契回撤和事件标记，按 symbol:timeframe 保存，并在聊天里内嵌预览
• 可分享对话 — 一键分享，权限可细粒度控制（开关文件浏览和下载权限），并通过公开 URL 回放
• 实时 subagent 监控 — 实时查看每个后台任务的流式输出和工具调用，也能在执行途中下达指令
• 数据溯源面板 — 每一轮都列出 agent 访问过的外部来源（网页、SEC 文件、行情、MCP 工具、文件），包含 favicon、内容指纹，以及按 thread 切换范围的开关
• 自动化 — 增删改查管理，带 cron 构建器、执行历史、手动触发，以及在股票或指数触及实时价格条件时触发的价格自动化

dashboard 展示市场指数、个性化简报和你的自选股——任意一块面板都能 pin 给 agent 作为聊天上下文，用来开启一条研究 thread。

从精选预设起步——Morning Brief、Agent Desk、Researcher 或 Trader。	或者从 widget 库里自行组合——行情、情报、个人、agent 和 workspace。

渠道集成

在你日常使用的工具里直接使用 LangAlpha。集成网关在各消息平台和核心 agent 之间转发消息，每个渠道都会以自己的原生格式收到回复。渠道集成仅在我们的托管服务上提供，支持一键配置和快速账号绑定——访问 integrations 即可开始。

Slack 和 Discord 提供原生的频道和 thread 级分组，天然对应到 LangAlpha 的 workspace 和 thread——上下文由原生机制管理。Telegram 和 WhatsApp 没有这些基础结构，因此走一种简化的编排模式。飞书具备完整的消息和卡片式 UI，OAuth 即将到来。Telegram 目前部分支持，完整覆盖正在推进中。WhatsApp 尚在规划中。

快速开始

[!TIP] 不想自己部署？ 试试托管版本——开箱即带完整的数据基础设施（FMP、实时行情、云 sandbox）。接入你自己的 LLM key（BYOK）即可开始。

只靠 Docker 就能启动 LangAlpha——不需要数据 API key，也不需要云 sandbox。基础设施用 Docker，AI 模型用你自己的 LLM 订阅即可。

git clone https://github.com/ginlix-ai/langalpha.git
cd langalpha
make config   # 交互式向导——创建 .env，配置 LLM、数据源、sandbox 和搜索
make up       # 启动 PostgreSQL、Redis、后端和前端

• 前端： http://localhost:5173
• 后端 API： http://localhost:8000（交互式文档在 /docs）
• 验证： curl http://localhost:8000/health

想要完整体验，向导会提示你填写一些可选 key；也可以稍后再加到 .env 里：

[!NOTE] 没有外部服务 key 也可以使用，只是功能会少一些：Yahoo Finance 免费提供价格历史、基本面、财报和分析师数据，但没有实时报价、盘中逐笔数据、宏观经济和期权分析。Docker sandbox 会替代 Daytona 云 sandbox——完整的 PTC 代码执行照常可用，但安全性和隔离性会下降。逐步添加 key，就能解锁更多能力。

运行 make help 查看所有可用命令。不使用 Docker 的手动部署方式，见 CONTRIBUTING.md。

文档

• API 参考：涵盖聊天流式传输、workspace、工作流状态等接口
• 交互式 API 文档：server 运行时访问 http://localhost:8000/docs

联系我们

商务合作、共建或一般咨询，请联系 [email protected]。

免责声明

LangAlpha 是一个研究工具，不是投资顾问。本软件产出的任何内容都不构成投资建议、推荐，也不构成买卖任何证券的招揽。所有输出仅供参考和学习之用。请自行判断——做投资决策前，务必自己完成尽职调查。

许可证

Apache License 2.0