🦞 Lobster Research：AI 驱动的智能调研助手，让研报生成更高效

前言

在投资分析、行业研究等场景中，快速获取结构化、高质量的调研信息是核心需求。传统研报制作耗时费力，数据采集、内容整合、格式排版全流程手动完成效率极低。今天给大家推荐一款开源的 AI 调研工具——Lobster Research，它将代码驱动的数据采集与 AI 智能分析整合结合，能自动生成快讯、快报、研报三类专业报告，覆盖金融+非金融多领域，极大提升调研效率。

一、Lobster Research 核心能力

1. 多类型报告输出

支持三种格式的专业研究报告，满足不同场景需求：

格式	说明	输出形式
快讯	实时市场资讯速览	文字回复
快报	简要市场风向速报	PDF（3-5页）
研报	深度行业/企业研究	PDF（8-15页）

2. 覆盖广泛领域

总计 23 个领域，包含：

• 金融领域：A股/港股/美股、ETF、大宗商品、期货、跨资产；
• 非金融领域：科技、游戏、军事、农业、生物医疗、文化艺术、政治、宇宙地理等 12 类。

3. 适用人群

• 📈 股市投资者：定时监控大盘、获取持仓快照、深度研究个股；
• 🔬 科技关注者：追踪技术趋势、AI 突破、前沿研究方向；
• 📊 行业分析师：收集行业动态、政策变化、竞争格局；
• 🎓 学者/研究员：生成带引用、数据表格的结构化报告；
• 🗞️ 资讯读者：获取市场异动、地缘事件的简明摘要。

二、核心特性

1. 🎯 智能 NLP 路由：自然语言输入，双层关键词自动匹配领域和输出类型；
2. 📊 多源数据支撑：整合新浪财经、腾讯财经、AKShare、证券之星、多引擎搜索（Tavily/百度/Bing/Serpbase）；
3. 📝 28 套可配置模板：7 份快报 + 21 份研报模板，全部外置可自定义；
4. 🤖 人机协作模式：代码负责确定性数据采集，AI 负责理解性分析整合；
5. 🎨 精美 PDF 输出：支持 iOS 液态/蓝色/橙色多主题样式，兼容表格和图表；
6. 🔧 热更新配置：路由关键词、领域设置集中在 main.json，无需修改代码。

三、推荐配置

组件	推荐选择及理由
Agent	WorkBuddy：原生技能支持 + 文件交付
AI 模型	Mimo 2.5 / Kimi 2.5：中文金融推理能力强，速度&质量均衡
搜索 API	Serpbase：多引擎聚合，JSON 输出稳定可靠

效果展示，项目仓里有完整PDF案例：

四、快速上手

1. Agent 模式（最简单）

适用于 WorkBuddy / QClaw / OpenClaw 平台，直接发送以下指令给 AI Agent 即可自动安装：

请帮我安装 Lobster Research 技能：
https://github.com/hegeo/lobster-research.git

Agent 会自动完成：

• git clone 仓库到技能目录；
• pip install -r requirements.txt 安装依赖；
• 加载 SKILL.md 并开始处理请求。

2. 手动安装（可选）

# 克隆仓库
git clone https://github.com/hegeo/lobster-research.git
cd lobster-research
# 安装依赖
pip install -r requirements.txt

# 配置搜索引擎 API 密钥（可选）
cp config/settings.json.example config/settings.json
# 编辑 settings.json，填入 Tavily/Bing 等 API 密钥

五、使用方式

Lobster Research 是 OpenClaw 兼容技能，不同平台使用方式如下：

平台	使用方式
WorkBuddy	作为技能安装，Agent 读取 SKILL.md，运行 main.py smart，生成并交付 PDF
QClaw / OpenClaw	部署技能文件夹，Agent 编排 数据采集→内容整合→PDF 生成全流程
其他 Agent 框架	支持 Python 脚本执行、JSON 读写、deliver_attachments 调用的框架均可兼容

六、核心架构

Lobster Research 分为三个核心阶段，全程实现“代码+AI”协同：

┌─────────────┐     ┌─────────────────────────────────────────────────────┐
│   用户      │────▶│  Phase 1: 代码驱动数据采集                           │
│   输入      │     │  • 实时行情（新浪/腾讯）                              │
│             │     │  • K线 + 技术指标                                     │
│             │     │  • 个股详细资料/大盘指数                               │
│             │     │  • 联网搜索（多引擎）                                 │
└─────────────┘     └────────────────────┬────────────────────────────────┘
                                         │ JSON 文件写入 output/tasks/<id>/
                                         ▼
┌─────────────────────────────────────────────────────────────────────────┐
│  Phase 2: AI 整合（Agent 填写 07_agent_input.json）                      │
│  • 读取所有 JSON 数据文件                                                 │
│  • 联网搜索补充缺失信息                                                   │
│  • 填写结构化报告内容                                                     │
└────────────────────┬────────────────────────────────────────────────────┘
                     │ 07_agent_input.json
                     ▼
┌─────────────────────────────────────────────────────────────────────────┐
│  Phase 3: 代码驱动报告生成                                               │
│  • HTML 渲染（Jinja2 + CSS 主题）                                        │
│  • PDF 转换（OpenClaw browser.pdf）                                      │
│  • 交付用户                                                               │
└─────────────────────────────────────────────────────────────────────────┘

七、项目结构

lobster-research/
├── main.py              # 入口 + Smart NLP 路由
├── main.json            # 路由配置（领域 + 输出类型）
├── SKILL.md             # Agent 技能指令（操作手册）
├── scripts/             # 数据采集 & 报告生成核心脚本
│   ├── task_runner.py   # Phase 1/3 执行引擎
│   ├── ticktime.py      # 实时行情采集
│   ├── stock_data_collector.py  # K线+技术指标
│   ├── websearch_pro.py # 多引擎搜索
│   └── generate_report.py       # HTML/PDF 渲染器
├── config/              # 配置文件（API密钥/持仓/偏好）
├── prompts/json/        # 28 套报告提示词模板
├── styles/              # 报告 CSS 主题
└── output/tasks/        # 任务输出文件夹

八、技术栈

层级	核心技术
开发语言	Python 3.10+
数据源	新浪财经、腾讯财经、AKShare、证券之星
搜索能力	Tavily API、百度/Bing 搜索、Serpbase
网页抓取	requests、Playwright
OCR 解析	easyocr（持仓截图解析）
报告渲染	Jinja2 + 自定义 CSS
PDF 生成	OpenClaw browser.pdf()
配置格式	JSON

九、独立客户端改造（无 Agent 平台）

若想脱离 AI Agent 平台，作为纯 CLI/桌面应用使用，需改造 main.py，核心思路是将 Agent 的 Phase 2 逻辑替换为直接调用 AI API：

# 改造后流程
Phase 1（代码采集数据）→ Phase 2（调用 GPT/Claude 等 AI API 生成内容）→ Phase 3（代码生成 PDF）

改造要点：

1. Phase 1 完成后，读取所有 JSON 数据文件；
2. 构建包含 JSON 数据 + meta.json 中 agent_hint 的 prompt；
3. 调用自定义 AI API（OpenAI/Anthropic/本地大模型）；
4. 解析 AI 返回结果，写入 07_agent_input.json；
5. 自动触发 Phase 3 生成报告。

十、常用命令（开发者）

# Smart 模式（自然语言自动路由）
python main.py smart --input "大盘今日行情"
python main.py smart --input "新能源汽车行业研报"

# 直接命令
python main.py stock --code 000063 --name 中兴通讯
python main.py market  # 获取市场行情
python main.py industry --topic AI芯片  # AI芯片行业分析

# 生命周期管理
python main.py generate --task-id 20260505_143022  # 生成报告
python main.py status --task-id 20260505_143022    # 查看任务状态

十一、本地化与开源协议

• 本地化：如需适配本地市场，可参考项目内 LOCALIZATION.md 分步配置；
• 开源协议：MIT License，可自由修改、分发，商用友好。

总结

Lobster Research 把“代码做确定性工作、AI 做理解性工作”的理念落地，完美解决了调研过程中数据采集繁琐、内容整合低效、报告排版耗时的痛点。无论是投资者、分析师还是研究人员，都能通过它快速获取高质量的结构化调研成果。

如果觉得这个项目有帮助，不妨给仓库点个 ⭐Star 支持一下～

项目地址：https://github.com/hegeo/lobster-research