最近在研究股市的时候发现了一个类似TradingAgentCN的AI多智能体A股投研系统，完全开源且正在快速迭代，非常好用，目前已跑赢大盘。

源码仓库：https://github.com/MarvekG/BestAITrader

大家可以给作者Star，以鼓励作者做出更好的投研系统。

一 天枢智投

天枢智投（Best-AI-Trader）是一套面向 A 股投研、AI 多智能体决策、模拟交易、长期记忆和经验复盘的智能投研系统。它不是简单把行情数据接入大模型的聊天 Demo，而是将数据工程、Agentic Workflow、工具调用、多轮辩论、PM 决策、模拟交易账本和后验复盘整合成一套完整的 AI 投研闭环。

系统底层以 FastAPI + PostgreSQL + Redis + LiteLLM Proxy + React 构建，完整部署通过 Docker Compose 编排 PostgreSQL、Redis、LiteLLM、MemoFlux、Python 沙箱、WebFetch、后端、前端和 Nginx。数据层支持 A 股行情、财务、估值、资金流、技术指标、新闻、政策和事件等多维上下文，为 AI 分析提供可追踪的事实基础。

在 AI 投研层，系统使用 LangGraph 编排多阶段工作流。一次单股分析会被拆解为上下文构建、新闻分析、政策分析、情绪分析、基本面分析、技术面分析、资金流分析、风控分析、多空辩论、事实仲裁和投资组合经理 PM 决策。每个 Agent 负责不同视角，最终由 PM Agent 汇总证据、风险、持仓和历史记忆，输出结构化决策。

系统的核心特点是“事实先行、角色分工、可审计决策”。AI 不直接凭模型记忆判断涨跌，而是先构建 metadata / realtime / snapshot / history / signals / events 六层股票上下文，再按角色分发给不同 Agent。Agent 可以调用行情、财务、新闻、数据库、Python 沙箱、Skills 和 Memory 工具，最终输出可落库、可回放、可追踪的分析结果。

交易层支持模拟账户、订单、成交记录、持仓和 FIFO 批次账本，并覆盖 A 股 100 股一手、T+1 可卖股数、手续费、止损止盈等规则。系统中只有 PM Agent 具备交易工具权限，普通分析师 Agent 不能直接下单，保证分析和执行边界清晰。

智能选股模块采用“规则压缩候选池 + LLM 整池研究”的方式，不对全市场逐只调用模型。系统会先根据股票来源、风格、行业约束和量化辅助因子筛选候选，再让 LLM 对候选池进行整体比较研究，输出推荐股票、备选股票、风险摘要和推荐逻辑。

经验复盘模块负责把 AI 决策与真实市场表现进行后验校验。系统会读取 PM 决策后的 5 日、20 日、60 日收益、回撤、相对指数和行业表现，判断原始结论是否正确，区分被验证信号、被证伪信号和噪音信号，并在提炼出可复用经验时写入 MemoFlux 长期记忆。

从工程角度看，天枢智投更接近一个 AI 投研操作系统：数据层负责提供真实上下文，Agent 层负责分工推理和辩论，交易层负责把决策落到账户和持仓，记忆层负责让系统从历史判断中持续进化，前端则通过任务状态、WebSocket、审计报告和可视化页面提供实时可观测体验。

适用场景包括 A 股投研实验、多 Agent 金融工作流研究、AI 辅助选股、模拟交易、投研流程审计、策略复盘和长期记忆型 AI 系统验证。该项目定位为研究和模拟交易系统，不构成任何投资建议。

二 系统功能示例

本章结合系统截图，对天枢智投的实际功能形态进行说明。与传统行情软件不同，天枢智投并不是简单展示价格、K 线和财务表，而是围绕“研究一只股票、形成决策、执行模拟交易、事后复盘经验”这一完整流程，把数据、AI Agent、交易账本和长期记忆连接起来。

2.1 从数据底座开始的投研系统

天枢智投首先解决的是数据基础问题。

在系统的数据管理界面中，可以看到平台已经把 A 股投研所需的多类数据统一纳入管理，包括股票基础信息、日 K 数据、指数日线、技术指标、财务指标、利润表、资产负债表、现金流量表、实时行情和估值指标等。

这意味着 AI 分析并不是在缺少事实依据的情况下直接生成结论，而是建立在结构化市场数据之上。用户可以按股票代码、股票名称和日期区间筛选数据，也可以针对单只股票、股票仓股票、核心指数成分股或指定数据表执行同步。

从系统设计上看，数据管理模块承担了三个作用：

1. 为 AI Agent 提供行情、财务、估值和技术指标上下文。
2. 为实时盯盘和模拟交易提供最新价格与市场状态。
3. 为后续经验复盘提供可回溯的历史价格路径和市场表现。

因此，数据管理不是一个独立后台页面，而是整个 AI 投研闭环的起点。

2.2 股票仓库：从关注列表到研究入口

股票仓库是用户管理研究对象的核心页面。

截图中可以看到，用户已经将紫金矿业、格力电器、中远海控、交通银行等股票加入仓库。每只股票不仅展示代码、名称、行业和市场，还提供了多个操作入口，包括交易、下单、查看数据、同步数据和启动 AI 分析。

这个设计体现了系统的一个重要特征：股票仓库并不是普通的自选股列表，而是一个“研究对象管理中心”。

用户可以在这里完成几类动作：

1. 管理关注股票池。
2. 为单只股票补齐数据。
3. 批量启动 AI 分析。
4. 直接进入模拟交易。
5. 查看该股票的 AI 上下文和历史分析结果。

例如，当用户关注格力电器时，可以先同步该股票的行情、财务和指标数据，再启动 AI 分析。分析完成后，系统会生成对应的 AI 会话和审计报告。如果 PM 决策建议需要交易，用户还可以从同一股票入口进入模拟下单。

这让“选股、研究、决策、执行”之间不再割裂。

2.3 AI 分析会话：每一次研究都有生命周期

在 AI 分析会话管理页面中，系统展示了已经启动的 AI 分析任务。每个任务都有独立 ID、对应股票、任务状态、创建时间和结束时间。

截图中既有已经完成的任务，也有正在运行中的任务。例如中远海控的任务显示为 ACTIVE，格力电器、紫金矿业、交通银行等任务显示为 COMPLETED。

这说明系统把 AI 投研过程作为正式任务来管理，而不是把它当成一次性聊天记录。

一个 AI 分析任务从创建到完成，大致经历以下过程：

1. 用户从股票仓库或投研页面发起分析。
2. 后端创建异步任务和分析会话。
3. AI 工作流开始构建股票上下文。
4. 多个 Agent 依次或并行生成分析报告。
5. PM Agent 输出最终结构化决策。
6. 系统保存过程消息、最终报告和任务状态。
7. 前端可以查看、回放、归档或删除任务。

这种任务化设计带来的好处是，投研过程可以被追踪、被审计、被复盘，而不是只留下一个不可解释的 AI 答案。

2.4 AI 投研分析：面向问题的研究入口

除了从股票仓库直接启动分析，系统还提供了 AI 投研分析页面。用户可以选择股票，并输入具体研究问题，让 AI 围绕问题进行分析。

截图中的历史问题包括“研究神火股份是否值得买入”“研究下最近 A 股走势”等。这说明该页面并不局限于固定模板，而是支持用户提出开放式投研问题。

与普通问答工具相比，这个页面的价值在于：AI 回答不是孤立生成，而是可以连接系统内已有股票数据、历史会话和投研工具。也就是说，用户不是在问一个通用大模型“这只股票怎么样”，而是在调用一个已经接入 A 股数据和投研流程的系统进行分析。

适合的使用场景包括：

1. 判断某只股票是否值得买入。
2. 分析近期 A 股市场环境。
3. 对比不同股票或行业机会。
4. 针对已有持仓询问风险。
5. 要求 AI 解释某个事件对股票的影响。

该页面相当于系统中的“自然语言投研入口”。

2.5 多智能体决策报告：不是一句买卖建议，而是一套投委会流程

截图中最能体现系统能力的是“决策审计报告”。

以格力电器 000651.SZ 为例，系统生成了个股周度新闻逻辑追踪报告和投资组合经理 PM 决策报告。在报告中，可以看到 AI 不只是输出 HOLD，还给出了置信度、关键证据、最大反证、交易影响和需要 PM 处理的决策事项。

这类报告的核心价值在于“可解释”。

例如，新闻分析师会先梳理近期核心新闻、公告和事件，判断这些信息对股票的影响。随后，系统会进入更完整的多智能体流程，不同 Agent 分别从新闻、政策、情绪、基本面、技术面、资金流和风险角度展开分析。

在 PM 决策报告中，系统会把多头、空头和中性观点放在一起比较：

1. 多头观点会强调低估值、盈利改善、资金回流或事件催化。
2. 空头观点会指出减持压力、行业风险、增长放缓或资金流出。
3. 中性观点会评估当前证据是否足以支持交易动作。
4. 事实仲裁会识别哪些数据存在冲突，哪些结论证据不足。
5. PM 最后结合账户、持仓、风险和历史经验输出决策。

截图中 PM 报告明确提到“我已全面评估了多方分析师的完整辩论、所有垂直领域报告、事实仲裁报告、风险报告以及历史 Memory 经验”。这说明 PM 决策不是单个模型直接判断，而是在汇总多轮分析结果后形成最终结论。

这种结构更接近真实投委会：先研究，再辩论，再仲裁，最后决策。

2.6 AI 上下文预览：检查 AI 到底看了什么数据

系统还提供了 AI 数据预览页面，用于展示 AI 分析时使用的上下文信息。

截图中选择的是紫金矿业 601899.SH。页面展示了数据生成时间、股票代码、股票名称、行业、地区、上市日期、总股本、流通股本和数据来源等信息。

这个页面看似是数据展示，实际上解决了一个很关键的问题：AI 分析的可审计性。

在很多 AI 应用中，用户只能看到最终答案，却不知道模型在回答时到底参考了什么数据。天枢智投通过 AI 上下文预览，让用户可以检查：

1. 当前股票数据是否可用。
2. 数据生成时间是否足够新。
3. 公司基础信息是否正确。
4. 数据覆盖是否完整。
5. AI 分析是否存在上下文缺失。

如果 AI 输出了一个判断，用户可以回到这里检查它的事实输入。这对于金融场景尤其重要，因为投资分析不能只看结论，还要看结论建立在什么数据之上。

2.7 实时盯盘：让 AI 持续监控事件变化

实时盯盘模块展示了系统对盘中事件和股票状态的持续监控能力。

截图中，右侧 AI 决策结果列出了多只股票的当前判断。例如格力电器被标记为“继续观察”，风险等级较低，置信度约为 55%；神火股份则被标记为“启动辩论”，风险等级较高，置信度约为 82%。

每条盯盘结果都不是简单提示价格涨跌，而是包含触发原因和证据摘要。例如系统会关注：

1. 股东减持是否已经被市场消化。
2. 主力资金是否出现明显净流入或净流出。
3. 行业期货价格是否带来成本或利润扰动。
4. 是否有新增公告或新闻。
5. 股票是否已经偏离原有 PM 决策假设。

这说明实时盯盘模块不是被动行情展示，而是事件驱动的 AI 判断系统。

当系统发现某只股票出现新的重要变化时，可以提示用户继续观察，或者直接启动更完整的多智能体辩论流程。这样，AI 分析不再只发生在用户手动提问时，而是可以围绕市场变化主动触发。

2.8 模拟交易：把 AI 决策落到账户和持仓

从股票仓库中的“交易”和“下单”入口可以看出，天枢智投并不止步于生成研究报告，还连接了模拟交易系统。

这意味着 AI 决策可以进入后续执行链路。用户可以根据 PM 报告中的建议，在系统中执行模拟下单，形成订单、成交记录、账户变化和持仓数据。

模拟交易能力的重要性在于，它让投研结果有了后续验证对象。否则 AI 报告只停留在文本层，无法形成完整闭环。

结合项目设计，交易链路可以覆盖：

1. 账户资金。
2. 股票持仓。
3. 买入和卖出订单。
4. 成交记录。
5. 持仓成本。
6. 手续费。
7. A 股 T+1 规则。
8. FIFO 批次账本。
9. 止损和风险字段。

这为后续经验复盘提供了执行依据：系统不仅能复盘“当时 AI 怎么说”，还能复盘“当时是否真的执行、执行价格如何、持仓结果如何”。

2.9 经验复盘：让系统从历史判断中学习

经验复盘是天枢智投区别于普通 AI 投研工具的重要模块。

截图中，经验分析师页面显示系统可以选择已有 debate 结论进行复盘，并评估 PM 决策正确性。页面中展示了多个可复盘会话，例如紫金矿业、格力电器、交通银行等，每个会话都带有交易策略、交易周期、PM 结论和距离可复盘所需 K 线数量。

这说明系统不是分析完就结束，而是会等待市场走出后续价格路径，再回头检验当初的判断。

经验复盘主要回答几个问题：

1. 当初 PM 的买入、持有或卖出判断是否正确。
2. 当时支持决策的关键证据，后来是否被市场验证。
3. 当时忽略的风险，后来是否真的发生。
4. 多头和空头哪一方更接近真实结果。
5. 是否需要调整仓位纪律、止损规则或辩论流程。
6. 是否产生值得写入长期记忆的经验。

例如，如果某次 PM 决策认为应继续持有，但后续 20 日明显跑输指数，系统就可以复盘是估值判断错误、资金流信号被忽略，还是行业风险没有充分进入辩论。

这让 AI 系统具备了类似“投研复盘会”的能力。

2.10 经验库：沉淀可复用的投资记忆

经验库页面用于检索已经写入长期记忆的复盘经验。截图中可以看到，页面支持按股票代码、行业、策略、复盘周期、正确性、重要性、标签、关键词和日期区间进行筛选。

系统界面提示：经验正文和证据仍以 Memory 为准，这里展示的是用于筛选和跳转的轻量索引。

这说明经验库并不是简单保存报告文本，而是对复盘后的经验进行结构化索引。用户后续研究同一股票、同一行业或相似策略时，系统可以调用这些历史经验作为上下文。

例如：

1. 某类减持事件通常需要等待多少个交易日消化。
2. 某行业商品价格波动对股票影响是否滞后。
3. 某类技术信号在高估值区间是否容易失效。
4. 某种 PM 仓位建议在过去是否过于激进。
5. 某只股票历史上对资金流变化是否敏感。

长期来看，经验库让系统不再是每次从零开始分析，而是能够逐步积累自己的“投研记忆”。

2.11 AI 数据、审计、任务和前端体验的统一

从整体看，天枢智投的前端采用统一工作台结构。左侧导航包含投研工作台、股票仓库、实时盯盘、数据管理、智能选股、经验复盘、交易中心、收盘谋杀、API 历史和系统设置等模块。

这说明系统并不是多个孤立功能页面的拼接，而是围绕投研业务形成了完整工作台。

几个细节也体现了工程化程度：

1. AI 分析任务有状态，有开始和结束时间。
2. 决策报告可以分阶段查看。
3. 报告支持同步和导出。
4. 页面支持深色和浅色主题切换。
5. 支持中英文语言切换。
6. 数据源、刷新和设置入口独立管理。
7. 操作按钮直接连接到股票、数据、交易和 AI 分析流程。

这些设计让系统更接近可长期使用的投研平台，而不是一次性演示 Demo。

2.12 一个完整使用场景示例

以下以“研究格力电器是否值得继续持有”为例，说明系统如何串联各模块。

首先，用户在数据管理模块同步格力电器的基础信息、行情、财务、估值和技术指标。系统将这些数据写入数据库，形成后续 AI 分析的事实基础。

然后，用户在股票仓库中找到格力电器，点击同步数据或启动 AI 分析。系统创建一个新的 AI 分析会话，并进入后台任务流程。

接着，AI 工作流开始构建该股票的上下文，包括公司基础信息、实时行情、历史 K 线、财务摘要、估值情况、技术指标、资金流、新闻事件和风险信号。

随后，不同 Agent 分别完成分析：

1. 新闻分析师梳理近期公告、新闻和舆情变化。
2. 技术分析师判断趋势、均线和指标信号。
3. 基本面分析师关注盈利、估值和财务质量。
4. 资金流分析师观察主力资金、北向资金或相关资金变化。
5. 风控分析师识别减持、解禁、监管或财务风险。
6. 多头 Agent 构建继续持有或加仓理由。
7. 空头 Agent 提出卖出或减仓理由。
8. 事实仲裁 Agent 处理冲突证据。
9. PM Agent 输出最终决策。

最终，用户在决策审计报告中看到 HOLD、置信度、关键证据、最大反证和交易影响。如果 PM 认为需要调整仓位，用户可以进入模拟交易模块执行对应操作。

之后，实时盯盘模块继续观察格力电器是否出现新的触发事件。如果股东减持、资金流、公告或行业环境发生变化，系统可以提示继续观察或重新启动辩论。

等到 5 日、20 日或 60 日后，经验复盘模块会基于真实价格表现检查当初的 PM 判断是否正确，并提炼可复用经验。如果这次判断有明确教训，系统会写入长期记忆，供下一次分析调用。

这个流程体现了天枢智投的完整闭环：

数据同步 -> 股票仓库 -> AI 分析 -> 多智能体辩论 -> PM 决策 -> 模拟交易 -> 实时盯盘 -> 经验复盘 -> 长期记忆

2.13 小结

从截图可以看出，天枢智投已经具备完整的 AI 投研系统雏形。它不是单一的行情工具，也不是简单的大模型问答界面，而是把 A 股数据、Agent 工作流、结构化决策、模拟交易和经验复盘连接在一起。

系统的核心价值可以概括为三点：

1. 投研过程工程化：每一次 AI 分析都有任务、状态、阶段、报告和审计记录。
2. 投资决策多智能体化：不同 Agent 从不同角度分析，并通过辩论和事实仲裁降低单一视角偏差。
3. 系统能力可进化：通过经验复盘和长期记忆，将历史判断转化为后续分析可调用的经验。

因此，天枢智投更像是一个面向 A 股研究和模拟交易的 AI 投研操作系统，而不是传统意义上的股票软件。