推理在你机器上跑，仓位不出你硬盘：一个开源金融 AI Agent 的开发者手记 为什么散户用不上机构级的分析工具？我们试着用开源回答这个问题
摘要：这是一篇开发者手记。我们花了半年时间做了一个面向个人投资者的 AI 研究助手，8 月把它整个开源了（ Apache-2.0 ），9 月它入围了世界人工智能开源大赛（ GOAI 2026 ）总决赛。这篇文章想聊三件事：我们为什么认为「金融平权」首先是工具问题；一个自部署的金融 Agent 到底长什么样、有哪些取舍；以及它现在还有哪些没做好的地方。文中不涉及任何投资建议。
一、先说结论：散户和机构的差距，一半是工具
聊「金融平权」这个词之前，先说一个具体的场景。
一个券商研究员拿到一份财报，接下来会做什么？拉过去八个季度的数据做同比环比，找同行做 PE / PB / EV-EBITDA 对标，用 DCF 算一个估值区间再做敏感性分析，翻公告看有没有减持和解禁，最后写成一份格式固定的报告——这套流程在卖方叫「方法论」，每个新人入行都要被训练几个月。
一个普通投资者拿到同一份财报，大概率是看一眼营收和净利润，再去论坛翻别人的解读。
这中间的差距，很多人归结为「专业知识」。但我们做了几年金融数据之后觉得，知识差距其实没那么大——DCF 的公式一页纸就能写完。真正的差距是四层：
数据：机构用 Wind 、Bloomberg ，年费几万到几十万；散户用免费行情软件，很多字段根本看不到。 方法论：卖方那套流程是隐性知识，没写在任何一本教科书里。 工具：把数据和方法论串起来需要写代码，大多数人不会。 时间：就算前三样都有，一个人每天盯 20 只股票的公告也盯不过来。
大模型出现以后，第 2 、3 、4 层的门槛突然变得可以逾越。模型可以按一份写好的方法论去执行分析，可以自己调工具拉数据，可以 24 小时跑。剩下的问题是：谁来做这个工具，以及这个工具属于谁。
二、为什么一定要开源、一定要本地
市面上其实已经有不少「 AI 炒股助手」了，但几乎都是同一个形态：云端 SaaS ，你把自选和持仓上传，它给你结论。
我们最初也做的是这个形态，做了大半年，然后越做越不舒服。原因有三个：
第一，仓位是最私密的数据之一。 它比聊天记录更能说明一个人的财务状况、风险偏好、甚至判断力。让用户把它交给一家创业公司的服务器，我们自己作为用户都不愿意。
第二，云端 SaaS 的模型是锁死的。 服务商选了哪家大模型你就用哪家，换不了。而金融分析对模型的 tool calling 可靠性极其敏感——我们后来实测发现，同一套工具链下，不同模型的工具调用命中率从 5/7 到 7/7 不等，延迟差 4 倍。用户应该有权自己选。
第三，「 AI 说这只股票能买」这件事，从产品伦理到监管都是雷区。 一个封闭的 SaaS 很难让用户理解结论是怎么来的；一个开源的、方法论写成明文的工具，用户至少能打开看看它「是按什么逻辑分析的」，不同意就自己改。
所以 7 月我们做了决定：推翻云端版本，基于开源的 opencode （一个 AI 编程 Agent 框架）做一个金融垂直版，然后整个开源。三条原则写在项目首页上：
代码开源 · 模型自选 · 私有部署
用一句更直白的话说：我们不托管你的仓位，我们只运行在你的电脑上。
项目叫 HunterCode ，开源仓库名是 hunter-community ，8 月上线，Apache-2.0 协议。
三、它到底是什么
一句话：一个跑在你自己机器上的金融 AI 研究团队。docker compose up 起来之后，你在浏览器里得到一个对话界面，可以：
问「 601899 现在多少钱」——返回实时报价、52 周分位和一段 AI 短评（富卡片形式，不是一坨文字） 问「用 DCF 给某公司估个值」——它会调用 uzi_dcf 这个 SKILL ，拉财报数据、算 WACC 、出敏感性表 说「帮我看看这只票有没有杀猪盘特征」——调用 uzi_scan_trap ，检查异常拉升、减持时点、推票热度 输入一个代码点「深度分析」——60 到 300 秒后出一份 22 个维度的报告 说「预测茅台走势」——调用清华大学开源的 Kronos 金融时序模型，给出未来 10 天的 K 线预测
覆盖 A 股、港股、美股三个市场，32 个数据源，内置 23 个分析 SKILL 。
关键设计：SKILL 就是一段 Markdown
这是整个项目最想讲的一个设计。
上面提到的「卖方方法论」，我们把它拆成了 23 份 Markdown 文档，采用 Anthropic 的 Agent Skills 标准格式。每份文档就是一段人话：这类问题该分几步分析、先看什么后看什么、哪些信号要警惕。模型读了文档，按文档执行。
比如 uzi_earnings （财报解读）的核心逻辑大概是：先做 beat / miss 检测，再拆 EPS 的驱动因素是量还是价，最后给管理层指引的可信度打分。这是从卖方研究员的工作流里抽出来的，写成了两三百行 Markdown 。
这个设计带来几个我们很喜欢的结果：
方法论是明文的。你不同意某个 SKILL 的分析逻辑，打开文件改一行就行，重启容器生效。 加新方法论不需要写代码。你有自己一套看 K 线突破的方法？新建一个文件夹，写一份 SKILL.md ，它就成了你的工具。 可以直接用别人的。侧栏有个「＋」，粘一个 GitHub 地址就能装 SKILL ，装之前可以先看内容。网上按同一标准写的 skill 一个字不用改。
这也是我们理解的「平权」最具体的形式：方法论不再是机构的隐性知识，而是一份可以 fork 的文档。
另一个关键设计：模型你自己选
.env 里改三行就能换模型。我们用 7 个 golden case 实测过各家的工具调用可靠性，数据全部公开在仓库的 docs/model-testing/ 目录下。简单说：
国内直连首选 DeepSeek （便宜到单次不到一分钱，但要开一个 schema 清洗开关） 走网关的话 Claude Sonnet 和 Qwen Max 是两个 7/7 全命中的 一些 thinking 类模型会把内部推理泄漏到输出里，我们写了一层 shim 去剥离，11 个跨 chunk 边界的单元测试
这些评测数据本身可能比工具更有价值——如果你在做任何 Agent 项目，选模型之前可以先看看。
四、一个必须坦白的取舍：两把 key
项目需要两把 key 。第一把是你自己的大模型 key ，这很好理解。第二把是我们签发的平台 key （免费申请），用来解锁数据源和 SKILL 背后的数据管道。
有人会问：不是说完全本地吗？为什么还要你们的 key ？
坦白说这是一个取舍。实时行情、财报、龙虎榜、北向资金这些数据的采集和清洗，需要一套持续维护的管道，这套管道跑在我们服务器上，不可能塞进每个人的 Docker 里。所以模型推理、对话、SKILL 执行、你的自选和持仓全部在本地；数据源那一层走我们的网关。
我们做了两件事来减少这种「半本地」的不适感：
不填 key 也能用。把数据源切到 AKShare （ A 股）或 yfinance （美股港股），完全免费不依赖我们，只是覆盖面和质量差一些，而且 AKShare 在容器里连境内数据源经常不稳定。 不藏功能。所有需要 key 的工具在界面上照常显示，点下去会告诉你怎么解锁，而不是假装功能不存在或者数据源坏了。
我们也留了口子：接自己的 MCP 数据源不需要任何平台 key 。如果你有券商 API 或者自己的数据库，可以直接并进工具箱。
五、部署实录
写这篇文章的时候我在一台 M2 MacBook Air 上重新走了一遍流程。
前置条件：Docker Desktop ，20 GB 磁盘（ opencode 镜像约 7.5 GB ，这是目前最大的槽点），4 GB 内存，一个 DeepSeek key （注册送 500 万 tokens ）。
bash git clone https://github.com/agentpit-io/hunter-community cd hunter-community cp .env.example .env echo "JWT_SECRET=$(openssl rand -base64 48)" >> .env
手改 .env：LLM_BASE_URL / LLM_DEFAULT_MODEL / LLM_API_KEY / LLM_SCHEMA_SANITIZE=1
docker compose up -d open http://localhost:3100
首次拉镜像约 10 分钟，之后启动 30 秒。6 个服务（ web / api / opencode / llm-shim / Postgres / Redis ）全部 healthy 后打开页面即可。
第一次测试建议问「 601899 现在多少钱」，看到富卡片就说明链路通了。
Windows 用户注意：早期版本有 CRLF 破坏 entrypoint 脚本的 bug ，v0.1.1 之后已修，README 里有 PowerShell 版命令。
六、还没做好的地方
Matrix 的读者大概不喜欢只听好话，所以这一节写得直接一点。 首次启动的 Web 向导在开发中。 AKShare 在容器内不稳定。这是上游问题，但受影响的是选择「完全不依赖我们」的用户，恰恰是最认同项目理念的那批人。 Kronos 预测的准确性。它是一个时序模型，预测的是「按历史模式接下来可能怎么走」，不是对未来的断言。我们在界面上标了置信度，但仍然担心有人把它当作信号直接用。 社区还很小。仓库 fork 数目前几乎为零，说明看的人多、真正跑起来的人少。这篇文章也是想找到愿意跑起来、然后告诉我们哪里不对的人。 七、关于总决赛
9 月初收到通知，项目从 2,999 件参赛作品中入围了世界人工智能开源大赛（ GOAI 2026 ）无界应用赛道总决赛 TOP 15 ，9 月 22–23 日在杭州云谷答辩。
我们准备的答辩主线就是三个词：开源、平权、生态。开源解决「工具属于谁」，平权解决「方法论属于谁」，生态解决「一个团队做不完，需要每个有自己方法的人把它写成 SKILL 」。
结果如何不重要。对我们来说，能在一个开源比赛的决赛里讲「金融工具应该跑在用户自己机器上」这件事，本身就值了。
八、如果你想参与 仓库：github.com/agentpit-io/hunter-community 在线演示（不想本地部署可以先看看）：hunter-community.agentpit.io 文档：仓库 docs/ 目录 最简单的贡献：写一个 SKILL 。你有任何一套自己的分析方法，写成 Markdown 提个 PR ，全球用户下次 pull 就能用 遇到部署问题：开 issue ，我们承诺部署类问题 24 小时内回复
最后重申一句：这是一个研究工具，不是投资建议，也不接任何交易执行。它做的事情只有一件——把机构用的那套分析流程，变成一份你可以打开、修改、运行在自己电脑上的文档。
Select Language