LangAlpha 2.0 正式上线：开源金融 Agent ，从投资研究到 Agentic Trading
大家好，我们做的 LangAlpha 2.0 上线了，想和社区分享一下。
LangAlpha 是一个面向金融市场的 Agent 产品。用自然语言提出投资想法，Agent 就能协作完成资料搜索、数据分析、报告生成和交易计划，并通过连接的券商账户执行交易。
例如：“研究半导体行业有哪些趋势已经确认的投资机会，结合财报、估值和价格走势进行比较，生成报告，并持续跟踪重要变化。”
已经有 Claude Code 、Codex ，为什么还要做 LangAlpha ？
我们关注的是金融场景的 Harness：围绕模型建立数据、工具、记忆、任务编排和执行控制。同一个模型、同一个 Skill ，实际效果也取决于能拿到什么数据、如何计算、怎样验证，以及研究过程能否持续积累。
LangAlpha 的技术设计主要围绕这几个方面：
- PTC：用代码处理金融数据。 Agent 通过 Python 调用 MCP 工具，在沙箱中完成数据清洗、指标计算和分析，再把必要结果交回模型。大量行情、财务表格保留在文件和计算环境中，减少对上下文的占用，也方便检查计算过程。
- 多 Agent 并行，过程中可以介入。 基于 LangGraph 编排任务，子 Agent 使用独立上下文，分别处理搜索、数据准备、分析和报告。用户可以在运行中补充条件、修正研究方向。
- Workspace：让研究可以接着做。 数据、图表、报告和研究笔记持续保留，通过
agent.md与 Skills 积累上下文和方法。结合 Checkpoint 、后台任务及 Redis/SSE 事件回放，支持长任务的状态保存和断线后进度恢复。 - 可追溯、可交付。 保留研究来源，输出 PDF 、Excel 、PPT 和交互式看板；支持图表分析、定时任务和价格触发，把一次研究延伸为持续跟踪。
- 从研究走向受控交易。 已支持连接 Robinhood 等券商，将研究进一步转化为交易操作。连接权限、订单审批和执行校验由宿主系统控制，券商凭据与 Agent 的代码执行环境分离。
- 开放扩展与部署。 支持多种模型、自带 API Key 、Skills 和 MCP 插件。整体采用 React 、FastAPI 、LangGraph 、PostgreSQL 、Redis 与沙箱执行架构，可自行部署、接入自己的数据和工具。
适合谁使用？
有持续研究需求的个人投资者、投研人员和小型团队，以及希望搭建金融 Agent 工作流的开发者。
研究分析覆盖美股、港股、A 股、日本、韩国、德国、印度等市场，也包括 Crypto 、黄金和其他大宗商品。具体数据覆盖与时效取决于数据源，交易执行范围取决于券商和账户权限。
官网：langalpha.ai
开源项目：github.com/ginlix-ai/LangAlpha
欢迎试用、提 Issue ，也欢迎直接看代码。尤其想和大家交流金融 Agent 的数据可信度、上下文管理、多 Agent 协作，以及交易执行的权限设计。
Select Language