金融分析师
金融分析师 是 AI Skill Hub 本期精选Agent工作流之一。综合评分 8.0 分，整体质量较高。我们强烈推荐将其纳入你的 AI 工具库，帮助提升工作效率。
📚 深度解析
金融分析师 工作流的设计遵循"最小配置，最大复用"原则：核心逻辑已经封装好，用户只需配置自己的 API Key 和业务参数即可快速上手。工作流内置错误处理和重试机制，在网络波动或 API 限速等情况下仍能稳定运行，适合作为生产环境的自动化基础设施。
在实际部署时，建议先在测试环境中运行 3-5 次，验证各个环节的输出结果符合预期，再部署到生产环境。AI Skill Hub 评分 8.0 分，是同类 Agent 工作流中的精选推荐。
📋 工具概览
金融分析师 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
📖 中文文档
金融分析师 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
# 方式一：pip 安装（推荐）
pip install financial-analyst
# 方式二：虚拟环境安装（推荐生产环境）
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install financial-analyst
# 方式三：从源码安装（获取最新功能）
git clone https://github.com/jesson-hh/financial-analyst
cd financial-analyst
pip install -e .
# 验证安装
python -c "import financial_analyst; print('安装成功')"
- 访问 GitHub 仓库获取工作流文件
- 在对应平台（Dify / Flowise / Make 等）中找到「导入工作流」功能
- 上传工作流文件
- 按照提示配置必要的环境变量和 API Key
- 运行测试确认流程正常后投入使用
# 命令行使用
financial-analyst --help
# 基本用法
financial-analyst input_file -o output_file
# Python 代码中调用
import financial_analyst
# 示例
result = financial_analyst.process("input")
print(result)
# financial-analyst 配置文件示例（config.yml） app: name: "financial-analyst" debug: false log_level: "INFO" # 运行时指定配置文件 financial-analyst --config config.yml # 或通过环境变量配置 export FINANCIAL_ANALYST_API_KEY="your-key" export FINANCIAL_ANALYST_OUTPUT_DIR="./output"
简介
<p align="center"> <img src="docs/brand/hero.png" alt="觀瀾 · Financial Analyst — A 股 AI 智能投研工作台" width="900"> </p>
<p align="center"> <h1 align="center">觀瀾 · Financial Analyst</h1> </p>
<p align="center"> <strong>A 股「研究 → 交易」一体化研究工作台 —— 由一个 agent 总控</strong> </p>
<p align="center"> <em>对话研报 · 产业链看板 · 因子选股 · 工作流 · 经验卡 · 席位落子 —— 七个研究模块在同一个本地档案库里流转成闭环,<br>「帷幄」agent 在其上一句话总控;底层一套 vendored <code>financial_analyst</code> 引擎(24 智能体 / 440+ alpha 因子 / 4 信任层级)供给真数据。</em> </p>
<p align="center"> <img src="https://img.shields.io/badge/license-Apache_2.0-yellow?style=flat" alt="License"> <img src="https://img.shields.io/badge/python-3.13-blue?style=flat&logo=python&logoColor=white" alt="Python"> <img src="https://img.shields.io/badge/frontend-no--build_React_18-61DAFB?style=flat&logo=react&logoColor=white" alt="Frontend"> <br> <img src="https://img.shields.io/badge/agents-24-7C3AED?style=flat" alt="Agents"> <img src="https://img.shields.io/badge/alpha_factors-440%2B-FF6B6B?style=flat" alt="Alphas"> <img src="https://img.shields.io/badge/screen_factors-113_IC--tested-E4572E?style=flat" alt="Screen factors"> <img src="https://img.shields.io/badge/agent_tools-69-0F766E?style=flat" alt="Agent tools"> <img src="https://img.shields.io/badge/mcp_tools-48%2B20-FF6B35?style=flat" alt="MCP"> <img src="https://img.shields.io/badge/modules-8-2563EB?style=flat" alt="Modules"> </p>
<p align="center"> <a href="#-是什么">是什么</a> · <a href="#-凭什么值得一看">亮点</a> · <a href="#-界面--走一圈">界面截图</a> · <a href="#-研究闭环--八模块">八模块</a> · <a href="#-快速开始">快速开始</a> · <a href="#-架构三层">架构</a> · <a href="#-设计红线">设计红线</a> </p>
⚠️ 个人研究工作台,非开箱即用的产品。运行需要一份本地 A 股数据(日线 / 新闻 / 因子),默认指向作者机器上的数据目录,需经config/loaders.yaml或环境变量改指到你自己的数据。引擎已 vendored 进仓库engine/,自包含;仅数据外部、且不随仓库分发。
---
⚡ 快速开始
```bash
数据目录:改 config/loaders.yaml 或设环境变量,指向你自己的 A 股数据(日线 / 新闻);
🔄 研究闭环 · 八模块
研报/看板(research) → 炼因子(factor) → 验证成经验卡(card) → 装配成席位(seat) → 落子/复盘(decision)
↑ │
└───────────────────────── 复盘回灌:提炼新经验卡 ←────────────────────────┘
「帷幄」agent 在整条链路上方总控(对话即操作)| 模块 | 路径 | 职责 |
|---|---|---|
| 🎛 帷幄 | ui/console/ | agent 总控台:对话即操作,44 专属工具 + 25 引擎研究工具,自主研究回路 |
| 💬 对话 · 研报 | ui/chat/ | 流式研究助手:多步工具链 + 深度研报,证据角标可溯源,可导出 md |
| 🗺 AI投研 | ui/industry/ | AI 产业链看板:河图 / 全球坐标双视图,研报 LLM 批量抽取喂养 |
| 🔎 选股 | ui/screen/ | 113 因子(实测 IC)+ v4/DL 融合排序 + 约束筛选,票池分层评级 |
| 🧪 因子 · 工作流 | ui/factor/ | 节点画布:数据源 / 特征工程 / ML(XGB·LGBM·SVM·RF·MLP·LSTM)/ IC / 向量化回测 |
| 🃏 经验卡 | ui/cards/ | 文本经验 → LLM 精炼 → DSL 因子 → 单因子回测验证 → 沉淀方法论 |
| ♟ 席位 · 落子 | ui/seats/ | 校场装配策略 + 跨标回测;盯盘逐 bar 推演 + 条件单 + agent 研判 |
| 🕸 研究图谱 | ui/graph/ | 共享档案库总览 + 溯源链,跨模块 GL.handoff 带上下文跳转 |
物料带 refs 互相引用构成研究闭环的图。后端自有因子库 guanlan_v2/factorlib/:价量 + 财务 + TA 指标族(MACD / RSI / KDJ / BOLL / WR,用引擎 sma=EMA 等算子重建,经 /factor/report 实测后注册进引擎 zoo)。
---
高质量的开源AI工作流，股票分析功能强大
- 需要让 Claude / Cursor 操作本地工具的 AI 工程师
- 构建多智能体协作系统的 Agent 开发者
- 配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
- Python 依赖冲突：建议用 venv / uv 隔离环境
- CLI：直接 npm install -g / pip install，命令行调用
- 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
⚡ 核心功能
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
- 需要让 Claude / Cursor 操作本地工具的 AI 工程师
- 构建多智能体协作系统的 Agent 开发者
- 配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
- Python 依赖冲突：建议用 venv / uv 隔离环境
👥 适合人群
🎯 使用场景
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
⚖️ 优点与不足
- +大幅减少重复性人工操作
- +可视化流程，清晰直观
- +可扩展性强，支持复杂场景
- −初始配置和调试需投入一定时间
- −强依赖外部服务的稳定性
- −复杂场景需具备一定技术基础
该工具使用 NOASSERTION 协议，商用场景请仔细阅读协议条款，必要时咨询法律意见。
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
📄 NOASSERTION — 请查阅原始协议条款了解具体使用限制。
🔗 相关工具推荐
❓ 常见问题 FAQ
经综合评估，金融分析师 在Agent工作流赛道中表现稳健，质量优秀。如果你已有明确的使用需求，可以直接上手体验；如果还在评估阶段，建议对比同类工具后再做决策。
| 原始名称 | financial-analyst |
| 原始描述 | 开源AI工作流：觀瀾 · A-share research workstation with 24 AI sub-agents — one command, deep-dive。⭐18 · Python |
| Topics | 股票分析AIPython |
| GitHub | https://github.com/jesson-hh/financial-analyst |
| License | NOASSERTION |
| 语言 | Python |
收录时间：2026-05-28 · 更新时间：2026-05-30 · License：NOASSERTION · AI Skill Hub 不对第三方内容的准确性作法律背书。