能力标签
个人理财助手
⚙️
Agent工作流

个人理财助手

基于 Python · 无代码搭建完整 AI 自动化流程
英文名:licai
⭐ 15 Stars 🍴 2 Forks 💻 Python 📄 AGPL-3.0 🏷 AI 8.0分
8.0AI 综合评分
ai股票基金理财机器人
✦ AI Skill Hub 推荐

经 AI Skill Hub 精选评估,个人理财助手 获评「强烈推荐」。这款Agent工作流在功能完整性、社区活跃度和易用性方面表现出色,AI 评分 8.0 分,适合有一定技术背景的用户使用。

📚 深度解析

个人理财助手 是一套完整的 AI Agent 自动化工作流方案。随着 AI 能力的不断提升,基于 Agent 的自动化工作流正在成为提升个人和团队效率的核心方式。区别于传统的 RPA 自动化(模拟鼠标键盘操作),AI Agent 工作流通过理解任务意图、动态规划执行路径,能够处理更复杂的非结构化任务。

个人理财助手 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

个人理财助手 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。

GitHub Stars
⭐ 15
开发语言
Python
支持平台
Windows / macOS / Linux
维护状态
轻量级项目,按需更新
开源协议
AGPL-3.0
AI 综合评分
8.0 分
工具类型
Agent工作流
Forks
2

📖 中文文档

以下内容由 AI Skill Hub 根据项目信息自动整理,如需查看完整原始文档请访问底部「原始来源」。

个人理财助手 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。

📌 核心特色
  • 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
🎯 主要使用场景
  • 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
以下安装命令基于项目开发语言和类型自动生成,实际以官方 README 为准。
安装命令
# 方式一:pip 安装(推荐)
pip install licai

# 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 licai

# 方式三:从源码安装(获取最新功能)
git clone https://github.com/SnowWarri0r/licai
cd licai
pip install -e .

# 验证安装
python -c "import licai; print('安装成功')"
📋 安装步骤说明
  1. 访问 GitHub 仓库获取工作流文件
  2. 在对应平台(Dify / Flowise / Make 等)中找到「导入工作流」功能
  3. 上传工作流文件
  4. 按照提示配置必要的环境变量和 API Key
  5. 运行测试确认流程正常后投入使用
以下用法示例由 AI Skill Hub 整理,涵盖最常见的使用场景。
常用命令 / 代码示例
# 命令行使用
licai --help

# 基本用法
licai input_file -o output_file

# Python 代码中调用
import licai

# 示例
result = licai.process("input")
print(result)
以下配置示例基于典型使用场景生成,具体参数请参照官方文档调整。
配置示例
# licai 配置文件示例(config.yml)
app:
  name: "licai"
  debug: false
  log_level: "INFO"

# 运行时指定配置文件
licai --config config.yml

# 或通过环境变量配置
export LICAI_API_KEY="your-key"
export LICAI_OUTPUT_DIR="./output"
📑 README 深度解析 真实文档 完整度 56/100 查看 GitHub 原文 →
以下内容由系统直接从 GitHub README 解析整理,保留代码块、表格与列表结构。

简介

<img src="docs/logo.svg" width="112" alt="理财助手 licai">

核心能力

起服务(Docker,详见该仓库 README)

快速启动

```bash git clone https://github.com/SnowWarri0r/licai cd licai

启动

python run.py

演示模式(不录数据先看效果)

```bash python scripts/seed_demo.py --use # 备份你的 DB + 写入演示数据 (4 只 A股 + 11 笔外部资产)

重启服务器, 看演示效果

python scripts/seed_demo.py --restore # 看完恢复真实 DB ```

也可以 --peek 只生成 portfolio.demo.db 不动当前 DB。

复制配置模板

cp config.example.py config.py

或改 config.py 里的 tdx_base_url = "http://localhost:8080"


启动日志出现 `TDX 数据源已启用: <地址>` 即接通。**不配也能用**——详情页会收敛成只有「日」一个页签,实时行情、日线、看板与榜单都不依赖它。

<h3 id="zsxq">可选:知识星球(只读观点面)</h3>

现有情绪面全是指标(涨停/炸板/赚钱效应/连板高度),缺**文本面**——盘该怎么定性、社群在讲什么逻辑。接上之后 agent 多三个只读工具(`get_zsxq_digest` 读最近主题 / `search_zsxq` 按关键词搜 / `read_zsxq_file` 读附件正文),走知识星球官方 MCP 端点。
设置 → 知识星球 → 填入官方 MCP 端点 URL(带 api_key)→ 读取我的星球 → 勾选 → 保存 ```

不用装 npm 包、不依赖系统 Keychain,填个 URL 就能跑;services/mcp_http.py 是个一百来行的极简 MCP streamable-HTTP 客户端(只实现 tools/list + tools/call,不引 SDK)。

五条约束(默认全关,不勾星球等于没这功能):

  • 只读白名单 — 远端 21 个工具里有 create_topic / create_topic_comment / set_topic_digested / set_topic_tags / create_note 这些写口,白名单(_READ_TOOLS)只放行取数的 10 个;万能口 call_zsxq_api 仅在「GET + 取文件直链」这一条组合下放行(见下方附件那条),其余一律拒且不发请求(有测试盯着)
  • 可按星主收窄scope=by_owner 每个星球单独开关,默认不开:实测有的星球发帖人不算「星主/合伙人」,一开就筛成空(只剩几个月前的附件帖),所以默认全量、内容太杂再收
  • 原文不落库 — 只在内存里过一遍送进模型,落 SQLite 的只该是提炼后的结论;不做成付费内容的本地镜像
  • 附件按需读、不批量爬 — 帖子里的研报/会议记录(docx·pdf)可按 file_id 单份取正文(read_zsxq_file),字节只过内存不落盘、有大小上限、扫描件取不到文字会如实说明。取直链要走远端那个万能 call_zsxq_api,所以额外钉死成只允许 GET + 只允许「取文件直链」这一条 path(有测试覆盖 POST / 其他 path / 路径穿越都被拒)。平台对每个附件按次计数,所以只做按需单取,不做遍历下载
  • 单独一档可信度 — 返回带 stance=opinion,回答里按 [星球观点] 标注并带作者日期;数字与结论一律以 [实测]/[联网] 为准,原文里的操作倾向只当「有人这么说」的舆情记录

api_key 拼在 URL 里,所以:存本机数据库(不进 config.py)、界面只回显 host/path、启动日志也只打脱敏值、只收 https。没接入时这三个工具不塞给模型(43 → 46 动态过滤),免得模型去调然后拿一串 error。

内容版权与平台条款属于你和知识星球之间的事:请用自己的账号、遵守所在星球的规则,本项目只提供只读通道。

🔍 问问市场 · 市场 AI 问答(独立页)

一个挂了 43 个数据工具(接知识星球后 46)的问答 agent,自由问个股涨跌 / 市场风格 / 资金主线 / 产业链 / 自己的成交,它自己决定调哪些工具取数据(并行调用),再客观解读——只给客观信息,不给任何买卖建议。流式打字机展示每一步在调什么工具,支持多轮追问("它明天呢"会顺着上文标的继续)。

工具覆盖七个维度

维度能问到什么
行情 / 走势实时报价(含涨停/跌停/炸板/封板判断)+ 近 N 日**裸K量价**与结构形态扫描
资金面主力资金流、龙虎榜席位明细、席位追踪、机构动向、打板情绪、板块动量矩阵
业绩面最新报告期业绩预告看板(预喜/预警 + 与你持仓的关联)
基本面 / 公司画像营收净利 ROE PE/PB(A/港/美)+ 主营与实控背景 + **客观红线清单**
消息面个股新闻、结构化公告、宏观快讯、联网搜索 + **read_url 读网页全文**
我的持仓成交流水、综合成本、已实现盈亏、持有天数、做T识别、买入逻辑复盘
产业链全景问「X 产业链上游到下游」→ 联网拿各环节代表公司 → 批量量价一览表

<details> <summary><b>行情 / 走势</b>:裸K量价具体给哪些字段</summary>

  • 每日开 / 收 / 高 / 低位置 + 量比
  • 单根 K 线形态:光头光脚阳 / 长上影十字…
  • 结构形态扫描:头肩顶底 / 双顶 / 收敛三角 / 跳空缺口 / 量价背离 / 2B 假突破·假破位
  • 多周期摘要:5d/20d/60d 涨幅、距 20 日高、均线排列

</details>

<details> <summary><b>资金面</b>:能回答哪几类具体问题</summary>

工具回答的问题
主力资金流超大 / 大 / 中 / 小单净额 + 近几日趋势
龙虎榜席位明细「那天谁在买谁在砸」——营业部名称 / 金额 / 占成交比 + 席位画像(机构 / 北向 / 知名名号 / 量化通道)
席位追踪「大佬说 XX 进场了帮我看看」「这个席位胜率如何」——传名号或营业部名,出近 90 天上榜明细 + 净买后 1/5 日红盘率
机构席位动向「机构接在山顶还是跑对了」——近 30 天净买/净卖榜 + 距上榜日至今涨跌
打板情绪涨停 / 连板 / 炸板 + 全市场涨跌家数(含沪深北分市场)+ **涨跌分布直方图**(每 1% 一档,看下跌集中在哪个深度)
板块动量矩阵带量价配合判**真上升趋势 vs 虚涨**,趋势窗口 5/10/20 可调
其他同行横向对比、筹码面(十大流通股东 + 北向增减 + 解禁抛压)、热门概念榜、资金人气榜

</details>

<details> <summary><b>其余四个维度</b>的细项</summary>

  • 业绩面 — 个股问答时自动带业绩预告凭据
  • 基本面 / 公司画像公司画像:主营业务 + 细分行业 + 主营构成 + 控股/实控背景(判国资 / 央企 / 中科院系 / 民营);客观红线清单:监管处罚 / 退市 / 业绩预亏 / 商誉减值 / 问询 / 减持 / 解禁抛压扫描
  • 消息面 — 宏观快讯合了东财 + 财联社 + 同花顺 + 金十;read_url 把搜到的研报原文读全再下结论,免 key。A/港股走东财,美股换 Yahoo(东财的美股关键词搜索会返回几天前的旧稿,异动归因看的就是时点)
  • 美股也有一手材料 — 公告走 SEC EDGAR,按 8-K 的 Item 编号说清是哪类事(1.01 重大协议 / 3.02 增发…),而不是只报个表单号;同业对比走 Yahoo 的相关标的
  • 我的持仓 — 覆盖个股 + 场内 ETF + 场外基金(份额拆分自动折算),可按日期区间筛;含全资产配置问答(现金/理财框架 + 现状分析)与ETF 题材透视(问「我的 ETF 挂没挂羊头」直接出逐股贴题)
  • 产业链全景 — 一览表列 环节 / 标的 / 角色 / 均线 / 5d / 60d / 距20高 / 量能,一眼看清整条链强弱分布

</details>

产业链量价一览

几条贯穿的"读盘原则"(来自实战反馈,固化进 agent):

  • 裸K量价为主轴,资金流只作线索 — 当下拆单 + 多子账户操作让"超大单=主力"的分档失真,所以以价格行为 + 量能为准,资金净流入只当参考,背离时点明
  • 可信度分级 + 可溯源 — 关键数字标 [实测](本地工具)/ [联网](搜到的,带来源时间)/ [待核实](仅记忆);接了知识星球则多一档 [星球观点](社群里某个人的看法,不作为数字依据)。联网结论正文带可点角标,点击直跳原文核实,底部列完整来源
  • 分清"正在发生"和"背景脉络" — 几个月前的旧政策不冒充"这两天在炒",行情数据周末锚定到最近交易日(不说成"今日")
  • 美股分时段说清楚 — 盘前/盘后的价格与正股时段的收盘价是两个时点,答案里分开写("收盘 216.00 −7.8%,盘前 240.56 +11.4%"),不混成一个涨跌
  • 严格不输出操作建议 — 描述"市场在奖励动量"可以,绝不说"所以你该追";方向性进出永远留给你自己定

AI 来源角标 + 可信度分级

<details id="ask-run"> <summary><b>切走了那一轮还在不在</b>:跑在服务端,不挂在这个页面上</summary>

问一句要跑十几秒到一分钟(agent 要串好几轮工具)。这段时间里切到别的页、关掉抽屉、刷新、甚至关掉页面——那一轮都照跑,答完自己落库,回来接着看,没回来也能在历史里翻到。

原来不是这样,而且是两层原因叠在一起(只改一层现象还在):

  • 执行权在浏览器:切页 → 组件卸载 → abort() → 客户端断开 → 服务端的响应任务被取消,agent 在下一个 yield 处就地死掉。拿最小探针实测过:客户端一走,生成器当场 CANCELLED
  • 落库在最后一步:会话是"存第一条消息"时才建的,而前端要等完整答案才存。一轮没答完就一行都不写——所以历史里连"我问过什么"都没有

现在开跑就建会话并把问题写进去(历史里立刻看得到),agent 在独立任务里跑到底,事件按序进缓冲,前端拿游标拉、断了照游标续拉。前端断开只是"不看了"。

  • 走开不杀,所以给了明确的「停」;「新对话」只是不看了,它会自己跑完进历史
  • 过程也落盘ask_run 表,答案照旧进 ask_message):服务重启(改代码 / 掉电)那一轮确实会死——asyncio 任务不可能跨进程活下来——但它跑到哪一步还在。启动时把上一进程留下的 running 全标成 interrupted不自动重跑(重跑要再烧一遍 token,该不该跑由人决定);再去跟看那一轮,会重放已经跑出来的步骤,末尾明说「跑到一半服务重启了,没跑完」再收尾,不让界面一直转
  • 事件落盘按 0.5s 合并窗口写(每条都写就是一轮几十次开关连接),收尾必写
kill -9 实测过:被杀时盘上是 running + 已落的事件;重启日志打出「上次没跑完的 agent 轮次 1 条, 已标记为中断」;再跟看那一轮,拿到已跑出的步骤 + 中断说明 + done。

</details>

<details> <summary><b>答错了怎么不再错第二遍</b>:回归评测集 + 纠正沉淀 + 缺口台账</summary>

prompt 里已经堆了几十条读盘原则,靠"再加一句嘱咐"来修 bug 的边际收益越来越低,而且改动无法验证——所以做了四件配套的事,全部离线、不影响正常问答:

机制做什么
**回归评测集**每个用例来自一次真实答错:现取行情算出**硬断言**(比如"当前是跌,所以答案里不能出现'现在涨'"),再判 agent 的回答过不过。python -m evals.run 跑全量(默认对着演示库,不碰真账本),--list 看用例清单
**运行时自检**答案成型后先过一遍确定性检查(美股时段标注 / 用了旧新闻却没联网 / 指数编出成交额 / 出现买卖指令 / 漏出 HTML 标签),命中就把问题回灌给模型重答一轮。与评测集共用同一份判据
**纠正沉淀成规则**从历史对话里挖"用户在纠正我"的三元组(问题 → 回答 → 纠正),起草成候选规则进待审队列。**每周一自动挖一次**(一次最多起草 3 条),在**设置页 → AI 读盘规则**里逐条批准/否决,也可 python scripts/rules.py。**批准了才进 prompt**,待审的一条都不生效
**工具缺口台账**工具返回报错 / 空 / 过期(按交易日算,不按日历天)/ 关键字段全 0 时记一笔,python scripts/tool_gaps.py 看排行——"哪个市场缺哪类数据"有账可查,而不是等下次答错

闸门是刻意的:prompt 对单个词都敏感(曾因词表里缺"主题/标题"两个词让模型吞掉整句首句),自动往里加规则最容易造成规则互撞。所以只自动提案,不自动生效;否决的也留着,下次挖掘不会把它原样再提一遍。

两个踩出来的细节:

  • 失败的答案当场落盘logs/eval-fail-<用例>.txt),断言消息带上命中处的原文。因为一条用例跑一次要十万 token 且答案不稳定——实测同一条"一次挂一次过",靠回头重跑分不清是真答错还是断言写歪了
  • 断言别用裸子串。「涨跌」里含「跌」、「公司在未上市阶段」里含「未上市」,两次误报都是这么来的

</details>

4. 配置建议(AllocationAdvisor)

3 套预设模板(保守 / 平衡 / 激进),显示当前 vs 目标配比 + 该加多少 / 该减多少:

模板现金理财A股基金加密
保守15%50%12%23%0%
平衡8%30%28%29%5%
激进5%12%38%35%10%
🎯 aiskill88 AI 点评 A 级 2026-06-28

高质量的开源AI工作流,提供多种理财功能

📚 实用指南(长尾问题)
适合谁
  • 构建多智能体协作系统的 Agent 开发者
  • 需要从图片、PDF 提取文字的文档自动化场景
  • 跨境业务、多语言内容运营团队
最佳实践
  • Agent 任务先做 dry-run 验证工具调用链,再开启自主执行
常见错误
  • API key 直接提交到 git 仓库(请用 .env 并加入 .gitignore)
  • Python 依赖冲突:建议用 venv / uv 隔离环境
部署方案
  • 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
相关搜索
licai 中文教程licai 安装报错怎么办licai Agent 工作流licai 与同类工具对比licai 最佳实践licai 适合谁用

⚡ 核心功能

👥 适合谁
  • 构建多智能体协作系统的 Agent 开发者
  • 需要从图片、PDF 提取文字的文档自动化场景
  • 跨境业务、多语言内容运营团队
⭐ 最佳实践
  • Agent 任务先做 dry-run 验证工具调用链,再开启自主执行
⚠️ 常见错误
  • API key 直接提交到 git 仓库(请用 .env 并加入 .gitignore)
  • Python 依赖冲突:建议用 venv / uv 隔离环境

👥 适合人群

自动化工程师和运维人员项目经理和业务分析师希望减少重复性工作的专业人士数字化转型团队

🎯 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

✅ 优点
  • +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
⚠️ 不足
  • 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
⚠️ 使用须知

该工具使用 AGPL-3.0 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。

📄 License 说明

⚠️ AGPL 3.0 — 最严格的 Copyleft,网络服务端使用也需开源,SaaS 使用受限。

🔗 相关工具推荐

📚 相关教程推荐
📰 相关 AI 新闻
🍿 AI 圈相关吃瓜
🗺️ 相关解决方案
🧩 你可能还需要
基于当前 Skill 的能力图谱,自动补全的工具组合

❓ 常见问题 FAQ

licai 是一款Python开发的AI辅助工具。开源AI工作流:本地化个人理财助手 — A股/基金/理财/现金/数字资产/机器人全资产看板 + 市场AI问答 + 个股K线盘口详情 + 板块对比 + 早盘信息简报 + 资讯AI。⭐15 · Python 主要应用场景包括:个人理财管理。
💡 AI Skill Hub 点评

AI Skill Hub 点评:个人理财助手 的核心功能完整,质量优秀。对于自动化工程师和运维人员来说,这是一个值得纳入个人工具库的选择。建议先在非生产环境试用,再逐步推广。

⬇️ 获取与下载
⬇ 下载源码(GPL)
⚠️ 本工具使用 AGPL-3.0 协议。您可以自由下载和使用,但衍生作品必须以相同协议开源,不可商业闭源。使用前请确认符合协议要求。
📚 深入学习 个人理财助手
查看分步骤安装教程和完整使用指南,快速上手这款工具
🌐 原始信息
原始名称 licai
原始描述 开源AI工作流:本地化个人理财助手 — A股/基金/理财/现金/数字资产/机器人全资产看板 + 市场AI问答 + 个股K线盘口详情 + 板块对比 + 早盘信息简报 + 资讯AI。⭐15 · Python
Topics ai股票基金理财机器人
GitHub https://github.com/SnowWarri0r/licai
License AGPL-3.0
语言 Python
🔗 原始来源
🐙 GitHub 仓库  https://github.com/SnowWarri0r/licai

收录时间:2026-06-28 · 更新时间:2026-07-03 · License:AGPL-3.0 · AI Skill Hub 不对第三方内容的准确性作法律背书。

📺 订阅 AI Skill Hub Daily Telegram 频道
每天 8 条精选 AI Skill、MCP、Agent 与自动化工具推送
加入频道 →