一条命令装好这个“金融市场的Claude Code” ，代码全开源

作 者：老余捞鱼

原创不易，转载请标明出处及原作者。

文中示例仅用于技术讨论，不构成任何操作建议。
量化策略开发应以学习和技术交流为目的。
本号不荐股、不卖课、不承诺收益。
市场有风险，请合法合规投资。

本文约 3500 字，另有 5 段代码 | 预计阅读 8 分钟。前半是介绍、安装和用法，后半有源码核实与实测过程，建议先收藏。

· · ·

GitHub上有个开源项目叫LangAlpha，自我定位是金融市场的Claude Code，Apache-2.0 协议，代码全公开。

它干的活儿是做投研。你给一个研究目标，它在沙箱里写代码拉数据、算模型、出图表，最后交出一份能打开的文件，Excel 模型、PDF 报告，或者一块能点的实时看板。

我把它的源码拉下来读了一遍（AI配合人工），加上前端一共 46 万行代码，又单独把它的证券代码统一层跑了一轮，让大家读完这篇文章后对LangAlpha能有个比较客观的了解。

这篇文章分两半。前半讲它是什么、解决什么问题、怎么装怎么用，不动手也能看完。后半是我翻源码和实测的过程，包括几处它没处理好的地方。

一、它到底是什么

这类工具最近有个统称，agent harness。harness 直译是马具，管的是马能不能拉动车、走多远、路上听不听指挥，不掺和马自己怎么跑。

换成大白话，它是给大模型配的办公室。模型只负责理解和推理，其余全由这层壳包办。读文件、跑命令、写代码、记住上次聊到哪、中途打断改方向、同时开几摊活儿。

Claude Code、Cursor 这些是通用办公室，什么行业都能搬进去。LangAlpha 是专做投研的那一间，桌椅按投研的活计摆。

它 2026 年 1 月开源，到现在八个月。GitHub 上 1756 个星，288 次 fork，28 条待办。我 clone 的当天上午，它的提交记录还停在几个小时前。

它不是唯一选择。给通用的 AI 编程工具装上金融插件，也能做一部分投研的活。差别在哪一节会讲，先说它自己。

二、它真正想解决的问题

现在大部分 AI 金融工具都是一次性的。你问一个问题，它给一个答案，这一轮结束了。下次再问，它不记得你上次在追什么。

投研偏偏不是这么干的。你先有一个判断，然后每天有新数据进来，你根据新数据调整判断。这个过程可能跑几个星期，甚至几个月。

单次问答装不下这个过程。每次你都要重新交代背景，重新贴一遍上次的结论，重新讲清楚自己的持仓和风格。

它给的答案是一个能存东西的工作区。一个工作区对应一个研究目标，比如二季度调仓，或者数据中心需求深挖。agent 在里面记笔记、存中间结果、放交付物。第二天回来，文件和对话都还在原地。

有个更好记的比法。它把 AI 编程工具里代码仓库那个位置，换成了一个投研工作台。代码每天都在长，研究也一样。

三、核心能力，我只挑四个讲

它官网列了十几项功能，全列一遍没什么用。下面四个才真正决定它能不能干活。

1. 持久工作区

这是最该看的一个。每个工作区背后是一个独立的沙箱环境，目录结构固定。

agent.md           工作区笔记，agent 自己维护，每次对话自动载入
work/任务名/        中间产物，数据、图表、代码
results/           定稿的报告
data/             多个任务共用的数据集

关键是那个 agent.md。它记着这个工作区的目标、已经查到的结论、聊过哪些话题、生成过哪些文件。每次调用模型之前，这层笔记会被塞进上下文。

打个比方，它像一本交接班记录。接班的人不用把前面的事重问一遍，翻本子就行。

再往下一层还有长期记忆区和用户备忘录。备忘录可以放 PDF，它会抽取正文、生成摘要，之后按主题找得到。

2. PTC，让 agent 写代码，而不是硬吞数据

这是它跟普通问答最不一样的地方。

一般 AI 工具取数据，是把结果直接灌进对话。一份十年财报扔进去，几万 token 就没了，还容易把上下文撑爆。

它的做法反过来。agent 在沙箱里写一段 Python，让代码去调数据、做计算、画图，只把最后的结论带回来。原始数据根本不进对话。

支撑这套流程的是一个 849 行的工具生成器。它把每个数据接口自动翻译成 Python 函数，模型像调本地函数一样调行情和财报。

举个具体场景。让它算一只票五年自由现金流的复合增速，它会写一段脚本把五年原始报表跑完，回来只给你一个数字加一张图。

3. 数据层，三层降级加十个接口

金融数据是这行的地基，也最容易出岔子。它的设计是三层降级。

三层都开着，上面那层挂了自动往下掉。一个 key 都不给也能跑起来，只是功能会缩水。

内置的数据接口一共十个，分三包。行情包四个，价格、基本面、宏观、期权。雅虎包四个，价格、市场、基本面、分析师。另类数据包两个，推文检索和网页抓取。

这些接口可以在界面里单独关掉，也可以自己加。加完几秒钟生效，不用重启服务。

4. 技能库，三十七个

技能是它把投研标准动作固化下来的地方。我数了一遍，一共 37 个，分四包。

数量本身不算亮点，值得看的是内容。我翻了几份技能文档，里面写的已经超出提示词的范围，更接近作业标准。

比如现金流估值那份，开头就钉死三个锚点，现价、摊薄股数、净债务，缺一个就不许往下算。来源查不到的输入，必须在单元格里标注缺失并写明查过哪里，不允许默默填一个数糊过去。

还有一条更细的。它要求模型建 Excel 时，每个推算单元格都得是活公式，用 Python 算完写死的数字算缺陷。理由是模型必须能跟着假设动，写死一个数会让后面所有勾稽关系悄悄失效。

这类规矩，才是投研和问答真正的分界线。

四、装起来要多久

最简单的是把下面这条命令喂给你电脑里的AI，让它帮你安装。

帮我安装下面这个项目，为了项目能够正常运行，授权你安装配套的支撑环境。
https://github.com/ginlix-ai/LangAlpha

如果你是老鸟，前提有这两样，安装会更稳定可控。一个 Docker，一个模型 key。数据接口的 key 不是必须的。

三条命令。

git clone https://github.com/ginlix-ai/langalpha.git
cd langalpha
make config
make up

第一条拉代码。第二条进交互式向导，它会问你用哪个模型、接不接数据源、沙箱走云端还是本地。第三条把数据库、缓存、后端、前端一起拉起来。

装完三个地址，前端 5173，后端 8000，还带一份能直接点的接口文档。

模型这块它不绑厂商。ChatGPT 和 Claude 的订阅可以走授权直连，国内的 Kimi、GLM、MiniMax、豆包也支持，或者填自己的 API key。

数据 key 全是可选项，加一个解锁一块能力。什么也不加的话，你拿到的是雅虎免费数据加本地 Docker 沙箱。行情会延迟，没有分钟级数据，也没有宏观和期权。代码执行还在，但隔离等级降了一档。

五、装好之后，一个回合这样办

你建一个工作区，写清楚目标。它不会直接开干，先反问你几个问题，问你的持仓、你的风格、这一轮想回答什么。答完它开始跑，第一份交付物会存进 results 目录。

事情没完。它会把这轮的发现写回 agent.md，把中间数据留在 work 目录。

第二天你回来接着聊。它已经知道昨天查到哪了，不用你再讲一遍。

它内部跑两套模式。大活走 PTC，用强推理模型在沙箱里写代码做深度分析。轻活走 Flash 模式，快速问答、看个行情、聊个图表。中间还有个秘书角色负责调度，你让它去跑一份深度分析，它在后台跑完，用大白话汇报回来。

再往上是自动化。可以设定时任务，比如每天早上七点出一份盘前简报。也可以设价格触发，某只票碰到你定的价位就自动跑一遍分析。结果能推送到 Slack、Discord、飞书这些常用渠道。

最后是溯源。每一轮结论旁边有个来源面板，点开能看到数据从哪个接口取的、依据是哪份文件。这个设计比”看着挺准”有用得多。

以上是普通读者的部分，装上就能用。往下是我把源码拉下来翻和跑的过程，想自己核实的接着看。

六、我把源码拉下来数了一遍

我的口径很简单，只数 .py 后缀，跳过依赖目录和缓存。

前端那边另有 24.2 万行 TypeScript，1290 个文件。

数字里有一点更值得说。测试代码 21.5 万行，几乎和主代码一样多。一个八个月的开源项目肯把测试写到这个量，说明它不是演示品。

主代码的目录划分也干净。market_protocol 管数据语义，ptc_agent 管智能体，data_client 管取数，llms 管模型接入，server 管接口。一层一件事。

七、我跑了它的符号层，说点实话

翻目录的时候，我最想验的是 market_protocol 这一层。

理由是它要解决的问题特别基础。同一只股票，不同数据源给的写法不一样。苹果可能叫 AAPL，也可能叫 AAPL.O。港股腾讯可能是 0700.HK，也可能是 00700。纽约和伦敦的交易日还不是同一天。这些对不齐，后面所有计算都是沙子上的楼。

它自己写了一层协议，1088 行，用 ISO 10383 的交易所代码做统一标识。

这一层正好能单独跑。它只依赖两个常见库，不需要数据库、不需要 Docker、不需要任何 key。我把主代码路径挂上，直接调它的转换函数。

import sys
sys.path.insert(0, "repo/src")
from market_protocol import to_canonical

for s in ["AAPL", "AAPL.US", "0700.HK", "00700.HK", "600519.SS", "SPX", "^GSPC"]:
    print(s, "->", to_canonical(s).instrument_key)

结果是这样。

AAPL       -> AAPL.XNAS
AAPL.US    -> AAPL.XNAS
0700.HK    -> 0700.XHKG
00700.HK   -> 00700.XHKG
600519.SS  -> 600519.XSHG
SPX        -> SPX.INDEX
^GSPC      -> SPX.INDEX

主流写法全部对上。美股两种写法归一到同一个键，港股去掉了前导零，A 股按交易所拆开，沪深各有各的日历。

最漂亮的一处是指数。SPX 和 ^GSPC 是两个数据源里同一样东西的两种写法，它把这两个归到了同一个键上。这种修复靠人工维护对照表得攒很久，写进协议层就一劳永逸。

我把测试面拉宽一点，跑另一批写法，问题出现了。

AAPL.O     -> AAPL.O.XXXX       未识别
600519.SH  -> 600519.SH.XXXX    未识别，时区判成纽约
BTC-USD    -> BTC-USD.XNYS      被当成美股

三个问题。点 O 这个纳斯达克后缀不认。点 SH 不认，只有点 SS 认。裸写 BTC-USD 会被当普通股票处理，加密货币的身份丢了，必须写成完整的 BTC-USD.CRYPTO 才对。

第三个问题最实际。海外数据源里 BTC-USD 是很常见的写法，这么写进来，交易时段会按美股算。

不过我在源码里看到一段注释，作者自己写明了这些边界。原话大意是，后缀到交易所代码的映射是启发式的，一个后缀不一定能定位到具体交易所，裸写的美股代码也定位不到上市地。他们选择让默认值优先保证交易日历正确，而不是追求交易所代码精确。

这个取舍我认为理性。真实数据里绝大多数是主流写法，剩下的靠一份种子表兜底。

种子表我也数了，只钉了 20 只，苹果、微软、英伟达这些知名美股，用途是让它们的代码带上准确的上市交易所。

所以这一层的价值不在完美，在于它把一个散落在各处的判断收拢到了一处，边界也写进了注释。这比每个数据接口各自猜一遍要强。

八、它的取舍，和值不值得看

用了半天，我把它的边界归成几条。

它明确不做交易。官方问答里写得很清楚，不接券商账户，只做研究，出不出手由你决定。这是设计选择，不是功能缺失。

它的数据重心在美股。实时行情、期权链、美债曲线都是按美股配的。A 股和港股有覆盖，但不是重点，别指望拿它做 A 股的深度跟踪。

它离不开模型。你不给模型 key，它就只剩一套空壳。跑深度分析时，token 消耗是真实成本。

它还很年轻。八个月，28 条待办，接口还在变。想拿它当生产系统，得自己扛升级。

它的技能包有一部分衍生自 Anthropic 官方的金融插件，这一层不是它的独创。

那它到底给投研这条路添了什么。我认为是两件事。一是把数据语义统一从每个接口的私活，升级成了协议层的公共约定。二是把持久化做实了，让研究能累积，而不是每次从零开始。

这两个东西都不是提示词能解决的，也都不是给通用工具装一个插件能补上的。

值不值得用，看你想要什么。如果你想有位助手随时问两句，装个通用工具就够了，没必要碰一个 46 万行的系统。如果你想搭一套自己的投研流程，结论要能追溯、数据语义要统一、还想能自己部署，那这份实现值得拉下来读一遍。就算最后不用它，它把一个投研系统该有的层次摆给你看了。

我实测里最有意思的一处，是它把 SPX 和 ^GSPC 归成了同一个键。你做跨源数据对齐的时候，是靠人工维护对照表，还是已经在代码里统一了标识？

觉得有用的话，把这篇转给同样在搞量化的朋友。

#开源项目 #AI投研 #LangAlpha #Agent框架 #MCP #量化投研 #金融数据 #Python #自部署 #AI工具实测

本文为开源项目技术拆解，不构成投资建议。实测数据为 2026-09-19 本地运行结果，项目仍在快速迭代，接口与表现可能变化。市场有风险，请合法合规投资。