DojoAgents 一周多狂揽1000+Star！金融Agent开始进入真实工作流

开源一周多，DojoAgents 在 GitHub 上拿下了超过 1000 个 Star。

过去一年，大模型悄然渗透进来，成了金融研究日常工作流的一部分。它能总结新闻、解读财报、回答关于股票的问题，甚至能生成一份看起来结构完整的分析报告。但当这些能力逐渐成为“标配”，一个更现实的问题随之浮现——金融 AI 的下一步，到底该往哪儿走？

DojoAgents 之所以能引起关注，并非因为它只是一个能回答投资问题的 Agent，而在于它代表了一种新的金融决策辅助方式：不再让 AI 止步于生成答案，而是让它形成对金融世界持续更新的理解，在数据、工具、权限和风险边界之内，长期且持续地主动推进研究与决策辅助任务。

这套能力来自深涌智能开源的自主金融智能系统 AlphaDojo。而 DojoAgents，正是其中面向个人投资场景的核心决策辅助 Agent 框架。

在这个框架里，市场扫描、新闻检索、公司分析、产业链映射、组合构建和风险分析，被拆解成一个个 Agent 可以自主调用的工具。然后，通过 Agent Loop 串联起来，形成一条完整的决策辅助流水线。用户最终看到的，不再只是一个干巴巴的结论。他们还能看到 Agent 调用了哪些数据、如何扩展线索、怎样通过模拟组合来验证判断，以及结论究竟是如何一步步推导出来的。

痛点：市场已经连成一张“绵密的网”，研究工具却仍是孤岛

全球金融市场正变得越来越紧密，交易频率也越来越高。

北京时间深夜，美股还在交易。隔夜 AI 芯片股的一次波动，可能已经影响到第二天 A 股光模块、PCB 和半导体设备的市场预期。下午港股科技板块走强，又可能带动相关产业链标的被重新定价。投资者面对的，早已不是一只股票、一个市场或几个独立指标，而是由行情、新闻、产业链、财务数据和资产组合共同构成的复杂系统。然而，传统的研究方式依然高度依赖人工。投资者需要在不同终端之间来回切换，寻找新闻、查询行情、梳理产业链，再判断一件事会波及哪些市场和公司。等这些工作做完，市场往往已经完成了第一轮定价。

信息并不稀缺，真正稀缺的是在价格变动之前，理解信息之间的联系，并催生出洞见与决策。

DojoAgents：从“会回答问题”到“会系统研究与决策辅助”

过去两年，大模型已经证明了自己能生成一份结构完整的公司分析，也能解释一条新闻可能造成的市场影响。但一旦进入真实的金融研究场景，仅仅“给出答案”是远远不够的。

举个例子，当用户提出：“英伟达隔夜大跌，今天 A 股的光模块、PCB 和半导体设备会不会受到影响？”

系统需要先获取隔夜的行情和相关新闻，判断这次波动的根源——是需求变化、估值调整，还是市场情绪？然后，它得找到产业链的上下游，把美股的变化映射到 A 股和港股，再进一步判断用户的持仓中是否存在相关风险暴露。

这可不是一个简单的 Prompt 就能稳定完成的任务，它是一条由数据、工具和连续判断构成的完整研究链路。聊天机器人关心的是“该怎么回答”，而金融 Agent 需要知道的是“下一步该查什么，以及如何去验证”。

在 AlphaDojo 中，DojoAgents 将市场扫描、新闻检索、公司分析、产业链映射、组合构建和风险分析等步骤，拆解成一个个可调用的工具，再通过 Agent Loop 推进整个研究过程，主动帮使用者解决问题。金融 Agent 的价值，不在于把答案写得像一份研究报告，而在于把研究报告背后的那套工作，真正系统性地做一遍，做好模拟和验证，然后形成可靠的研究分析参考，辅助决策。

下面来看几个典型的应用场景。

01 市场主线扫描：不用担心被异动刷屏，DojoAgent 主动替你翻完了

投资者每天问得最多的问题之一，就是：“今天全球市场有什么值得关注的？”

这个问题看似简单，背后却需要同时观察全市场涨跌、行业轮动、个股异动、资金情绪和潜在事件。DojoAgents 收到问题后，会先进入数据收集阶段，调用全球市场、行业和个股相关工具，拉取 A 股、美股、港股中的异动板块、强势标的、涨跌幅、成交变化和行业分布。在这个过程中，用户可以随时展开中间步骤，查看 Agent 调用了哪些工具、引用了哪些数据，以及每一步分析是如何推进的。

全球市场扫描——可以点开进程，随时查看引用的数据。

拿到数据后，Agent 会继续做归类和筛选，把零散的异动标的整理成更容易理解的主题，比如半导体、AI 算力、存储、光模块、消费电子、金融科技等方向。然后，它会结合涨幅、估值、行业位置和市场热度，判断哪些只是短线波动，哪些可能代表着更值得持续跟踪的板块线索。

投资者还可以继续追问：“帮我把今天值得关注的股票整理成研究观察列表，方便后续追踪。”

这时，DojoAgents 会把今日市场异动摘要进一步沉淀成研究观察列表，让用户直接看到今天哪些方向最活跃、对应有哪些相关公司、每个方向背后的逻辑是什么，并在 Dashboard 中持续记录后续的市场数据变化。

生成今日研究观察列表｜仅作研究演示，不构成对证券推荐或买卖建议

02 从“消息提醒”到“机会挖掘”：一条新闻，梳理相关线索

分析突发新闻，并判断它会影响哪些标的，这也是投资者最关心的问题之一。

比如最近 Meta 卖算力的事情搅动了全球市场，A 股投资者看到消息后，很自然会问：“Meta 卖算力，会影响美股和 A 股哪些行业及公司？”

DojoAgents 会先把这个问题拆解，再进入数据收集阶段，调用行情、新闻、公司和行业相关工具，拉取 Meta 的价格变化、相关新闻、市场表现，以及美股科技股、AI 算力链、半导体、云计算、广告科技等方向的数据。

用跨市场新闻时间查看相关公司｜仅作研究演示，不构成证券推荐或买卖建议

拿到数据后，Agent 会继续分析事件的影响路径：这件事可能涉及哪些行业和公司，又会沿着 AI 算力、云计算、服务器、GPU、光模块、半导体设备等产业链环节传导到哪些部分。随后，它会把相关线索映射到美股和 A 股市场，梳理出可能受到影响的公司，并给出不同行业和公司背后的逻辑。

用户还可以继续追问：“帮我把这些研究样本，按照消息出来那天的价格，建立模拟观察组合，我观察一下后市表现。”

这时，DojoAgents 会把筛选出的股票整理成模拟观察组合，按照消息发布日价格进行模拟建仓，并在 Dashboard 里展示模拟建仓价格、模拟收益曲线、涨跌表现和组合明细。短短两个 Prompt，就能将一条新闻沉淀成一个可持续跟踪和复盘的模拟研究组合。

用新闻消息进行模拟研究｜模拟结果不代表真实交易或未来表现

03 一张截图完成持仓评估：买了 40 只票，发现只押了一个方向

DojoAgents 支持多模态模型能力。用户在遮盖姓名、账号、资产总额等识别信息后，可以上传匿名化的持仓截图进行组合诊断。

这是很多体验者最喜欢的、也最觉得解放生产力的功能。这里演示使用的是匿名化或虚构的持仓截图，包含 40 多只标的，横跨 A 股、美股和 ETF。DojoAgents 识别后，会按市场、行业和产业链位置重新归类，把持仓拆解成所在行业的具体方向。随后，Agent 会生成组合风险诊断，指出组合是否存在赛道过度集中、内部持仓高度重叠、防御性资产不足等问题。

在这次分析中，Agent 给出的结论非常直接：虽然组合里有 40 多只标的，但很多仓位本质上都押注在同一个方向上。一旦半导体、AI 算力或成长股整体回调，这个组合很容易同步下跌。

持仓截图上传分析

接着，Agent 会给出后续的风险提示，比如重复仓位、核心标的集中度、美股配置、弱势暴露，以及公用事业、消费等防御资产占比。等结论出来后，用户还可以让它根据风险提示生成新的观察列表，并在 Dashboard 中持续跟踪。

按照风险提示形成观察列表｜不构成证券买卖或仓位调整建议

04 市场发现：新闻刷不完？Agent 直接挖出交易主线

在取得相应授权或依法使用的前提下，DojoAgents 会自动聚合多个新闻源、机构观点和市场异动，把一天里分散的信息串联起来，提炼出真正值得关注的市场主线。用户不用自己刷完几十条新闻，也能快速知道：今天市场到底在交易什么，资金风格在发生什么变化。

围绕每条主线，Agent 还会继续分析影响到的具体行业和板块，并结合实际涨跌表现进行验证。每天打开一次，就能快速看清：发生了什么、钱正在往哪里走，以及哪些方向正在受到影响。用户只需要切换到市场动态页面，就会自动收到实时的推送。

自动聚合新闻信息

如何快速启动 DojoAgents？

准备 Python 3.11 或以上版本和 uv 后，在 Terminal 中输入：

uv venv && source .venv/bin/activate
uv pip install dojoagents

安装完成后启动 Dashboard：

dojoagents dashboard --host 127.0.0.1 --port 8765

随后在浏览器中访问：

http://127.0.0.1:8765/

进入 Settings 后，即可配置 OpenAI、Anthropic、Gemini、DeepSeek、GLM 等模型，也可以接入 Ollama、vLLM 和 llama.cpp 等本地模型。详细环境要求和配置方式可查看项目 README。

数据与隐私提示：使用云端模型处理持仓截图等个人信息时，应根据实际数据处理情况履行告知、同意等义务；涉及个人信息出境的，还应依法满足个人信息出境条件并取得单独同意。

为什么要开源自主金融智能 AlphaDojo？

自主金融智能仍处在早期阶段。今天，许多团队都在重复搭建模型适配、数据接口、工具调用、任务编排和前端交互。大量精力被消耗在相似的基础工作上，而真正针对金融场景的数据、模型、研究流程和评测创新，反而难以向前推进。

AlphaDojo 希望改变这种状况。

它开放的是一套面向自主金融智能的基础框架：从 Agent Loop、任务编排和金融工具接口，到 Dashboard、多模型适配、本地部署与组合研究能力。开发者可以替换模型、扩展工具、接入自己的数据和知识库，并在此基础上构建不同的金融研究应用。未来，AlphaDojo 还将逐步开放更多金融数据集、评测工具和多 Agent 协作能力。过去长期集中在头部金融机构内部的数据、研究和工程能力，正在第一次具备被标准化、开放和广泛使用的可能。高质量行情、新闻和机构数据，仍需要根据具体场景配置并取得合法授权。但底层框架、研究链路和扩展方式，不必由每个团队重新搭建。

从开源框架到机构级自主金融智能

开源框架解决了“系统如何搭建”的问题，但真正进入机构环境后，还要跨过数据、流程和工程交付的门槛。每家机构都有自己的数据资产、知识库、研究方法和权限体系，也需要处理模型选择、结果评测、数据安全与私有化部署。一个面向公开社区的框架，无法直接覆盖所有专业需求。

围绕这些场景，深涌智能正在为专业金融机构、研究团队和金融科技企业等提供自主金融智能的数据和技术支持，包括跨市场数据加工、实体与产业链关系构建、内部知识接入、专业模型适配，以及研究工作流的智能体化改造。

合规提示：涉及依法需持牌的证券投资咨询等业务的，应由具备相应资质的主体在许可范围内开展。

AlphaDojo 展示的是这套体系面向开发者的开放形态；在机构场景中，相同的底层能力会与更专业的数据、更复杂的权限和更具体的业务流程结合。

这也意味着，自主金融智能并不只服务于最头部的金融机构。通过标准化框架、模块化工具和可部署的技术体系，过去只有少数机构能够承担的研发成本，有机会被显著降低。更多中小型金融机构、研究团队和金融科技企业，也可以获得接近头部机构级的智能研究能力。

写在最后

金融市场从来不缺少信息。真正稀缺的，是在有限时间内理解信息之间的关系，并将零散线索转化为可以持续验证的研究判断。大模型让自然语言成为人与金融数据之间新的交互方式，但这只是第一步。下一阶段的金融 AI，需要进一步调用工具、连接数据、管理研究过程，并围绕目标持续工作，逐步为结果负责。

AlphaDojo 的 1000+ Star，说明越来越多开发者正在关注这种变化。对于深涌智能而言，开源也不仅仅是发布一个产品，而是把部分数据、工具和 Agent 工程能力放到公开环境中接受验证。未来，AlphaDojo 还将继续完善跨市场数据连接、组合分析、多 Agent 协作和金融评测体系。

让机构级金融智能走出头部机构，让更多组织和个人获得理解市场、研究市场的能力。这是 AlphaDojo 选择开源的原因，也是深涌智能构建自主金融智能体系的长期方向。

免责声明：本文所述功能主要用于金融信息整理、研究分析及技术展示，不构成任何投资建议、收益承诺或交易指引，不提供针对具体证券的买入、卖出、持有、评级或仓位调整建议。文中涉及的组合构建及历史价格分析均为模拟研究场景，可能未计入手续费、税费、滑点等因素，不代表实际交易结果或未来表现。市场有风险，投资需谨慎。

（注：如本文文字或配图使用人工智能生成合成技术，应据实说明具体范围，并在发布时使用平台提供的人工智能生成合成内容标识功能。）