LangAlpha，投资界的Claude Code。

市面上所有 AI 金融工具的问题是一样的：你问一个问题，它给一个答案，然后结束。但真实的投资研究不是这样工作的。你有一个初始判断，新数据每天在进来，你在持续修正自己的结论。这是个迭代过程，可能持续几周甚至几个月。一个 prompt 根本装不下这些。

LangAlpha 的出发点是：把投资研究做成一个「持久化工作区」，而不是一次性的问答。

1. 它解决什么问题
研究一家公司或一个行业，你会建立一个 workspace（比如「Q2 仓位调整」「数据中心需求研究」），agent 会先了解你的目标和投资风格，然后产出第一份分析，把所有文件、数据、历史线索全部保存进来。明天你回来，一切还在，研究可以继续叠加。
本质是：把软件工程里「代码库持久化、每次 commit 基于上次」的思路，迁移到投资研究上。

2. 技术特点
几个设计比较有意思：
1）PTC（Programmatic Tool Calling）：agent 不是直接把金融数据塞进 LLM context，而是写 Python 代码处理数据、调用 MCP 数据源，再把结果给模型。好处：能做复杂多步分析，同时大幅减少 token 浪费

2）Progressive Tool Discovery：MCP 工具不是一次性全塞进 context，而是按需发现——工具摘要常驻 context，完整文档在需要时才加载，并绑定到特定 skill 触发

3）Skills 系统：DCF 估值、启动研究报告、财报分析、早间简报等工作流，用 slash command 或关键词自动触发，不用每次从头描述任务

4）Automations：可以设置定时任务（每天早上跑一次市场简报），也可以设置价格触发器（某股票跌到某价格时自动发起分析）

3. 跟其他工具最不一样的地方
大多数 AI 投资工具是「搜索增强版 ChatGPT」——更快地找到信息，但不记得你。LangAlpha 的定位是研究伙伴，每次进来的时候，它知道你上次在研究什么、结论是什么、还有哪些没跑完。

另外，用户可以手动上传 PDF 或 markdown 研究笔记到 memo 目录，agent 随时可以读取——你自己的判断和外部数据可以在同一个工作流里被引用。

GitHub：github.com/ginlix-ai/langalpha

#how i ai##程序员#