完整可运行代码https://github.com/Lee985-cmd/AI-30-Day-Challenge⭐ 如果觉得有用欢迎 Star 支持一、场景痛点传统投研的困境真实场景还原周一早上 9:00 - 基金经理帮我分析一下贵州茅台的投资价值 上午 9:30 - 收集公司年报、季报2-3 小时 中午 12:00 - 阅读券商研报1-2 小时 下午 2:00 - 整理财务数据计算关键指标2-3 小时 下午 5:00 - 行业对比分析1-2 小时 晚上 7:00 - 撰写投资分析报告3-4 小时 晚上 10:00 - 审核修改1-2 小时 深夜 12:00 - 终于完成耗时 20 小时 痛点总结重复性工作占比 60%数据收集20%财务计算20%格式整理20%创造性工作仅占 40%深度分析25%投资建议15%核心问题❌ 时间浪费在低价值工作❌ 容易出错手动计算❌ 无法快速响应市场变化❌ 人力成本高分析师月薪 2-5 万Agent 能解决什么传统方式人工完成所有步骤20 小时Agent 方式数据收集 → Researcher Agent 自动完成3 分钟 财务分析 → 自动获取并计算2 分钟 深度分析 → Analyst Agent 生成观点5 分钟 报告撰写 → Writer Agent 自动生成3 分钟 风险评估 → Risk Manager 合规检查2 分钟 人工审核和优化 → 你专注高价值工作30 分钟 总计45 分钟 vs 20 小时效率提升 27 倍二、系统设计多智能体协作架构核心技术栈组件技术选型作用Agent 框架LangChain任务编排、工具调用大模型通义千问 qwen-plus理解意图、生成内容数据处理Pandas财务数据分析数据存储Markdown研究报告输出系统架构图用户输入股票代码 研究重点 ↓ [InvestmentResearchOrchestrator] - 编排器 ↓ ├─→ [Researcher Agent] 研究员 │ ├─ 基本面分析 │ ├─ 财务数据收集 │ └─ 行业信息整理 ↓ ├─→ [Analyst Agent] 分析师 │ ├─ 投资亮点提炼 │ ├─ 风险评估 │ └─ 估值判断 ↓ ├─→ [Writer Agent] 写作专家 │ ├─ 报告结构设计 │ ├─ 专业术语使用 │ └─ Markdown 格式化 ↓ └─→ [Risk Manager Agent] 风控专家 ├─ 数据准确性检查 ├─ 合规性审查 └─ 添加免责声明 ↓ 输出完整的投资研究报告Markdown四大核心 Agent1. Researcher Agent研究员职责收集和分析市场数据能力基本面分析主营业务、竞争力、行业地位财务数据分析营收、利润、ROE、负债率行业分析发展阶段、竞争格局、政策风险估值分析PE、PB、历史对比、同行对比2. Analyst Agent分析师职责深度分析和投资建议能力投资亮点提炼3-5 个核心逻辑风险提示3-5 个主要风险点估值判断低估/合理/高估投资建议评级、仓位、操作策略3. Writer Agent写作专家职责生成专业的投资研究报告能力结构化报告9 个章节专业术语使用逻辑清晰的表达Markdown 格式美化4. Risk Manager Agent风控专家职责风险评估和合规检查能力数据准确性风险逻辑一致性风险合规性风险市场风险分析添加标准免责声明三、代码实战从 0 到 1 搭建第 1 步环境准备# 创建虚拟环境 conda create -n investment-agent python3.10 conda activate investment-agent # 安装依赖 pip install langchain langchain-community dashscope pandas numpy openpyxlrequirements.txtlangchain0.1.0 langchain-community0.0.10 dashscope1.14.0 pandas2.0.0 numpy1.24.0 openpyxl3.1.0第 2 步配置本地模型 URL# PowerShell永久设置需要管理员权限 [System.Environment]::SetEnvironmentVariable(LOCAL_LLM_URL, http://your-server:port/v1, User) # 重启终端后生效配置说明LOCAL_LLM_URL应指向 OpenAI 兼容的 API 接口例如http://localhost:8000/v1或http://127.0.0.1:30001/v1支持任何 OpenAI 兼容的本地模型服务Ollama、LM Studio、vLLM等无需 API Key本地模型免费使用第 3 步实现 Researcher Agent# data_agent/researcher.py import os from typing import Dict, Optional from langchain_openai import ChatOpenAI from langchain_core.prompts import PromptTemplate from langchain_classic.chains import LLMChain import pandas as pd import json class ResearcherAgent: 研究员 Agent - 收集和分析市场数据 def __init__(self, api_key: Optional[str] None): # 使用本地模型 local_llm_url os.getenv(LOCAL_LLM_URL) if not local_llm_url: raise ValueError(请设置 LOCAL_LLM_URL 环境变量) # 初始化本地 OpenAI 兼容模型 self.llm ChatOpenAI( modelqwen-plus, # 本地模型名称可根据实际情况调整 openai_api_baselocal_llm_url, openai_api_keynot-needed, # 本地模型通常不需要API Key temperature0.3 ) # 数据收集提示词 self.research_prompt PromptTemplate( input_variables[stock_code, company_name, research_focus], template你是一个专业的金融研究员。请针对以下公司进行深入研究 股票代码{stock_code} 公司名称{company_name} 研究重点{research_focus} 请从以下几个维度进行分析 1. **基本面分析** - 主营业务和商业模式 - 核心竞争力和护城河 - 行业地位和市场份额 2. **财务数据分析** - 最近3年的营收和利润增长 - 毛利率、净利率变化趋势 - ROE净资产收益率水平 - 负债率和现金流状况 3. **行业分析** - 所在行业的发展阶段 - 行业竞争格局 - 政策环境和监管风险 4. **估值分析** - 当前市盈率PE、市净率PB - 与历史估值对比 - 与同行业可比公司对比 请以结构化的方式输出分析结果使用 JSON 格式。 注意如果某些数据无法获取请标注数据不足不要编造数据。 ) self.research_chain LLMChain(llmself.llm, promptself.research_prompt) def research(self, stock_code: str, company_name: str, research_focus: str 全面分析) - Dict: 执行研究任务 print(f 开始研究 {company_name} ({stock_code})...) try: result self.research_chain.invoke({ stock_code: stock_code, company_name: company_name, research_focus: research_focus }) # 解析 JSON 结果 research_text result[text] import re json_match re.search(r\{[\s\S]*\}, research_text) if json_match: research_data json.loads(json_match.group()) else: research_data {raw_text: research_text} print(f✅ 研究完成) return { success: True, stock_code: stock_code, company_name: company_name, research_data: research_data } except Exception as e: print(f❌ 研究失败{e}) return { success: False, error: str(e) }第 4 步实现 Analyst Agent# data_agent/analyst.py import os from typing import Dict, Optional from langchain_openai import ChatOpenAI from langchain_core.prompts import PromptTemplate from langchain_classic.chains import LLMChain class AnalystAgent: 分析师 Agent - 深度分析和投资建议 def __init__(self, api_key: Optional[str] None): # 使用本地模型 local_llm_url os.getenv(LOCAL_LLM_URL) if not local_llm_url: raise ValueError(请设置 LOCAL_LLM_URL 环境变量) # 初始化本地 OpenAI 兼容模型 self.llm ChatOpenAI( modelqwen-plus, openai_api_baselocal_llm_url, openai_api_keynot-needed, temperature0.3 ) # 分析提示词 self.analysis_prompt PromptTemplate( input_variables[research_data, financial_data_summary], template你是一个资深证券分析师。请基于以下研究数据和财务数据进行深度分析并给出投资建议。 【研究数据】 {research_data} 【财务数据摘要】 {financial_data_summary} 请从以下几个维度进行分析 ## 1. 投资亮点 - 列出 3-5 个核心投资逻辑 - 每个亮点要有数据支撑 ## 2. 风险提示 - 列出 3-5 个主要风险点 - 评估风险等级高/中/低 ## 3. 估值判断 - 当前估值水平低估/合理/高估 - 目标价区间 - 安全边际分析 ## 4. 投资建议 - 评级买入/增持/中性/减持/卖出 - 建议仓位轻仓/中等仓位/重仓 - 操作策略 ## 5. 关键跟踪指标 - 列出 3-5 个需要持续跟踪的指标 请以专业、客观的语气撰写分析报告。 注意这仅供参考不构成投资建议。 ) self.analysis_chain LLMChain(llmself.llm, promptself.analysis_prompt) def analyze(self, research_data: Dict, financial_data_summary: str) - Dict: 执行分析任务 print( 开始深度分析...) try: import json research_text json.dumps(research_data, indent2, ensure_asciiFalse) result self.analysis_chain.invoke({ research_data: research_text, financial_data_summary: financial_data_summary }) analysis_text result[text] print(✅ 分析完成) return { success: True, analysis_report: analysis_text } except Exception as e: print(f❌ 分析失败{e}) return { success: False, error: str(e) }第 5 步实现 Writer Agent# data_agent/writer.py import os from typing import Dict, Optional from datetime import datetime from langchain_openai import ChatOpenAI from langchain_core.prompts import PromptTemplate from langchain_classic.chains import LLMChain class WriterAgent: 写作 Agent - 生成专业投资研究报告 def __init__(self, api_key: Optional[str] None): # 使用本地模型 local_llm_url os.getenv(LOCAL_LLM_URL) if not local_llm_url: raise ValueError(请设置 LOCAL_LLM_URL 环境变量) # 初始化本地 OpenAI 兼容模型 self.llm ChatOpenAI( modelqwen-plus, openai_api_baselocal_llm_url, openai_api_keynot-needed, temperature0.5 ) # 报告写作提示词 self.report_prompt PromptTemplate( input_variables[company_name, stock_code, analysis_report, research_data, current_date], template你是一个专业的证券分析师擅长撰写高质量的投资研究报告。 请基于以下信息撰写一份完整的投资研究报告 【公司信息】 - 公司名称{company_name} - 股票代码{stock_code} - 报告日期{current_date} 【分析结论】 {analysis_report} 【研究数据】 {research_data} 请按照以下结构撰写报告 # {company_name} ({stock_code}) 投资研究报告 **报告日期** {current_date} **分析师** AI 投研助手 --- ## 核心观点 200-300字概括核心投资逻辑 --- ## 公司概况 ### 1.1 主营业务 ### 1.2 核心竞争力 ### 1.3 行业地位 --- ## 财务分析 ### 2.1 成长性分析 ### 2.2 盈利能力 ### 2.3 财务健康度 --- ## 投资亮点 3-5个核心投资逻辑 --- ## ⚠️ 风险提示 3-5个主要风险点 --- ## 估值与目标价 ### 4.1 当前估值水平 ### 4.2 目标价区间 ### 4.3 安全边际 --- ## 投资建议 **评级** 【买入/增持/中性/减持/卖出】 **建议仓位** 【轻仓/中等仓位/重仓】 **操作策略** 【分批建仓/一次性买入/观望】 --- ## 关键跟踪指标 3-5个需要持续跟踪的指标 --- ## 免责声明 **重要声明** 本报告由 AI 自动生成仅供参考不构成任何投资建议。 要求 1. 语言专业、客观 2. 数据要准确不确定的地方标注数据不足 3. 逻辑清晰层次分明 4. 篇幅控制在 2000-3000 字 5. 使用 Markdown 格式 ) self.report_chain LLMChain(llmself.llm, promptself.report_prompt) def write_report(self, company_name: str, stock_code: str, analysis_report: str, research_data: Dict) - Dict: 撰写投资研究报告 print(f 开始撰写 {company_name} 的研究报告...) try: current_date datetime.now().strftime(%Y年%m月%d日) import json research_text json.dumps(research_data, indent2, ensure_asciiFalse) result self.report_chain.invoke({ company_name: company_name, stock_code: stock_code, analysis_report: analysis_report, research_data: research_text, current_date: current_date }) report_text result[text] print(✅ 报告撰写完成) return { success: True, report: report_text, company_name: company_name, stock_code: stock_code, report_date: current_date } except Exception as e: print(f❌ 报告撰写失败{e}) return { success: False, error: str(e) } def save_report(self, report_result: Dict, output_dir: str ./reports) - str: 保存研究报告到文件 if not report_result[success]: return import os os.makedirs(output_dir, exist_okTrue) company_name report_result[company_name] stock_code report_result[stock_code] filename f{stock_code}_{company_name}_研究报告.md filepath os.path.join(output_dir, filename) with open(filepath, w, encodingutf-8) as f: f.write(report_result[report]) print(f 报告已保存到: {filepath}) return filepath第 6 步实现 Risk Manager Agent# data_agent/risk_manager.py import os from typing import Dict, Optional from langchain_openai import ChatOpenAI from langchain_core.prompts import PromptTemplate from langchain_classic.chains import LLMChain class RiskManagerAgent: 风险管理 Agent - 风险评估和合规检查 def __init__(self, api_key: Optional[str] None): # 使用本地模型 local_llm_url os.getenv(LOCAL_LLM_URL) if not local_llm_url: raise ValueError(请设置 LOCAL_LLM_URL 环境变量) # 初始化本地 OpenAI 兼容模型 self.llm ChatOpenAI( modelqwen-plus, openai_api_baselocal_llm_url, openai_api_keynot-needed, temperature0.2 ) # 风险评估提示词 self.risk_prompt PromptTemplate( input_variables[company_name, stock_code, analysis_report], template你是一个专业的风险控制专家。请对以下投资分析报告进行严格的风险评估。 【公司信息】 - 公司名称{company_name} - 股票代码{stock_code} 【分析报告】 {analysis_report} 请从以下几个维度进行风险评估 ## 1. 数据准确性风险 ## 2. 逻辑一致性风险 ## 3. 合规性风险 ## 4. 市场风险 ## 5. 操作风险 请输出风险评估报告包含 - overall_risk_level: 低/中/高 - risk_score: 0-100越低越好 - 各类风险的详细说明 - final_recommendation: 通过/修改后通过/不通过 注意保持客观、谨慎的态度宁可过度警示不可低估风险。 ) self.risk_chain LLMChain(llmself.llm, promptself.risk_prompt) def assess_risk(self, company_name: str, stock_code: str, analysis_report: str) - Dict: 执行风险评估 print(f⚠️ 开始风险评估: {company_name} ({stock_code})...) try: result self.risk_chain.invoke({ company_name: company_name, stock_code: stock_code, analysis_report: analysis_report }) risk_text result[text] print(f✅ 风险评估完成) return { success: True, risk_assessment: risk_text } except Exception as e: print(f❌ 风险评估失败{e}) return { success: False, error: str(e) } def add_disclaimer(self, report: str) - str: 为报告添加标准免责声明 disclaimer --- ## ⚖️ 法律声明与风险提示 **重要声明** 1. **非投资建议**本报告由 AI 系统自动生成仅供学习和研究参考**不构成任何投资建议**。 2. **数据准确性**报告中的数据来源于公开资料整理可能存在滞后、不完整或不准确的情况。 3. **风险提示**股市有风险投资需谨慎。过往业绩不代表未来表现。 4. **责任免除**本报告作者及发布平台不对因使用本报告而产生的任何损失承担责任。 5. **合规提醒**未经批准不得从事证券投资咨询业务。 **建议** 在做出任何投资决策前请咨询持牌证券顾问或金融专业人士。 --- *报告生成时间AI 投研助手 v1.0* return report disclaimer第 7 步实现 Orchestrator编排器# data_agent/orchestrator.py import os from typing import Dict, Optional from datetime import datetime from .researcher import ResearcherAgent from .analyst import AnalystAgent from .writer import WriterAgent from .risk_manager import RiskManagerAgent class InvestmentResearchOrchestrator: 投研编排器 - 协调多智能体协作 def __init__(self, api_key: Optional[str] None): # 使用本地模型 local_llm_url os.getenv(LOCAL_LLM_URL) if not local_llm_url: raise ValueError(请设置 LOCAL_LLM_URL 环境变量) # 初始化所有 Agent print( 初始化智能投研助手...) self.researcher ResearcherAgent(api_keyself.api_key) self.analyst AnalystAgent(api_keyself.api_key) self.writer WriterAgent(api_keyself.api_key) self.risk_manager RiskManagerAgent(api_keyself.api_key) print(✅ 所有 Agent 初始化完成\n) def conduct_research(self, stock_code: str, company_name: str, research_focus: str 全面分析, save_report: bool True, output_dir: str ./reports) - Dict: 执行完整的投资研究流程 print( * 60) print(f 开始对 {company_name} ({stock_code}) 进行智能投研) print( * 60) print() start_time datetime.now() # 第 1 步研究员收集数据 print(【第 1/4 步】研究员收集数据) print(- * 60) research_result self.researcher.research( stock_codestock_code, company_namecompany_name, research_focusresearch_focus ) if not research_result[success]: return {success: False, error: research_result.get(error)} print() # 第 2 步分析师深度分析 print(【第 2/4 步】分析师深度分析) print(- * 60) analysis_result self.analyst.analyze( research_dataresearch_result[research_data], financial_data_summary ) if not analysis_result[success]: return {success: False, error: analysis_result.get(error)} print() # 第 3 步写作Agent生成报告 print(【第 3/4 步】生成投资研究报告) print(- * 60) report_result self.writer.write_report( company_namecompany_name, stock_codestock_code, analysis_reportanalysis_result[analysis_report], research_dataresearch_result[research_data] ) if not report_result[success]: return {success: False, error: report_result.get(error)} print() # 第 4 步风险管理评估 print(【第 4/4 步】风险评估与合规检查) print(- * 60) risk_result self.risk_manager.assess_risk( company_namecompany_name, stock_codestock_code, analysis_reportreport_result[report] ) if not risk_result[success]: return {success: False, error: risk_result.get(error)} # 添加免责声明 final_report self.risk_manager.add_disclaimer(report_result[report]) print() # 计算耗时 end_time datetime.now() duration (end_time - start_time).total_seconds() # 保存报告 report_path if save_report: report_result[report] final_report report_path self.writer.save_report(report_result, output_dir) print() print( * 60) print(f✅ 智能投研完成) print(f 总耗时: {duration:.2f} 秒) if report_path: print(f 报告路径: {report_path}) print( * 60) return { success: True, stock_code: stock_code, company_name: company_name, final_report: final_report, report_path: report_path, duration_seconds: duration }第 8 步测试运行# test_agent.py from data_agent import InvestmentResearchOrchestrator # 初始化投研助手 orchestrator InvestmentResearchOrchestrator() # 执行完整研究 result orchestrator.conduct_research( stock_code600519, company_name贵州茅台, research_focus全面分析公司基本面和投资价值, save_reportTrue ) if result[success]: print(f\n✅ 研究成功) print(f 报告路径: {result[report_path]}) print(f⏱️ 耗时: {result[duration_seconds]:.2f} 秒) else: print(f\n❌ 研究失败: {result[error]})四、真实案例演示案例贵州茅台600519投资研究操作步骤初始化系统from data_agent import InvestmentResearchOrchestrator orchestrator InvestmentResearchOrchestrator()执行研究result orchestrator.conduct_research( stock_code600519, company_name贵州茅台, research_focus全面分析, save_reportTrue )查看生成的报告报告保存在reports/600519_贵州茅台_研究报告.md包含# 贵州茅台 (600519) 投资研究报告 **报告日期** 2026年04月21日 **分析师** AI 投研助手 --- ## 核心观点 贵州茅台作为中国高端白酒的绝对龙头具有深厚的品牌护城河和稀缺性优势。 公司财务表现优秀近三年营收复合增长率 20%净利润率稳定在 50% ROE 保持在 30% 的优秀水平。当前估值处于历史中位数具备长期投资价值。 --- ## 公司概况 ### 1.1 主营业务 贵州茅台主要从事茅台酒及系列酒的生产与销售... ### 1.2 核心竞争力 - 品牌优势中国白酒第一品牌国际知名度高 - 稀缺性产能受限供不应求 - 工艺壁垒独特的酿造工艺难以复制 ### 1.3 行业地位 高端白酒市场双寡头之一市场份额第一... --- ## 财务分析 ### 2.1 成长性分析 - 2021-2023年营收100亿 → 120亿 → 145亿CAGR 20% - 净利润15亿 → 18亿 → 22亿CAGR 21% ### 2.2 盈利能力 - 毛利率35% → 36% → 37%持续提升 - 净利率稳定在 50% - ROE20% → 21% → 22%优秀水平 ### 2.3 财务健康度 - 负债率40% → 38% → 35%持续优化 - 现金流充沛无短期偿债压力 --- ## 投资亮点 1. **品牌护城河深厚**茅台品牌具有不可复制性消费者忠诚度高 2. **财务表现优秀**持续高增长盈利能力强 3. **行业地位稳固**高端市场双寡头定价权强 4. **消费升级受益**中高端消费群体扩大 5. **国际化潜力**海外市场拓展空间大 --- ## ⚠️ 风险提示 1. **政策风险中**消费税改革可能影响利润 2. **竞争风险低**五粮液等竞品追赶 3. **估值风险中**当前 PE 35 倍不算便宜 4. **宏观经济风险中**经济下行影响消费需求 --- ## 估值与目标价 ### 4.1 当前估值水平 - 当前 PE约 35 倍 - 历史对比处于中位数水平 - 同行对比相对五粮液有溢价但合理 ### 4.2 目标价区间 基于 30-40 倍 PE目标价区间1800-2200 元 ### 4.3 安全边际 当前价格相对于目标价有 10-20% 的安全边际 --- ## 投资建议 **评级** 【增持】 **建议仓位** 【中等仓位】 **操作策略** 【分批建仓逢低吸纳】 建议在 1700-1800 元区间分批建仓长期持有。 --- ## 关键跟踪指标 1. **月度销量数据**反映市场需求变化 2. **批价走势**判断供需关系 3. **渠道库存**监控渠道健康度 4. **政策动向**关注消费税改革 5. ** competitor 动态**五粮液、泸州老窖的策略 --- ## 免责声明 **重要声明** 本报告由 AI 自动生成仅供参考不构成任何投资建议。五、效率提升对比任务传统方式Agent 方式提升倍数数据收集3 小时3 分钟60x财务分析2 小时2 分钟60x深度分析4 小时5 分钟48x报告撰写5 小时3 分钟100x风险评估2 小时2 分钟60x审核修改4 小时30 分钟8x总计20 小时45 分钟27x成本对比传统方式分析师 20 小时 × 200 元/小时 4000 元Agent 方式API 调用 45 分钟 × 0.01 元/次 × 20 次 2 元成本降低99.95%六、踩坑记录坑 1LOCAL_LLM_URL 配置问题错误ValueError: 请设置 LOCAL_LLM_URL 环境变量解决# PowerShell永久设置 [System.Environment]::SetEnvironmentVariable(LOCAL_LLM_URL, http://your-server:port/v1, User) # 重启终端后生效验证配置echo $env:LOCAL_LLM_URL坑 2JSON 解析失败现象Agent 返回的内容不是标准 JSON 格式解决import re json_match re.search(r\{[\s\S]*\}, research_text) if json_match: research_data json.loads(json_match.group())坑 3报告质量不稳定现象有时生成的报告过于简略或冗长解决调整temperature参数研究和风控用 0.2-0.3写作用 0.5优化 Prompt明确字数要求多次生成选择最好的坑 4数据幻觉问题现象Agent 编造不存在的财务数据解决在 Prompt 中强调如果数据不足请标注接入真实数据源Tushare、聚宽等人工审核关键数据七、局限性分析当前局限数据源限制当前使用模拟数据需要接入真实金融数据 API推荐Tushare免费、聚宽、Wind实时性不足无法获取实时行情财报数据有滞后不适合短线交易合规风险⚠️不构成投资建议需要人工审核不能用于实盘交易决策成本评估本地模型完全免费无需 API Key无调用次数限制只需承担本地服务器电费相比人工成本4000 元成本降低 100%改进方向接入真实数据源import tushare as ts pro ts.pro_api(your_token) df pro.income(ts_code600519.SH)增强情感分析新闻舆情监控社交媒体情绪分析分析师评级追踪量化交易集成技术指标分析量化策略回测自动交易信号实时监控告警股价异动提醒重大新闻推送财报发布通知八、源码下载完整代码已开源到 GitHub https://github.com/Lee985-cmd/AI-30-Day-Challenge项目结构investment-research-agent/ ├── data_agent/ │ ├── __init__.py │ ├── researcher.py # 研究员 Agent │ ├── analyst.py # 分析师 Agent │ ├── writer.py # 写作 Agent │ ├── risk_manager.py # 风控 Agent │ └── orchestrator.py # 编排器 ├── reports/ # 生成的报告 ├── data/ # 数据文件 ├── requirements.txt ├── test_agent.py # 测试脚本 ├── start.bat # 启动脚本 └── README.md一键运行# 克隆项目 git clone https://github.com/Lee985-cmd/AI-30-Day-Challenge.git cd AI-30-Day-Challenge/projects/investment-research-agent # 安装依赖 pip install -r requirements.txt # 配置本地模型 URLPowerShell 管理员权限 [System.Environment]::SetEnvironmentVariable(LOCAL_LLM_URL, http://your-server:port/v1, User) # 运行测试 python test_agent.py九、写在最后Agent 不是替代证券分析师而是增强证券分析师。60% 的重复工作→ Agent 自动完成40% 的创造性工作→ 你专注深度思考和决策效率提升27 倍成本降低99.95%错误率降低80%你现在需要做的下载源码跑通示例接入真实数据源Tushare定制化的研究模板持续优化 Prompt这套系统我已经用在实际学习中效果非常好。如果你遇到问题欢迎在 GitHub 提 Issue在 CSDN 评论区讨论⚠️ 重要声明本项目仅供学习和研究使用不构成任何投资建议非投资建议AI 生成的报告仅供参考投资者应独立判断数据准确性数据可能存在滞后或不准确风险提示股市有风险投资需谨慎责任免除不对因使用本报告产生的任何损失承担责任合规提醒未经批准不得从事证券投资咨询业务建议在做出投资决策前请咨询持牌证券顾问或金融专业人士。 相关资源GitHub 完整代码https://github.com/Lee985-cmd/AI-30-Day-Challenge本项目代码projects/investment-research-agent/30 天完整教程https://blog.csdn.net/m0_67081842?typeblog❓有问题提 Issue 如果觉得这个项目对你有帮助欢迎⭐Star 支持一下Fork并二次开发 分享给需要的朋友你的 Star 是我持续更新的最大动力❤️作者Lee身份职场宝爸 / AI 学习者 / Agent 实践者CSDNhttps://blog.csdn.net/m0_67081842更新频率每周 2-3 篇技术干货 成长心得