张明（化名）是某私募的科技行业分析师。2025 年 Q4，他花了整整三周研究 NVIDIA 的数据中心业务护城河——从季报电话会记录、供应链文件、到 H100/H200 的产能分配逻辑，积累了大量笔记和 Excel 模型。

但问题来了：2026 年 2 月，DeepSeek-R2 发布后，客户开始问他"这对 NVIDIA 影响多大"。他打开笔记本，发现自己的分析框架已经支离破碎——三周前的笔记散落在不同文件，LLM 对话上下文早已丢失，要从头回忆当时的核心判断和假设前提。

他需要的是研究的复利：让 AI 在每次对话中记住之前的工作，持续累积洞察，而不是每次都从零开始。

这正是 LangAlpha 试图解决的核心问题——将 Claude Code/OpenManus 等代码 Agent 的"持久上下文 + 增量构建"模式，系统性引入金融投研场景。GitHub 已有 694 Stars，最新提交距今不到 24 小时，项目获得了 Gemini 3 Hackathon 奖项。

框架核心拆解

整体架构

LangAlpha 的后端基于 FastAPI，前端为 React 19 + Vite + Tailwind Web UI，消息推送采用 SSE（Server-Sent Events），状态持久化用 PostgreSQL 双池（应用数据 + LangGraph Checkpointer），Redis 承担事件缓冲和实时数据缓存。

%%{init: {'theme': 'neutral'}}%%
flowchart TB
    Web["Web UI<br/>React 19 · Vite · Tailwind"] --> API
    Web --> WSP
    CLI["CLI / TUI"] --> API

    subgraph Server ["FastAPI Backend"]
        API["API Routers<br/>Threads · Workspaces · Market Data"] --> ChatHandler
        ChatHandler["Chat Handler<br/>LLM Resolution · Credit Check"] --> BTM
        BTM["Background Task Manager<br/>asyncio.shield · Workflow Lifecycle"]
    end

    subgraph PostgreSQL ["PostgreSQL — Dual Pool"]
        AppPool["App Data<br/>Users · Workspaces · Threads"] --> BTM
        CheckPool["LangGraph Checkpointer<br/>Agent State · Checkpoints"] --> BTM
    end

    subgraph Redis ["Redis"]
        EventBuf["SSE Event Buffer"] --> BTM
        Steering["Steering Queue<br/>User Messages Mid-workflow"] --> BTM
        DataCache["API Cache<br/>Market Data"] --> API
    end

    BTM -. "Sandbox API" .-> Daytona["Daytona<br/>Cloud Sandboxes"]
    API -. "REST" .-> FinAPIs["Financial APIs<br/>FMP · SEC EDGAR"]
    WSP -. "WebSocket" .-> GData["ginlix-data<br/>Polygon.io"]

核心设计理念：工作空间（Workspace）是研究的容器，线程（Thread）是会话的单元，Agent.md 是跨会话的持久记忆。

编程式工具调用（PTC）：Token 消耗降低一个数量级

传统 Agent 调用金融数据的典型方式：用户问"帮我查一下苹果最新的毛利率"，Agent 调用 get_financials("AAPL")，API 返回 200 行原始财务数据，全部塞入 LLM context 窗口。Token 消耗惊人，而且原始数据里大量字段 Agent 根本不需要。

LangAlpha 的 PTC（Programmatic Tool Calling）彻底翻转了这个范式：Agent 自己写 Python 代码，在云端沙盒执行，只把最终结果返回给 LLM。

%%{init: {'theme': 'neutral'}}%%
flowchart LR
    LLM["LLM<br/>Writes Python"] --> EC["ExecuteCode Tool"]
    EC --> Run["Code Runner"]

    subgraph Sandbox ["Daytona Cloud Sandbox"]
        Run --> Wrappers["Generated Wrappers<br/>One module per MCP server"]
        Wrappers --> MCP["MCP Servers<br/>Subprocesses in sandbox"]
    end

    MCP --> APIs["Financial APIs<br/>FMP · Yahoo · Polygon"]
    APIs --> MCP
    Run --> EC
    EC --> LLM

举例：用户请求"对比一下苹果、微软、谷歌过去 5 年的营业利润率，并画出趋势图"。Agent 的思考链不是"调用工具获取原始数据 → 塞入 context"，而是：

# Agent 生成的 PTC 代码示例（LangAlpha 实际生成的代码结构）
import yf_analysis as yf

tickers = ["AAPL", "MSFT", "GOOGL"]
years = range(2019, 2025)
results = {}

for ticker in tickers:
    bs = yf.get_balance_sheet(ticker)
    is_ = yf.get_income_statement(ticker)
    
    operating_margins = []
    for year in years:
        revenue = is_.loc["Total Revenue", year]
        operating_income = is_.loc["Operating Income", year]
        margin = operating_income / revenue
        operating_margins.append({"year": year, "margin": margin})
    
    results[ticker] = operating_margins

# 生成图表
import matplotlib.pyplot as plt
plt.figure(figsize=(12, 6))
for ticker, data in results.items():
    years = [d["year"] for d in data]
    margins = [d["margin"] * 100 for d in data]
    plt.plot(years, margins, marker="o", label=ticker)
plt.title("Operating Margin Trend (5Y)")
plt.legend()
plt.savefig("results/operating_margin_trend.png")
print("Chart saved to results/operating_margin_trend.png")

整个多年度数据拉取、跨公司横向比对、图表渲染，全部在沙盒内完成，LLM 只收到最终图表路径和关键数字，而不是几千行原始 JSON。

持久化工作空间：让 AI 每次都从记忆出发

每个 Workspace 对应一个 Daytona 云端沙盒，带有固定目录结构：

/workspace/
├── work/              # 每次任务的临时工作区
│   └── <task_name>/
│       ├── data/      # 原始数据
│       ├── charts/   # 生成的图表
│       └── code/      # 执行的脚本
├── results/           # 最终交付物
├── data/              # 共享数据集
└── agent.md           # 跨会话持久记忆

agent.md 是 LangAlpha 最关键的设计之一——Agent 在每次会话结束时自动将当前进度、关键发现、待跟进问题写入 agent.md，下次会话时 middleware 自动将其注入 LLM 上下文。这意味着：

• 研究"Q2 数据中心需求深度分析"的 Workspace，第二周回来时 Agent 已经知道之前的核心假设：H100 产能约束、中国区需求占比、Grace-Hopper 供应链风险
• 不需要用户手动总结历史上下文
• 研究自然累积，像一个永不遗忘的分析师助理

23 个预置投研技能

LangAlpha 预装了 23 个金融研究技能（Skills），覆盖最常见的投研工作流，每个技能本质上是一个 SKILL.md 定义的工作流模板，可通过斜杠命令或自动意图检测激活：

每个技能对应 MCP 服务器的特定工具子集，Agent 在激活技能时只暴露相关工具，避免过度工具化的上下文污染。

关键工程洞察

1. PTC 模式将 Token 成本从 O(n×数据量) 降为 O(结果)

在传统 JSON Tool Calling 模式下，分析 AAPL/MSFT/GOOGL 三年季度数据，Token 消耗约为 3 公司 × 4 季度 × 3 年 × 单季度数据量 ≈ 36× 单季度原始数据。

PTC 模式：Agent 生成 ~20 行 Python 代码（< 500 tokens），沙盒执行后返回一张图和 9 个数字（< 200 tokens）。整体 Token 减少 95% 以上，且分析精度更高（代码逻辑可审计、可复用）。

这对需要大规模量化筛选（扫描整个 S&P 500 财务数据找异常值）的场景尤为关键。

2. 数据供给链的三层降级设计是务实工程

LangAlpha 没有假设用户有彭博终端。它设计了数据 Provider 的三层降级链：

系统自动降级：Tier 1 不可用 → Tier 2 → Tier 3。用户也可以用 make config 快速切换层级组合。

这对个人投资者和初创团队意义重大——零成本启动，随着研究规模升级到付费数据源，不需要换框架。

3. “Flash + PTC” 双模式设计是会话与深度分析的恰当分离

LangAlpha 将 Agent 行为分为两个模式：

• Flash 模式：快速会话——行情速查、即时问答、Workspace 管理、轻量级图表分析。延迟低，Token 消耗小，适合"刚才 NVDA 涨了多少"这类问题。
• PTC 模式：深度研究——多步骤财务建模、跨时期趋势分析、生成正式报告。启动沙盒有 ~2-5 秒冷启动开销，但分析质量远高于 Flash。

这解决了 AI 投研工具的一个经典矛盾：用户既需要"秒回"的快速查询，也需要"深度"的多步骤分析，传统 RAG + 单 Agent 架构无法同时兼顾。

信源

• LangAlpha GitHub 仓库：https://github.com/ginlix-ai/langalpha
• LangAlpha README（含架构图与技能列表）：https://github.com/ginlix-ai/langalpha#readme
• LangAlpha API 文档：https://github.com/ginlix-ai/langalpha/tree/main/docs/api
• Financial Modeling Prep（免费数据层）：https://site.financialmodelingprep.com/ （FMP 提供免费注册 API Key）
• Daytona Sandboxes（云端代码执行）：https://www.daytona.io/
• Agent Skills Spec（技能规范）：https://agentskills.io/specification