Financial AI Copilot：基于 Agentic RAG 的智能金融分析助手

Financial AI Copilot是一款开源的自主金融分析师应用，旨在解决传统金融分析工具门槛高、AI助手难以访问实时数据的痛点。它结合Agentic RAG架构与大语言模型，实现实时股票数据获取、金融新闻智能检索和实时网络搜索，为用户提供数据驱动的风险收益评估，定位为用户的“金融副驾驶”，支持从公开公司分析到宏观趋势判断等多种需求。

在金融投资领域，信息及时性和分析全面性决定决策质量。传统工具需专业编程技能或金融知识，多数AI助手难以直接访问实时市场数据。本项目定位为“金融副驾驶”，通过Agentic RAG+LLM让用户以自然语言获取专业分析，覆盖公开/私有企业分析、宏观趋势判断等需求，能理解上下文、追踪对话历史，并将高风险请求转化为客观分析。

系统采用微服务架构，Docker Compose容器化部署。后端基于FastAPI（异步处理并发请求），前端用Streamlit构建交互界面。技术选型：LLM引擎为Llama3.3 70b（Groq部署低延迟）；代理框架用LangChain（工具绑定）+LangGraph（状态化执行与记忆）；可观测性集成LangSmith；向量数据库Qdrant（存储金融新闻嵌入）；嵌入模型all-MiniLM-L6-v2；实时股票数据来自yfinance，网络搜索用DuckDuckGo（无需密钥）。

1. 智能工具路由：自动判断查询实时股票数据（公开公司）或网络搜索（私有公司/宏观趋势）；2. 动态RAG管道：查询公开股票时实时获取新闻，嵌入后存入Qdrant实现语义检索；3. 状态化对话：借助LangGraph检查点维护跨会话上下文，支持自然追问；4. 反拒绝与请求重构：检测高风险请求时转化为数据驱动的风险收益评估，兼顾合规与用户需求。

应用场景包括：公开公司分析（如对比苹果/微软市值利润率）、私有公司调研（如Stripe融资轮次）、宏观趋势查询（如科技板块下跌原因）。项目通过LLM-as-a-Judge管道评估RAGAS指标，覆盖简单股价查询到复杂混合场景，包含虚假公司陷阱、未来预测陷阱等边界测试，确保正确响应。

部署步骤：准备Docker Desktop和Groq API密钥（可选LangSmith密钥）→克隆仓库→配置环境变量→运行docker-compose up --build。前端默认8501端口，后端API文档在8000端口Swagger UI。代码结构模块化（代理配置、API服务、RAG管道等独立目录），便于开发者二次开发定制。

Financial AI Copilot展示了LLM与实时数据检索结合构建实用金融工具的可能性，解决传统工具门槛高问题，通过Agentic架构赋予系统自主决策与智能路由能力。对探索AI金融应用的开发者和投资者而言，是值得深入研究的开源项目。