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

> 一个开源的自主金融分析师应用，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，为投资决策提供数据驱动的风险收益评估。

- 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm)
- 发布时间: 2026-04-06T17:14:51.000Z
- 最近活动: 2026-04-06T17:20:36.829Z
- 热度: 150.9
- 关键词: 金融AI, Agentic RAG, LLM, 实时股票数据, LangChain, LangGraph, 开源项目, 投资分析
- 页面链接: https://www.zingnex.cn/forum/thread/financial-ai-copilot-agentic-rag
- Canonical: https://www.zingnex.cn/forum/thread/financial-ai-copilot-agentic-rag
- Markdown 来源: ingested_event

---

# Financial AI Copilot：基于 Agentic RAG 的智能金融分析助手\n\n## 项目背景与定位\n\n在金融投资领域，信息获取的及时性和分析的全面性往往决定了决策的质量。传统的金融数据分析工具通常需要用户具备专业的编程技能或深厚的金融知识，而市面上大多数 AI 助手又难以直接访问实时市场数据。Financial AI Copilot 项目正是为了解决这一痛点而生——它是一个开源的自主金融分析师应用，通过结合 Agentic RAG（检索增强生成）架构与大语言模型，让用户能够以自然语言对话的方式获取专业的金融分析服务。\n\n该项目的核心定位是成为用户的"金融副驾驶"，能够处理从公开上市公司分析到私有企业调研、从宏观经济趋势判断到具体股票对比的广泛需求。与传统金融终端不同，它不仅能提供实时数据，还能理解上下文、追踪对话历史，并在面对高风险请求时智能地将其转化为客观的数据驱动分析。\n\n## 系统架构与技术栈\n\nFinancial AI Copilot 采用了现代化的微服务架构设计，整个系统通过 Docker Compose 进行容器化部署，确保了开发环境与生产环境的一致性。系统主要分为前端界面层和后端服务层两大部分。\n\n后端基于 FastAPI 框架构建，负责代理编排和 API 服务。FastAPI 的高性能异步特性使其能够高效处理来自前端的并发请求。前端则采用 Streamlit 构建交互式聊天界面，用户可以通过简洁的 Web 界面与 AI 分析师进行对话。前后端之间通过安全的网络通信进行数据交换。\n\n在技术选型方面，项目充分利用了当前 AI 工程领域的主流工具链。LLM 引擎选用了 Llama 3.3 70b 模型，通过 Groq 服务进行部署，实现了超低延迟的推理响应。代理框架采用 LangChain 和 LangGraph，前者负责工具绑定和链式调用，后者提供了状态化代理执行和长期记忆能力。为了监控代理执行过程和令牌消耗，项目还集成了 LangSmith 进行可观测性追踪。\n\n数据存储层使用了 Qdrant 作为向量数据库，用于存储和检索金融新闻的嵌入向量。嵌入模型选用 sentence-transformers 的 all-MiniLM-L6-v2，能够在本地 Docker 卷上高效运行。实时股票数据通过 yfinance API 获取，而网络搜索功能则借助 DuckDuckGo 搜索 API 实现，无需复杂的 API 密钥配置即可使用。\n\n## 核心功能解析\n\n### 智能工具路由与动态 RAG\n\n系统最显著的特点是其智能工具路由机制。当用户提出查询请求时，代理会自动判断应该查询实时股票数据（适用于公开上市公司）还是执行实时网络搜索（适用于私有公司和宏观趋势）。这种自动路由能力大大简化了用户交互，用户无需了解底层数据源的具体差异。\n\n动态 RAG 管道是另一个关键特性。当用户查询特定公开股票代码时，系统会实时获取相关金融新闻，将其嵌入并向量化后存储到 Qdrant 向量数据库中，从而实现高速语义检索。这意味着系统不仅能回答基于历史训练数据的问题，还能结合最新的市场动态进行分析。\n\n### 状态化对话与上下文追踪\n\n借助 LangGraph 的检查点机制，系统能够维护跨长会话的对话上下文。用户可以进行自然的追问和话题切换，例如先询问苹果公司的市值，然后说"把它和谷歌对比一下"，系统能够理解"它"指代的是苹果公司，并自动获取谷歌的对应数据进行对比分析。\n\n### 反拒绝与请求重构\n\n金融领域的 AI 应用面临一个独特挑战：当用户直接询问投资建议时，标准的大语言模型往往会拒绝回答， citing 安全政策。Financial AI Copilot 通过智能的请求重构机制解决了这一问题——当检测到高风险请求时，代理会自动将其转化为客观的数据驱动风险收益评估，既遵守了合规要求，又满足了用户的信息需求。\n\n## 实际应用场景\n\n该项目支持多种实际应用场景。在公开公司分析方面，用户可以获取实时财务指标并查询近期新闻文章，例如"对比苹果和微软的市值和利润率"。对于私有公司和宏观趋势，系统能够执行实时网络搜索来调研初创公司、非上市公司以及更广泛的经济变化，例如"Stripe 最近有哪些融资轮次？"或"今天科技板块为什么下跌？"。\n\n项目还包含了一套完整的自动化 AI 评估报告，使用 LLM-as-a-Judge 管道对 RAGAS 指标进行评估。测试覆盖了从简单直接股价查询到复杂混合场景（如同时涉及公开和私有公司）的多种用例，包括专门设计的陷阱测试如"虚假公司陷阱"和"未来预测陷阱"，确保代理在各种边界情况下都能正确响应。\n\n## 部署与使用\n\n部署 Financial AI Copilot 相对简单。用户需要准备 Docker Desktop 和一个免费的 Groq API 密钥（可选 LangSmith 密钥用于追踪）。通过克隆仓库、配置环境变量、运行 docker-compose up --build 命令即可启动完整服务。前端界面默认在 8501 端口提供服务，后端 API 文档则可通过 8000 端口的 Swagger UI 访问。\n\n项目的模块化代码结构清晰易懂，包括代理配置、API 服务、RAG 数据管道、工具实现和 UI 界面等独立目录，便于开发者进行二次开发和定制。\n\n## 总结与展望\n\nFinancial AI Copilot 展示了如何将大语言模型与实时数据检索相结合，构建真正有用的金融分析工具。它不仅解决了传统金融数据工具门槛高的问题，还通过 Agentic 架构赋予了系统自主决策和智能路由的能力。对于希望探索 AI 在金融领域应用的开发者和投资者而言，这是一个值得深入研究的优秀开源项目。