天枢智投（Best-AI-Trader）是一个面向 A 股投研、AI 多智能体决策、模拟交易、长期记忆和经验复盘的下一代智能交易系统。
它基于 LLM、Agentic Workflow、工具调用、Skills、长期记忆和后验经验复盘等先进 AI 技术，构建可执行、可审计、可持续进化的智能投研闭环。
它不是一个只把行情表包成聊天机器人的 demo，而是一套把金融数据工程、工具增强型 Agent、专业投研分工、 多轮策略辩论、组合经理决策、长期记忆、模拟撮合、持仓账本、任务追踪和前端实时展示串起来的完整 AI 投研系统。
一句话概括：天枢智投让 LLM 从“会聊天的模型”升级为一个能查数据、会分工、能辩论、可记忆、可审计、能执行和能复盘的 AI 投研与交易团队。
风险说明：本项目用于研究、开发和模拟交易，不构成任何投资建议。真实交易前请自行验证数据、策略和风险。 项目不附带任何第三方行情、新闻、搜索或金融数据授权；启用相关数据源前，请自行确认服务条款、缓存限制和再分发限制。
天枢智投（Best-AI-Trader）在多智能体投研工作流的学习和设计过程中，受到
TradingAgents-CN 的启发。感谢 hsliuping/TradingAgents-CN
对 TradingAgents 思路在中文社区的传播、中文化实践和工程化探索。
本项目围绕 A 股投研、长期记忆、后验经验复盘、模拟交易和可审计前端体验做独立实现与扩展。上述致敬不改变 天枢智投的源码开放许可定位，也不代表项目之间存在官方从属或授权关系。
- 工具增强型 AI 投研：Agent 不只生成文本，而是通过行情、财务、新闻、政策、资金流、技术指标和沙箱计算工具形成证据。
- 多智能体投资委员会：新闻、政策、情绪、基本面、技术面、资金流、风控、多头、空头和 PM 分工协作，模拟专业投委会流程。
- 多轮辩论与结构化决策：系统把分析、质疑、反驳、收敛和 PM 决策拆成可追踪工作流，不依赖单次 prompt 碰运气。
- AI 长期记忆闭环：一用户一股票一份 Markdown 活文档，复盘经验自主组织、按需读取、带版本与容量约束，token 成本可控。
- 后验经验复盘系统：用真实价格路径检验 PM 决策，自动归因涨跌主因、修正辩论流程，并把可复用规则写回记忆。
- 数据工程底座：使用 PostgreSQL、JSONB、API 注册表和数据刷新调度承载 A 股核心数据与长尾异构数据。
- 模拟交易引擎：支持账户、订单、成交记录、持仓、FIFO 批次账本、费用、A 股一手和 T+1 约束。
- 实时可观测体验：异步任务、WebSocket、前端审计页和统一日志让 AI 分析过程可看、可查、可复盘。
- Docker 一体化部署：PostgreSQL、Redis、LiteLLM、独立沙箱、网页抓取、后端、前端和 Nginx 一套 Compose 拉起。
天枢智投的目标不是“给 LLM 一个 prompt，让它猜涨跌”，而是把现代 Agentic AI 的关键能力工程化到真实投研链路中。
| AI 能力 | 在项目中的体现 |
|---|---|
| Agentic Workflow | 使用多阶段工作流组织上下文获取、垂直分析、战略辩论和 PM 决策，让复杂任务按流程推进 |
| Tool-use Reasoning | Agent 可以调用数据查询、新闻检索、政策分析、技术指标、资金流和 Python 沙箱工具，而不是只依赖模型记忆 |
| Multi-Agent Debate | 多头、空头、风控、情绪、新闻、政策等角色互相制衡，降低单一视角直接拍脑袋的风险 |
| Structured Decision | PM 输出结构化决策，包含动作、理由、信心、仓位、风险和交易参数，便于审计和执行 |
| Long-Term Memory | 每只股票维护一份自由格式的记忆文档，索引常驻 prompt、全文按需读取，写入带乐观版本锁和容量上限 |
| Evidence-Backed Recall | 记忆文档按时间沉淀后验收益与信号验证证据，读取即整份原文，不做有损加工 |
| Post-Decision Review | 经验复盘系统把 PM 结论、真实走势、交易执行和 Agent timeline 放在一起复核，提炼可复用规则 |
| Human-in-the-loop Audit | 前端实时展示 AI 过程，后端保存 session、message、task、order 和 memory 事件，便于人工复盘 |
| Closed-loop Trading Simulation | AI 决策可以进入模拟交易、持仓账本和后续复盘，形成从分析到执行再到学习的闭环 |
这套系统更接近一个 AI 投研操作系统：数据层负责喂给模型真实上下文，Agent 层负责分工和推理，交易层负责把决策落到账户和持仓，记忆层负责让系统从历史中持续进化。
当前推荐并支持的完整启动方式是 Docker Compose。服务会启动 PostgreSQL、Redis、LiteLLM、独立 Python 沙箱、独立 WebFetch 网页渲染服务、可选 Scrapling MCP、FastAPI 后端、React 前端和 Nginx 统一入口。
完整部署步骤、环境变量、启动停止、验证和排障见 部署指南。 Windows 用户建议使用 Windows WSL2 Docker Engine 部署指南。
| 能力 | 常见 LLM 交易 Demo | 天枢智投 |
|---|---|---|
| 数据输入 | 少量手写 prompt 或单一行情 | 行情、财务、新闻、政策、情绪、资金流等上下文分层 |
| AI 形态 | 单模型一次性输出 | 工具增强、多角色、多阶段、多轮辩论的 Agent 工作流 |
| 决策方式 | 直接输出买卖建议 | 垂直分析、战略辩论、PM 汇总、结构化决策 |
| 长期能力 | 每次分析互相割裂 | 单文档记忆沉淀历史结论，经验复盘系统把后验教训写回长期记忆 |
| 可审计性 | 结论难以回放 | session、message、task、order、memory 和 WebSocket 事件可追踪 |
| 模拟交易 | 简化买卖记录 | 订单、账户、持仓、成交、费用、T+1、FIFO 批次账本 |
| 选股流程 | 直接让模型挑股票 | 自然语言需求、计划确认、工具循环、证据合成和消息流 |
| 工程化程度 | 单脚本或单服务 | FastAPI、React、PostgreSQL、Redis、pgvector、LiteLLM、独立沙箱、WebFetch、Nginx、Docker Compose 一体化 |
这是系统的核心 AI 能力：把“一个模型直接给答案”升级成“多个专业角色共同完成投研决策”。前端或 API 发起分析后，后端会创建异步任务并运行 LLM 工作流：
- 构造股票上下文；
- 并行生成新闻、政策、情绪和垂直分析报告；
- 进入多头、空头等战略辩论；
- PM 汇总仓位、风险和上下文，输出最终结构化决策；
- 过程和结果写入数据库，并实时推送到前端。
核心实现见 LLM Debate Engine。
AI 决策不会停留在文本层面，而是可以进入模拟账户和交易账本。交易链路把入口、数据库编排和纯计算引擎分开：
- API 或 AI 工具负责发起订单；
TradingService负责账户、持仓、订单和成交记录的一致性写入；TradingEngine负责合法性检查、费用计算、T+1 可卖股数、FIFO 账本和持仓快照。
核心实现见 Trading Architecture。
交互式选股通过自然语言需求生成研究计划，经用户确认后进入 Deep Research 工具循环。系统保留对话、计划、工具调用和阶段状态，适合围绕行业、风格、风险偏好持续补充约束。
- 用户提交选股需求和基础约束；
- 计划 Agent 生成可确认、可修改的研究计划；
- 用户确认后，研究 Agent 调用数据、搜索和分析工具补全证据；
- 系统将推荐、观察名单、淘汰候选和证据缺口写入消息流；
- WebSocket 推送任务进展，前端可继续追问或补充要求。
经验复盘系统把 AI 决策从“生成结论”推进到“用真实结果校验结论”。它会选择已有 PM 决策的 debate session，读取决策后 K 线和相对表现，复盘原始判断到底对在哪里、错在哪里。
- 收集 PM 决策、各 Agent timeline、订单成交和后验市场结果；
- 对 5 日、20 日、60 日收益、回撤、相对指数和相对行业表现做复盘；
- 分辨被验证信号、被证伪信号和噪音信号；
- 输出改进后的动作、仓位、止损、买卖规则和 debate 流程优化；
- 将高价值经验通过
write_memory写入长期记忆。
核心实现见 Experience Review System。
系统内置单文档记忆，让交易系统不只是“每次重新分析”，而是可以沉淀和调用历史经验：
- 交易辩论和经验复盘结论通过
write_memory整文档替换写入，文档结构由 AI 自主组织； - 每个用户和股票锚定一份记忆文档，按用户隔离；
- prompt 只注入一行存在性提示，Agent 判断历史经验有助当前判断时再通过
read_memory读取全文； - 写入带乐观版本锁（防止并行覆盖）和容量上限（防止无限膨胀）。
核心实现见 backend/app/ai/memory_documents/store.py，设计说明见 单文档记忆系统设计。
- 部署指南：Docker Compose 服务架构、环境变量、启动停止、验证和排障。
- Windows WSL2 Docker Engine 部署指南：不安装 Docker Desktop，在 WSL2 Ubuntu 内部署 Docker Engine 和本项目。
- Backend Capability Map：后端高级能力、技术点和实现路径总览。
- Trading Architecture：当前真实生效的交易链路、T+1、账本和止损字段行为。
- LLM Debate Engine：多 Agent 工作流、节点职责、状态流转和持久化。
- Experience Review System：后验经验复盘、市场结果校验、事件流和记忆写入。
- 单文档记忆系统设计：长期记忆的存储、读写协议和并发/容量约束设计。
- Skills Loader Integration Guide：如何新增 Skills、references 和 scripts，让 Agent 加载专业能力。
- News Plugins Integration Guide：如何替换自己的新闻插件库、开发新闻源插件并验证
search_news。
比较有价值的改进方向包括：
- 补充真实数据源接入和字段映射；
- 完善交易引擎对 A 股细节规则的覆盖；
- 增加 AI 决策、经验复盘和 memory 集成的评测用例；
- 改进前端审计页、任务追踪和异常恢复体验；
- 补充部署、监控、备份和安全配置文档。
本项目采用 MIT License，允许商业和非商业用途，包括使用、复制、修改、合并、出版发行、散布、再许可和/或销售本软件的副本。
请同时阅读：
- Legal And Compliance Notice：证券投顾、自动化决策、隐私和公开部署边界。
- Data Source Policy：Tushare、历史数据同步源、可配置盯盘网页源、NewsAPI、Tavily 和外部插件的数据授权要求。
- Security Policy：生产部署前需要收紧的高风险接口和配置。
- Contributing：贡献者许可、数据源、测试夹具和安全提交要求。
注意：当前系统正在快速迭代，作者会尽量保证兼容，不兼容时会给出升级指导文档。