今天，LangAlpha 正式发布。它是一套开源的金融 Agent OS，也可以理解为“金融领域的 Claude Code”：用自然语言驱动投研、数据、代码和工作流，把研究员的判断沉淀成可以持续运行的系统。
在线 SaaS：www.langalpha.ai
从 Vibe Coding 到 Vibe Investing / Vibe Trading
Cursor 刚出现时，许多人第一次感受到：AI Coding 的价值并不只是“替你补几行代码”，而是把人的意图直接变成可运行的软件。随后，Claude Code、Codex、OpenCode 进一步将这种体验推向了 Agent 化——用户描述目标，AI 读取文件、调用工具、编写代码、运行测试，并持续执行任务。
这也是 LangAlpha 开发的起点：金融领域是否也需要一个类似的入口？
投资者和研究员每天都有大量尚未结构化的直觉：某只股票盘中异动，背后是主力吸筹还是高位兑现？一条产业新闻会影响哪些公司？一个因子最近是否失效？下一轮财报季最值得跟踪的催化剂是什么？
传统工具要求用户自己找数据、写脚本、做表格、画图，再把零散信息拼成判断；普通 AI 问答虽然能给出一段文字，却很难保证数字、时间点和来源都可靠，更难把一次对话沉淀成可复用的研究资产。
因此，金融领域需要的不是一个“更会聊天的投顾机器人”，而是一个能够承接 Vibe Investing 与 Vibe Trading 的专业工作台：把直觉变成数据问题，把数据问题变成分析流程，再把分析流程变成可复盘、可验证的研究与交易准备。
它与 Claude Code 有什么不同？Claude Code 面向通用执行环境；LangAlpha 面向金融世界。除了模型和工具调用，它还必须补上金融数据的时间语义、长期 Workspace、代码计算、证据链、验证规则、权限与审计。
LangAlpha 是什么：一句话，金融 Agent OS
LangAlpha 被定义为一个建立在 Harness 架构之上的金融 Agent OS。模型负责理解和推理，Harness 负责让任务持续、让数据可信、让过程可追踪、让失败能恢复。
这不是给大模型套一层金融 Prompt。它是一套完整的运行系统：从用户输入、研究规划、数据获取、Python 计算，到文件生成、结果验证、状态保存与流式回传，都被组织在同一个工作环境里。
图 1｜LangAlpha 的整体架构：Harness 托住执行，Agentic Loop 驱动研究，Workspace、PTC、多模型路由与韧性层共同支撑长复杂任务。
2.1 产品化 Harness：Workspace、Trace、Verifier
对用户来说，Harness 不是一个抽象的工程名词，而是三个非常具体的产品能力。
Workspace：每个标的、组合或研究主题都有独立工作区。历史对话、数据文件、图表、模型、代码、研究假设和待验证问题会持续保存，新数据到来后可以在原有 thesis 上继续更新。
Trace：工具调用、数据来源、执行步骤和生成文件都有记录。用户可以看到结论是如何形成的，也可以回放、复核和分享整个研究过程。
Verifier：关键数字、财务口径、引用、时间点、估值公式和回测结果会经过验证。高风险步骤还可以设置人工确认，让错误在扩散前被发现。
用户最终获得的不是一次回答，而是一个 可以持续积累、反复使用的研究资产库。
2.2 Agent Runtime：PTC，让 AI 真正做分析
金融分析的核心并不是语言生成，而是对数据进行精确计算。为此，自研了 PTC（Programmatic Tool Calling）运行方式：模型不直接“猜”数字，而是生成 Python 代码，在隔离沙箱中调用金融数据、清洗数据、计算指标、画图，再把经过 Schema 校验的结果送回推理链。
复杂财务指标、时间序列、组合风险和因子分析交给代码计算，结果可以复现。
每段代码、输入数据和执行结果都保存在 Workspace 中，可以重跑、审计和对比。
任务可拆成可执行计划，长任务中断后可以从 Checkpoint 恢复，而不是从头再来。
最终产出可以是表格、图表、Markdown、PDF、PPT 或可交互看板，而不只是聊天窗口里的一段文本。
2.3 多模型优化：用更低成本获得接近旗舰模型的任务效果
LangAlpha 不要求每个任务都绑定最昂贵的旗舰模型。针对不同模型做了统一适配与任务优化，支持 Claude、OpenAI、DeepSeek、GLM、Kimi 等模型，并在 Runtime 层对上下文、工具调用、验证和失败恢复进行补偿。
在已经适配的结构化研究、数据分析和报告生成任务中，DeepSeek、GLM、Kimi 等更低成本模型，配合 PTC、Workspace、Verifier 和专业工具链，可以取得接近 Claude 的实际任务完成效果。这里的关键并不是宣称所有模型能力相同，而是通过系统工程，显著缩小最终工作结果的差距。
简单任务使用高性价比模型，复杂推理按需路由到更强模型。
模型失败或服务异常时自动回退，长任务不因单一供应商中断。
用户可以使用自有模型 Key，在成本、隐私与效果之间灵活选择。
这对用户意味着什么？同样一份长周期研究任务，不必把每一步都交给最贵模型。用户可以用更可控的成本，获得接近旗舰模型的完整研究产出。
2.4 正在研发的自进化：让验证与失败经验回流
下一阶段，希望 LangAlpha 不只是完成任务，还能从任务中学习。自进化不是让 AI 神秘地“自己变聪明”，而是把每次验证、失败和人工修正沉淀成系统经验。
Verifier 发现的问题回流到下一轮规划，减少相同错误反复出现。
中断、误判和无效工具调用沉淀为恢复策略、规则和测试集。
高质量研究流程沉淀为 Skill、模板和自动化 DAG，供后续任务复用。
用户与研究员的人工确认逐步形成机构自己的方法论与质量标准。
LangAlpha 能为你做什么：把直觉变成专业投研分析和交易策略
用户不需要先学习一套复杂的 Agent 工程。只需从真实问题开始：输入一个标的、一段直觉、一个研究目标，LangAlpha 会负责拆解任务、寻找数据、执行计算、生成图表，并把结果沉淀到 Workspace。
3.1 盘中资金意图：从“这只票怎么看”到可执行剧本
图 2｜盘中资金意图分析：还原分时走势、量能与资金行为，并给出午后情景与操作触发条件。
当用户问“北方华创午后怎么看”时，系统不是给出一句模糊的看多或看空，而是结合分时、成交量、关键价位、主力与游资行为，拆出不同概率的午后剧本。研究结果不仅能读，还能继续追问、修正和跟踪。
3.2 催化剂日历：把分散信息组织成投资时间线
图 3｜AI 科技股财报催化剂日历：自动整理财报、产品、行业会议与宏观事件，形成可跟踪的主线地图。
做财报季、主题投资或事件驱动研究时，真正困难的不是找到一条新闻，而是判断哪些事件重要、何时发生、影响哪条产业链。LangAlpha 可以把分散的公告、财报和事件整理为时间线，标记关键节点与研究问题，让“信息”变成“行动节奏”。
3.3 板块轮动与复盘：把市场感觉转化为证据链
图 4｜板块轮动与盘中复盘：结合成交额、板块强弱和轮动路径，解释市场正在发生什么。
用户看到科技板块修复，可能直觉上认为主线回归；LangAlpha 会进一步对比成交额、板块表现和个股结构，判断是放量进攻、存量轮动还是高低切换，并把结论写成带图表与证据的复盘材料。
3.4 AI 自动理解 K 线图：让图形判断进入结构化分析
图 5｜AI 自动理解 K 线图：读取价格结构、均线、关键支撑阻力与财报催化，把图形观察转成结构化交易判断。
许多交易直觉并不是从财报表格开始，而是从一张 K 线图开始。用户看到某只股票跌到关键均线附近，或者跌破平台、回踩支撑，往往想快速判断：这是下跌趋势延续，还是财报前的预期博弈？LangAlpha 能读取 K 线图中的价格结构、均线位置、阶段走势、关键价位与量价关系，并结合事件催化与基本面背景，输出更像专业交易员笔记的分析结果。
自动识别趋势、平台、支撑阻力、均线压制与关键价格区域。
把“图上看起来不太对劲”的感受，转化成可复核的偏多 / 偏空证据链。
结合财报、行业与市场背景，给出更适合盘前或盘中决策的结构化判断。
3.5 复杂金融自动化任务：让研究和跟踪持续运行
图 6｜复杂金融自动化任务：支持价格提醒、晨报、每周组合回顾、财报追踪等自动化工作流持续运行。
金融工作中，许多重要任务并不是一次性完成的，而是需要每天、每周、每个财报季不断重复。例如盘后复盘、晨报推送、组合跟踪、财报前瞻、价格触发提醒等。LangAlpha 的自动化模块把这些高频工作组织成可以持续运行的任务：用户设定目标、频率和模式后，系统会按计划执行、生成结果并把输出继续沉淀到对应 Workspace。
支持价格提醒 + 分析、晨报简报、组合回顾、财报追踪等常见自动化任务。
把“一次好用的分析”进一步升级为“可持续运行的金融工作流”。
对个人用户意味着更省时间，对团队和机构则意味着更稳定的研究产能。
为什么做投研要用 LangAlpha，而不是直接用 Claude Code / Codex？
Claude Code 和 Codex 是非常优秀的通用执行型 Agent。它们擅长理解开放目标、写代码和调用工具。但金融投研并不是一个纯粹的代码任务：数据有时间点，结论有来源，计算需要复现，研究需要跨 Session 延续，机构还需要权限、审计和私有化部署。
图 7｜Claude Code / Codex 优化通用 Agent 的执行能力；LangAlpha 补齐金融任务所需的数据、长期状态、验证、成本优化与产品治理。
金融数据开箱即用：多市场行情、财务、公告、研报、宏观和新闻数据被统一组织，并保留时间语义和来源。
研究过程持续沉淀：Workspace 让任务跨天、跨文件、跨 Session 延续，历史研究可以复用。
结果可以验证：PTC 代码计算、Trace、数据血缘与 Verifier 共同降低幻觉和数值错误。
成本可以控制：多模型路由让 DeepSeek、GLM、Kimi 等模型承担合适任务，在不少场景中逼近旗舰模型效果。
更适合真实工作：研究结论、图表、报告、文件和审计记录形成完整交付，而不是停留在回答或脚本。
一句话总结，Claude Code 优化的是 Agent 的能力上限；LangAlpha 优化的是金融任务的质量下限、可信度和稳定交付能力。
为什么要做这件事，以及未来规划
相信 AI Coding 只是垂直 Agent 工作台的开始。今天，软件工程已经出现 Cursor、Claude Code、Codex、OpenCode；接下来，金融、法律、医疗、科研等复杂领域，也会逐步出现自己的专业 Agent OS。
这些产品不会只是把通用模型换一个行业名称。真正的垂直 Agent，需要把行业数据、专业工具、工作方法、验证标准和安全边界做成底层基础设施。金融之所以适合作为第一站，是因为它同时具备高价值任务、高密度数据和强验证要求。
LangAlpha 希望成为金融垂类里的先驱和开拓者：
对个人投资者与一人公司，它是把研究直觉转化为专业成果的生产力工具。
对研究员与金融 FDE，它是统一数据、代码、模型和工作流的研究操作系统。
对机构，它是支持私有数据、权限审计、BYOK 与本地部署的金融 Agent 基础设施。
对开发者社区，它是一个开放的开源项目，任何人都可以查看核心实现、扩展 Skill 与工具，并参与共建。
目标不是再做一个短期热门的 AI 应用，而是让金融判断能够持续运行。如果 Vibe Coding 让人们开始和 AI 一起写代码，那么 LangAlpha 希望让更多人开始和 AI 一起研究、验证假设、形成策略，并在市场变化时持续更新观点。
现在开始体验：开源版本适合查看核心实现、参与共建和私有化部署；在线 SaaS 可以直接创建 Workspace，体验金融数据、代码执行、研究产出和长任务工作流。
在线 SaaS：www.langalpha.ai