convez.ai
AgenteFinanceiroAvançado
wispig66

A Stock Agent

wispig66/a-stock-agent

Workflow de pesquisa A-Stock autohospedado com agentes de IA e scripts auditáveis

Ver no GitHub
InicialPluginScore · de 0 a 100

Agent de pesquisa de ações A-Stock (China) que automatiza ciclos de curto prazo: planejamento pré-abertura, disciplina intradiária, revisão pós-fechamento e monitoramento de anomalias. Executa via múltiplos agentes de IA (Codex, Claude, Cline) com entrega em Feishu/WeChat, mantendo auditorias em SQLite sem conectar a corretoras nem fazer trades automáticos.

Instalação

$npx convez-ai wispig66/a-stock-agent

1 comando no terminal: detecta o formato do repositório (marketplace ou plugin avulso) e instala via Claude Code. Requer Node 18+ e o Claude Code instalado.

Métricas

Estrelas
0
Forks
1
Acompanhando
0
Saúde
71%
Último commit
há 5 meses
Versão
—
Issues abertas
0
Contribuidores
1

Casos de uso

  • Automatizar ciclos diários de pesquisa de swing trading (pré-mercado, intradiário, pós-fechamento)
  • Monitorar anomalias e emergências temáticas em tempo real com alertas
  • Gerar cartões de pesquisa estruturados via IA baseados em dados verificados
  • Manter auditoria local de decisões e validar fontes de dados críticas

Veredito

Solução robusta para pesquisadores de A-Stock que dominam Python, automação local e IM. Separação clara entre execução determinística e raciocínio de IA é arquitetura bem pensada; exige manutenção ativa de tokens, bases de dados e agendamento.

README

A tradução para o português deste README ainda está na fila.

A Stock Agent

自托管的 A 股研究工作流,基于可配置 AI agent、可审计 skill 和确定性数据脚本运行。

它把「盘前计划、盘中纪律、盘后复盘、周复盘、异动监控、随时问答」拆成一组可审计的 workflow:先由确定性脚本或数据适配层拉取行情、题材、消息和持仓数据,形成 fact pack;再由 AI agent 生成交易研究卡片;最后通过 IM 通道推送给用户。

本项目只做研究、记录和提醒,不自动下单,不连接券商,不承诺收益。所有交易决策和实际下单都由使用者自行完成。

项目定位

A Stock Agent 不是交易执行系统,也不是通用聊天机器人。它关注的是把 A 股短线研究流程拆成可重复、可审计、可替换的环节:

  • stock-* skills 定义研究任务和输出契约。
  • config/jobs.yaml 定义自动化任务、时间表和 agent profile。
  • 数据抓取、校验、去重、日志和 IM 推送由确定性组件承担。
  • AI agent 负责阅读 fact pack,生成结构化研究卡片。

仓库内置了一套 Python/SQLite/IM gateway 参考实现和一组 macOS launchd 安装脚本;这些是当前实现路径,不是项目模型的唯一边界。其他运行环境可以用等价的进程管理器、调度器或数据适配层替换。

目录

核心定位

A Stock Agent 的核心是一个自托管的 AI Agent 研究工作流:

自动化调度到点触发(支持 Codex / Claude Code / Cline / OpenClaw / Hermes 等)
  -> 运行对应 stock-* skill
  -> skill 调用确定性脚本生成 fact pack
  -> AI agent 基于 fact pack 写研究卡片
  -> card validator 校验关键数据来源
  -> 飞书 / 微信推送
  -> SQLite 留痕,供后续复盘和下一轮分析使用

长时间轮询类任务不交给 LLM 常驻,而是由本地常驻服务负责:

本地服务管理器运行长时 daemon
  -> watch_loop / anomaly_loop / theme_emergence_loop
  -> 命中阈值后直接推送或写入上下文
  -> stock-* skill 在固定时点读取这些上下文做综合判断

这个设计的目标是:让 LLM 做它擅长的叙事、归因和决策整理,让确定性脚本负责数据抓取、状态记录、去重、校验和推送。

架构和流程

运行时分成三层:stock-* skills 负责研究任务,当前参考实现中的确定性模块负责数据和校验,IM gateway 负责用户入口和推送。SQLite 是中间状态和审计日志,不把关键状态藏在聊天上下文里。

flowchart LR
    User["用户<br/>飞书 / 微信"] --> Gateway["IM gateway<br/>channel_listener.py"]
    Gateway --> Router["命令路由<br/>stock-ask / stock-query"]
    Scheduler["自动化调度<br/>config/jobs.yaml"] --> Skills["stock-* skills"]
    Router --> Skills

    Skills --> Scripts["确定性脚本<br/>行情 / 题材 / 消息 / 持仓"]
    Scripts --> FactPack["fact pack<br/>ALLOWED 白名单"]
    FactPack --> LLM["AI agent<br/>研究卡片"]
    LLM --> Validator["card validator<br/>enforce 校验"]
    Validator --> Notify["notify.push<br/>飞书 / 微信"]
    Notify --> User

    Scripts --> DB[(SQLite)]
    Validator --> DB
    Gateway --> DB

每天的固定任务由自动化调度触发(config/jobs.yaml 定义,支持多种 AI agent),盘中长轮询交给常驻 daemon。这样做是为了让 LLM 只在需要归因和整理时运行,行情轮询、阈值判断和日志记录都留给可重复执行的脚本。

sequenceDiagram
    participant Auto as 自动化调度
    participant Skill as stock-* skill
    participant Data as 数据脚本
    participant DB as SQLite
    participant LLM as AI agent
    participant Push as 飞书 / 微信
    participant Daemon as 常驻 daemon

    Auto->>Skill: 到点触发盘前/盘中/盘后/周复盘
    Skill->>Data: 拉行情、题材、消息、持仓
    Data->>DB: 写入快照、决策票、推送日志
    Data-->>Skill: fact pack + ALLOWED
    Skill->>LLM: 基于 fact pack 生成研究卡片
    LLM-->>Skill: card
    Skill->>Data: card validator enforce
    Skill->>Push: 推送研究卡片
    Daemon->>DB: 盘中异动、观察池、题材冒头持续写入
    Skill->>DB: 下一轮读取上下文做综合判断

示例

以下图片来自本地运行截图,只展示输出形态和工作流,不构成投资建议。

单股问答示例

盘前计划推送示例

适合谁

  • 你已经在做 A 股短线研究,希望把盘前、盘中、盘后流程固定下来。
  • 你希望 AI agent 到点自动生成研究卡片,而不是每天手动整理行情和消息。
  • 你希望通过飞书 / 微信随时问单股、题材、事件,但数据和记录仍保存在本机。
  • 你能接受本项目需要本机环境、IM 机器人、AI agent CLI 和数据源共同稳定运行。

不适合:

  • 想要自动交易或券商下单的人。
  • 想要“稳赚信号”或黑盒荐股的人。
  • 不愿意维护 token、持仓文件、本地数据库和定时任务的人。

功能概览

模块入口说明
盘前计划stock-premarket生成今日是否出手、主攻/潜伏/备选/禁买、仓位和触发条件。
盘中纪律stock-intraday09:30、09:45、11:30、14:30 四个时点输出纪律提醒或叙事快照。
盘后复盘stock-postmarket总结当日题材、情绪、消息、持仓处理和明日预案。
周复盘stock-weekly周日晚生成本周市场叙事、下周方向和候选主线。
异动汇总stock-anomaly把盘中异动日志聚类成“新方向是否冒头”的叙事卡片。
单股分析stock-query输入 6 位代码或股票名,输出买入/观察/回避或持仓处理建议。
随时分析stock-ask输入题材、事件或自由问题,自动路由到单股、板块或事件卡。
IM 网关channel_listener.py统一处理飞书 WebSocket、微信 iLink 长轮询入站消息,连接绑定型通道经 outbox 出站。
本地审计SQLite记录入站命令、出站推送、决策票、运行状态和历史复盘。

三分钟快速开始

把下面这段话发给 Codex / Claude Code,让 agent 在你的机器上完成快速开始。目标是先跑通随时问答入口,完整定时自动化可以在下一步再开。

请帮我在这台机器上运行 A Stock Agent 快速开始。

目标:
1. 让随时问答入口可用。
2. 不自动下单,不连接券商,不做任何真实交易动作。
3. 如果缺少飞书、微信或其他外部服务凭证,只告诉我需要补哪些字段,不要伪造凭证。

执行要求:
1. 如果当前目录没有仓库,请 clone https://github.com/wispig66/a-stock-agent.git 并进入项目;如果已经在仓库里,请先确认分支、工作区和最新代码状态。
2. 先阅读 README.md、docs/automations.md、scripts/quickstart.sh 和 .env.example,确认当前参考实现需要做什么。
3. 需要安装工具、同步依赖、初始化 SQLite、创建 .env、启动 IM gateway 或运行验证时,请你直接执行对应命令,不要让我手动复制命令。
4. 每一步都要基于实际命令输出判断,不要假设环境已经满足。
5. 完成后告诉我:执行了哪些关键动作,哪些服务已经启动,哪些凭证还缺,验证是否通过,以及我可以向 IM 发送哪些测试消息。

agent 通常会使用仓库内置的 scripts/quickstart.sh 完成参考实现的安装和初始化。这个脚本会检查或安装 uv,同步依赖,初始化 SQLite,创建 .env,写入 IM 通道默认配置,并启动统一 IM gateway。飞书凭证可通过 scripts/configure_feishu.py 写入;个人微信通过 scripts/configure_weixin.py 扫码登录。

快速开始只代表 随时问答入口可用。启动成功后,你可以在飞书或已配置的 IM 通道里发送:

/help
600519
/ask 光伏今天能不能看

如果你想跳过 agent,手动跑参考实现,可以直接执行:

bash scripts/quickstart.sh

完整自动化运行

如果你要让系统每天自动跑盘前、盘中、盘后和周复盘,继续让 agent 安装自动化调度和长时 daemon:

请继续帮我启用 A Stock Agent 的完整自动化运行。

目标:
1. 安装 config/jobs.yaml 里的短时 LLM 自动化任务。
2. 安装长时 daemon,用于观察池、异动和题材监控。
3. 先 dry-run 或检查现有配置,避免覆盖未知的本机调度项。
4. 安装后运行诊断和相关测试,确认 Codex / Claude Code 或我指定的 agent 能正常调度。
5. 如果缺少 CLI、凭证或系统权限,请明确列出阻塞点,不要假装安装成功。

如果你想手动跑当前参考实现,可以执行:

bash scripts/quickstart.sh --install-schedule

等价的手动步骤:

bash scripts/sync_codex_skills.sh
bash scripts/install_automations.sh install    # 统一入口,默认 Codex;可 --agent claude-code 切换
bash scripts/install_runtime_services.sh

切换 agent(详见 docs/automations.md):

export STOCK_AGENT=claude-code
bash scripts/install_automations.sh install --replace

安装前可先 dry-run;不带 --output-dir 时只写临时目录,不会改真实 agent 配置:

bash scripts/install_automations.sh install --agent codex --dry-run
bash scripts/install_automations.sh install --agent claude-code --dry-run --output-dir /tmp/stock-claude-tasks

安装后运行诊断:

bash scripts/doctor_codex_runtime.sh

前置条件

依赖说明
Agent CLI至少安装一种支持的 AI agent CLI;内置 profile 包括 Codex、Claude Code、Cline、OpenClaw、Hermes、OpenCode、KimiCode。
参考实现运行环境仓库内置脚本使用 uv 管理 Python 依赖,并用 SQLite 保存本地状态和审计日志。只复用 skill / 调度配置时,可以接入自己的执行环境。
定时和常驻服务macOS launchd 安装脚本已内置;其他系统可用 systemd、cron、supervisor、容器任务或自定义调度器实现同等能力。
IM 通道当前内置飞书 bot 和个人微信 iLink;只做本地分析或测试时不需要配置 IM 凭证。
数据源和密钥按启用的 workflow 配置行情、消息、IM 等外部服务凭证。

如果只是阅读 skills、跑部分单元测试或复用配置,很多运行依赖都不是必须的;如果要完整跑当前参考实现,需要配置 agent CLI、数据源、IM 通道和一个可用的定时/常驻运行环境。

手动安装

如果你不想使用快速脚本,可以手动执行:

git clone https://github.com/wispig66/a-stock-agent.git
cd a-stock-agent

uv sync --group dev
cp .env.example .env
mkdir -p data
sqlite3 data/daily.db < stock_codex/schema/init_db.sql
uv run --no-sync python scripts/migrate_channels.py
uv run --no-sync python -m stock_codex.tools.refresh_calendar

编辑 .env,至少填入:

CHANNEL_DEFAULT=feishu
CHANNELS_ENABLED=feishu,weixin
CHANNELS_NOTIFY=feishu,weixin
FEISHU_ENABLED=1
FEISHU_APP_ID=
FEISHU_APP_SECRET=
WEIXIN_TOKEN=
WEIXIN_HOME_CHANNEL=

建议用配置脚本写入飞书和微信凭证:

uv run --no-sync python scripts/configure_feishu.py
uv run --no-sync python scripts/configure_weixin.py

启动 IM gateway:

bash scripts/start_gateway.sh

重启和状态检查:

RESTART_GATEWAY=1 bash scripts/start_gateway.sh
cat data/channel_gateway_state.json
launchctl list | rg 'stockchannelgateway' || true

start_gateway.sh 后台运行 stock_codex.apps.channel_listener:按 CHANNELS_ENABLED 启动各通道 listener 和 outbox drain。停止时优先用 launchctl remove com.user.stockchannelgateway,临时排查也可以 pkill -f stock_codex.apps.channel_listener。

调度

本项目把运行时分成两类:

  • 短时 LLM 任务:到点运行一次 skill,生成卡片后退出。由 config/jobs.yaml 定义,支持多种 AI agent 调度(默认 Codex,可切换为 Claude Code / Cline / OpenClaw / Hermes / OpenCode / KimiCode)。
  • 长时 daemon:盘中常驻进程,负责不适合 LLM 长跑的轮询、阈值监控和 IM gateway 常驻。仓库提供 macOS launchd 模板,其他环境可替换为等价服务管理器。
类型任务入口
短时 LLM(多 agent)盘前计划stock-premarket
短时 LLM(多 agent)盘中四个时点stock-intraday-*
短时 LLM(多 agent)盘后复盘stock-postmarket
短时 LLM(多 agent)周复盘stock-weekly-review
长时 daemon观察池/持仓轮询com.user.stockwatchloop
长时 daemon全市场异动监控com.user.stockanomalyloop
长时 daemon题材冒头监控com.user.stockthemeloop

IM gateway 监听进程通过 bash scripts/start_gateway.sh 启动。macOS 下脚本会用 launchctl submit 挂起 com.user.stockchannelgateway,其他环境回退到 nohup。连接绑定型通道的出站发送依赖 gateway 持有的 listener 和 outbox drain,因此它必须常驻。

注意:如果仓库放在 ~/Desktop 等受 macOS TCC 保护的目录,launchd 后台进程可能无法正常读取当前目录。更推荐放在 ~/code/a-stock-agent,或者用 bash scripts/start_gateway.sh 在交互式终端里启动 IM gateway。

IM 接入

当前默认只启用飞书和个人微信(CHANNELS_ENABLED=feishu,weixin)。飞书可以直接通过 HTTP API 主动推送;微信 iLink 是连接绑定型通道,主动推送会先写入 channel_outbox,再由常驻 gateway 持有的微信 listener 发送。

CHANNEL_DEFAULT=feishu
CHANNELS_ENABLED=feishu,weixin
CHANNELS_NOTIFY=feishu,weixin

完整操作手册见 docs/im_gateway.md。

飞书

飞书使用官方 lark-oapi WebSocket SDK,不需要公网 webhook 地址。推荐通过向导配置:

uv run --no-sync python scripts/configure_feishu.py

飞书最小配置:

CHANNELS_ENABLED=feishu
CHANNELS_NOTIFY=feishu
FEISHU_ENABLED=1
FEISHU_APP_ID=
FEISHU_APP_SECRET=
FEISHU_HOME_CHANNEL=
FEISHU_ALLOWED_CHAT_IDS=
FEISHU_CONNECTION_MODE=websocket
FEISHU_REQUIRE_MENTION=true
FEISHU_CARD=true

飞书开放平台建议开启:

项建议
连接方式长连接 / WebSocket
消息事件im.message.receive_v1
菜单事件application.bot.menu_v6
群聊策略群聊默认需要 @bot,私聊直接响应

推荐菜单:

菜单event_key作用
帮助help发送帮助说明
单股分析query提示用户发送代码或股票名
随时分析ask提示用户使用 /ask

FEISHU_CARD=true 时,markdown 推送会渲染成带彩色标题的交互卡片(看涨绿 / 看跌红 / 中性蓝)。

个人微信(iLink)

腾讯官方 iLink Bot(ilinkai.weixin.qq.com),扫码登录、仅 1v1(进不了普通群)。定时推送依赖 per-peer context_token 的新鲜度,属 best-effort;飞书仍是更稳定的主推送通道。

uv run --no-sync python scripts/configure_weixin.py

向导会请求登录二维码、等你扫码确认,并把 WEIXIN_TOKEN / WEIXIN_BASE_URL 写入 .env。启用后先在微信里给机器人私聊一条消息,gateway 会把 peer 对应的 context token 写入 data/weixin_context_tokens.json。如果要让定时任务默认推到这个微信会话,把该 peer id 写入 WEIXIN_HOME_CHANNEL。

常用检查:

uv run --no-sync python scripts/migrate_channels.py
RESTART_GATEWAY=1 bash scripts/start_gateway.sh
uv run --no-sync python -m stock_codex.infra.notify test

sqlite3 data/daily.db "SELECT channel, status, attempts FROM channel_outbox ORDER BY id DESC LIMIT 5;"
sqlite3 data/daily.db "SELECT channel, success, source FROM channel_outbound_log ORDER BY id DESC LIMIT 8;"

notify test 应该同时写入飞书和微信出站日志。微信最近一条 channel_outbox.status 应为 sent。

数据可信度和校验

项目要求研究卡片里的关键事实来自 fact pack,而不是模型凭印象编写。

  • scheduled skills 会生成 ALLOWED 事实白名单。
  • push.py 在推送前调用 card_validator 校验股票代码、股名、涨跌幅、连板数、涨停/炸板数量等关键字段。
  • 定时任务默认以 enforce 思路运行:数据不在 fact pack 中,就不应该作为事实写进卡片。
  • 所有推送和入站命令会写入 SQLite,便于复盘和追踪问题。

这套机制不能保证投资结论正确,但能减少“模型编数据”的风险。

项目结构

.agents/skills/          skill 定义:盘前、盘中、盘后、周复盘、异动、问答
stock_codex/             当前参考实现
  apps/                  runtime 入口
  channels/              飞书 / 微信 gateway adapter
  domain/                交易日历、持仓、风控、决策票
  infra/                 SQLite、日志、通知
  market/                行情、题材、事件、卡片校验
  schema/                SQLite schema
scripts/                 安装、迁移、诊断、配置脚本
bin/                     手动或服务管理器入口
launchd/                 macOS launchd 参考模板
tests/                   pytest 测试
docs/                    运行手册和设计文档

常用命令

# 快速安装/启动
bash scripts/quickstart.sh

# 安装自动化调度和长时 daemon
bash scripts/quickstart.sh --install-schedule

# 诊断本机运行环境
bash scripts/doctor_codex_runtime.sh

# 启动/停止 IM gateway
bash scripts/start_gateway.sh
pkill -f stock_codex.apps.channel_listener

# 配置飞书
uv run --no-sync python scripts/configure_feishu.py

# 配置个人微信 iLink
uv run --no-sync python scripts/configure_weixin.py

# 刷新交易日历
uv run --no-sync python -m stock_codex.tools.refresh_calendar

# 运行测试
uv run --no-sync pytest -q

数据源

数据源用途
AKShareA 股行情、交易日历、涨跌停、异动等基础数据。
同花顺/东方财富/财联社题材归因、榜单、新闻和行情 fallback。

数据源可能限流、变更字段、受代理规则影响。项目会尽量降级处理,但不能保证任何第三方数据源永远可用。

开发者

开发环境:

uv sync --group dev
uv run --no-sync pytest -q

提交前建议:

git diff --check
uv run --no-sync pytest -q

贡献方向:

  • skill contract 和 fact pack 质量。
  • 数据源字段变更适配和降级策略。
  • 飞书 / 微信 gateway 稳定性。
  • 更多 IM adapter。
  • 卡片校验、复盘记录、风险提示和文档体验。

提交 PR 前请阅读 CONTRIBUTING.md。安全问题请看 SECURITY.md,不要在公开 issue 里贴 token、chat id、持仓或日志。

致谢

许可证

MIT,见 LICENSE。

免责声明

本项目仅用于学习、研究、记录和提醒,不构成投资建议、交易建议、法律建议或税务建议。所有交易由使用者自行判断并手工执行,任何收益或损失由使用者自行承担。

Ver o original no GitHub

Bom para

Relacionados