价投合伙人 · A-Share Value Copilot

中文 | English

一个开源的本地 AI 投研合伙人。把"好生意 / 好公司 / 好价格"编码进价投大师 Agent，替你做尽调、出三段式报告、自我复核、桌面端一键跑。

ai-hedge-fund 教你做对冲基金，价投合伙人教你少做交易。

一句话定位：A 股散户和研究者的本地 AI 投研台。

不用付费行情 API，不让模型编数字，不给买卖建议；它只帮你判断一家公司是否值得继续研究，并把证据、分歧和不知道的部分摊开。

更多真实输出见 样例报告库。

flowchart LR
  A["股票代码 / 公司名"] --> B["Python 数据边车<br/>akshare"]
  B --> C["DataPack<br/>唯一数字来源"]
  C --> D["多位价值投资大师"]
  D --> E["综合裁判<br/>verdict + scorecard"]
  E --> F["HTML / Markdown 报告"]
  F --> G["AI 复核员<br/>事实、逻辑、相关性问题"]

市面上 AI 选股工具的三个病：

1. 黑箱：给你一个分数，说不清是好生意还是好价格；
2. 追热点：LLM 自己编数字，追涨杀跌；
3. 美股中心：A 股数据要付费、要会英文。

价投合伙人反着来：

• 🇨🇳 A 股原生：akshare 免费数据，不依赖任何付费 API
• 🧠 中文大师人格：巴菲特 / 段永平 / 芒格 / 林奇 / 马克斯 / 格雷厄姆 / 费雪 / 李录等多位大师，强制 PASS / FAIL / GRAY 三段式输出
• 🔒 能力圈门禁：看不懂的生意直接拒绝分析，不装懂
• 📐 反幻觉：所有数字必须来自 tool call（akshare 实时查询），禁止 LLM 自算
• 🧪 AI 复核员：每份报告由独立的复核 Agent 对照原文扫引用、扫矛盾、扫估值跳跃，产出 issues 清单
• 🖥️ 桌面投研工作台：Electron 打包，Windows NSIS / Portable 与 macOS PKG / DMG / ZIP 发行，内置数据边车，下载即可用
• 🗂️ 自选股池 + 公司档案：把单次报告沉淀成长期跟踪对象，维护结论、备注、数据质量和历史报告
• 🔎 本地筛选 / 风险雷达 / 公司对比：基于本地快照筛候选、看风险红灯、横向比较估值、股息、历史分位和备注
• 🧰 诊断中心 + 本地持久化：内置边车状态、模型配置、报告目录、最近事件检查；自选股和原则写入本地状态文件
• 🪄 低学习成本交互：首次启动三步引导、报告摘要卡、长任务进度条、可操作错误提示和统一 AI 侧栏
• 🔑 自带 API Key · 12 家 LLM Provider 即选即用：OpenAI 兼容协议，桌面端内置预设：腾讯云 LKEAP / DeepSeek / 阿里通义 / 智谱 GLM / Kimi / 豆包 / 硅基流动 / OpenRouter / Ollama / OpenAI / Grok / 自定义。思考型模型（如 glm-4.6 / qwq）的 reasoning 链很费 token，v0.1.15 起默认预算已拉到 16384 并内置截断重试

桌面端不只是“生成一份报告”，而是围绕长期研究流程做了一个本地投研台：

推荐使用路径：

单家公司分析 → AI 复核 → 加入自选 → 刷新快照 → 本地筛选 → 公司档案跟踪 → 对比 / 风险复盘 → 导出摘要

工作台内置统一的 AI Copilot Layer。顶部有统一的 AI 助手侧栏，每个模块也保留轻量 AI 动作按钮，用户不需要自己写 prompt：

所有 AI 动作都遵守同一约束：只基于当前页面上下文、DataPack、报告、数据质量提示和用户原则整理，不新增未来源数字；如果数据缺失或冲突，必须先提示复核数据源，不输出买卖建议。

1. 去 Releases 下载 价投合伙人-0.2.2-x64.exe（Windows 安装版）、价投合伙人-0.2.2-portable.exe（Windows 免安装版），或 macOS 的 .pkg / .dmg / .zip 包
2. 首次启动填 LLM_BASE_URL / API_KEY / MODEL（支持 LKEAP / DeepSeek / 本地 Ollama）
3. 输入股票代码或公司名，点「开始分析」→ 得到三段式 HTML 报告
4. 点击「AI 复核」检查报告，再把公司加入「自选」进入长期跟踪

桌面端会优先启动安装包内置的 value-copilot-sidecar，普通用户不需要安装 Python。开发者仍可用源码模式运行 pnpm sidecar。

corepack enable
pnpm install
pnpm desktop:dist:mac

当前 macOS 配置默认生成 Apple Silicon (arm64) 的 PKG / DMG / ZIP。PKG 会把应用安装到 /Applications；安装包内已包含 Electron 应用和 PyInstaller 打出的 value-copilot-sidecar，普通用户不需要安装 Node、pnpm、Python 或 akshare。构建命令会在 Mac 上用系统 sips / iconutil 从现有 PNG 生成 resources/icon.icns。正式分发前建议配置 Apple Developer ID 签名与 notarization；未签名本地测试包可能需要在系统设置中允许打开。

pnpm install
pnpm sidecar
cp .env.example .env
# 填 LLM_BASE_URL / LLM_API_KEY / LLM_MODEL
pnpm ask 600519

# 1. 启动数据边车（一个终端）
cd services/data-sidecar
pip install -r requirements.txt
python main.py              # 监听 http://127.0.0.1:9876

# 2. 配置 LLM（另一个终端）
cp .env.example .env
# 编辑 .env，填 LLM_BASE_URL / LLM_API_KEY / LLM_MODEL

# 3. 装依赖 + 跑大师委员会
pnpm install
pnpm ask 600519             # 贵州茅台
pnpm ask 601318             # 中国平安

报告落到 reports/{code}-{date}.md / .html，AI 复核摘要落到 .meta.json。

更多排错技巧见 RUN.md。

这个项目的重点不是让 LLM 更会说，而是限制它别乱说：

桌面端「设置」内置 12 家预设，选完自动填好 LLM_BASE_URL 与可选模型。全部走 OpenAI 兼容协议，CLI 用户改 .env 三个变量即可。

• 追求性价比 + 国内直连：腾讯云 LKEAP Token Plan（包月不限模型）或 DeepSeek 官方（V3 极便宜）
• 追求质量 + 接受海外延迟：OpenRouter 选 claude-sonnet-4.5（推理质量天花板）
• 追求隐私 + 完全免费：Ollama 本地跑 qwen2.5:14b（需 ≥16GB 内存）

# 腾讯云 LKEAP Token Plan
LLM_BASE_URL=https://api.lkeap.cloud.tencent.com/plan/v3
LLM_API_KEY=sk-tp-xxxxxxxxxxxx
LLM_MODEL=glm-4.6

# 或 DeepSeek 官方
LLM_BASE_URL=https://api.deepseek.com/v1
LLM_API_KEY=sk-xxxxxxxxxxxx
LLM_MODEL=deepseek-chat

# 或 Ollama 本地（离线）
LLM_BASE_URL=http://127.0.0.1:11434/v1
LLM_API_KEY=ollama
LLM_MODEL=qwen2.5:14b

⚠️ Anthropic Claude / Google Gemini 原生 API 协议不兼容 OpenAI，需要走 OpenRouter 或自建代理（如 LiteLLM）转译。原生适配将在 v0.2 评估。

仓库自带一键自检脚本，用 /chat/completions 发一句 ping 探测每家：

# 1. 拷贝模板（首次运行会自动生成 .example）
cp .env.providers.test.example .env.providers.test

# 2. 把你有 key 的 provider 那行取消注释、填值（没填的会自动 skip）
#    例：DEEPSEEK_KEY=sk-xxxxxxxx

# 3. 跑！
pnpm verify:providers

输出示例：

Provider              Model                       Status   Dur     Info
-----------------------------------------------------------------------------
LKEAP · Token Plan    glm-5.1                     ✓ PASS   1024ms  → ...
DeepSeek 官方          deepseek-chat               ✓ PASS   780ms   → ping
阿里 DashScope         qwen-turbo                  ✗ FAIL   401     Invalid API-key

.env.providers.test 已加入 .gitignore，不会污染仓库。

┌─────────────────────────────────────────────────────────┐
│  Desktop (Electron) │ CLI (tsx)                         │  入口层
└──────┬──────────────┴────────┬──────────────────────────┘
       │                       │
       ▼                       ▼
┌─────────────────────────────────────────────────────────┐
│  packages/agents                                        │
│    - runner        （OpenAI 兼容 LLM + tool calling）   │
│    - buffett       （巴菲特人格 prompt）                │
│    - duan          （段永平人格 prompt）                │
│    - judge         （两段合议 + verdict）               │
│    - reviewer      （AI 复核员，独立上下文）            │
└──────┬──────────────────────────────────────────────────┘
       │  HTTP
       ▼
┌─────────────────────────────────────────────────────────┐
│  services/data-sidecar  (Python + akshare)              │
│    /quote /profile /financial /valuation                │
│    /dividend /historical-pe /industry-compare /healthz  │
└─────────────────────────────────────────────────────────┘

• W1 数据边车 + 三段式 prompt + Buffett/段永平 Agent
• W1 CLI 串通本地链路
• W2 judge 合议员 + HTML 报告
• W2 Electron 桌面端（NSIS / Portable）
• W2 AI 复核员（reviewer）+ 失败自动重试 + JSON 截断抢救
• W3 批量跑样例（茅台 600519 / 平安 601318 / 工行 601138 已验证）
• W4 reviewer 结果落 meta.json，payload 附 llm_meta（finish_reason / truncated / 预算使用）
• W6 公开发布（v0.1.15 · 2026-05-10）
• W7 桌面投研工作台：自选股池、批量筛选器、公司档案、风险雷达、公司对比、投资原则、导出摘要
• W8 体验增强：诊断中心、历史报告搜索/批量删除、自选股刷新、数据质量提示、本地状态文件、冒烟测试
• W9 交互简化：首次启动三步引导、报告摘要卡、长任务进度条、可操作错误提示、统一 AI 助手侧栏
• W3 芒格 Agent + 三方圆桌辩论
• W8 自选股批量后台更新 + SQLite 持久化 + 持仓周报
• W5 Web UI（React Flow 可视化合议链路）
• W6 公众号推介 + 样例报告集

详见 CHANGELOG.md。

单人开发，欢迎 fork、借鉴、提 issue 和 PR。响应不一定及时，但认真的讨论都会看。

如果你打算扩展 prompt（比如加芒格、加彼得·林奇），直接在 prompts/ 里仿照现有格式写，再到 packages/agents/src/ 里加个 runner 就能接入委员会。

本工具是研究辅助，不是投顾服务。所有输出仅用于帮你独立思考，不构成任何买卖建议。投资决策由你自己负责。

"能力圈的大小不重要，知道能力圈的边界在哪里才重要。" —— 巴菲特

MIT © 2026 huahai