通用Agent不行了？这个1.5万Star的金融AI，把投研流程全自动跑通

De senaste åren har utvecklingstrenden för AI-agenter blivit allt tydligare, och den allmänna agentförmågan, förstärkt av allmänna stora modeller, har ökat stadigt.

Men så fort man kliver in i ett professionellt område är det lätt för dessa "allsmäktiga agenter" att avslöja sina brister, och finansiell forskning är det mest typiska exemplet.

Att dekonstruera finansiella rapporter, enhetligt verifiera indikatorer, verifiera datakällors äkthet och replikera forskningsresultat är alla kärnkrav för finansiell forskning, och det är helt enkelt omöjligt att verkligen lösa dessa problem med en intelligent agent som är allmän för alla områden.

Under processen att gå igenom open source-projekt upptäckte jag ett projekt som har fått en hel del beröm i både finanskretsar och utvecklargemenskaper: Dexter, en autonom intelligent agent speciellt utformad för djupgående finansiell forskning.

Till skillnad från vanliga finansiella frågeverktyg kan den själv dekonstruera forskningsuppgifter, hämta professionella data, utföra analysprocesser och upprepade gånger verifiera forskningsresultat. Det kan betraktas som en intelligent agent som verkligen har implementerats i finansiella investerings- och forskningsscenarier, och både populariteten och styrkan är mycket imponerande.

Inte en "finansiell version av ChatGPT"

Om vanliga finansiella AI-lösningar handlar om "kan jag ge ett svar", så handlar Dexter om det mer centrala "kan jag undersöka problemet noggrant" i finansiell forskning.

Dexters position är inte att vara en "finansiell version av ChatGPT", utan att replikera den verkliga finansiella investerings- och forskningsprocessen.

När du ställer en forskningsfråga, till exempel:

• Analysera ett företags intäktsförändringar under de senaste fem åren?
• Jämför värderingsstrukturen för två branscher?
• Utvärdera ett företags kassaflödeskvalitet?

Det kommer inte att ge en slutsats i text direkt, utan kommer att följa den professionella investerings- och forskningslogiken, först klargöra forskningsmålet, sedan bedöma de centrala finansiella indikatorer som krävs för att slutföra forskningen, sedan välja matchande professionella datakällor och slutligen steg för steg utföra analys, verifiera data och komplettera information.

Hela forskningsprocessen är strukturerad och spårbar, snarare än att "generera" svar en gång för alla med hjälp av en stor modell.

Professionella datakällor är dess styrka

Den nedre gränsen för finansiell analys beror alltid på datakvaliteten.

Dexter kan direkt ansluta till finansiella datakällor på institutionsnivå, som täcker kärndata som intäktsrapporter, balansräkningar och kassaflödesrapporter.

Detta är inte en enkel webbskrapning, utan ett datasystem organiserat kring en professionell finansiell struktur.

Problemet med många allmänna agenter är att logiken kanske inte är något fel på, men datakällorna är vaga och standarderna är inte enhetliga, så slutsatsen är helt enkelt inte hållbar.

Dexter behandlar datakällor som en kärnkompetens från designnivå, snarare än en extrafunktion. Detta är ett mycket viktigt steg för investerings- och forskningsscenarier.

Den kommer att "kontrollera sig själv"

Dexters självverifieringsmekanism överensstämmer ännu mer med de höga kraven på noggrannhet inom det finansiella området.

Under hela analysprocessen kommer Dexter kontinuerligt att kontrollera mellanresultat och slutliga slutsatser. Om den upptäcker logiska luckor eller dataförluster kommer den automatiskt att justera forskningsstegen och fortsätta att utföra dem tills den har slutfört en fullständig forskningsuppgift.

Modellstöd

Dexters kompatibilitet är också mycket flexibel. Oavsett om det är stora molnmodeller som OpenAI, Anthropic, Google, xAI, OpenRouter eller lokalt distribuerade Ollama, kan de sömlöst anslutas. Den kan köras snabbt i molnet och kan också uppfylla integritetskraven för lokal distribution.

Snabbstart

1. Förbered körmiljön

Dexter använder Bun som körning, och den officiella versionen kräver 1.0 eller högre. Installationsmetoderna för olika system är olika. Starta om terminalen efter operationen.

macOS / Linux-system kan köra:

curl -fsSL https://bun.com/install | bashWindows-system kan köra:

powershell -c "irm bun.sh/install.ps1|iex"Efter installationen, ange bun --version i terminalen, och installationen lyckas om versionsnumret kan matas ut normalt.### II. Klona projektet och installera beroenden

Efter att ha klonat projektets repository, gå in i projektkatalogen och använd Bun för att installera de beroenden som projektet behöver:

git clone https://github.com/virattt/dexter.git cd dexter bun install

III. Konfigurera miljövariabler

Detta är ett viktigt steg för att köra Dexter. Projektet har redan tillhandahållit en mallfil för miljövariabler. Vi behöver bara kopiera mallen för att generera en konfigurationsfil och sedan redigera den efter våra egna behov:

cp env.example .env Redigera sedan den genererade .env-filen. De viktigaste API-nycklarna som behöver konfigureras är huvudsakligen indelade i tre kategorier:

• API-nyckel för leverantörer av stora språkmodeller: Inkluderar OpenAI, Anthropic, Google, xAI, OpenRouter, etc. (t.ex. OPENAI_API_KEY) kan konfigureras enligt den stora språkmodellen du använder;
• API-nyckel för finansiella dataset: Används för att hämta finansiella marknads- och ekonomiska data på institutionsnivå, vilket är kärnkonfigurationen för att uppnå professionell finansiell analys. Rekommenderas att konfigureras. Hämta adress: https://financialdatasets.ai/
• API-nyckel relaterad till webbsökning: Inkluderar Exa, Tavily, används för att förbättra agentens webbsökningsförmåga, är en valfri konfiguration. Hämta adress: https://exa.ai/

Om du behöver använda lokalt distribuerad Ollama, konfigurera i filen:

OLLAMA_BASE_URL=http://127.0.0.1:11434

IV. Starta Dexter

När miljövariablerna har konfigurerats, kör startkommandot direkt i terminalen:

bun start Du kan sedan gå in i Dexters interaktiva CLI-gränssnitt. Ange finansiella forskningsrelaterade frågor i gränssnittet, så planerar och utför det automatiskt hela analysprocessen.

Om det är för utvecklings- eller felsökningsändamål kan du starta i hot-reload-läge:

bun dev

V. Utvärdering och felsökning

För användare med avancerade behov har Dexter en inbyggd utvärderingsverktyg som kan testa agentens analysförmåga. Du kan antingen köra en fullständig utvärderingsprocess eller slumpmässigt välja ut prover för testning:

bun run src/evals/run.ts bun run src/evals/run.ts --sample 10 Dexter kommer automatiskt att registrera alla analysprocesser, verktygsanrop och mellanresultat i den här katalogen:

.dexter/scratchpad/ Genom filerna under den kan du slutföra granskningen av forskningsprocessen och felsökningen av projektet

Vertikala agenter är fokus för nästa steg

Generella agenter kommer att fortsätta att utvecklas, men de intelligenta agenter som verkligen börjar bli "användbara" kommer definitivt att vara de som gräver djupt inom vertikala områden.

Dexter är ett typiskt exempel. Det försöker inte täcka alla områden, utan fokuserar på finansiell forskning och fördjupar datakällor, analysprocesser och verifieringsmekanismer.Projektadress: https://github.com/virattt/dexter