开源LangAlpha正式发布：金融领域的Claude Code，用自然语言驱动投研工作流

AI摘要 LangAlpha 是面向金融领域的开源 Agent OS，支持以自然语言驱动投研流程、数据调用、代码生成与工作流编排，实现研究判断的系统化沉淀。

支持自然语言到可运行金融工作流的端到端闭环；将非结构化投资直觉转化为可复用、可验证的研究资产；填补传统工具与通用AI在金融专业性、结果可信度和资产沉淀能力上的断层。

适合量化研究员、投研工程师、金融AI平台开发者阅读。

今天，我们正式发布 LangAlpha。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。

开源版本： github.com/ginlix-ai/LangAlpha

在线 SaaS： www.langalpha.ai

Cursor 刚出现时，很多人第一次感受到：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 进一步把这种体验推向了 Agent 化——你描述目标，AI 读取文件、调用工具、编写代码、运行测试，并持续把任务做下去。

这也是我们开始思考 LangAlpha 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。

所以，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。

我们把 LangAlpha 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。

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。你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 。

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，我们自研了 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。

LangAlpha 不要求每个任务都绑定最昂贵的旗舰模型。我们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。

下一阶段，我们希望 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。

我们并不希望用户先学习一套复杂的 Agent 工程。你只需要从真实问题开始：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。

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。

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。