AI研报的数字谁算的?FinRobot把算数权收归代码

风险提示：本文仅作技术交流，不构成投资建议。股市有风险，投资需谨慎。文中提到的所有框架均为开源工程工具，用于研究数据处理与自动化流程，不产出任何买卖结论。

你有没有想过一件事：当你让 AI 写一份"深度研究报告"，报告里那些精确到小数点的估值数字，到底是谁算出来的？

大多数人的第一反应是"AI 算的"。这个回答听起来没问题，实际上漏洞很大——大语言模型的本质是预测下一个 token，不是执行浮点运算。你让它算 DCF，它会给你一个看起来很像 DCF 结果的数字，而不是算出来的 DCF 结果。

FinRobot 这个项目，8,012 个 star、Apache-2.0 协议，来自 AI4Finance 基金会，做的第一件事就是把这条线画清楚：

Numbers are code-calculated.Narratives are LLM-assisted.Every output is provenance-tracked.

翻成大白话：数字由代码算，文字由模型写，每一步都能溯源。

这句话是整篇文章的纲。下面所有横评，都围绕它展开。

先说清楚两种路线的差别。这不是学术争论，直接决定你能不能拿这份报告去跟人掰扯。

FinRobot 桌面版内置了30 个纯 Python 计算算子和7 个协调器（coordinator），覆盖 DCF、DDM、LBO、WACC、可比公司分析、蒙特卡洛模拟这些标准估值工具。

关键点在于：模型不碰这些数字。它只负责读代码算出来的结果，然后组织语言、写论点、做综合。

这是 FinRobot 最值得抄的设计：把"算"和"说"彻底分开。

横评二：四代架构演进——它换过四次"骨架"

很多开源项目绑定一个 Agent 框架就再也不动了。FinRobot 反过来：框架只是壳，金融领域层才是核心。

项目原话是这么说的：

FinRobot 不由任何单一 Agent 框架定义。我们持续采纳、评估并随最先进的 Agent 架构演进，同时把金融领域层、工具、工作流、确定性计算与决策能力保持在核心位置。

这句话值得琢磨。它意味着框架选型是可替换的，领域资产是不可替换的。V0 到 V3 换了四套框架，金融算子、数据源适配、报告结构这些沉淀一直留着。

四层结构从上到下是：

1.Financial AI Agents 层 —— 引入 Financial Chain-of-Thought（金融思维链），把市场预测、文档分析、交易策略拆成可解释的步骤
2.Financial LLMs Algorithms 层 —— 针对特定领域和全球市场调优的模型配置
3.LLMOps & DataOps 层 —— 多源集成策略，为具体金融任务挑选最合适的模型
4.Multi-source LLM Foundation Models 层 —— 通用与专用大模型的即插即用底座

横评三：9 个智能体的分工——比"一把梭"强在哪

单模型做研究，是一个人从头写到尾。FinRobot 桌面版把它拆成 9 个角色：

流程长这样：

User Research Request        ↓Lead Agent / Orchestrator        ↓Data Agent → Analysis Agent → Modeling Agent → Synthesis Agent → Report Agent        ↓Bull Agent ↔ Bear Agent → Judge Agent        ↓Traceable Investment Research Output

为什么要有 Bull / Bear / Judge？ 因为单一链条的输出天然偏向"自洽"——模型会给自己前面写的东西找理由。加一组对立角色强制它同时生成两套论证，再由第三方角色裁决，能显著减少这种自我强化。

多空辩论 + 裁判角色，是防止模型"越写越自信"的实用工程手段。

V0 版本的抽象是经典的Perception → Brain → Action 三段式：

•Perception（感知） —— 从行情、新闻、经济指标捕获多模态金融数据，结构化后交给下游
•Brain（大脑） —— 用 LLM + Financial CoT 把数据转成结构化指令
•Action（行动） —— 执行指令：出报告、调组合、发告警

横评四：Smart Scheduler——模型不是越大越好

这一层是很多人忽略的。FinRobot 有个Smart Scheduler，专门管"哪个任务用哪个模型"。

四个组件：

翻译成人话：简单的取数任务别调用最贵的推理模型。这一层直接决定你的 token 账单和响应时延。

没有调度层的 Agent 系统，成本会失控；有了调度层，模型多样性才真正可用。

横评五：和通用多智能体框架比，差别在哪

FinRobot README 自己列了一串通用框架：AutoGen（56k）、MetaGPT（65.6k）、CrewAI（46.6k）、LangChain（130k）等。它们和 FinRobot 不是替代关系，但定位差异很明显：

桌面版 v0.1.0 的代码量级：全栈约18.4 万行，横跨 Python 后端、React/Tauri 桌面前端、Rust 外壳与测试。7 条研究流水线覆盖公司研究、DCF、可比公司、LBO、DDM、盈利分析与 IC memo 生成。

实操：怎么把它跑起来

开源部分（finrobot_equity/）走 Web 界面最简单。跑起来之后是这个样子：

git clone https://github.com/AI4Finance-Foundation/FinRobot.gitcd FinRobot# 配置密钥cp finrobot_equity/core/config/config.ini.example finrobot_equity/core/config/config.ini

config.ini 里填三个 key：

[API_KEYS]fmp_api_key = YOUR_FMP_API_KEY          # https://financialmodelingprep.com/developeropenai_api_key = YOUR_OPENAI_API_KEY    # https://platform.openai.com/account/api-keysadanos_api_key = YOUR_ADANOS_API_KEY    # 可选：启用零售情绪洞察

一键起 Web 服务：

chmod +x deploy.sh./deploy.sh start# 默认访问 http://127.0.0.1:8001

也可以用命令行两步跑完整条流水线：

# 第一步：财务分析python finrobot_equity/core/src/generate_financial_analysis.py \    --company-ticker NVDA \    --company-name "NVIDIA Corporation" \    --config-file finrobot_equity/core/config/config.ini \    --peer-tickers AMD INTC \    --generate-text-sections# 第二步：生成研报python finrobot_equity/core/src/create_equity_report.py \    --company-ticker NVDA \    --company-name "NVIDIA Corporation" \    --analysis-csv output/NVDA/analysis/financial_metrics_and_forecasts.csv \    --ratios-csv output/NVDA/analysis/ratios_raw_data.csv \    --config-file finrobot_equity/core/config/config.ini

流水线四步：取数（FMP 拿三张表）→ 处理预测（三年预测 + DCF + 同业对比）→ 多智能体分析（8 个专职 Agent 出投资逻辑、风险评估、估值概览）→ 成稿（15+ 图表类型的 HTML/PDF 研报）。

V0 主仓那套基于 AutoGen 的用法也很直接：

conda create --name finrobot python=3.10conda activate finrobotpip install -U finrobot# 重命名 OAI_CONFIG_LIST_sample → OAI_CONFIG_LIST 并填入 key# 重命名 config_api_keys_sample → config_api_keys 并填入 finnhub / fmp / sec key

入门 notebook 在tutorials_beginner/，进阶在tutorials_advanced/，后者包含交易策略智能体、多模态 K 线智能体、SMACross 参数优化智能体等。