Vibe-Research 是一个开源的投研工作台，装在自己电脑上，把 A 股、美股、港股的数据管道打通，做成 13 个栏目，再把你自己已有的 AI 接进来，在这些数据上做研究。

它跟别的东西的区别就一句话：不替你选股票。 取数算数它干，判断留给你。

官方给自己的定位是「接入自己的 AI，日常直接聊，需要研究时开启 Agent」。底子用的是开源的 Codex Harness，一套让 AI 能调用工具、能跑长任务的运行框架，作者没有自己造这套轮子。

要解决什么痛点

个人投资者想认真研究一家公司，实际流程是这样的：

想知道一家公司怎么样→ 开东财看行情，开巨潮找公告，开同花顺看一致预期→ 财务三表去新浪，估值历史去 baostock，研报去东财→ 十个标签页，数据格式各不相同→ 想认真点，把这些抄进 Excel，第二周数据过期，白干→ 全程没有一个地方能沉淀下结论

Vibe-Research 的思路是：把取数这一步标准化，把结论这一步做成本地文件。

它解决的不是「帮你判断」，是「你想判断的时候，数据已经齐了，而且上次的结论还在」。

背景：为什么是现在

三个条件刚好凑齐：

1. 1. 中文金融数据接口成熟——腾讯行情、东财、新浪、巨潮、baostock 这些公开接口覆盖基础面已经够用，而且大多不用鉴权
2. 2. Codex Harness 开源——让 AI 能调工具、能跑长任务的框架不用自己写
3. 3. AI 订阅普及——用户手上已经有 Codex 或 Claude 订阅，接上就能用，项目不用自己养模型服务

作者把这些拼起来，力气花在编排和约束上，而不是重造轮子。

要点：13 个栏目的实际内容

官方说明 把 13 个一级栏目分成四组：

这里要校正一句常见说法：不少人把「资讯雷达」理解成 AI 自动整理重点。项目主页的原话是「集中查看新闻、公司公告与事件线索，找到需要进一步核对的信息」——它是把散在各处的资讯聚到一起，重点还得你自己找，官方没有承诺自动提炼。

「产业信号」这个栏目在散户工具里少见，盯的是 GPU 租金、招聘数据这类另类数据，一般看盘软件不做。

概念：数据层的真实样子

这是整个项目最有信息量的部分，也是作者做得最扎实的地方。

项目主页「数据与市场」一节给了官方分类，共 14 类：

行情、K 线、财务、一致预期、公告、研报、资金、筹码、期权、SEC/FINRA/CBOE、新闻、宏观、产业温度计、招聘、管制与数据日历

117 个端点，30 层，合规分级

datasources/CATALOG.md 是自动生成的端点目录（从 registry.json 生成，勿手改）。当前规模：

• • 117 个数据端点，30 层
• • 覆盖 CN / US / HK
• • 每个端点标注：市场、源、合规等级、标的类型、所属研究阶段、鉴权要求

「端点」在这里就是「一个能取到某项数据的入口」。

合规分级是这个项目少见的亮点，级别定义原文：

也就是说，每个数据来源能不能商用，表里就标着。国内同类项目里这么做的极少。想拿它做商业用途的人，这张表比什么都重要。

底层用的是哪些源（不是 akshare/tushare）

实际调用的数据源，从 CATALOG 里摘：

注意不是 akshare 或 tushare（这两个是国内最常用的开源金融数据包）。作者是自己按源逐个对接的。好处是可控、不带第三方库的坑；代价是维护全落在他一个人身上。

几个设计细节值得记

• • 同一项数据它会换个源再取一遍对账。em_stock_info（东财）的备注就写着「与 fetch_profile（腾讯 + baostock）交叉核对用」，财务也一样，新浪摘要与新浪三表互相验证。
• • 申万行业分类带「变迁史」，注释明确写「消除前视偏差」。前视偏差的意思是，回测时用了当时还不知道的信息——比如拿一家公司今天的行业归属去算它三年前的数据，结果会虚高。这个坑自建回测的人几乎都踩过。
• • 行情端点带僵尸报价判定，避免拿到停牌股的假报价。
• • 问财那两个端点要 key：iwencai_search 与 iwencai_query 需要环境变量 IWENCAI_API_KEY，属于少数要鉴权的端点。

使用方法 / 步骤

从源码跑

环境要求：

Node 那一条有个坑，项目主页专门写了验证命令：

node -p process.features.typescript 应输出 strip 或 transform

部分 Linux 发行版仓库打包的 Node 不满足这个条件，会报 ERR_UNKNOWN_FILE_EXTENSION。装之前先跑一下这句，能省半小时。

步骤：

# 1. 克隆git clone <repo>cd Vibe-Research# 2. 初始化（Windows 用 scripts\setup-windows.cmd）./scripts/setup# 3. 启动（Windows 用 scripts\start.cmd）./scripts/start

脚本会创建 .venv、装依赖、初始化私有目录，然后启动本地 API 加界面，浏览器打开：

http://127.0.0.1:5930

接入 AI

三条路，任选其一：

内置 provider 模板：OpenAI、DeepSeek、Qwen、GLM、Kimi、MiMo。

注意：产品不附赠任何订阅或额度。Key 存浏览器 localStorage，或后端走环境变量。Codex Harness 的 API 通道只支持 Responses API。

Agent 默认关闭，需要时手动开。普通对话不调用工具，开启 Agent 后对话才能用联网和研究工具。

功能要点

个股研究（六阶段）：画像 → 财务 → 盈利预期 → 估值 → 风险 → 报告。研究过程中可以看进度、请求中止，刷新页面后继续看状态。项目主页特别说明：「发出中止请求不代表已经停止，页面会区分请求与确认状态」——这种细节说明作者对 AI 的异步行为做过认真处理。

六阶段跑完会落六个文件（项目主页「研究运行产物」一节实证）：

conflicts.json 这条值得单独说：不同数据源对不上时，它把冲突原样记下来，不替你挑一个。这跟「AI 直接给你一个答案」是相反的取向。

项目主页也写明了耗时不承诺：「完整研究耗时取决于取数范围、模型响应与校验重试，可能需要数十分钟或更久」。别指望点一下就出报告。

三层约束体系，这是架构上最值得看的部分：

关键设计：计算与判断分离。calc/ 是 Python 确定性计算库，backtest/ 是确定性回测引擎。指标计算不走 AI，是纯代码算的，AI 只负责调度和解释。

这个设计对投研工具很关键。数字算错和解释得不好，是两个严重程度完全不同的问题，前者会让你直接亏钱。

回测：用自然语言说明规则，结合历史数据检查。

我的研报：导入 PDF、DOCX 检索，并核对原文。扫描版 PDF 要先 OCR，文本型会保留页码引用。

持仓与自选股（v1.2.0 新增）：支持截图或表格转写成草稿，人工核对后确认保存。

真正解决的问题

把「取数」这个重复劳动消灭掉，并且让研究结论留得下来。

三层价值：

1. 1. 一个入口对比十个标签页——117 个端点统一在册，不用记哪个数据去哪找
2. 2. 结论落在本地文件里——研究记录、研报、持仓都在本机，不是云端账号，数据是你的
3. 3. 计算与 AI 分离——数字由确定性代码算，AI 只管解释，避开了大模型算错数的老问题

第三点是它跟「直接问 ChatGPT 一只股票怎么样」的根本差别。

跟同类的区别

最值得说的两条差异：

① 跟自己写脚本比，它省的是端点对接和维护的功夫。117 个端点、30 层，还带合规分级和交叉核对，这部分工作量是真实的，自己写要按月算。

② 跟商业 App 比，差别在数据归属和可改造性。数据落在你自己机器上，而且 MIT 许可，界面想改什么样改什么样。代价是商业 App 装完就用，它得先配环境。

跟作者自己的其他项目比：TradingAgents-astock（3347 star）是 A 股多 Agent 投研框架，7 位分析师辩论决策；vibe-astock（384 star）是短线复盘看板。Vibe-Research 是这三个里最像「成品」的一个——有界面、有 13 个栏目、面向不想写代码的人。