A 股投研 Agent

主题

Repo Sweep ​

One-pager per A-share / stock-analysis OSS repo, organized by which layer of our 5-layer Hermes architecture (L1 Storage / L2 Data Access / L3 Tools / L4 Skills + L4' Competences / L5 Orchestrator) each repo informs.

ZhuLinsen/daily_stock_analysis ​

  1. What it does — 每日 cron 跑 LLM "决策仪表盘" 分析 A股/港股/美股自选股，推送到企业微信/飞书/Telegram/Discord/Slack/邮件。
  2. Data source(s) — 多源聚合：AkShare、Tushare、Pytdx、Baostock、YFinance、Longbridge、TickFlow；新闻通过 SerpAPI/Tavily/Anspire/Bocha/Brave/SearXNG。
  3. Architecture — Python 调度 (GitHub Actions / Docker / FastAPI) → 多数据源 fallback adapters → LLM (Gemini/DeepSeek/Claude/Ollama 任意 OpenAI 兼容) → 结构化决策仪表盘 → 通知通道扇出。Web UI 提供配置/历史/回测。
  4. Storage layer — 历史报告 + 回测结果落本地（隐式 SQLite/文件，README 未明说）；GitHub Actions 模式无持久化。
  5. Notable pattern — 数据源优先级 + 字段契约 + P0 超时语义（见 docs/full-guide.md 的"数据源配置"章节）— 直接对应我们 L2 Data Access 层的 fallback/超时策略。Anti-pattern: LLM 调用未强制引用来源，prompt 即答案，无 cite 协议。
  6. Relevance — L2 (data adapter fallback) + L4 (策略 skill 集合: 缠论/波浪/均线/情绪周期 11 种) + L5 (调度 + 多通道分发)。Score: 5/5.

ArvinLovegood/go-stock ​

  1. What it does — 桌面端 (Wails + NaiveUI) AI 股票分析工具，A/港/美股 + K线技术指标 + 情感分析 + AI 智能体（React + PlanExecute 双模式）+ MCP 工具调用。
  2. Data source(s) — 浏览器爬虫（Edge headless）抓东方财富/财联社/同花顺；研报、龙虎榜、财经日历自爬；OpenAI 兼容 LLM (DeepSeek/Ollama/LMStudio/AnythingLLM/硅基流动/火山方舟)。
  3. Architecture — Go 后端嵌入 Chromium → 爬虫服务 → 本地 SQLite → Wails IPC → Vue 前端；AI 层 2026.04 引入 AgentMode (React/PlanExecute) + MCP tool calling。
  4. Storage layer — 本地 SQLite (隐含)；AI 报告导出 Markdown，路径可配置。
  5. Notable pattern — AgentMode 切换 (React vs PlanExecute) + MCP 集成 是直接可借鉴的 L5 Orchestrator 设计。Anti-pattern: 桌面单机依赖浏览器爬虫，不适合 server-side agent；爬虫脆弱性高。
  6. Relevance — L3 (MCP 工具调用模式) + L5 (AgentMode 双模式 orchestrator)。Score: 4/5 — 看 agent.go 的 ReAct/PlanExecute 实现。

fengwm64/aistock-api-cf ​

  1. What it does — Cloudflare Workers 部署的 A股数据 REST API：股票列表、行情、指数、板块龙头、盈利预测、热门榜、新闻、AI 评价、自选股 OCR。
  2. Data source(s) — 抓东方财富 + 同花顺 + 财联社 HTML/JSON；LLM 用于个股 AI 评价 + VLM 用于 OCR。
  3. Architecture — index.ts 路由 → controllers/ (校验+缓存) → services/ (源 API + 数据转换) → utils/（响应/校验/限流/HTML 解析）。严格 4 层分层 (Route → Controller → Service → Util)。
  4. Storage layer — Cloudflare D1 (SQLite, 全球读复制 via Sessions API + bookmark 一致性) + Workers KV 缓存。
  5. Notable pattern — 按数据源分组的限流器 (throttlers.ts: THS/EM/CLS 各独立 300ms) — 直接对应我们 L2 Data Access 多源限流。D1 Sessions API + x-d1-bookmark header 实现读后写一致性，是 serverless 化部署优秀范本。
  6. Relevance — L1 (D1 schema + 索引策略 + 拼音搜索) + L2 (per-source throttler 模式) + L3 (REST 工具暴露)。Score: 5/5 — TypeScript 直接对齐我们栈，分层最干净。

oficcejo/aiagents-stock ​

  1. What it does — Streamlit 多 AI 智能体股票分析系统：宏观分析、康波周期、美林时钟、政策分析、低估值价值投资、净利增长策略、新闻流量监测、龙虎榜/主力选股。
  2. Data source(s) — 国家统计局官方接口 (data.stats.gov.cn)；20 个平台舆情聚合；OpenAI 兼容 LLM (DEFAULT_MODEL_NAME 全局可配)。
  3. Architecture — Streamlit 前端 → 多 agent 协同（宏观总量/政策/行业映射/标的/首席策略官）→ LLM 推理 → 报告生成 (PDF/Markdown 导出)。
  4. Storage layer — 本地文件 + .env 配置；模拟持仓/RSI 监测有持久化（推测 SQLite/CSV）。
  5. Notable pattern — 多专家 agent 角色分工 + 量化择时规则 (PE≤20 + PB≤1.5 + 股息≥1% + 负债≤30% + RSI(14)>70 卖出) 是 L4 Skills 层的强样板。宏观→行业映射→标的 三段式映射对应我们的 Competence 层组织。Anti-pattern: 硬编码模型名（已修复为 .env）。
  6. Relevance — L4 (策略 skill 模板：康波/美林/低估值/净利增长) + L4' (宏观-行业 Competence 知识图)。Score: 4/5.

StanleyChanH/Tushare-Finance-Skill-for-Claude-Code ​

  1. What it does — Claude Code Skill 包，封装 220+ 个 Tushare Pro 接口（股/港/美股/基金/期货/债/宏观）。
  2. Data source(s) — Tushare Pro (TUSHARE_TOKEN，需积分)。
  3. Architecture — scripts/api_client.py (TushareAPI 类) + quick_query.py CLI + batch_export.py Excel 导出；通过 ClawHub/git clone 安装。
  4. Storage layer — 无内置存储；输出 pandas DataFrame / CSV / Excel。
  5. Notable pattern — Skill 包的标准结构 (单一 token、统一 client 类、CLI + 库双入口) — 直接抄作业用于我们 L3 Tools 层 Tushare 工具的 Skill 封装。Anti-pattern: 220 接口扁平暴露，无分层抽象，LLM 容易选错工具。
  6. Relevance — L3 (Tushare 工具直接复用) + L4 (Skill 打包格式参考)。Score: 4/5.

BitSoulTech/BitSoulStockSkill ​

  1. What it does — A股 all-in-one Skill：免费历史数据服务 + 100+ 量化指标 + MoE 因子混合专家系统 + 回测框架 + 全网舆情聚合。
  2. Data source(s) — 自建 aicodingyard.com API (token 制，免费半年/VIP 10年)；股吧/雪球/淘股吧/微博/腾讯财经等舆情爬虫。
  3. Architecture — strategy-picker/scripts/ 单一目录，data_fetcher.py (本地 SQLite 持久化) + stock_crawler.py (多源爬虫) + remote_api.py (远程 API) + db_engine.py；API_FOR_LLM.md 给 LLM 看的 API 文档。
  4. Storage layer — 本地 SQLite via db_engine.py + data_fetcher.py。
  5. Notable pattern — API_FOR_LLM.md 专门为 LLM 准备的工具文档 — 直接借鉴用于我们 L3 工具描述与 L4 skill 组装。MoE 因子混合专家系统 + 个性化权重沉淀 对应我们的 Competence 层学习机制。Anti-pattern: 数据后端依赖私有 token 服务。
  6. Relevance — L1 (本地 SQLite 缓存模式) + L3 (LLM-friendly API 文档样板) + L4 (MoE 选股/买卖点框架)。Score: 4/5.

JoshuaMaoJH/akshare-api ​

  1. What it does — 基于 AKTools 公开 API 的 AKShare Python 封装库，覆盖 98 个股票相关接口（A/B/港/美股 + 资金流 + 概念板块）。
  2. Data source(s) — AKTools (AKShare HTTP wrapper)，间接源是新浪/东财/腾讯/同花顺/雪球。
  3. Architecture — 纯函数库，每个 AKShare 接口对应一个 Python method，统一返回 pandas DataFrame。
  4. Storage layer — 无；调用方负责持久化。
  5. Notable pattern — 接口分类组织 (实时/历史/分时/分笔/资金流/板块/财务) 直接对应我们 L2/L3 工具命名空间设计。Anti-pattern: 98 接口平铺，需自建 facade 才能给 LLM 用。
  6. Relevance — L2 (akshare adapter 直接复用) + L3 (工具命名学习)。Score: 3/5 — 功能清单参考价值高于代码。

Michael0711/easyquotation ​

  1. What it does — 实时快照行情库 (新浪/腾讯/leverfun 十档/集思路分级基金)，全市场 200ms。
  2. Data source(s) — 新浪 hq.sinajs.cn / 腾讯财经 / leverfun L2 / 集思路。
  3. Architecture — easyquotation.use('sina') 工厂 → 每个源一个类 → 批量 HTTP GET → 解析定长字符串 → dict。
  4. Storage layer — 无 (内存 dict)。
  5. Notable pattern — 极简 source-adapter 工厂模式 + 批量 ID 拼接 URL 取量 — L2 实时行情 adapter 模板。Anti-pattern: Python 3.5 古老依赖；leverfun L2 接口稳定性堪忧；无限流/缓存。
  6. Relevance — L2 (实时行情 adapter，纯快照场景)。Score: 3/5 — 适合做 fallback 数据源，不要作为主源。

electkismet/eltdx ​

  1. What it does — 通达信行情协议的 Python 库，统一 TdxClient 调快照/分时/逐笔/K线/集合竞价/历史 09:25 竞价/复权因子。
  2. Data source(s) — 通达信公开行情 TCP 服务器 (二进制协议)。
  3. Architecture — 单 client 类 + 连接池 (pool_size/batch_size) + dataclass 返回（不裸 dict）+ *_milli 整数与浮点双留 + include_raw=True 调试钩子。
  4. Storage layer — 无；返回 dataclass。
  5. Notable pattern — dataclass 返回 + 价格双精度 (float + milli) + 原始 hex 调试开关 — 是我们 L2 数据契约的优秀范本，特别适合 cite 协议（hex 可作 evidence）。Python 3.10+ 现代化，CI/PyPI 完善。
  6. Relevance — L2 (TDX adapter 首选)。Score: 5/5 — 比 pytdx3 现代、契约清晰，直接拿来包装。

lierwang19/pytdx3 ​

  1. What it does — 纯 Python 通达信 TCP 行情接口，pandas DataFrame 返回，K线/实时五档/分时/分笔/财务/板块/文件下载。
  2. Data source(s) — 通达信公开行情服务器（与 eltdx 同协议）。
  3. Architecture — TdxHq_API.connect() context manager + TDXParams 常量 + 心跳保活 + 自动重连 + 可选线程安全。
  4. Storage layer — 无；返回 DataFrame。
  5. Notable pattern — 心跳 + 重连重试 模式 + 线程安全可选 — L2 长连接 adapter 模板。Anti-pattern: 直接返回 DataFrame，无 dataclass 字段契约（对比 eltdx 是退步）。
  6. Relevance — L2 (TDX adapter 备选/参考)。Score: 3/5 — eltdx 更现代，pytdx3 适合参考心跳/重连实现。

terancejiang/SKILL_financial_report_download ​

  1. What it does — Claude Code Skill / 斜杠命令 /download-report <code> [year] [type]，下载上市公司财报 PDF（年报/中报/Q1/Q3，A股+港股）。
  2. Data source(s) — 雪球 stockn.xueqiu.com (主)，同花顺 notice.10jqka.com.cn (fallback)，通过 WebSearch 触发。
  3. Architecture — 双入口（.claude/commands/download-report.md 斜杠命令 + commands/ 插件）→ Python download_report.py 流式下载 + PDF magic bytes 校验 + 渐进退避重试。
  4. Storage layer — 本地文件 {code}_{type}_{year}.pdf。
  5. Notable pattern — Skill 双入口 (slash command + plugin) 标准格式 + PDF 头校验 + 大小阈值 + 重试 — 直接对齐我们 L3/L4 Skill 设计。SKILL.md 是 Anthropic Skill 标准结构样板。
  6. Relevance — L3 (财报下载工具) + L4 (Skill 打包标准范式)。Score: 5/5 — 我们最该抄的 Skill 文件结构。

xiaominghd/crawl_report ​

  1. What it does — Scrapy 爬萝卜投研行业研报，写入 MongoDB。"小试牛刀"性质。
  2. Data source(s) — 萝卜投研网站。
  3. Architecture — Scrapy 标准目录 (test_spider/) → MongoDB pipeline。
  4. Storage layer — MongoDB。
  5. Notable pattern — Scrapy + MongoDB 是研报半结构化文本的合理组合。Anti-pattern: README 仅一行，无文档；无去重/增量/反爬策略说明。
  6. Relevance — L1/L2 (研报爬虫 + 半结构化存储参考)。Score: 2/5 — 概念参考即可，不值得读代码。

jing2uo/tdx2db ​

  1. What it does — 通达信本地 .day 文件批量导入 DuckDB / ClickHouse，自动算前后复权因子 + 换手率 + 市值；支持 1min/5min 分时；增量 cron。
  2. Data source(s) — 通达信官方 vipdata hsjday.zip（沪深京日线完整包）+ 本地通达信安装的 .day 文件。
  3. Architecture — Go 二进制 (Linux/macOS/Windows) + Docker → 解析 .day 二进制 → 复权因子计算 → DuckDB/ClickHouse；init 全量 + cron 增量。
  4. Storage layer — DuckDB (单文件 OLAP) 或 ClickHouse (分布式)；dburi 格式 duckdb://path / clickhouse://user:pwd@host:port/db?http_port=...。
  5. Notable pattern — DuckDB 作为本地 OLAP 行情库 极适合我们 L1 Storage：单文件、列式、支持分钟级数据；复权因子单独存表，分时复用 — 直接对齐我们的 Storage schema 设计。Anti-pattern: 仅 Linux 支持分时（macOS/Windows 跳过分钟数据）。
  6. Relevance — L1 (DuckDB schema + 复权因子表 + 增量 cron)。Score: 5/5 — 我们 L1 的最佳参考实现。

oficcejo/tdx-local2 ​

  1. What it does — 通达信本地数据 → FastAPI REST 服务 + AI 自然语言选股机器人（DeepSeek 生成 Python 选股代码 → 沙箱执行）+ 现代化 Web UI。
  2. Data source(s) — 直接读通达信本地 .day 文件（无需 DB 中转）+ DeepSeek API。
  3. Architecture — config.ini (TDX 安装路径 + AI Key) → FastAPI → LRU 缓存 → .day 解析 → REST /api/stocks/* + /api/strategies (POST 创建/execute)；策略 + 结果存 SQLite；可导出通达信自选股文件。
  4. Storage layer — SQLite (策略+结果)；行情数据无中转 (LRU 内存缓存)。
  5. Notable pattern — NL → LLM 生成 Python → 沙箱执行 → 结果回写 是 L5 Orchestrator 的"代码作为工具"范式。REST + OpenAPI docs 让 LLM 容易使用。Anti-pattern: 直接执行 LLM 生成代码，沙箱安全性是大红旗（cite/audit 缺失）。
  6. Relevance — L1 (本地 .day 直读 + LRU 缓存策略) + L3 (FastAPI 工具暴露) + L5 (NL→Code agent，警惕安全)。Score: 3/5.

differentname123/a_auto_trade ​

  1. What it does — A股量化交易框架：数据获取 + 策略应用 + 自动交易。README 仅一行，结构推自目录。
  2. Data source(s) — 未明（推测多源，目录有 InfoCollector/）。
  3. Architecture — 三模块: InfoCollector/ (采集) + StrategyExecutor/ (策略) + TradeExecutor/ (下单) + common_tool/。
  4. Storage layer — 未明。
  5. Notable pattern — 采集/策略/执行三层切分 是经典量化架构，对应我们 L2/L4/L5。Anti-pattern: 文档零；没有 README 的开源项目对协作不友好。
  6. Relevance — L2/L4/L5 (架构切分参考)。Score: 2/5 — 没文档，要读代码才知道值不值。

Top 3 to deep-read ​

  1. fengwm64/aistock-api-cf — TypeScript 栈对齐我们；分层 (Route/Controller/Service/Util) 干净；per-source throttler 和 D1 Sessions API + x-d1-bookmark 是我们 L1+L2 直接可抄的模式；serverless 化值得参考。
  2. jing2uo/tdx2db — L1 Storage 的最佳样板。DuckDB 单文件 OLAP + 复权因子独立表 + 分时复用因子 + 全量 init/增量 cron 二段式 直接定义我们的 Storage schema。Go 实现快、二进制易部署。
  3. electkismet/eltdx — L2 数据契约样板。dataclass 返回 + 价格双精度 (float + *_milli) + include_raw=True 调试开关 完美对齐我们的 cite 协议（raw hex 可作为 tool_call evidence）。比 pytdx3 现代干净，PyPI/CI 完善，直接 wrap 入 L2。

荣誉提名：terancejiang/SKILL_financial_report_download 是 Claude Code Skill 文件结构 (SKILL.md + commands/ + scripts/) 最干净的样板，做我们 Skill 包装时直接复用目录结构。

Internal documentation

© 2026