自主研报 · 智能路由 · 增量上下文 · 实时市场数据 —— virattt/dexter 用任务规划与自我验证机制，构建起面向专业金融研究的全自主 AI 代理。
散户和投行都需要填补的鸿沟
传统投研路径是「人读财报 -> 记笔记 -> 计算指标 -> 写摘要」。 对散户而言，这一链条太长——读一份 10-K 平均花 3 小时，跨公司对比翻倍。 对买方机构分析师而言，Excel 模型虽强大，但检索 SEC 归档、 拉历史财务数据、算趋势仍然是碎片化的手工劳动。ChatGPT 等通用聊天模型 能回答"苹果的市盈率"，但无法自主规划一整套研究方案：先查收入趋势、 再算利润率、交叉验证同行数据、最后输出结构化的投研结论。
Dexter 瞄准的正是这个"信息获取易、深度分析难"的空隙： 将投研工作流从人肉拼接数据，升级为 AI 代理全自主调度。 它还引入了评估套件（Eval Suite），通过 LLM-as-Judge 自动评分研报的准确性，让每一次调用都变成一次可量化的改进。
五分钟跑通一个研报任务
Dexter 的上手流程非常简洁，三步就能完成首次调用。
第一步：环境准备
依赖 Bun 运行时（v1.0+），克隆仓库后执行 bun install。
需要准备以下 API Key（写入 .env）：
• OPENAI_API_KEY（必选，默认模型 gpt-5.4）
• FINANCIAL_DATASETS_API_KEY（必选，财务数据源）
• EXASEARCH_API_KEY（可选，网页搜索增强）
• ANTHROPIC_API_KEY 或 GOOGLE_API_KEY（可选，切换推理提供商）
第二步：启动交互模式
bun start
进入后直接输入自然语言查询，例如：
"分析苹果最近五年的收入趋势和利润率变化，并对比微软"
第三步：观察自主作业
Dexter 收到查询后会依次执行：
1. 将"分析苹果收入趋势"拆解为子目标：获取损益表 -> 计算 CAGR -> 提取利润率 -> 获取微软对应数据 -> 交叉对比
2. 实时显示正在调用的工具名（get_financials、get_market_data 等）
3. 每步工具结果进入"草稿本"（scratchpad），LLM 据此进行自我验证
4. 循环迭代直至得出完整结论，输出结构化文本
典型场景示例
| 场景 | 输入示例 | 输出 |
|---|---|---|
| 单公司深度 | "给我 NVDA 最近四个季度的自由现金流和毛利率" | 带来源链接的表格 |
| 行业扫描 | "筛选 P/E<15 且收入增长>20% 的半导体公司" | 匹配的 5-10 只股票列表 |
| 跟踪研究 | "CMG 上季度财报是否 beat 预期？管理层说了什么？" | EPS beat/meet + MD&A 摘要 |
| 组合监控 | "我持有的 AAPL、MSFT、GOOG 谁最近在回购？" | 各公司回购数据对比 |
一个常见误区是将单个指标拆成多个提问。Dexter 的 get_financials 是智能路由，
一次传入完整自然语言问句就能自动调度多维度数据查询，不需要逐条问"帮我查收入"
再问"帮我查利润"。如果是需要研报质量的评估，还可以通过
bun run src/evals/run.ts --sample 10 来对指定数据子集跑一次准确度评分。
三层结构：代理循环、上下文管理与工具路由
Dexter 的核心引擎不是简单 LLM->Tool，而是三层的自主循环。
代理循环层（Agent Loop）
src/agent/agent.ts 中的 Agent 类维护一个不断增长的消息数组。
每一轮迭代：接收 LLM 输出 -> 提取工具调用 -> 并发执行 -> 将 ToolMessage 追加到
消息数组 -> 若仍有未完成目标则进入下一轮。最多迭代 10 轮，防止无限循环。
每个工具调用会引发一次流式输出（streamLlmWithMessages），用户能实时看到
LLM 的推理过程。当一轮同时触发多个工具时，Dexter 会利用 concurrencySafe 标记
并行执行只读型工具（如 get_financials 加 web_search），大幅缩短
等待时间。
上下文压缩机制
长时间运行后消息数组会膨胀。Dexter 配了三层防御：
• Microcompact：每轮执行前检查只读型 ToolMessage 的数量。
超过 8 条时，把最旧的那批内容替换为[Old tool result content cleared]，
保留最近的 4 条完整体。也按 8 万 token 阈值进行触发。
这层几乎零延迟——只做数组替换，不需要 LLM 调用。
• Full Compaction：当上下文预估超阈值时，用一个快速 LLM 将所有工具结果
压缩成结构化的 9 段摘要（原始查询、关键数据、分析进度、待办事项等），
替代原有的消息数组。代码在 src/agent/compact.ts。
压缩完后写入 compactionModel，对用户透明。
• Memory Flush：将关键信息写入持久化存储 memory/ 目录，
通过 embedding 构建向量索引，后续可检索。实现基于 MemoryManager 实例体系。
这三层相互配合，使得 Dexter 能处理复杂、长期的金融研究任务而不被 token 容量限制打断。
工具路由：面向金融领域的智能体总线
Dexter 不暴露粗粒度工具。它设计了三个元工具（meta-tool），每个内部 嵌套 LLM 路由层：
• get_financials：收到自然语言查询后，用一个独立 LLM 调用选择合适的财经 数据子工具（收入报表、资产负债表、现金流、关键比率、分析师预期等）， 并行执行后合并结果返回。
• get_market_data：处理股价、加密货币行情、市场新闻、知情交易等 高频变动数据。
• read_filings：读取 SEC 归档（10-K/10-Q/8-K），先规划查询 （FilingPlanSchema），再按类型分派给相应的归档读取子工具。
元工具的设计让自然语言与结构化 API 之间不需要用户手动翻译。 输入"AAPL 最新财季的毛利率和 ROE 相比去年如何"，路由层自动解析出需要的 数据集，并行拉取后拼合响应。这是 Dexter 相比通用聊天机器人在投研场景里 最大的差异化能力。
Debug 与可审计性
每次查询都会在 .dexter/scratchpad/ 目录生成一个 JSONL 文件，
完整记录工具调用的参数、原始结果和 LLM 的推理摘要。
这为验证 AI 研报的数据源提供了完整审计链，也方便对照分析。
从实验到日常：三组快速落地场景
场景一：个人投资者的周报自动化
通过 cron 调度（Dexter 内置 cronTool），配置每周一自动分析持仓公司 的当周财务报表更新和知情交易动态。输出可以直接作为个人投决参考的摘要。 成本可控——依赖 Financial Datasets API 的调用计费，而 LLM 推理使用 gpt-5.4 或更便宜的快速模型。
场景二：量化策略的投研前处理
Dexter 无法直接下单，但能大幅加速投研阶段。例如：用 stock_screener
筛选条件然后让 Dexter 自动读取每家公司的财报关键段落，
输出结构化的定性判断摘要。这部分数据可直接喂给量化模型做多因子打分。
场景三：分布式团队的知识沉淀
WhatsApp 网关（src/gateway/channels/whatsapp/）将 Dexter 接入群聊。
分析师在群里发送问题，Dexter 执行研报并回复。所有会话和知识通过
记忆系统积累。SOUL.md 定义代理的长期投资性格，RULES.md 定义团队
特有的分析规则（如"买入建议前必须查用户的最高风险承受度"）。
以 GitHub 超 2.3 万 star 的数据来看，社区对这个方向有高度兴奋。 不过也要注意：Dexter 目前依赖 Financial Datasets API 作为主要数据源， 对非美国市场（A 股、港股等）的支持未在源码中体现。 如果未来开源贡献者能补上多市场适配器，Dexter 的应用面将再上一个台阶。
