LangAlpha 持续金融研究工作区

要解决的问题

金融研究是一个长周期、多步骤的过程：盯盘、读财报和公告、维护估值模型、画图表、记录投资论点的演化。传统做法要么依赖分析师手工操作，要么把大量原始数据塞进 LLM 的上下文窗口——成本高、窗口有限，复杂分析难以展开。

这个技能用 LangAlpha 搭建持久化的投研工作区：智能体可以在一个持续存在的环境里处理市场数据、公告文件、模型、图表和论点更新，而不是一次性的问答式交互。

技能如何工作

核心机制是 程序化工具调用（PTC，Programmatic Tool Calling）。流程大致是：

• LLM 负责"1 — 编写 Python"，把分析逻辑写成代码；
• 代码交给 ExecuteCode Tool，再由 Code Runner 沙箱执行；
• 执行时通过 import tools.* 调用生成式 Wrapper——每个 MCP server 对应一个独立模块。

也就是说，智能体不是把原始数据倾倒进上下文，而是通过写代码、在沙箱里跑代码来消费 MCP server 暴露的金融数据，从而支撑多步骤的复杂分析。

工作区组件包括 PostgreSQL、Redis、后端和前端（Web 或 CLI/TUI），让研究状态可以持久保存并随时间推进。

适用边界与注意点

• 环境要求不低：Python 3.12+，需要 LangAlpha 后端、模型凭证；金融数据源 key 和 MCP server 是可选的，但如果不用它们，技能的处理对象会大打折扣。
• 想用免费数据源（Yahoo Finance）可以先跑配置向导手动选择，也可以直接编辑 agent_config.yaml。
• PTC 的收益前提是分析逻辑能代码化；对于纯主观判断类的研究环节，它帮不上太多忙。