MindStackMindStack
首页博客精读热门个人项目关于Now搜索⌘K
登录
返回作品集
在线预览GitHub

MindStack：多 Agent 智能金融研报平台

多 Agent 智能金融研报平台

MindStack是基于LangGraph 构建的多Agent 金融研报系统，采用双层图架构：6 节点顶层主图（Browser-Planner-Human-Researcher-Writer-Publisher）串联从股票识别、大纲生成到报告发布的完整流程，每章节内嵌套 3 节点审改子图（Researcher-Reviewer-Reviser）形成审改闭环，7 个 Agent 共享 TypedDict State 通信。项目通过错误注入对照评测定位 Reviewer 单次 LLM 调用四维校验的注意力稀释问题,重构为 4 路独立并行调用 + 关键维度程序化预检;经 held-out ticker 验证,数据准确性 recall 25.0%→97.5%。

核心亮点

  • 基于 LangGraph StateGraph 设计 7 智能体双层工作流：6 节点顶层主图  （Browse-Planner-Human-Researcher-Writer-Publisher)嵌套 3 节点章节审改子图（Researcher-Reviewer-Reviser），支持人工反馈回退与审改循环终止，全 Agent 共享 TypedDict State 通信。
  • 独立设计金融数据接入模块，集成 FMP（美股）+ 雪球（A股/港股）双源 API，设计股票代码三级识别兜底策略（正则→映射表→LLM），统一暴露约 30 项财务指标，并构建三层降级同行解析架构（FMP API → YAML 配置 → LLM）含断熔保护。
  • 通过错误注入对照评测定位 Reviewer 单次 LLM 调用四维校验的注意力稀释问题,重构为 4 路独立并行调用 + 关键维度程序化预检;经 held-out ticker 验证,数据准确性 recall 25.0%→97.5%。
  • Human-in-the-Loop 机制支持大纲阶段多轮人工审核修订，保证报告结构质量。

技术栈

FastAPIPythonLangGraphFinancial Modeling Prep APIpysnowballNext.js 14WebSocketRailway

目录

项目概述一、总体架构：LangGraphStateGraph编排二、股票代码识别与双源数据路由三、四维金融合规校验（Reviewer）：问题定义与迭代过程四、Human-in-the-Loop机制实现

MindStack：多Agent智能金融研报平台

项目概述

MindStack是基于LangGraph构建的多Agent金融研报系统，采用双层图架构：6节点顶层主图（Browser→Planner→Human→Researcher→Writer→Publisher）串联从股票识别、大纲生成到报告发布的完整流程，每章节内嵌套3节点审改子图（Researcher→Reviewer→Reviser）形成审改闭环，7个Agent共享TypedDictState通信。设计了金融数据模块集成FMP（美股）+雪球（A股/港股）双源API，三级兜底识别股票代码，统一暴露约30项财务指标与19个行业同行映射。项目通过错误注入对照评测定位Reviewer单次LLM调用四维校验的注意力稀释问题,重构为4路独立并行调用+关键维度程序化预检;经held-outticker验证,数据准确性recall25.0%→97.5%,系统还支持大纲阶段的人工审核回退机制。

技术栈：Python+FastAPI（后端服务）、LangGraph（Agent编排）、FinancialModelingPrepAPI（美股数据）、雪球/pysnowball（A股/港股数据）、Next.js14（前端，基于GPT-Researcher原生前端二次开发）、WebSocket（实时通信）。

以下按模块说明设计与实现，并在涉及量化结果处同步说明其适用边界。

一、总体架构：LangGraphStateGraph编排

工作流通过LangGraph的StateGraph定义为一条带条件边的节点链路：browser（初始研究+金融数据注入）→planner（生成报告大纲）→human（人工反馈，可选）→researcher（并行深度研究）→writer（撰写）→publisher（汇总导出）。human节点之后设有条件边：根据反馈内容判断是路由回planner重新规划，还是前进到researcher，并设置最大重规划次数上限以避免循环。金融数据的获取（个股概览、财务报表、同业数据）通过asyncio.gather并发执行，单一数据源超时或异常时捕获降级为通用研究模式，不影响整条流水线。

二、股票代码识别与双源数据路由

用户输入可能是公司名称（"分析贵州茅台"）或代码（"600519"/"AAPL"），系统需先将其归一化为标准ticker，采用三级判断：正则匹配A股/港股/美股代码格式；未命中时查表约20余家高频中文公司名到代码的硬编码映射；仍未命中时用一次结构化输出的LLM调用判断查询意图并抽取ticker，仅在前两级失败时触发。

A股/港股与美股在数据可得性上差异较大，未采用统一接口封装，而是显式路由：数字代码（5-6位）走雪球（pysnowball封装），字母代码走FinancialModelingPrep（FMP）。其中FMP预计算的PE/PB/ROE等比率字段在实测中存在缺失或口径不一致的情况，因此改为从利润表、资产负债表等原始报表数据自行计算，以换取数值口径的可控性。

三、四维金融合规校验（Reviewer）：问题定义与迭代过程

这是项目中投入验证工作最多的模块，也是本次说明的重点。

问题背景：金融报告场景对数值准确性的容错度极低，一个被错误引用的PE或净利率可能直接影响报告的可信度，这与通用RAG/写作场景中"表述大致准确即可"的容错标准不同。

初始实现与观察到的问题：早期版本用单次LLM调用同时判断数据准确性、逻辑完整性、合规性、格式规范四个维度。运行内部评测后观察到两个问题：其一，四个维度共享同一次调用的注意力预算，模型对1%量级的数值偏差（如PE45.74写成46.2）命中率低；其二，任一维度处理超时会导致其余三个维度的结果一并丢失。

改进方案：将四个维度拆分为四个独立的、通过asyncio.gather并行执行的检查，单一维度异常不影响其余维度。其中"数据准确性"维度进一步拆分为两层：程序化预检:用正则定位草稿中PE/PB/ROE/净利率等指标数值，与参考数据做浮点比较，相对偏差超过0.5%才标记（阈值用于过滤四舍五入造成的噪声）。LLM语义层兜底，捕捉程序化规则覆盖不到的问题，如单位错误、将同业公司数据误植到目标公司。"格式规范"维度采用类似的程序化预检（标题结构、引用链接存在性）加LLM兜底的组合；"合规性"维度拆分为独立的短prompt，去除数据比对负担后专注于识别"保证收益""无风险"等表述问题。

四、Human-in-the-Loop机制实现

human节点在计划生成后暂停,等待用户对研究大纲提出修改意见。该节点采用 LangGraph 原生的 interrupt() + checkpointer 恢复模式:节点内部调用 interrupt(payload) 暂停图执行并通过 checkpoint 持久化状态,前端反馈到达后由 Command(resume=feedback) 恢复执行。InMemorySaver checkpointer 已接入 StateGraph.compile(checkpointer=...),配合 thread_id 标识会话线程。
改造后的调用链路为:run_research_task 跑到 human 节点触发 interrupt,返回 interrupted 标记并将会话缓存到 _pending_research 注册表;前端发送 human_feedback 消息后,resume_research_task 从缓存取出图实例,以 Command(resume=...) 恢复执行并生成最终报告。反馈触发计划修订时图会再次 interrupt,支持多轮修订循环。

附件 · 2 份

寒武纪金融研报.pdfPDF寒武纪金融研报.md75.8 KB
返回作品集关于我

技术决策与工程延伸

以下文章提供相关架构、实践与评估思路；项目实际 Benchmarks 和实现进度以项目正文及证据为准。

  • 同系列 · Agent 架构与治理

    什么是 AI Agent？从工具调用到自主决策

    AI Agent 不只是一个会聊天的模型，它能主动调用工具、规划多步任务、感知环境并作出决策。本文从零解释 Agent 的架构与工作原理。

  • 同系列 · Agent 架构与治理

    AI Agent 架构深度解析：从 ReAct 到多智能体协作 (2026年05月21日)

    深入解析现代 AI Agent 核心架构、工具调用机制、多智能体协作模式，结合 Dify、LangChain、deer-flow 等热门项目实战讲解。

  • 同系列 · Agent 架构与治理

    AI Coding Agent 基础设施大爆发：Guardrails、沙箱与状态机如何重塑智能体开发

    Forge 用 Guardrails 将 8B 模型 Agent 任务准确率从 53% 提升到 99%，InsForge GitHub Star 破万打造 Coding Agent 全栈后端，Statewright 用状态机为 AI Agent 构建确定性护栏，腾讯云 CubeSandbox 轻量级安全沙箱，Agent Desktop 让 AI 操控桌面应用——五个开源项目勾勒出 AI Agent 工程化的未来。

  • 同系列 · Agent 架构与治理

    AI Agent 治理的五平面架构：从「能不能做」到「该不该做」的技术跃迁

    当 AI Agent 从实验室走进生产环境，安全问题不再是「数据泄露」那么简单。本文深度解析最新提出的五平面参考架构——推理平面裁决意图、四个基础设施平面（网络/身份/端点/数据）执行决策，以及「随时停止」调解、复合主体能力衰减、审计即证据三大核心原语，重新定义 AI Agent 运行时治理的技术范式。

  • 相近主题 · Agent 架构与治理

    AI五大热点：DeepSeek V4.1 Flash发布、Claude"改按钮"讽刺站刷屏HN、OpenAI数学数据争议升级、Anthropic研究员辞职警告、Meta AI助手Muse抢走乐队账号

    本周 AI 热点速览：DeepSeek V4.1 Flash 以 890 字节/Token 的 KV Cache 刷新推理成本下限并在 Agent 基准全面反超 V4 Pro；讽刺网页《把 Add to Cart 按钮改成蓝色》在 HN 刷屏；OpenAI 数学成果再遭数据来源质疑；Anthropic 研究员 Jacob Coxon 公开辞职警告超级智能竞赛；Meta 新 AI 助手 Muse 拿走摇滚乐队的社交账号。