# InvesResearch Agent · 开源调研对比报告(Open-Source Survey)

> 对 GitHub / Gitee 上代表性金融 / 投研 Agent 开源项目的调研与对比 · **版本 v1.0** · 数据快照窗口 **2025-10 至 2026-05**
>
> 关联文档:[产品 PRD](./product-prd.md)(§1 的差异化论断以本报告为证据)· [系统设计文档](./system-design.md)
>
> 本报告的定位:产品 PRD 的核心差异化论断是"市场上不缺帮你做决定的 Agent,缺的是帮你把功课做扎实的 Agent"。这个论断必须有一份committed 的调研作支撑,否则只是一句口号。本报告就是那份支撑——它系统性地梳理代表性开源项目,论证"专业投资人深度调研"这一场景的空白确实存在。

---

## 1. 调研方法与口径

我们沿"交易决策 / 策略回测 / 数据基础设施 / 通用研究 / 深度调研"五个场景维度,对若干代表性开源项目逐一归类。对比的维度是稳定的项目属性(它**是做什么的**),而非易变的指标(star 数、最近一次 commit)——后者随时间漂移,不适合写进一份要长期成立的对比报告。因此本报告的结论建立在项目的**定位与场景**上,这类属性在数月内是稳定的。具体的版本、许可证、活跃度等易变信息,使用前请以各项目官方仓库为准。

---

## 2. 代表性项目分类对比

| 项目 | 主场景 | 一句话定位 | 是否面向"深度调研" |
|---|---|---|---|
| TradingAgents | 交易决策 | 多 Agent 模拟交易团队(分析师/研究员/交易员/风控)做买卖决策 | 否(决策导向,非研究导向) |
| TradingAgents-CN | 交易决策 | TradingAgents 的中文 / A 股本地化分支 | 否(同上,我们将其作为编排底座 fork) |
| ai-hedge-fund | 交易决策 | 模拟对冲基金,多投资大师风格 Agent 给买卖信号 | 否 |
| FinRL | 策略回测 | 用强化学习做量化交易策略 | 否(策略导向) |
| Qlib | 数据基础设施 / 量化 | 微软的量化投资平台,因子、模型、回测全栈 | 否(量化平台,非主观深度研究) |
| FinGPT / FinRobot | 通用金融 LLM | 金融领域的开源 LLM 与 agent 框架 | 部分(偏通用,未系统组织"研究"动作) |
| FinNLP | 数据 / NLP | 金融文本与舆情数据管道 | 否(数据层组件) |
| gpt-researcher | 通用深度研究 | 通用网络深度研究 Agent,产出研究报告 | 部分(通用研究,非投研专用;我们将其用作行业研究 Skill 的底层) |
| OpenBB | 数据基础设施 | 开源投研终端,统一多 provider 数据 | 否(数据终端;我们借鉴其 provider abstraction) |

> 说明:上表覆盖产品 PRD §1 提到的"16 个代表性项目"中最具代表性的一批。其余项目(如各类单市场行情封装、回测框架、选股脚本)在场景归类上落入上述同样的几格,不再逐一展开。

---

## 3. 核心发现:深度调研是一片空白

把上表按场景聚类,会看到一个清晰的分布:绝大多数成熟项目集中在**交易决策**(TradingAgents、ai-hedge-fund)和**策略回测 / 量化**(FinRL、Qlib)两格,少数在**数据基础设施**(OpenBB、FinNLP)和**通用研究**(gpt-researcher、FinGPT)格里。

而**"专业投资人深度调研"这一格几乎是空的**——也就是把竞品对标、估值建模、行业研究、招股书拆解这些"研究"动作系统性地组织起来的项目。换句话说,市场上不缺"帮你做决定的 Agent",缺的是"帮你把功课做扎实的 Agent"。这正是 InvesResearch Agent 要填补的空白:我们不试图替投资人做决策(那既不现实也不负责任),而是把调研流程中可被自动化的部分——取数、清洗、计算、初步分析、报告撰写——交给一组协作的智能体,把人类的判断留给真正需要它的环节。

---

## 4. 对本项目设计的具体借鉴

调研不只是为了论证空白,也为了"站在巨人肩上"。我们从这些项目里明确吸收了几点。从 TradingAgents 借鉴**多空辩论(Bull/Bear/Neutral)的编排模式**,并以 TradingAgents-CN 作为编排底座的 fork 起点。从 OpenBB 借鉴 **provider abstraction**——用统一 API 标准化多 provider,共享字段用 Pydantic 元模型,在配置中声明优先级列表(这直接影响了我们 L1 数据层的设计)。把 gpt-researcher 用作**行业研究 Skill 的底层通用深度研究引擎**。接 Qlib 的 **Alpha158/360 因子库**与 WorldQuant Alpha101 作为量化筛选的底层。接 FinNLP 管道做**舆情情绪**。

这种"借鉴编排范式 + 复用数据/计算组件 + 自己补齐深度调研的组织层"的策略,让我们不必从零造轮子,而是把精力集中在真正空白的那一格。

---

## 5. 结论

代表性开源项目的场景分布证实了产品 PRD 的差异化论断:深度调研是一片真实存在的空白。InvesResearch Agent 的机会不在于再造一个交易 Agent 或回测框架,而在于把"研究"这件高度依赖人工、且在 A 股/港股/美股之间切换时极易出错的工作,系统性地组织成一组可协作、可观测、可干预的智能体流程。

---

> **免责声明** — 本报告对第三方开源项目的描述基于 2025-10 至 2026-05 的公开信息快照,项目定位、许可证、活跃度等可能已变化,使用前请以各项目官方仓库为准。本报告仅用于产品设计参考,不构成对任何第三方项目的评价或推荐,亦不构成投资建议。