读财报抄数据全靠手搬？教你用 AI 自动搞定

金融研究是个苦活。分析一家公司你要去翻几年的财报(收入、利润、现金流)、交叉验证业务数据、对比同行业、查最新动态、最后整合成一份有结论的报告。这套流程下来一个人要耗上大半天。这件事听起来是不是和让 Agent 帮你读代码、改 bug很像?都是把一堆散落的信息搜集、整理、推理、产出结论。区别只在于一个是代码一个是财务数据。dexter 就是把Claude Code 的工作模式搬到金融研究领域的产物。dexter 是一个用 TypeScript 写的自主金融研究 Agent在 GitHub 上有 27.4k star。它的核心能力是把一个复杂的金融问题自动拆解成研究步骤调用工具拿实时数据自我检查并迭代到得出一个有数据支撑的答案。上手体验安装很简单使用 x-cmd 一行命令就能搞定xinstalldexter装完配好 API KeyOpenAI 或 Anthropic加上 Financial Datasets API Key用来拉财报数据就可以问 dexter 金融问题了。dexter 会先展示它制定的研究计划然后逐步执行——调 API 拉利润表/资产负债表/现金流量表、分析每个数据点、对比历史趋势、检查自身推理是否有矛盾——最后输出一个带数据支撑的结论。和通用 Agent 的关键差异任务规划 自我校验dexter 和普通问 LLM 一个金融问题的区别在于它有一套完整的研究流程。第一步任务规划。你问它苹果过去五年的盈利质量怎么样和微软比呢?它不会直接凭记忆瞎答而是把这个复杂问题拆解成结构化的研究步骤先拿苹果五年的收入表和现金流、再拿微软的、做同口径对比、分析盈利质量指标……每个子任务清清楚楚。第二步自主执行。它为每个子任务选择并调用合适的工具去拿真实数据——收入表、资产负债表、现金流量表来自 Financial Datasets 这类专业数据源需要最新动态就调 web search。它用的是真实的实时财务数据不是模型参数里过时的记忆。这点对金融研究至关重要LLM 自己回忆的财报数字经常是错的或过时的。第三步自检。每一步它都会检查自己的工作数据拿全了吗?这个结论有数据支撑吗?任务完成了吗?没完成就继续迭代。它还内置了循环检测和步数限制防止 Agent 陷入反复查同一个数据的死循环、无限烧 token。可追溯:每一步都留痕金融研究最怕结论来路不明。dexter 在这方面做得扎实:它把每次研究的完整过程记录到.dexter/scratchpad/目录下的 JSONL 文件里——每一次工具调用(参数、原始结果、LLM 总结)、每一步推理过程都留着。这意味着你可以回溯dexter 说苹果五年收入从 2740 亿涨到 3940 亿你能去 scratchpad 里查到这个数字是哪次工具调用、从哪个数据源、什么时候拿的。结论不是凭空冒出来的每一步都有据可查。在金融场景里这种可审计性比听起来流畅重要得多。它还带一个评估套件用一组标准金融问题测试 Agent 的准确率(LangSmith 追踪 LLM-as-judge 打分)可以量化它的研究质量。和 Bloomberg 终端比:一次开源的民主化尝试聊金融研究工具绕不开 Bloomberg 终端——它是行业标准数据全、实时性强、覆盖广但贵得离谱(每年两万多美元的订阅个人研究者和小机构很难负担)。dexter 代表的是另一条路开源、可自托管、用开源 Agent 框架 可选的数据源 API把金融研究的门槛大幅降低。它不可能在数据覆盖度和实时性上跟 Bloomberg 比——那是几十年积累的护城河。但对一个想做基本面研究的学习者、一个小团队、一个想自动化部分研究流程的量化爱好者dexter 提供了一个 Bloomberg 之外的、负担得起的选择。它甚至支持通过 WhatsApp 对话来用——把 Agent 接到手机上随时随地问一个金融问题。这种把严肃研究工具轻量化的思路是 Bloomberg 那套重型终端做不到的。dexter 的局限性“别拿它来投资”dexter 的 README 里有一条醒目的免责声明“本项目仅供教育、娱乐和信息参考目的。不可用于真实交易或投资决策。”dexter 使用的数据源Financial Datasets API提供的是公开财报数据不包含实时行情、Level 2 订单簿、期权链、新闻情绪分析等专业交易工具所需的数据。它的分析结论基于历史财务数据不是未来股价预测。把它理解为帮你快速消化财报内容的 AI 研究助手比AI 投资顾问更准确。它帮你省的是翻 10-K 财报和计算指标的时间不是做投资决策的判断力。你做过最花时间的金融分析是什么如果有个 AI Agent 帮你做第一步的数据收集初步分析你会让它查什么评论区聊聊。