在投资研究领域，传统的研究报告撰写依赖分析师手动收集数据、分析行情、跟踪舆情、撰写报告，一份完整的个股研报通常需要数小时甚至数天完成，效率低下且人力成本高昂。本项目旨在利用大语言模型（LLM）与多智能体协作架构，实现A股及美股投资研究报告的自动化生成，解决分析师重复性劳动过高、数据整合耗时长、报告产出效率低的产品痛点。业务场景覆盖券商研究所、投资机构、个人投资者的日常投研工作流，用户只需输入股票代码或名称，系统即可在数十秒内自动完成数据采集、技术分析、舆情分析、报告撰写与合规审查，输出结构化投资研究报告。
项目包含五大核心功能模块：1）多通道数据采集模块：集成BaoStock（证券级行情）、akshare（东方财富基本面）、Yahoo Finance、SEC EDGAR等多种数据源，自动获取历史行情、财务指标和公司公告；2）智能舆情分析模块：通过Tavily新闻搜索与LLM情感分析，对目标股票进行多维度舆情评分和热点话题提取，支持中英文双语；3）技术面分析模块：内置MACD、KDJ、RSI、布林带、缠论等技术指标计算引擎，结合道氏理论与波浪理论框架生成买卖建议与风险评级；4）LLM报告自动撰写模块：综合基本面、技术面、政策面和舆情数据，由大模型自动生成包含执行摘要、公司概况、财务分析、技术分析、风险评估等7大章节的完整投资研究报告，支持Markdown、JSON和PDF三种输出格式；5）合规审查模块：对报告进行免责声明检查、数据引用验证、监管合规性评估和偏见检测，确保输出内容合规可靠。
本人负责：作为项目的核心开发者，我独立完成了从架构设计到编码实现的全流程开发，包括多智能体协作框架的设计与实现、各Agent的提示词工程与业务逻辑开发、数据采集工具链的集成与优化、FastAPI后端Web服务的搭建、A股/美股双版本兼容架构设计，以及腾讯云服务器的部署与运维。
技术栈与架构：后端采用 Python 3.10+ 与 FastAPI 构建Web服务，使用 Pydantic v2 进行结构化数据建模。核心架构采用 Pipeline + Fan-out 多智能体编排模式，通过 asyncio.gather() 实现Stage 1的五路并行数据采集（数据、舆情、飞书、IMA、百度网盘），后续Stage经市场分析→报告撰写→合规审查串行处理。LLM层适配了OpenAI与DeepSeek双引擎，支持中英双语输出。数据层集成了BaoStock、akshare、Yahoo Finance（yfinance）、SEC EDGAR（sec-edgar-api）等金融数据源。
实现亮点与难点：亮点在于多Agent并行编排架构大幅提升了报告生成效率（相比串行节省约60%时间），以及LLM适配层设计了自动降级策略——API调用失败时无缝切换至Mock数据，保证系统在任何环境下都能稳定运行。难点在于A股市场的数据合规性要求严格，需要对不同来源的财务数据进行标准化对齐处理；同时LLM生成的长篇报告中容易出现事实幻觉，通过将技术分析拆分为纯数值计算（不依赖LLM）与LLM文字生成两层解耦，有效降低了模型幻觉风险。
评论