当前位置：首页 » AI开源项目

Dexter：金融界的 Claude Code，开源 AI 金融研究 Agent

7小时前 AI开源项目 28 0

GitHub 上近期爆火的一个开源项目——Dexter，短短几个月突破 23.5K Star、2.9K Fork，一度登上 GitHub 日榜榜首。

作者一句话精准概括了它的定位：

Think Claude Code, but built specifically for financial research.

像 Claude Code 一样，但专攻金融研究。

Dexter 是什么？

Dexter 是一个终端里的 AI 金融研究员，能自动拆解问题、调用真实财报数据、自我验证。它不是聊天机器人，而是有「灵魂设定」（Buffett + Munger 投资哲学）的 Agentic 系统。

传统 AI 金融工具的痛点在于幻觉——你问 ChatGPT「苹果公司 2024 年营收增长驱动因素是什么」，它能给出听起来头头是道的分析，但数字可能是编的或过时的。在金融领域，幻觉是致命的。

Dexter 的解法：不要让 AI 凭感觉回答，而是让它真正去「查」，查完再「想」，想完还要「验」。

三层架构：

Planning（规划层）：把问题拆成一步步研究任务
Execution（执行层）：选对工具，去真实数据源拉数据
Validation（验证层）：检查自己的答案，发现不一致就迭代

Dexter 就像一个有巴菲特思维框架的新入职实习生：你给它一个问题，它会先列研究计划，然后去数据库查资料，查完自己对一遍逻辑，确认没问题再来汇报。

项目的核心配置文件之一是 SOUL.md——给 AI 写的「灵魂文档」，明确设定了 Dexter 的投资哲学：

来自巴菲特：「价格是你付出的，价值才是你得到的。」
来自芒格：「总是逆向思考——先问什么会让这个投资失败。」
核心原则：诚实优于舒适，实质优于表演。

这不是花哨的 prompt engineering，这是在给一个会「自主决策」的 Agent 设定价值观。

技术架构拆解

Dexter 用 TypeScript + Bun 开发，基于 LangChain 构建 Agent 核心，用 Ink（React for CLI）渲染终端 UI。项目结构清晰：

src/
├── agent/       # Agent 核心：循环逻辑、上下文压缩、Scratchpad
├── tools/       # 工具集：财报数据、网页搜索、浏览器
├── skills/      # 技能扩展：DCF 估值等 SKILL.md 工作流
├── model/       # 多 LLM 提供商抽象层
├── memory/      # 记忆管理
└── evals/       # 评估套件（LangSmith）

Agent 循环

核心 Agent Loop 在 src/agent/agent.ts 里，680 行代码，逻辑清晰。每一轮循环做以下事情：

微压缩检查（Microcompact）：每轮调用 LLM 前先检查是否达到触发阈值，达到则清理旧工具结果内容
剥离旧思维（stripOldThinking）：只保留最近 2 条 AIMessage 的推理内容，旧的只留工具调用结构
调用 LLM（支持流式输出）：优先用流式，失败自动降级为阻塞式调用
并发执行工具：所有读数据工具（get_financials、read_filings、web_search、browser 等）并发跑，写操作工具和 skill 工具串行执行
大结果持久化：超过 size 限制的工具结果写磁盘，只把摘要放进上下文
上下文阈值管理：触发阈值后，按顺序执行「记忆写盘 → 全量压缩 → 截断兜底」

最多跑 10 轮（可配置），内置循环检测，不会失控跑飞。

上下文管理：Agent 工程的教科书级实践

Dexter 实现了三层上下文管理策略，从轻到重依次是：

Microcompact（每轮检查：工具结果 >8 条，或总 token 估算 >80,000 时触发）
    ↓ 整体上下文超阈值
Memory Flush（把工具结果摘要写入本地记忆文件）
    ↓ 继续超阈值
Full Compaction（调用 LLM 生成一段上下文摘要，替换掉全部历史消息）
    ↓ 压缩失败兜底
Message Truncation（强制裁掉最老的几轮对话）

这个设计借鉴了 Claude Code 的上下文压缩机制，但在金融场景做了定制——财报数据往往很大，所以加了「大结果持久化」逻辑，把超大工具结果写到本地 .dexter/ 目录，不占用 LLM 上下文。

Skills 扩展系统

Dexter 有一套和 SOUL.md 一脉相承的扩展机制：Skills。每个 Skill 就是一个 SKILL.md 文件，Agent 启动时自动扫描并注入系统 prompt。

内置两个 Skill：

DCF 估值：一套 8 步走的完整 DCF 分析工作流，从拉取 5 年现金流历史、计算 FCF 增长率、按行业估算 WACC，到生成 3×3 敏感性矩阵。内置三个合理性校验，防止估值跑偏
X 情绪研究：一套多步骤的 X/Twitter 舆情研究工作流，把问题拆成 3-5 个定向搜索查询，迭代筛选后生成按主题分组的情绪简报

你可以自己写 SKILL.md 文件扩展 Dexter 的分析能力。

工具箱：金融数据能力

财务数据（FinancialDatasets API）：

收入表、资产负债表、现金流量表
股价、市值等关键指标
SEC 文件（10-K 年报、10-Q 季报、8-K 重大事件公告）
内部人士交易记录

信息检索：

web_search：三级降级链（Exa → Perplexity → Tavily）
x_search：X/Twitter 搜索工具
browser：Playwright 驱动的真实浏览器

支持的 LLM 提供商：OpenAI（默认 gpt-5.4）、Anthropic、Google、xAI（Grok）、OpenRouter、Ollama 本地模型，通过 /model 命令随时切换。

透明：Scratchpad 机制

金融 AI 最让人不放心的是「黑盒」——它给出答案，你不知道它经历了什么。Dexter 的解法是 Scratchpad（草稿本）。

每一次查询，所有工具调用的入参、原始返回、LLM 摘要都会写到 .dexter/scratchpad/ 下的 JSONL 文件里。你可以像审计师一样逐条复盘它的推理过程。

WhatsApp 接入

Dexter 可以绑定 WhatsApp 账号，直接在聊天界面问它金融问题：

# 扫码绑定 WhatsApp
bun run gateway:login

# 启动网关
bun run gateway

绑定完成后，给「自己」发消息，Dexter 会边「思考」边回复。相当于随身带了一个 24 小时在线的投资研究员。

快速上手

# 1. 安装 Bun 运行时
curl -fsSL https://bun.com/install | bash

# 2. 克隆项目
git clone https://github.com/virattt/dexter.git
cd dexter

# 3. 安装依赖
bun install

# 4. 配置 API 密钥
cp env.example .env
# 编辑 .env，填入 OPENAI_API_KEY（必填）和 FINANCIAL_DATASETS_API_KEY

# 5. 启动
bun start

启动后直接用自然语言提问，例如：

「分析苹果 2024 年营收增长的核心驱动因素」
「做一个特斯拉的简易 DCF 估值」
「比较英伟达和 AMD 过去 3 年的利润率」

苏米注：Dexter 让我感兴趣的不只是它能做金融分析，而是它的工程哲学。SOUL.md 这个设计细节说明——作者不是在给 AI 写提示词，而是在给一个「自主行动者」设定价值观和思维框架。深度垂直 + 哲学自洽，比功能堆砌更难复制。它的三层上下文管理方案（微压缩 → 记忆写盘 → 全量压缩）也是值得学习的工程模式，特别适合需要处理大量工具调用结果的 Agent 项目。

项目链接

GitHub：virattt/dexter ⭐ 23.5K+
FinancialDatasets API：financialdatasets.ai

声明：本站原创文章文字版权归本站所有，转载务必注明作者和出处；本站转载文章仅仅代表原作者观点，不代表本站立场，图文版权归原作者所有。如有侵权，请联系我们删除。

未经允许不得转载：Dexter：金融界的 Claude Code，开源 AI 金融研究 Agent

请登录后发表评论