AlphaWorkbench 是一个研报驱动的人机协同量化因子研究平台，面向金融研究员和量化研究学习者。
项目目标不是完美复现研报中的某个唯一因子，而是从研报或自然语言投资想法中提炼投资思想，生成可编辑的研究配置，发散候选因子，完成基础回测与审计，并沉淀可追踪的研究路径。
平台给 baseline，研究员找 alpha；流程可复现，研究可分叉。
研报 PDF / 自然语言投资想法
→ IdeaSpec 投资思想提炼
→ ResearchSpec 研究配置编辑
→ FactorSpec 候选因子生成
→ 因子计算与基础回测
→ 回测解释与轻量审计
→ Research Trace 研究路径沉淀
Demo 阶段聚焦“盈利超预期 / 单季度净利润超预期 / 盈利预测修正”这一类基本面因子思想。
- 支持自然语言投资想法输入，后续扩展研报 PDF 解析。
- 使用 LLM 提炼投资思想并生成结构化
IdeaSpec。 - 支持研究员编辑股票池、字段口径、过滤规则、交易成本等
ResearchSpec。 - 生成候选因子族，并用自然语言、LaTeX 公式和表达式树三层表示
FactorSpec。 - 基于样例数据完成 IC、分层收益、多空收益、净值曲线等基础回测。
- 生成回测解释、轻量审计报告和
Research Trace。
- 界面：Streamlit
- 核心计算：Python、Pandas、NumPy
- Agent 框架：Agno
- Agent 编排：Agno Workflow + 普通 Python 函数
- 大模型：优先使用云端 API，并保留 mock fallback 以保证 demo 稳定
- 数据：优先使用本地 CSV 样例数据；AKShare、TuShare、Wind、内部数据作为后续扩展
- 存储：demo 阶段使用本地 JSON / Markdown 保存研究路径和报告
- 环境管理：uv
点击上面的链接进行实时演示，无需本地安装即可体验完整的研究流程。
Linux / macOS：
./scripts/start_demo.shWindows：
scripts\start_demo.bat手动启动：
uv sync
uv run alpha-workbench-demo
uv run streamlit run alpha_workbench/app/streamlit_app.py如果暂时不安装依赖，也可以先用当前 Python 环境验证 mock 链路：
python -m alpha_workbench当前新增 FastAPI + React/Vite 产品外壳，提供账号密码注册、登录、GitHub OAuth、本地 SQLite 和研究历史记录。核心因子研报 workflow 仍复用现有 mock 链路，后续单独优化。
启动后端：
uv sync --extra dev
./scripts/start_api.sh启动前端：
./scripts/start_frontend.sh前端目录已提供 frontend/.npmrc，默认使用 https://registry.npmmirror.com/。
默认地址：
前端：http://localhost:5173
后端：http://localhost:8000
SQLite：data/alpha_workbench.sqlite3
GitHub OAuth 需要在 .env 中配置：
APP_SECRET_KEY=change-me
BACKEND_BASE_URL=http://localhost:8000
FRONTEND_BASE_URL=http://localhost:5173
GITHUB_CLIENT_ID=
GITHUB_CLIENT_SECRET=Web 相关文档：
AlphaWorkbench 在 demo 阶段使用 Agno 作为 Agent 框架。系统应实现为确定性的研究工作流，而不是自由对话式的多 Agent 聊天。
Streamlit UI
↓
Agno Workflow
↓
Agno Agents + Python functions
↓
Pydantic schemas
↓
CSV sample data + JSON/Markdown traces
面向大模型的模块实现为 Agno Agents：
IdeaExtractionAgent：提炼投资假设，输出IdeaSpec。FactorGenerationAgent：生成候选因子族，输出FactorSpec。BacktestExplanationAgent：解释 IC、分层收益、净值曲线、回撤和换手率。AuditAgent：检查数据可得性、proxy 使用、未来函数风险和稳健性问题。ReportAgent：基于完整研究路径生成最终研究报告。
Agent 应尽量返回结构化 Pydantic 对象。自由文本只用于面向用户的解释和报告。
Agno Workflow 控制主研究链路：
parse_input
→ extract_idea
→ edit_research_spec
→ generate_factors
→ validate_factor_specs
→ compile_factors
→ run_backtest
→ explain_backtest
→ run_audit
→ save_research_trace
→ generate_report
这样可以保证 demo 可复现、易调试。后续如果需要更灵活的 Agent 协作，可以再引入 Agno Teams；MVP 阶段优先使用 Workflow，因为本项目流程有明确的顺序步骤和输入输出。
确定性任务保留为普通 Python 代码：
- PDF / 文本解析
- schema 校验
- 因子表达式编译
- 因子计算
- 回测指标计算
- 图表数据生成
- 研究路径持久化
LLM Agents 负责生成和解释结构化研究对象；Python 代码负责校验、计算、审计和保存。
alpha-workbench/
README.md
AGENTS.md
scripts/
start_demo.sh
start_demo.bat
docs/
team_work_plan.md
alpha_workbench/
app/
agents/
schemas/
parsers/
data/
factor_engine/
backtest/
memory/
reports/
configs/
workflows/
tests/
- Agno 官方文档：Agno 是用于构建 Agent 平台的 SDK。
- Agno SDK 介绍：Agno 提供
Agent、Team、Workflow三类核心原语，其中 Workflow 适合确定性的步骤式执行。 - Agno Agents：Agent 是使用工具完成任务的 AI 程序，可扩展 memory、knowledge、storage、human-in-the-loop 和 guardrails。
- Agno Workflows：Workflow 通过定义好的步骤编排 agents、teams 和 functions，适合可重复任务。
- Agno Input & Output：Agno 支持使用 Pydantic 模型进行结构化输入和输出。
当前项目处于启动阶段。优先目标是跑通一条固定 demo 链路：
一句投资想法 → 固定 IdeaSpec → 3 个候选因子 → 基础回测图 → 轻量审计报告
详细分工、并行开发规范、接口约定和阶段目标见 docs/team_work_plan.md。