大家好，我是徐小夕。架构师，曾任职多家上市公司，多年架构经验，打造过上亿用户规模的产品，目前全职创业，主要聚集于“Dooring AI零代码搭建平台”和“flowmixAI多模态办公软件”

之前和大家分享了我实现的 pxcharts 多维表格编辑器和协同文档编辑器：

px-doc，一款开箱即用的协同文档编辑器

pxcharts多维表格ultra版：AI + 多维表，工作效率飙升！

一直在研究AI技术和AI自动化解决方案，最近在逛 Github 的时候，发现了一款非常有价值的AI自动化开源项目——AiPy。

AiPy 是由北京知道创宇公司推出的一款 Agent，其诞生源于对传统AI工具局限性的深刻洞察。与市面上多数依赖预设工具或固定场景的AI不同，AiPy通过深度融合大语言模型（LLM）与Python编程能力，构建了一套从任务规划、执行到优化的全链路闭环系统。

这意味着，当我们向 AiPy 提出需求时，它并非简单调用预设模板，而是会像一位资深程序员与领域专家的结合体，根据需求动态生成Python代码，并自主执行程序来操作本地应用、数据库甚至物联网设备。

话不多说，先上地址：

Github地址：https://github.com/knownsec/aipyapp

接下来我会从 AiPy 的核心优势，实际的使用案例，应用场景，以及和传统AI工具的对比这几个角度，带大家深度体验和了解这个 AI 项目。

在深度使用和研究了 AiPy 之后，我和大家分享四点我觉得比较有价值的优势。

1. 强大的“破界”能力。由于 AiPy 采用动态代码生成机制，它无需依赖预设工具，能够直接应对各种复杂且多变的场景。无论是处理不常见的数据格式，还是完成个性化的分析任务，AiPy都能通过自行制造所需“工具”并进行debug与执行，轻松突破固定场景的限制。

2. 开源架构是AiPy的另一大亮点。这允许开发者根据自身需求扩展功能，不断丰富其生态体系。同时，AiPy采用Python-Use范式，有效减少了Token消耗，大幅降低了运行成本，让企业与个人用户都能轻松负担。

3. 支持本地部署和私有化运行模式。对于金融、医疗等对数据安全高度敏感的行业而言，AiPy 的本地部署和私有化运行模式将非常实用。数据全程不经过外部服务器，确保了核心信息的安全性与保密性，完全满足内网使用的风险可控要求。我们可以本地安装软件使用，它支持windows系统和Mac系统，满足了我们不同用户的使用需求。

4. 傻瓜式操作，无需高深的技术知识。最令我惊喜的是，尽管 AiPy 以Python 为驱动核心，但它对普通用户极其友好。用户无需具备任何Python编程知识，代码的生成、执行过程会完全向用户隐藏，AiPy最终交付的是清晰、可用的结果，而非晦涩难懂的代码片段。这种“结果导向”的设计，让量化分析等专业任务真正走进了普通人的视野。

这里和大家分享一个我使用 AiPy 做量化分析的真实案例。之所以要以量化分析作为案例，是因为在AI高速发展的当下，数据已成为驱动决策的核心引擎，而量化分析作为挖掘数据价值的关键手段，正被越来越多的行业所依赖。无论是金融领域的股票投资决策、企业运营中的市场趋势研判，还是科研场景下的数据分析建模，量化分析都扮演着不可或缺的角色。

但是传统的量化分析过程却常常让普通人望而却步：我们需要熟练掌握Python、R等编程语言，面对海量数据时需手动编写复杂代码进行清洗与分析，工具切换频繁且配置繁琐，更别提金融、医疗等敏感领域对数据安全的严苛要求。这些痛点不仅耗费了大量的时间与精力，也让许多不具备专业编程能力的人被挡在了量化分析的大门之外。

所以我选了量化分析作为案例，更容易考量 AiPy 在实战中的能力。

在这个案例中，我选择了股票投资这一典型场景。对于多数投资者而言，面对A股数千只股票，如何快速筛选出具有增长潜力的标的、准确判断其未来走势，并制定合理的投资策略，是一个极具挑战性的问题。传统的分析方式需要手动收集数据、编写代码进行技术指标计算、绘制趋势图，整个过程耗时费力且容易出错。

因此，我设定的分析目标是：利用 AiPy 从沪深300指数成分股中筛选出近一年净利润增长率大于20%、市盈率小于30倍的潜力股票，并对这些股票进行技术面分析（包括MACD、RSI指标），最终生成一份包含股票推荐、仓位布局建议及目标价位的量化分析报告。

下面是 AiPy 的执行效果：

在我发出量化分析需求之后，整个过程都是 AiPy 自动分析，拆解任务，执行任务，并自动纠错。我没有进行额外的干预，最终给我生成了一份详细的量化分析报告：

简单总结一下，AiPy 自动化执行了如下步骤：

第一步，数据获取与筛选。AiPy 首先判断需要调用金融数据接口来获取沪深300指数成分股列表及各股票的财务数据（净利润增长率）和估值数据（市盈率TTM）。由于内置了相应的插件，它直接生成了Python代码来调用接口，获取到数据后，自动进行数据清洗，剔除了数据缺失的股票，并按照我们设定的条件（净利润增长率>20%、市盈率TTM<30倍）进行筛选。在这个过程中，AiPy还对筛选条件进行了合理性校验，例如确认净利润增长率的计算周期为近一年，市盈率为动态市盈率，确保了数据的准确性。

第二步，技术指标计算。筛选出符合条件的股票后，AiPy继续生成Python代码，获取这些股票过去60天的日线数据（开盘价、收盘价、最高价、最低价、成交量等），并利用金融分析库（如TA-Lib）计算MACD和RSI（14日）指标。对于计算过程中出现的个别股票数据异常问题，AiPy自动进行了debug，通过补充数据或调整计算参数的方式解决了问题，整个过程无需人工介入。

第三步，报告生成。完成数据筛选与指标计算后，AiPy开始生成量化分析报告。它首先确定了报告的结构，包括摘要、股票筛选结果、个股分析、仓位布局建议、风险提示等模块，然后将分析结果填充到相应模块中，并对数据进行可视化处理，生成了MACD和RSI指标的趋势图。最后，AiPy对整个报告进行了语言润色，确保内容专业、简洁，符合我们的要求。

整个执行过程耗时约8分钟，相比传统手动分析需要数小时甚至数天的时间，效率提升极为显著。更重要的是，在这个过程中，我们完全没有接触任何代码，只需等待AiPy交付结果。

所以，AiPy的自动化和智能体验，还是非常让我惊艳的。

除了量化分析，AiPy 在其他领域比如文件处理，音视频制作辅助，PPT生成，大数据分析等方面表现也同样出色。

作为管理者，我之前经常需要分析海量数据的Excel，从中挖掘有价值的信息点并做决策。

抱着试试看的心态，我将本地一个包含10w条数据的Excel项目管理文件交给了AiPy。提交任务后，AiPy 首先判断需要使用专门的大型Excel处理库（如pandas结合openpyxl）来读取文件，避免出现内存问题。它自动生成了Python代码，采用分块读取的方式处理数据，有效降低了内存占用。

最后，生成了一份我觉得相对详细的项目数据分析报告。整个过程耗时约6分钟，成功解决了我的问题，相比传统方法效率提升了数倍。

在内容创作领域，AiPy 也能发挥重要作用。笔者需要为一款新产品制作一个简单的宣传视频，内容包括产品功能介绍、使用场景展示等，但由于缺乏视频剪辑经验，传统的剪辑软件（如Premiere）操作复杂，难以快速上手。这时，我们就可以用 AiPy 来辅助视频制作。

AiPy 接收到需求后，会自动判断需要使用视频处理库（如moviepy）来完成任务。它生成了Python代码，实现了图片拼接、字幕添加、背景音乐合成、logo添加等功能，并对视频的转场效果进行了简单优化。

对于没有视频剪辑经验的人来说，AiPy无疑是一个高效的辅助工具。

制作PPT是我们在职场中常见的任务，但往往需要花费大量时间进行页面布局、设计美化和内容排版。为了测试 AiPy 在PPT生成方面的能力，我们选择了“pxcharts多维表格编辑器产品介绍”作为主题，向 AiPy 输入需求。

AiPy 接收到需求后，首先确定了PPT的整体结构和每页的内容框架，然后生成Python代码调用PPT生成库（如python-pptx）来创建PPT。它自动选择了合适的蓝色系模板，为每页添加了相应的图标和文字排版，并对标题、正文的字体大小和颜色进行了优化。不到5分钟，一份完整的PPT就生成了。

上面就是生成的PPT的效果，整体来说还是非常不错的。

为了更直观地展现 AiPy 的优势，我将它与传统的量化分析工具及其他场景下的常用AI工具进行了对比，具体如下表所示：

通过对比我们可以看出，AiPy 在使用门槛、效率、灵活性、数据安全等多个维度都展现出了显著的优势。它不仅降低了专业任务的操作难度，还大幅提升了工作效率，同时兼顾了数据安全和成本控制，完美解决了传统工具存在的诸多痛点。

当然，要用好AiPy，选择合适的模型才能发挥最大的效果。近期，AiPy 发布了《大模型适配度测评第五期报告》，按这个报告选择无疑是最佳选择。

AiPy 我认为无疑是一款极具创新性和实用性的工具。它不仅能够帮助我们提升工作效率、降低工作难度，还能为我们全程构建解决问题的思路和落地方案。如果大家还在为量化分析的复杂代码而烦恼，为大型文件处理的繁琐流程而头疼，为制作PPT的耗时费力而无奈，那么不妨尝试一下AiPy。