现在的 AI 投资工具大多停留在“单次问答”层面，而 LangAlpha 试图解决一个更本质的问题：如何让 AI 参与持续数周甚至数月的研究过程，而不仅仅是回答一个问题。

可以把 LangAlpha 理解为 “投资界的 Claude Code”。它不追求替你下买卖结论，而是通过一套工程化架构，让研究过程变得可追踪、可复盘、可继续。

核心设计：从“对话”到“工作区”

LangAlpha 的核心在于 Persistent Workspaces（持久化工作区）。

当你创建一个如「Q2 仓位调整」或「数据中心需求研究」的工作区时，LangAlpha 会建立一个独立的沙箱，保存：

-
"agent点md"（目标与投资风格设定）
- 任务目录与阶段性结果
- 原始数据、中间分析与图表
- 历史线索与研究结论

你可以随时把 PDF 或 Markdown 研究笔记放入 memo store，让你的主观判断与外部数据一起被 AI 引用。下次打开工作区，它知道上次研究到哪、结论是什么、还有哪些未完成的任务。

关键技术：PTC（Progressive Tool Calling）

LangAlpha 引入了 PTC 机制，以解决金融分析中“数据爆炸”的问题：

- 不直接塞数据：Agent 不会把所有原始金融数据一股脑塞进 LLM 的上下文。
- 沙箱内计算：Agent 在沙箱中写 Python，调用 MCP 数据源，进行清洗、建模、绘图。
- 摘要反馈：只把计算结果、关键图表和洞察摘要交给模型，大幅降低 token 消耗，同时保留复杂分析能力。

这使得多步财务分析、估值模型和 Dashboard 生成变得更加可行。

与普通“搜索增强 AI”的本质区别

- 普通 AI 金融工具：回答完即结束，下一次对话是全新的开始。
- LangAlpha：具备研究记忆结构，知道你的目标、风格、历史结论，支持 Bayesian 更新 式的渐进研究。

正如 Simon 之前的投资监控工具所指向的共识：市场最稀缺的不是信息，而是能随时间积累的“判断上下文”。

一句话总结：

LangAlpha 的价值不在于替你做投资决策，而在于让投资研究变成一个可沉淀、可迭代的工程化过程。

💻 项目仓库：t点cn/AXx3TjjJ（GitHub）

🌐 官网：ginlix点ai