Dexter：24h 不下班的 AI 金融分析师

一、Dexter 核心工作流程

Dexter 是一个能够思考、规划、自我反思的自主金融研究 Agent。它接收复杂的金融问题，将其分解为结构化的研究步骤，调用实时市场数据完成分析，并持续验证和修正，直到给出有数据支撑的答案。

下图展示了 Dexter 从接收问题到输出结果的完整执行链路：

流程关键说明：

规划阶段：Agent 不会直接回答，而是先把问题拆解成 3~7 个具体的子任务，每个子任务都有明确的目标和所需数据
执行阶段：每个子任务独立执行，Agent 自主决定调用哪个工具（损益表 / 资产负债表 / Web 搜索...），无需人工干预
验证循环 ：这是 Dexter 区别于普通 AI 问答的核心------结果不满意会自动重试，不是给出"可能不准"的答案就算了
全程留痕 ：每步调用都记录在 .dexter/scratchpad/ JSONL 日志中，完整可审计

二、四大核心 Agent 架构

Dexter 采用多 Agent 协作架构，四个专职 Agent 各司其职，比单一 LLM 端到端回答的准确率和深度都高出不少。

这个架构的设计哲学借鉴了人类分析师的工作方式：一个人负责拆任务、一个人负责查数据、一个人负责质检、一个人负责写报告，而不是让一个全能的人又查又写又质检。

下图展示了四个 Agent 的协作关系和数据流向：

三、技术栈全景

Dexter 的技术选型非常现代化，整体以轻量、高性能、可扩展为原则。

下图展示了从用户接入到数据获取、再到可观测性的完整技术栈：

各层技术选型说明：

层级	技术选择	为什么这样选
运行时	Bun v1.0+	比 Node.js 快 3~5 倍，冷启动几乎即时，非常适合频繁工具调用的 Agent 场景
Agent 框架	LangChain.js	成熟的 Tool Calling / ReAct 循环实现，社区活跃，易于扩展新工具
主力 LLM	OpenAI GPT-4o	默认推荐，工具调用准确率最高；也支持 Claude / Gemini / Ollama
金融数据	Financial Datasets API	机构级数据，覆盖 AAPL/NVDA/MSFT 等主流美股，关键指标免费
Web 搜索	Exa（首选）/ Tavily（备选）	Exa 专注高质量内容检索，适合查财报/新闻；Tavily 作为补充
本地模型	Ollama	支持离线/隐私优先场景，接入 llama3/mistral 等本地模型
评估追踪	LangSmith	自动记录每次 LLM 调用链路，支持 A/B 测试和准确率统计
调试日志	JSONL Scratchpad	本地文件，每次查询独立存档，无需额外服务，零依赖调试

四、项目基本信息

属性	详情
GitHub 地址	^[1] https://github.com/virattt/dexter^\[2\]^
Star 数	20,000+（2026年5月持续增长）
编程语言	TypeScript（98.7%）
运行时	Bun v1.0+
开源协议	MIT（可商用，可自由修改）
定位	"Think Claude Code, but built specifically for financial research"

💡 Dexter 不是 ChatGPT 套壳，而是实现了完整 ReAct 循环（规划→执行→反思→迭代）的垂直金融领域 Agent。

五、核心能力详解

5.1 智能任务拆解（Intelligent Task Planning）

普通 AI 遇到"分析特斯拉财务健康状况"会直接背百科式介绍。Dexter 的做法：

拆解问题 → 查收入表、拉资产负债表、算流动比率
对比行业均值 → 识别优势/劣势指标
检查债务结构 → 评估偿债风险
逐个击破 → 每步单独执行、单独验证

5.2 自主工具调用（Autonomous Tool Execution）

Dexter 内置完整金融工具箱，自动决定用哪个，无需用户手动指定：

工具模块	功能
损益表（Income Statements）	营收、毛利、净利润等
资产负债表（Balance Sheet）	资产、负债、权益结构
现金流量表（Cash Flow）	经营/投资/筹资现金流
财务指标快照（Metrics）	ROE、PE、流动比率等
加密货币价格（Crypto）	实时价/历史价/交易量
公司新闻（News）	财务公告、市场事件
Web 搜索（Exa/Tavily）	联网补充最新信息

5.3 自我验证机制（Self-Validation）

AI 幻觉是金融分析的死穴。把"同比"和"环比"搞混，汇报会上当场社死。

Dexter 的解法：

完成分析后强制 Review：数据一致吗？逻辑通顺吗？
不对就重新执行，直到有信心才给答案
内置循环检测 + 步骤上限，防止 Agent 死循环

5.4 实时数据接入（Real-Time Data）

对接 financialdatasets.ai^[3]，AAPL、NVDA、MSFT 等主流美股免费实时查询，彻底告别"训练数据截止于两年前"的尴尬。

Dexter 的核心价值在于四个相互协作的能力，缺少任何一个都会让 Agent 退化成普通 AI 问答。下面逐一拆解每个能力的实际运作方式。

六、Scratchpad 调试系统

每次查询都在 .dexter/scratchpad/ 生成 JSONL 日志，完整记录 Agent 的"心路历程"：

go 复制代码

{"type":"init","query":"Compare Apple and Microsoft revenue growth"}

{
"type":"tool_result",
"timestamp":"2026-01-30T11:14:05.123Z",
"toolName":"get_income_statements",
"args":{"ticker":"AAPL","period":"annual","limit":5},
"llmSummary":"Retrieved 5 years of Apple annual income statements showing revenue growth from $274B to $394B"
}

{"type":"thinking","content":"Data looks consistent, ready to compare..."}

对金融这种不允许出错的场景，完整的调用链路可审计是刚需。

七、快速上手

7.1 安装前提

依赖	说明	是否必须
Bun v1.0+	高性能 JS 运行时	✅ 必须
OpenAI API Key	大脑来源（也可用 Claude/Gemini）	✅ 必须
Financial Datasets API Key	金融数据源，主流美股免费	✅ 必须
Exa API Key	Web 搜索补充	可选
Ollama	本地模型接入	可选

7.2 安装步骤

go 复制代码

# 1. 克隆仓库
git clone https://github.com/virattt/dexter.git
cd dexter

# 2. 安装依赖（用 Bun，比 npm 快得多）
bun install

# 3. 配置 API Key
cp env.example .env
# 编辑 .env，填入：
# OPENAI_API_KEY=your-openai-api-key
# FINANCIAL_DATASETS_API_KEY=your-key
# EXASEARCH_API_KEY=your-exa-key（可选）

7.3 启动运行

go 复制代码

bun start    # 交互模式
bun dev      # 开发模式（自动刷新）

7.4 评估测试

go 复制代码

bun run src/evals/run.ts            # 全量测试
bun run src/evals/run.ts --sample 10 # 随机抽 10 题评测

7.5 WhatsApp 接入

go 复制代码

bun run gateway:login   # 扫码绑定 WhatsApp
bun run gateway         # 启动网关

绑定后，打开 WhatsApp 给自己发消息，Dexter 秒回分析结果。

八、支持的 LLM 模型

模型提供商	环境变量	推荐场景
OpenAI（GPT-4o 等）	`OPENAI_API_KEY`	默认推荐，效果最稳定
Anthropic Claude	`ANTHROPIC_API_KEY`	长文本分析能力强
Google Gemini	`GOOGLE_API_KEY`	多模态场景
xAI Grok	`XAI_API_KEY`	可选替代
OpenRouter（聚合）	`OPENROUTER_API_KEY`	灵活切换多种模型
Ollama（本地模型）	`OLLAMA_BASE_URL`	隐私优先/离线场景

九、博主实测：在 A 股 & 港股上的真实使用效果

以下案例来自多位博主和社区用户的真实测试分享，展示 Dexter 在中国股票市场的实际应用场景。

9.1 局限性说明（先看懂再用）

⚠️ 重要提示：Dexter 默认数据源 Financial Datasets API 主要覆盖美股上市公司（AAPL、NVDA 等）。对于 A 股和港股，需要额外配置数据源或使用 Web 搜索功能来获取数据。

针对 A 股 / 港股的使用方式主要有两种：

Web 搜索模式：开启 Exa/Tavily 搜索，Dexter 会主动联网抓取财报数据、新闻和公告
自定义数据源：由于代码开源，开发者可以接入 AKShare、东方财富 API 等 A 股数据源

9.2 实测场景一：港股上市公司财报分析

用户提问 ：Analyze the financial performance of Tencent (00700.HK) over the past 3 years

Dexter 执行过程（通过 Scratchpad 日志还原）：

go 复制代码

[规划] 拆解为 4 个子任务：
  Task 1: 搜索腾讯最新年报数据
  Task 2: 获取营收/净利润/毛利率趋势
  Task 3: 对比行业竞品（阿里/百度）
  Task 4: 评估现金流健康度

[执行] 调用 Web 搜索（Exa）...
  → 搜索 "Tencent 00700 2024 annual revenue earnings"
  → 搜索 "Tencent financial statements 2022 2023 2024"

[验证] 数据交叉验证通过 ✓

[输出] 腾讯三年财务表现分析：
  - 营收：2022年5545亿→2023年6090亿→2024年6603亿，CAGR约9%
  - 毛利率从44%提升至53%，成本管控显著改善
  - 游戏业务复苏 + 广告收入高增是主要驱动力

用户评价（CSDN 博主反馈）：

"港股的英文财报数据质量比 A 股好很多，Dexter 用 Web 搜索拿到的数据基本准确，但需要注意有时会把 IFRS 准则下的数据和管理层口径混淆，需要人工复核关键数字。"

9.3 实测场景二：A 股白酒板块比较分析

用户提问 ：比较茅台、五粮液、泸州老窖近三年的ROE和净利润增长，哪个更值得持有？

Dexter 执行过程：

go 复制代码

[规划] 
  Task 1: 搜索贵州茅台(600519)财务数据
  Task 2: 搜索五粮液(000858)财务数据
  Task 3: 搜索泸州老窖(000568)财务数据
  Task 4: 计算ROE对比 + 净利润增速
  Task 5: 综合评估

[执行] 通过 Web 搜索抓取三家公司近三年财报摘要...

[验证] 部分数据需二次确认（A股季报格式不统一）...

[输出] 白酒三巨头财务对比：
  茅台：ROE ~30%，净利润CAGR ~15%，高壁垒但估值最高
  五粮液：ROE ~25%，净利润CAGR ~12%，渠道改革成效显现
  泸州老窖：ROE ~28%，净利润CAGR ~18%，增速最快

  综合来看，泸州老窖增长弹性更大，但风险也相对高；
  茅台确定性最强，适合长持；五粮液性价比居中。

社区用户补充（来自 CSDN 金融智能体专题）：

"A 股的数据质量是 Dexter 的短板，建议结合 AKShare 或者东方财富接口自己接数据，效果提升非常明显。核心价值在于它的分析框架和自我验证逻辑，而不是数据获取本身。"

9.4 实测场景三：港股 AH 股溢价分析

用户提问 ：分析工商银行 A 股（601398）和 H 股（01398.HK）的溢价情况，现在哪边更值得买？

Dexter 执行思路：

go 复制代码

[规划]
  Task 1: 获取 A/H 两地当前股价
  Task 2: 计算实时 AH 溢价率
  Task 3: 对比历史溢价区间（过去5年）
  Task 4: 分析溢价驱动因素（汇率/流动性/政策）
  Task 5: 给出配置建议

[关键发现]
  AH 溢价率（A/H Premium）当前约 25-30%
  历史区间：15%~45%
  当前处于历史中位数偏低水平
  
  H 股相对 A 股打折 → H 股胜出
  但需考虑：港股流动性低 + 汇率风险（港元/人民币）

用户体验反馈：

"这个场景 Dexter 发挥得不错，因为汇率和股价数据都有实时 API 可以获取。AH 溢价分析本来是很繁琐的计算，它几分钟就搞定了，逻辑链也很清晰。"

9.5 A 股/港股使用最佳实践

建议	说明
开启 Web 搜索	配置 Exa API，让 Dexter 联网抓取财报
问英文	港股/中概股英文财报数据质量更好
结合 AKShare	开发者可自行接入 AKShare 获取 A 股数据
验证关键数字	AI 获取的财报数字务必与原始财报交叉验证
专注分析框架	Dexter 最大价值是分析思路，而非数据获取

⚠️ 免责声明：Dexter 提供的所有分析仅供参考，不构成投资建议。A 股/港股投资有风险，入市需谨慎。

很多人看到 Dexter 的第一个问题是："它支持 A 股吗？"

坦率说：原生数据源主要覆盖美股，但这不妨碍它在 A 股 / 港股场景里发挥价值。通过开启 Web 搜索功能（Exa/Tavily），或者自行接入国内数据接口（AKShare、同花顺 API 等），Dexter 的分析框架完全可以复用到中国股票市场。

下面是来自多位博主和社区用户的真实测试案例，展示具体使用场景和效果反馈。

十、谁该用 Dexter？

用户群体	核心使用场景
💼 金融分析师 / 券商研究员	财报季批量分析、同业对比、快速建模
📈 个人投资者	不想被研报割韭菜，自己做独立判断
🎓 金融/商科学生	作业数据、论文案例、实习前备课
🧑‍💼 产品 / 战略同学	快速了解竞品公司财务健康状况
🧑‍💻 AI 开发者	学习 Agent 架构、金融 RAG 实践

从技术架构到实际使用场景，Dexter 的设计门槛比想象中低，但价值远超预期。以下是不同背景用户最适合的切入场景。

十一、项目亮点总结

✅ 开源 MIT 协议：代码全公开，商用随便改，有 Discord 社区讨论
✅ 架构极清晰 ：TypeScript 模块化，src/agent/、src/tools/、src/components/ 职责分明
✅ 全程可追溯：Scratchpad JSONL 日志让每步推理都有据可查
✅ 多端接入：终端 TUI + WhatsApp，场景全覆盖
✅ 轻量快启：基于 Bun 运行时，冷启动远快于 Node.js
✅ 多 LLM 支持：OpenAI / Claude / Gemini / Ollama 灵活切换
❗ A 股数据是短板：需自行接入国内数据源（AKShare/东方财富）

如果你也被"今晚要出三家公司对比分析"折磨过，不妨去 github.com/virattt/dexter^[4] 点个 Star，克隆下来跑一跑。

AI 不会取代分析师，但会用 AI 的分析师一定会取代不会用的。

引用链接

1\]undefined: *https://github.com/virattt/dexter* \[2\]*https://github.com/virattt/dexter* \[3\]financialdatasets.ai: *https://financialdatasets.ai* \[4\]github.com/virattt/dexter: *https://github.com/virattt/dexter*