LangAlpha：当 Claude Code 遇上华尔街，AI 投资助手如何实现“贝叶斯式”研究？
在 AI 金融工具层出不穷的今天，大多数产品仍停留在“一问一答”的单次交互模式。然而，真实的投资决策是一个持续数周甚至数月的迭代过程：你有一个初始假设，每天都有新数据涌入，你需要据此不断更新你的判断。LangAlpha 正是为了解决这一痛点而生——它借鉴了 Claude Code 等代码助手的设计理念，将“持久化工作空间”引入金融研究，让 AI 驱动的投资分析能够像代码提交一样，持续积累、层层递进。
从“氛围编码”到“氛围投资”
LangAlpha 的灵感直接来源于软件工程领域。在编程中，代码库是持久存在的，每一次提交都建立在之前的工作基础上。Claude Code、OpenCode 等代码助手之所以成功，正是因为它们构建的代理能够探索现有上下文，并基于先前成果进行构建。
LangAlpha 将这一洞察应用于金融领域：为代理提供一个持久化的工作空间，让研究自然产生复利效应。在实践中，你可以为每个研究目标（例如“Q2 资产再平衡”、“数据中心需求深度分析”、“能源板块轮动”）创建一个独立的工作空间。代理会先与你沟通你的目标和投资风格，生成初步成果，并将所有内容保存到工作空间的文件系统中。当你第二天回来时，你的文件、对话线程和累积的研究都还在那里。
核心功能：如何应对金融数据的规模化挑战
金融数据规模庞大且复杂，传统的 MCP（模型上下文协议）工具在处理时常常力不从心。例如，一次调用获取五年每日价格数据，就可能将数万个令牌“倾倒”进上下文窗口，导致效率低下和成本飙升。LangAlpha 通过两项关键技术设计来应对这一挑战：
- 渐进式工具发现：加载的 MCP 工具会以摘要形式呈现在上下文中，完整文档则存入工作空间。这使得代理能够真正按需发现和使用工具。同时，它还支持将 JSON 工具与特定技能绑定，仅在技能激活时才向代理暴露，提高了工具调用的精准性。
- 程序化工具调用：这是 LangAlpha 的一大亮点。代理不再将原始金融数据直接灌入 LLM 的上下文窗口，而是编写并执行 Python 代码来处理来自 MCP 服务器的数据。这种方式支持复杂的多步骤分析（如数据清洗、计算指标、生成图表），同时显著减少了令牌浪费，使得处理多年期、大规模数据集变得可行。
金融数据生态系统与工作流
LangAlpha 构建了一个多层级的数据提供商体系：
- 原生工具：用于快速查询和初步数据获取。
- MCP 服务器：负责批量数据处理、图表生成以及多年期分析等重型任务。
在实际操作中，当你激活一个特定技能（例如生成晨报），代理会调度并行的子代理去收集市场数据、新闻和宏观背景信息。最终，它会生成一份包含内联交互式可视化图表的晨报，让分析结果一目了然。
总结：AI 投资助手的范式转变
LangAlpha 的出现，标志着 AI 金融工具从“单次问答机”向“持续研究伙伴”的范式转变。它不再试图用一个提示捕捉整个投资过程，而是提供了一个可以随时间演进的协作环境。通过结合持久化工作空间、程序化数据处理和灵活的金融数据生态，LangAlpha 旨在让投资研究过程更加符合其贝叶斯本质——持续学习，不断更新。对于那些希望将 AI 深度融入其长期、迭代式投资流程的专业人士和机构而言，这或许是一个值得关注的新方向。
注：该项目与 Gemini 3 黑客松相关。评审人员请参考
hackathon/gemini-3分支查看冻结的提交版本，主分支包含后续的持续开发内容。