AIAI 工具图鉴
← 返回全部文章
·约 18 分钟PPT

🔥 Opptrix：本地优先的全球多市场 AI 投研数据助手

办公写作Agent
下载 PPT下载视频

配套媒体

本页对应的 PPT 与演示视频

opptrix-recommend.mp4
PPT
opptrix-recommend.pptx浏览器不能直接打开 PPT，下载后用 PowerPoint / WPS / Keynote 查看
下载没反应？点这里复制直链

侧边栏预览窗口（Electron webview）会拦截下载，把下面的链接复制到 Chrome / Edge 地址栏打开即可保存。

PPT../../opptrix-recommend.pptx
视频../../opptrix-recommend.mp4
本文目录
  1. 🚀 什么是 Opptrix？
  2. ✨ 核心功能一览
  3. 🛠️ 快速上手：5 分钟跑通示例
  4. 安装 / 启动
  5. 核心 API 示例
  6. 📊 与同类 AI 量化工具对比
  7. 💡 适用场景
  8. 场景 1：A 股深度研究 + 跨市场对照
  9. 场景 2：自定义因子 + 回测验证
  10. 场景 3：RSS 新闻聚合 + 本地/远程翻译
  11. 用户群体总结
  12. 💰 定价方案
  13. 🎯 总结

🔥 Opptrix：本地优先的全球多市场 AI 投研数据助手

GitHub stars GitHub forks

📌 核心价值：把"自然语言提问 → 多市场结构化数据 → 中文可读报告"的链路从 60 分钟人工研究压缩到 30 秒内自动化完成，且全部本地运行。

127 个投研 MCP 工具 × A 股深度最强（基本面 + 资金流向 + 筹码分布 + 机构评级） × 多 Provider 回退机制——这是 2026 年开源 AI 量化研究工具栈的"基础设施级"项目。

封面图

🚀 什么是 Opptrix？

Opptrix 是一款开源的全球多市场投研数据助手，定位为本地/自托管的跨市场数据查询与投研整理工具。用自然语言提问，由大模型调用 127 个投研工具拉取结构化数据并整理为中文可读报告，覆盖 A 股、美股、港股、日股、韩股与加密货币等 6 大市场。

核心定位：把 LLM 的"自然语言理解能力"和"结构化金融数据"无缝缝合，且数据可溯源、可回放。

✨ 核心功能一览

Opptrix 核心能力矩阵

Opptrix 的能力矩阵围绕 Chat Agent + 投研工具 + 多市场数据 三层架构展开：

  • Chat Agent（packages/agent）：流式对话 + Tool Pack 智能路由 + 127 个 MCP 工具调用
  • 行情数据（a-stock-layer + market-data）：多 Provider 回退（A 股：东财、Tushare、TDX；美股/港股/日股/韩股：Yahoo；加密：专用 Provider）
  • 因子研究（stock-eval）：因子筛选 + 评分卡 + 回测验证
  • 机构评级（institutions）：A 股机构综合评级聚合（规则化评分，非研报全文）
  • 策略信号（t-strategy）：11 个内置策略（ETF/美股/加密/日/韩/港）+ 自建策略 + 回测
  • 新闻聚合（news-feed + article-enrichment）：RSS 订阅完整 CRUD + RSSHub 路由三级漏斗 + 本地/远程翻译
  • 桌面端（apps/desktop）：Electron + 系统托盘 + 自动更新 + opptrix:// 深链
  • 专家体系（docs/EXPERT-GUIDE.md）：Layer 0/1/2 投研纪律 + 技能专长注入对话

🛠️ 快速上手：5 分钟跑通示例

安装 / 启动

Opptrix 提供 三种使用方式，覆盖从终端用户到开发者的全场景：

方式一：桌面安装包（推荐普通用户）

# 从 GitHub Releases 下载对应平台安装包（标签 desktop-v*）
# Apple Silicon Mac:  Opptrix-{version}-MacOS-arm64-M-CPU.dmg
# Intel Mac:          Opptrix-{version}-MacOS-x64-Intel-CPU.dmg
# Windows:            Opptrix-{version}-Windows.exe
# Linux:              Opptrix-{version}-Linux.AppImage

# macOS 上若提示"已损坏"，执行：
xattr -cr /Applications/Opptrix.app

启动后：

  1. 设置 → 模型与 API，配置 LLM 提供商与 API Key
  2. （可选）设置 → 数据源，配置 Tushare 等行情数据源
  3. （可选）设置 → 新闻订阅 导入 RSS 源
  4. 在 聊天 中用自然语言提问

方式二：浏览器 Web（自托管）

git clone https://github.com/Travisun/Opptrix.git
cd Opptrix
npm install
cp example/startup/env.example .env   # 填入 LLM_API_KEY
npm run build
npm run serve    # → http://127.0.0.1:5173

方式三：开发模式（带热更新）

# Web：API + Vite 热更新
npm run dev
# → 浏览器 http://127.0.0.1:5173（API 在 :8711，由 Vite 代理 /api）

# 桌面：Electron + API + Vite HMR
npm run dev:desktop

注意：Node.js ≥ 24（Active LTS）必须严格满足，否则 npm install 会因 better-sqlite3 原生模块编译失败。

核心 API 示例

Opptrix 暴露 REST API 与 Hub features 两套接入方式：

端点 说明
GET /api/health 健康检查、版本与工具数量
POST /api/chat Agent 对话（支持 SSE 流式）
POST /api/research { "feature": "...", "params": {} } Hub 调度
POST /api/instrument/* InstrumentRef 标准能力（跨市场查询）

下面是 Node.js 客户端 调用 POST /api/chat 的最小示例：

// examples/chat-agent-client.mjs
const response = await fetch('http://127.0.0.1:8711/api/chat', {
  method: 'POST',
  headers: {
    'Content-Type': 'application/json',
    'X-Session-Id': 'demo-session-001',
  },
  body: JSON.stringify({
    messages: [
      {
        role: 'user',
        content: '查询贵州茅台 600519 最近 30 个交易日的收盘价、成交量和资金净流入',
      },
    ],
    stream: true, // 启用 SSE 流式
  }),
});

// 流式解析 SSE 响应
const reader = response.body.getReader();
const decoder = new TextDecoder();
let buffer = '';

while (true) {
  const { done, value } = await reader.read();
  if (done) break;
  buffer += decoder.decode(value, { stream: true });
  const lines = buffer.split('\n');
  buffer = lines.pop();

  for (const line of lines) {
    if (line.startsWith('data: ')) {
      const data = JSON.parse(line.slice(6));
      if (data.type === 'tool_call') {
        console.log('🔧 调用工具:', data.tool, data.args);
      } else if (data.type === 'content') {
        process.stdout.write(data.text);
      }
    }
  }
}

输出（流式打印）：

🔧 调用工具: queryInstrumentData { market: 'CN', ts_code: '600519.SH', fields: ['close','vol','money_flow'] }
🔧 调用工具: getHistoricalKLine { ts_code: '600519.SH', freq: 'D', limit: 30 }
...

📊 贵州茅台 (600519.SH) 近 30 个交易日数据：
最近收盘价：1820.50 元（+1.2%）
30 日累计成交量：1820.5 万手
资金净流入：+12.3 亿元（北向 +8.5 亿、主力 +3.8 亿）
...

本文仅作技术交流，不构成投资建议。数据查询与因子回测基于历史数据，过往表现不代表未来收益。

📊 与同类 AI 量化工具对比

Opptrix vs 主流 AI 量化工具对比

Opptrix 在 AI 量化工具栈中的差异化定位非常清晰：

维度 Opptrix akquant vibe-astock TradingAgents-Astock
核心定位 LLM 驱动多市场数据助手 Rust 高性能回测框架 A 股短线复盘本地看板 A 股多 Agent 投研辩论框架
技术栈 TypeScript + Fastify + React + Electron Rust + PyO3 + Python Python + akshare LangGraph + Streamlit
LLM 集成 127 个 MCP 工具内置 需自接 LLM 无 LLM 依赖 多 Agent 编排
数据源覆盖 6 市场（A 股/美股/港股/日/韩/加密） 本地 + 多 Provider akshare mootdx + 东财
桌面端 有（Electron 打包） 无 无 无

Opptrix 的不可替代之处在于：

  1. 127 个 MCP 工具 = LLM 与结构化金融数据的"标准接口"：把 LLM 的 Function Calling 能力直接落到金融数据维度（基本面/资金/筹码/评级/产业链），且工具注册表遵循 MCP（Model Context Protocol）开放标准，未来可被 Claude Desktop / Cursor / Windsurf 等 IDE 直接接入
  2. 跨 6 个市场的一致体验：同一套 Chat Agent 同时查询 A 股、美股、加密货币，避免"换一个市场换一个工具"
  3. 桌面 + Web 双端共用一套 UI：Electron 打包带来原生体验（系统托盘、自动更新、深链），同时 Web 端可自托管给团队共用
  4. 投研纪律（Layer 0/1/2）：以工具返回的结构化数据为准，AI 只做"翻译"和"串联"，幻觉风险可控

💡 适用场景

场景 1：A 股深度研究 + 跨市场对照

主界面截图

功能说明：Opptrix 主界面集成"流式对话"+"Agent 工具链路"+"右侧关注/个股面板"三位一体。用户可在左侧聊天窗口用自然语言提问（如"对比贵州茅台 vs 五粮液近 1 年走势"），Chat Agent 自动调用 127 个 MCP 工具中相应组合（如 queryInstrumentData + getHistoricalKLine + getMoneyFlow），右侧面板同步展示个股实时行情、所属行业、资金流向、机构评级。

输入要求：自然语言提问；LLM API Key（OpenAI 兼容）；可选 Tushare Token（增强基本面覆盖）

输出效果：流式渲染的中文可读报告 + 工具调用链路（可溯源） + 右侧结构化面板

适用场景：

  • ✅ 个人投资者自建"AI 投研助理"（自托管 + 本地优先）
  • ✅ 量化研究团队的"数据中台"前端（Web 部署 + 多用户隔离）
  • ✅ 跨境研究员对比 A 股/美股/港股同一产业链（如新能源车）
  • ✅ 教育场景下学习 LLM Function Calling + 多 Provider 数据层设计

场景 2：自定义因子 + 回测验证

功能说明：packages/stock-eval 提供因子筛选 + 评分卡 + 回测验证三件套。用户可在内置 11 个市场策略基础上，叠加自定义因子（如"近 5 日换手率 > 3% + 北向资金净流入"），并立即在历史数据上做回测验证。回测结果与策略信号分别由 t-strategy 与 stock-eval 联合输出。

输入要求：因子表达式 + 回测时间区间 + 标的池（A 股全市场 / 自选股 / 行业成分股）

输出效果：回测曲线（资金曲线、最大回撤、月度收益热力图）+ 因子有效性指标（IC、IR、胜率）

适用场景：

  • ✅ 量化新手验证"因子直觉"是否真的有效
  • ✅ 策略研究员 A/B 测试两个相似因子的优劣
  • ✅ 教学场景下演示"因子→信号→回测"的完整链路

场景 3：RSS 新闻聚合 + 本地/远程翻译

功能说明：packages/news-feed 提供 RSS 订阅完整 CRUD（增删改查），并通过 RSSHub 路由三级漏斗聚合分散信源（财经媒体、官方公告、行业自媒体）。article-enrichment 提供文章抓取与本地/远程翻译（可选 Ollama 本地 LLM 或云端 API）。

输入要求：RSS 源 URL（支持 RSSHub 路由语法）；可选翻译模型

输出效果：统一时间线的多源新闻流 + 关键词高亮 + 跨语言阅读

适用场景：

  • ✅ 自托管"彭博终端"（聚合国内财经媒体 + 海外英文研报）
  • ✅ 跨境研究员跟踪美股/港股公司公告（机器翻译 + 关键术语高亮）
  • ✅ 内容创作者抓取行业资讯 → 自动整理为日/周报素材

用户群体总结

  • ✅ 个人投资者：希望拥有"自己的 ChatGPT 投研助理"，且数据不出本机

  • ✅ 量化研究团队：需要一个统一的前端入口对接多个数据源 Provider

  • ✅ 跨市场研究者：经常对比 A 股/美股/港股同一产业链，不想换工具

  • ✅ 教育/学习者：学习 TypeScript monorepo、LLM Function Calling、多 Provider 数据层 的实战案例

  • ✅ TypeScript 工程师：参考 Fluent UI v9 + Vite + Electron 的产品级架构

  • ❌ 不适合：希望 Opptrix 提供自动下单或实盘交易功能——官方明确不做券商交易终端

💰 定价方案

完全免费 + Apache-2.0 开源协议：

维度 说明
许可证 Apache License 2.0（含商业用途）
下载 桌面安装包完全免费（Mac/Windows/Linux）
数据源 免费数据源（Tushare 免费层 / 东财免费 API / TDX）即可跑通核心功能
LLM 需自备 API Key（OpenAI 兼容），推荐 DeepSeek / 通义千问 / Ollama 本地模型
付费墙 无，无 Premium 锁功能

开源协议： Apache-2.0

💡 部署成本几乎为零：桌面端开箱即用；Web 端 npm run serve 即可对外暴露。唯一付费项是你自选的 LLM API Key——可以选择 DeepSeek 这种 1 元百万 token 的平价方案。**

🎯 总结

Opptrix 是 2026 年开源 AI 量化研究工具栈的"基础设施级"项目——它没有发明新算法，而是用 LLM 把已有金融数据重新组织成"自然语言即可调用的 MCP 工具矩阵"，并通过 TypeScript monorepo + Electron 桌面端把"研究体验"做到产品级。

推荐指数： ⭐⭐⭐⭐⭐（满分 5 星）

适合人群：

  • 个人投资者想要自托管的"AI 投研助理"
  • 量化团队需要统一前端入口对接多 Provider 数据
  • TypeScript 工程师想学习 LLM Function Calling + Electron + Fluent UI 完整产品级架构
  • 教育场景下作为多 Agent + 投研纪律的实战样本

立即体验：

GitHub 仓库： Travisun/Opptrix

数据截至 2026-08-04，最新信息请以官网为准。