开源] 做了一个本地优先的多 Agent 市场研究桌面应用： Evidence Loom
家好，最近把一个折腾了一段时间的项目整理出来了：**Evidence Loom**，一个本地优先、开源的多智能体市场研究桌面工作区。
项目地址：
[https://github.com/simonguo/evidenceloom](https://github.com/simonguo/evidenceloom)
当前测试版：
[https://github.com/simonguo/evidenceloom/releases/tag/v0.1.0-beta.7](https://github.com/simonguo/evidenceloom/releases/tag/v0.1.0-beta.7)
### 为什么做这个
我之前在使用 TradingAgents 一类项目时，觉得多 Agent 分工分析市场的思路挺有意思，但实际使用还有几个门槛：
- 环境、模型和数据源配置比较分散；
- 命令行适合验证想法，不太适合长期管理任务和报告；
- 很难直观看到一份结论经过了哪些分析、辩论和风险评估；
- API Key、任务记录和报告放在哪里，也需要一个边界更清楚的方案。
所以我做了 Evidence Loom 。它不是一个“AI 自动炒股”工具，更像是把研究过程摊开来看的桌面工作台：让行情、新闻、情绪、基本面、研究、交易和风险等不同角色分别工作，再把过程和结果组织成可回看的任务与报告。
### 目前能做什么
- 创建证券研究任务，协调多个分析与决策 Agent；
- 查看任务进度、历史记录和最终报告；
- 支持 OpenAI 兼容接口、Anthropic、Google、Azure OpenAI、DeepSeek、通义千问、智谱、MiniMax、OpenRouter，以及本地或自定义端点；
- 桌面端不需要注册 Evidence Loom 云账户；
- 任务历史和报告默认保存在本机；
- macOS 下把 API Key 放在 Keychain，Windows 下使用 Credential Manager，不降级成明文保存。
这里的“本地优先”不等于“所有计算都离线”。如果配置的是云端模型或行情/新闻服务，证券代码、日期、提示词、检索上下文和生成内容仍可能发送给对应 Provider。本项目主要做的是把应用账户、任务存储和凭据管理留在本地，具体数据处理规则仍以你选择的 Provider 为准。
### 技术实现
桌面界面使用 Next.js + React，外壳是 Tauri。桌面端通过受限 IPC 调用 Rust 进程控制器，再启动随应用打包的 Python sidecar；研究核心基于 TradingAgents 修改。
大致的数据流是：
```
Next.js UI
→ Tauri IPC
→ Rust 进程控制器
→ Python sidecar
├─ LLM Provider
└─ 行情 / 新闻数据 Provider
```
项目采用 Apache-2.0 许可。上游版本、修改内容、第三方许可和隐私边界也都单独整理在仓库里。
### 当前状态
现在还是 `v0.1.0-beta.7`，公开 Release 目前提供：
- macOS Apple Silicon DMG；
- macOS Intel DMG。
两个包都经过签名和公证。Windows x64 的代码路径已经支持，但当前这个公开 Release 还没有 Windows 安装包；想尝试的 Windows / Linux 用户可以先按 README 从源码运行。
Beta 阶段肯定还有不少粗糙之处，也不建议直接拿真实持仓做高风险决策。模型输出有概率性，第三方行情和新闻也可能延迟或出错，所有结果都只适合作为研究材料，不构成投资或交易建议。
### 想听听大家的意见
目前尤其想了解：
- 多 Agent 的过程展示，是信息不够，还是已经太多？
- 大家更希望接入哪些模型和行情/新闻数据源？
- 报告里哪些证据和中间过程最值得保留？
- Windows 安装包和 Linux 桌面版的需求大不大？
- 本地应用在凭据、隐私和可审计性方面，还有哪些容易忽略的坑？
如果愿意试用，欢迎直接在 GitHub 提 Issue。也欢迎拍砖、提建议或者参与贡献。
项目地址：
[https://github.com/simonguo/evidenceloom](https://github.com/simonguo/evidenceloom)
Release：
[https://github.com/simonguo/evidenceloom/releases/tag/v0.1.0-beta.7](https://github.com/simonguo/evidenceloom/releases/tag/v0.1.0-beta.7)
---
原文链接：[点击查看](https://www.v2ex.com/t/1229623)
项目地址：
[https://github.com/simonguo/evidenceloom](https://github.com/simonguo/evidenceloom)
当前测试版：
[https://github.com/simonguo/evidenceloom/releases/tag/v0.1.0-beta.7](https://github.com/simonguo/evidenceloom/releases/tag/v0.1.0-beta.7)
### 为什么做这个
我之前在使用 TradingAgents 一类项目时，觉得多 Agent 分工分析市场的思路挺有意思，但实际使用还有几个门槛：
- 环境、模型和数据源配置比较分散；
- 命令行适合验证想法，不太适合长期管理任务和报告；
- 很难直观看到一份结论经过了哪些分析、辩论和风险评估；
- API Key、任务记录和报告放在哪里，也需要一个边界更清楚的方案。
所以我做了 Evidence Loom 。它不是一个“AI 自动炒股”工具，更像是把研究过程摊开来看的桌面工作台：让行情、新闻、情绪、基本面、研究、交易和风险等不同角色分别工作，再把过程和结果组织成可回看的任务与报告。
### 目前能做什么
- 创建证券研究任务，协调多个分析与决策 Agent；
- 查看任务进度、历史记录和最终报告；
- 支持 OpenAI 兼容接口、Anthropic、Google、Azure OpenAI、DeepSeek、通义千问、智谱、MiniMax、OpenRouter，以及本地或自定义端点；
- 桌面端不需要注册 Evidence Loom 云账户；
- 任务历史和报告默认保存在本机；
- macOS 下把 API Key 放在 Keychain，Windows 下使用 Credential Manager，不降级成明文保存。
这里的“本地优先”不等于“所有计算都离线”。如果配置的是云端模型或行情/新闻服务，证券代码、日期、提示词、检索上下文和生成内容仍可能发送给对应 Provider。本项目主要做的是把应用账户、任务存储和凭据管理留在本地，具体数据处理规则仍以你选择的 Provider 为准。
### 技术实现
桌面界面使用 Next.js + React，外壳是 Tauri。桌面端通过受限 IPC 调用 Rust 进程控制器，再启动随应用打包的 Python sidecar；研究核心基于 TradingAgents 修改。
大致的数据流是：
```
Next.js UI
→ Tauri IPC
→ Rust 进程控制器
→ Python sidecar
├─ LLM Provider
└─ 行情 / 新闻数据 Provider
```
项目采用 Apache-2.0 许可。上游版本、修改内容、第三方许可和隐私边界也都单独整理在仓库里。
### 当前状态
现在还是 `v0.1.0-beta.7`，公开 Release 目前提供：
- macOS Apple Silicon DMG；
- macOS Intel DMG。
两个包都经过签名和公证。Windows x64 的代码路径已经支持，但当前这个公开 Release 还没有 Windows 安装包；想尝试的 Windows / Linux 用户可以先按 README 从源码运行。
Beta 阶段肯定还有不少粗糙之处，也不建议直接拿真实持仓做高风险决策。模型输出有概率性，第三方行情和新闻也可能延迟或出错，所有结果都只适合作为研究材料，不构成投资或交易建议。
### 想听听大家的意见
目前尤其想了解：
- 多 Agent 的过程展示，是信息不够，还是已经太多？
- 大家更希望接入哪些模型和行情/新闻数据源？
- 报告里哪些证据和中间过程最值得保留？
- Windows 安装包和 Linux 桌面版的需求大不大？
- 本地应用在凭据、隐私和可审计性方面，还有哪些容易忽略的坑？
如果愿意试用，欢迎直接在 GitHub 提 Issue。也欢迎拍砖、提建议或者参与贡献。
项目地址：
[https://github.com/simonguo/evidenceloom](https://github.com/simonguo/evidenceloom)
Release：
[https://github.com/simonguo/evidenceloom/releases/tag/v0.1.0-beta.7](https://github.com/simonguo/evidenceloom/releases/tag/v0.1.0-beta.7)
---
原文链接：[点击查看](https://www.v2ex.com/t/1229623)
评论
暂无评论。