我只想快速跑通
先看版本选择页确认该装哪一代，再照安装实测页走一遍——那一页记的是本机真实结果，包括桌面版不支持 Windows、浏览器模式一上手就缺 uv 这类卡点。
金融 AI 智能体平台 / AI4Finance-Foundation
FinRobot 中文实战手册：V0/V1/V2 版本选择、安装实测与确定性估值
同一个 FinRobot 仓库里装着四代东西：V0 是 AutoGen 教学代码，V1 是自托管的研报 Web 应用，V2 才是官方当前的生产系统（PydanticAI + 桌面端 + CLI），V3 仍在开发中。照着两年前的中文教程装，很可能一上手就失败。本站按固定 commit 复核官方仓库，把「该用哪一版、在 Windows 上怎么真跑起来、哪些数字是代码算的、失败会怎么失败」逐页写清。
项目来源
GitHub 仓库页面显示 8111 Star、1370 Fork，采集日期 2026-09-30；本站复核的固定 commit 为 2717499（2026-09-28，默认分支 master）。
查看固定版本源码
模型负责推理软件负责计算
智能体负责编排系统负责验证
V2 = 生产系统PydanticAI + 桌面 + CLI
核验基准commit 2717499（2026-09-28）
版本选择
V0、V1、V2 到底该用哪一个？
官方 README 说得很直白：这几套代码不是同一个东西的几个版本在互相竞争，而是服务不同用途。同一件「出一份研报」，在不同版本里的做法差别很大——先选版本，再看怎么跑。下表是四代速览，完整版在版本选择页。
| 版本 | 目录 | 技术栈 | 官方定位 | 适合谁 | 在 Windows 上能否跑 |
|---|---|---|---|---|---|
| V2 | finrobot_desktop/ | PydanticAI + FastAPI + React + Tauri | Production（当前生产系统） | 要拿结果、且要数字可追溯的人 | 桌面安装包不支持；浏览器模式与 CLI 需先装 uv |
| V1 | finrobot_equity/ | OpenAI Agents SDK + FastAPI | Web app（自托管研报服务） | 要一个能被同事访问的研报服务 | 可以，但需 FMP + OpenAI 两个 key |
| V0 | finrobot_autogen/ | Microsoft AutoGen | Educational（教学与论文复现） | 想读懂智能体怎么接起来的人 | 可以（conda + Python 3.10/3.11） |
| V3 | 无公开目录 | DeepSeek-Harness | In development（开发中） | — | 无法运行：仓库里没有对应代码 |
我要搭建股票研究流程
重点看智能体与编排怎么分工，以及确定性估值引擎怎么把「数字由代码算、叙述由模型写」落到代码上。这两页决定了你的流程能不能被别人复核。
我要理解源码与架构
先看论文期四层设计跟当前仓库实现的对照，避免照着一张抽象图去猜现实；再顺着固定 commit 读智能体指令文件与算子目录。
一个必须先知道的坑：
pip install finrobot 在 PyPI 上装到的是 V0（0.1.5，2024-06-17），而且实测一条依赖都没带——装成功、import 也成功，但一调用就报缺 finnhub、autogen。要 V0 请从仓库根 pip install -e .；要 V2 走 uv sync。核验方式
本站的结论是怎么核出来的？
项目研究站常见的毛病是把转载当事实。全站按四级证据标注来源：能指向官方原文的、能在固定 commit 里核对到的、本站真跑出来的，以及本站没有实测的——最后一级也要写出来。
| 证据等级 | 含义 | 本站覆盖到的例子 | 状态 |
|---|---|---|---|
| 官方事实 | 可直接指向仓库 README、子目录 README 或发布页原文 | 版本线定义、四段式原则、13 章研报、V2 为生产系统的表述 | 有 |
| 源码核验 | 按固定 commit 取出仓库树逐项计数或读实现 | 26 个估值算子 / 6 个审计算子 / 7 个协调器 / 7 条流水线 / 7 个数据提供方 / 56 个技能文件 / 237 个测试文件 | 有 |
| 本站实测 | 在本机真跑官方代码并保留输出（含失败输出） | 确定性算子的 WACC 与隐含价、敏感性矩阵、蒙特卡洛分位数、四道估值闸门与两类输入校验的报错原文、PyPI 安装结果 | 有（部分输入为本站构造的合成数据） |
| 本站未实测 | 本机条件不足、无法验证，页面如实标注 | V1 需要 FMP + OpenAI 密钥；桌面版仅面向 macOS Apple Silicon，Windows 无法验证；商业产品条款未核 | 缺，已在对应页面标注 |
| 社区经验 | 来自第三方文章、未回到官方或代码核对 | 不作为本站结论引用；仅用于识别「老教程讲的其实是哪一代」 | 不采用 |
本站的核验基准：固定 commit
2717499（2026-09-28，默认分支 master），采集日期 2026-09-30。实测环境：Windows 10.0.26200 + Python 3.11.9 + Node 24.18.0 + npm 11.16.0；uv 与 Docker 在本机未安装——这条本身就是 Windows 用户会最先碰到的卡点。失败与报错原文集中在失败案例页，你可以逐条自己复现。适用边界
什么情况下不该选 FinRobot？
它的定位是金融研究流程编排与辅助分析框架——不是行情服务器，不是纯回测框架，也不是自动下单系统。反过来看「什么情况下别用它」，比看功能列表更能省时间。
| 你的需求 | 为什么它不合适 | 更合适的路线 | 什么时候它才合适 |
|---|---|---|---|
| 只要行情与指标 | 它不生产行情，数据全部来自外部提供方，多一层编排反而更慢 | 直接用行情类或数据类工具取数 | 取数之后还要把分析、建模与成稿串成流程时 |
| 只做规则回测 | 它的强项是研究与叙述编排，回测能力放在可选扩展里、不是主线 | 专门的事件驱动或向量化回测框架 | 回测放在研究链路末端、需要把结论写成材料时 |
| 只要一个金融语言模型 | 它把模型当大脑用，本身不做模型训练与微调 | 面向金融的模型项目，或自家微调管线 | 模型之外的流程、验证与溯源才是你的痛点时 |
| 需要实盘下单 | 它是研究工具，不含交易执行与风控链路 | 交易系统 + 独立风控 | 只做研究材料、由人工决策时 |
| 只想先快速试用 | 自建要先选版本、装 uv 或 conda、再配若干密钥 | 先看官方示例与托管入口，或免部署的技能路线 | 确认要长期复用同一套研究流程之后 |
| 要生产级研究输出 | 可以，但需要承担数据、权限、日志与验证的运维责任 | 选 V2，并审查数据源与密钥管理 | 团队里有人能持续维护环境与流程时 |
边界披露：FinRobot 与 EasyClaw 无已证实集成——官方仓库与文档没有提到本机技能路线，两者是彼此独立的路线。本页内容基于官方资料与本站实测，仅供研究参考，不构成投资建议。
定位与区别
它和 FinGPT、传统量化框架到底差在哪？
一句话：这个项目不训练大模型，而是把大语言模型当作智能体的大脑，去感知环境、做金融链式推理，再调用工具把研究任务做完。还要先分清一件事：仓库里并存四代——V0 是可读的教学代码、V1 是自托管 Web 研报应用、V2 才是当前生产系统、V3 仍在开发中；旧文章常把 V0 的做法当成全部。下面把几条容易被混为一谈的路线摆在一起看。
| 对比维度 | FinRobot（智能体平台） | FinGPT / 传统量化框架 | 适用场景 | 注意点 / 什么时候不用它 |
|---|---|---|---|---|
| 版本形态 | 仓库里并存四代：V0 教学 / V1 Web 应用 / V2 生产 / V3 开发中 | 模型类项目多为单一代码库 | 先确定你要哪一代再谈能力 | 照旧中文教程操作，很可能讲的是 V0 |
| 核心形态 | 多智能体平台：编排 LLM、工具与确定性计算 | FinGPT 是单个金融大模型；vnpy / backtrader 是规则与事件驱动框架 | 要把「数据 → 分析 → 研报」串成可复现流程 | 只想要一个预测模型，或只想跑回测时，不必上智能体平台 |
| 主要产物 | 研究流程、结构化分析结果与研报 | 模型输出（情感/预测）或回测绩效与交易信号 | 投研自动化、文档与研报生成 | 要直接下单调仓、做实盘执行，本项目不是交易系统 |
| 要不要 GPU | 非必需：主要调用云端 LLM API 与数据接口 | 训练与微调常需要 GPU；量化回测通常不需要 | 机器只有 CPU 也想先跑通流程 | 要自己训模型才需要算力；这条与它关系不大 |
| 你主要写什么 | 提示词、任务编排与工具调用配置 | 微调脚本与数据集，或策略与指标代码 | 想用自然语言驱动研究任务 | 不接受 LLM 参与推理环节的场景，仍应走纯代码路线 |
| 新增的准备工作 | LLM API key + 数据源 API key + Python 环境 | 算力预算与训练数据，或历史行情数据 | 已经有数据源账号的团队 | 不想申请任何 key 的人，得先评估这一步成本 |
| 市场默认覆盖 | 官方数据源以美股为主（FMP / FinnHub / SEC / yfinance） | 取决于你自备的数据 | 研究美股与美股文档 | A 股需自行适配数据源，官方未内置 |
怎么记住这条边界：把它当成「研究流程的编排器」，而不是「行情服务器」或「交易机器人」。它本身不产生行情，也不替你下单；数据从外部数据源来，执行由你的环境决定。
能做什么
它能把哪些金融任务自动做完？
围绕「投资研究自动化」，本项目把数据获取、多智能体分析与研报生成串成一条可追溯的链路。下面先看任务类型，再看每类任务落到哪一层、需要哪些前置条件。
市场走势研究
结合历史行情与文本信号做走势研究，官方定位是「研究」而非「预测信号」。这类输出只作为判断起点，不构成投资建议。
文档分析与研报
解析年报、公告、SEC 文件等金融文档，产出结构化摘要与成稿研报。适合把「翻文件」这一步先自动化，再人工复核结论。
估值建模
DCF / DDM / LBO / WACC 由纯 Python 算子计算，LLM 只负责叙述与串联。这意味着关键数字来自代码，而不是模型「随口生成」。
策略思路研究
用智能体做策略思路的探索与对比（例如均线类规则的参数区间比较），输出研究级结论，不承诺任何收益表现。
多智能体协作
一个任务可以拆给多个角色：取数的、算数的、写结论的各司其职，再由调度器决定用哪个模型做哪一段，官方称之为 Smart Scheduler。
数据获取与结构化
把 FinnHub、FMP、SEC EDGAR、yfinance 等来源封装成统一的取数入口，供智能体在感知阶段调用，省掉逐源写适配代码的时间。
| 你想做的事 | 落到哪一层 | 需要哪些前置条件 | 适用场景 | 注意点 / 什么时候不用 |
|---|---|---|---|---|
| 生成一份个股研究报告初稿 | 智能体层 + 数据层 + 文档分析 | LLM API key、数据源 key | 需要大量重复性的初稿产出 | 结论必须人工复核，不能直接对外发布 |
| 算 DCF / WACC 等估值指标 | 确定性计算（纯 Python 算子） | 财报数据来源 | 需要可复现、可核对的估值过程 | 假设参数由你负责，换一组假设结果就变 |
| 批量整理行情并做技术面描述 | 数据层 + 智能体描述层 | 行情数据源 key 或公开接口 | 先把描述性工作自动化 | 它不做信号回测与风控，别把它当回测框架 |
| 解析年报/公告并抽取要点 | 文档分析 + LLM 叙述 | 文档来源（部分走 SEC EDGAR） | 文档量大、人工翻页成本高 | 长文档的抽取准确率需抽样核对 |
| 比较多套策略思路 | 智能体编排 + 你的回测工具 | 历史数据与自己的回测环境 | 做思路筛选的早期阶段 | 绩效验证仍要回到专门的回测框架 |
| 把研究流程固化成可复现脚本 | 全链路（四层都用上） | Python 3.10 环境 + 密钥管理习惯 | 团队需要重复执行同一套研究流程 | 密钥要按最小权限管理，不要写进公开仓库 |
安装与入口
V0、V1、V2 各自的入口命令是什么？
「怎么装」在 2026 年已经不是一个动作，而是四个不同的动作：V2 要 uv、V1 要两个密钥、V0 要 conda 且必须在仓库根安装。下表把每条路线的最小命令、前置条件与预期输出放在一起——先对号入座，再去安装实测页看本机跑出来的真实结果。
| 路线 | 最小命令 | 前置条件 | 预期看到什么 | 常见失败 |
|---|---|---|---|---|
| V2 · 命令行 | uv sync 后执行 finrobot research <ticker>，另有 dcf / comps / ic-memo / ask 子命令 | uv、Python 3.11+、一个 LLM key | 命令行输出估值与研报结果，含 WACC、假设与章节内容 | 本机在这一步就卡住（没装 uv）；取数与推理都需要联网 |
| V2 · 浏览器模式 | uv sync → (cd desktop && npm install) → ./dev.sh，打开 :5173 | uv、Node 20+ | 浏览器出现研究界面，后端跑在 :8321 | dev.sh 会先杀掉 :8321 与 :5173 上的进程；浏览器模式下本地接口未鉴权 |
| V2 · 桌面 App | 从官方发布页下载安装包 | macOS Apple Silicon | 原生窗口 + 内置后端，用户机器上不需要 Python 环境 | Intel Mac、Windows、Linux 没有发行版；未 notarize，首次打开需按官方说明放行 |
| V1 · Web 应用 | 填 config.ini（FMP + OpenAI）→ ./deploy.sh start → :8001 | FMP 与 OpenAI 两个 key | 浏览器出现表单，输入 ticker 生成 HTML/PDF 报告 | 忘记从 example 复制配置，直接改 example 文件 |
| V0 · AutoGen | conda 建 Python 3.10 环境 → 在仓库根执行 pip install -e . → 跑 tutorial notebook | conda、LLM key 与数据源 key | notebook 逐步执行并产出中间结果 | 用 pip install finrobot 代替源码安装（依赖全空）；notebook 要在自己目录里跑，否则读不到配置 |
| 装完先自检 | 正常表现 | 异常表现 | 下一步怎么做 |
|---|---|---|---|
| 选的是哪一代 | 能说清你要的是 V2 还是 V0，并知道对应目录 | 记不清、随手 pip install finrobot | 先看版本选择页，再决定装什么 |
| 版本与环境是否匹配 | V2 用 3.11+；V0 用 3.10/3.11（PyPI 包限定 <3.12） | 在 3.12 上装 V0、或在 3.10 上装 V2 | 按对应约束重建环境，一个版本一个环境 |
| 依赖是否真的装上 | 能 import 到智能体与数据源模块 | 只 import 到顶层包，一调用就缺第三方库 | 改用源码安装（仓库根），不要用 PyPI 那条路 |
| LLM 密钥是否被读到 | 任务能返回文本结果 | 提示缺少模型或 key | 桌面与浏览器模式在设置页填；V0 走配置文件 |
| 数据源是否可达 | 能取到实际行情或财报字段 | 返回空表或权限类报错 | 逐个源单独验证，先只留一个能用的 |
| 结果能否被复核 | 关键数字能对应到算子输出 | 只有结论文字、找不到数字来源 | 用估值引擎页的实测表对一次口径 |
本机实测的三个失败点（可直接对照）：① 桌面版对 Windows 根本不存在，官方发布物只面向 macOS Apple Silicon；② 浏览器模式与 CLI 都要先跑
uv sync，而本机没有安装 uv，所以在这台机器上这两条路一上手就停；③ pip install finrobot 装到的是 2024 年的 V0 且零依赖，import 能过、用起来就断。先确认这三条都不成立，再开始装，能省掉大量「以为是代码坏了」的时间。自建还是免部署
自己搭一套，还是先用现成的本机技能路线？
同一件「把金融研究做出来」的事，两条路线的准备动作完全不同。左边要装环境、配密钥、跑 notebook；右边装好客户端，用一句话把任务说清楚即可。下面把两条路的成本与边界对称摆开。
conda + pip→配 API keys→跑 notebook→读研报
灵活度高，但要自己维护环境、多个数据源密钥与模型调用成本。
- 能先做什么：自定义智能体角色与任务编排
- 拿不到什么：开箱即用的中文交互界面
- 可控性：流程、模型与数据源都能替换
- 什么时候转向免部署：只想尽快拿到结论时
安装客户端→一句话提问→拿结果
两条路线彼此独立：本机技能路线的数据源、额度与市场覆盖各不相同，也不代表这个项目已经被其集成。
- 能先做什么：行情、技术分析、估值、选股类任务直接提问
- 拿不到什么：不改代码就能替换内部编排逻辑
- 可控性：上手快，但底层实现由技能自己决定
- 什么时候转向自建：需要固定流程与完全可复现时
路线边界：这个项目与本机技能路线之间没有已证实的集成关系——官方仓库与文档都没有提到它，本机技能目录里也没有对应这项工程的技能。本页并列介绍的是两条独立路线：一边是自建 Python 智能体管道，一边是免部署的研究入口。所有结果仅供研究，不构成投资建议。
免部署 demo
一句话发起金融研究是什么样？（实拍示例）
以下为本机技能路线的实际使用截图（左右翻页查看）：一句话做 K 线技术分析、获取收益指标，即返回结构化结果。截图演示的是免部署路线，不是本项目自身的运行结果。
样例边界：以上为免部署路线的实际使用截图（2026-09-09）。截图只证明「技术分析 / 数据指标」这类任务可以一句话发起并获得结构化结果；它不代表本项目已被集成，也不构成投资建议。两条路线的数据源与统计口径不同，横向比较前先把口径对齐。
成本结构
跑起来到底要花多少钱？哪些部分是免费的？
FinRobot 本体是 Apache-2.0 开源、免费使用，但「能跑起来」和「装好了」是两件事：LLM 调用与数据源接口通常各自计费，官方 README 不会给出一张总账单。下表把常见支出项拆开，方便你先算清再决定投入。
| 支出项 | 是否必需 | 免费与否（大致口径） | 怎么控制成本 | 注意点 |
|---|---|---|---|---|
| 项目本体（代码与许可） | 必需 | Apache-2.0 开源，可免费使用 | 直接按官方仓库获取即可 | 许可条款与商标使用以仓库 LICENSE 为准 |
| 零依赖实验（直接跑官方算子） | 非必需 | 免费：不需要 LLM key，也不需要联网 | 想先验证「数字是不是代码算的」，就跑这一条 | 输入要你自己准备；本站实测用的是构造的合成数据 |
| LLM API 调用 | 必需（智能体推理靠它） | 按量计费，价格以各家官方定价页为准 | 先用小样本跑通流程，再放大任务量 | 长文档与多轮推理最容易把费用推高 |
| 数据源：FMP / FinnHub | 视任务而定 | 通常有免费额度与付费档，分级以各自官网为准 | 先只开通任务真正需要的那一个源 | 免费额度通常伴随频率与字段限制 |
| 数据源：SEC EDGAR | 视任务而定 | 公开数据，通常无需付费 key | 主要用于美股公告与文件类任务 | 访问频率与使用方式请遵守官方规则 |
| 数据源：yfinance | 可选 | 走公开接口，通常无需付费 | 适合先把流程跑通 | 稳定性与限流不受项目控制，不适合当作单一数据来源 |
| 运行环境（机器/环境） | 必需 | 自备：本地机器或云主机 | CPU 机器即可起步，官方未要求本地 GPU | 要自训模型才会产生算力开支，与日常使用是两回事 |
| 桌面客户端（可选） | 可选 | 官方提供 Desktop 版；具体获取与授权方式以官方说明为准 | 先用命令行/notebook 验证流程，再考虑桌面版 | 官方 README 记 Desktop v0.1.0 仅支持 macOS Apple Silicon，且非 Apple-notarized |
一张表记住成本结构：免费的是「代码」与「部分公开数据」，要花钱的是「模型调用」与「高质量数据源」。因此小额试跑的关键不是砍功能，而是先缩小数据范围与任务次数——这一点官方文档不会写，是你自己要先想清楚的部分。具体价格与额度请以各家官方定价页为准。
新手常问
动手之前容易被问倒的是哪些事？
下面这八个问题几乎每个刚开始接触 FinRobot 的人都会遇到，官方 README 通常只答其中一部分。每条给「一句结论 + 还需自己确认的边界 + 去看哪一页」，不替官方下结论。
| 你可能会问 | 一句结论 | 需要继续确认的边界 | 细节页 |
|---|---|---|---|
| 该装哪一版？ | 按目标选：要结果选 V2，要 Web 服务选 V1，要读源码选 V0 | PyPI 上只有 2024 年的 V0 且零依赖，别用它起步 | 版本选择 |
| 要不要 GPU？ | 日常使用不需要，官方安装说明只要求 Python 环境 | 自己训练/微调模型时另算 | 安装部署 |
| 能不能分析 A 股？ | 官方数据源以美股为主，A 股要自行适配 | 适配方式属于二次开发，非官方内置能力 | 数据源与密钥 |
| 有没有中文文档？ | 官方以英文 README 与示例为主 | 中文资料多来自社区，准确性需回到官方核对 | 四层架构 |
| 能不能直接做交易/实盘？ | 它的定位是研究与研报，不是交易执行系统 | 涉及下单执行需另配交易系统 | 定位与区别 |
| 和 FinGPT 什么区别？ | 一个是智能体平台，一个是金融大模型 | 「官方称超越单模型方式」属官方自述，需自行验证 | 定位与区别 |
| 为什么要装 conda，用 venv 行不行？ | 官方安装说明写的是 conda 流程 | 换工具链属自担风险，遇问题先回到官方流程复现 | 安装部署 |
| 需要几个 API key？ | 至少一个 LLM key，加任务所需的数据源 key | 需要哪些源取决于你的任务 | 数据源与密钥 |
| 不写代码能用吗？ | 这个项目主要面向能跑 Python 的使用者 | 想完全不写代码，可以考虑免部署的本机技能路线 | 路线对比 |
FAQ
FinRobot 使用教程常见问题
FinRobot 是什么？
它是 AI4Finance-Foundation 的开源金融 AI 智能体平台：用大语言模型作大脑，通过「感知 → 大脑 → 行动」工作流完成金融研究、估值与研报等任务。具体能力与目录结构以官方 README 为准。
FinRobot 到底有几个版本，我该用哪个？
仓库里并存四代：V0（AutoGen，教学与论文复现）、V1（OpenAI Agents SDK，自托管 Web 研报应用）、V2（PydanticAI，官方标注为生产系统，含桌面端与 CLI）、V3（开发中，无公开代码）。要拿去用的研究结果走 V2；只想读懂结构走 V0。版本线的正式定义以官方 README 为准。
为什么 pip install finrobot 装完不能用？
因为 PyPI 上是 2024-06-17 的 0.1.5（V0），而且实测不带任何依赖：包元数据里没有依赖声明，结果就是「装得上、import 得过、一调用就报缺 finnhub 或 autogen」。要 V0 请从仓库根源码安装，要 V2 请用 uv。这条是本站在本机隔离环境里实测到的，不是推测。
FinRobot 和 FinGPT 有什么区别？
前者是智能体平台，把多个智能体、工具调用与确定性计算统一成工作流；后者是金融大模型，走单模型微调路线。哪条更适合你取决于任务是「要一套流程」还是「要一个模型」，结论以官方 README 为准。
需要编程基础吗？要不要 GPU？
需要 Python 环境（官方安装说明用 conda + Python 3.10），并要配置 LLM 与数据源 API key；日常使用主要调用云端接口，本地 GPU 非必需。具体版本与依赖以官方 README 为准。
能直接分析 A 股吗？
官方数据源以美股为主（FMP / FinnHub / SEC EDGAR / yfinance），A 股需要自行适配数据源；输出为研究结果，不构成投资建议。数据源清单以官方 README 与代码目录为准。
跑起来要花多少钱？
代码与许可免费（Apache-2.0），主要开支是 LLM API 调用与部分数据源接口，公开源（如 SEC EDGAR、yfinance）通常无需付费。具体价格与免费额度以各家官方定价页为准；先缩小数据范围与任务次数是最有效的省钱方式。
能直接用本机技能路线替代它吗？
不能相互替代。FinRobot 与 EasyClaw 无已证实集成：一边是自建的 Python 智能体管道，一边是免部署的研究入口，适合的场景不同。两条路线的取舍见对比页，能力边界以各自官方资料为准。