ALPHA-DOJO · 主动式 Agent · 全市场 AI 副驾

DojoAgents

主动式 AI Agent 框架 · 个人投资全市场副驾

不是被动问答,而是主动推进研究
Loop-Driven 认知组合智能体 · MCP 原生 · 四柱仪表盘 · 全链路投研

0.2.3本机安装版本
4认知维度
7架构层级
4仪表盘视图

项目总览

什么是 DojoAgents?

深涌智能(Alpha-Dojo)开源的主动式金融 AI Agent 框架

核心定位

DojoAgents 是深涌智能(Alpha-Dojo)开源的主动式(自主式)AI Agent 框架, 定位为「个人投资的全市场 AI 副驾」(Full-Market AI Copilot)。 核心是 Loop-Driven Cognitive Portfolio Agent(循环驱动的认知组合智能体), 通过 Agent 循环 引擎把市场扫描、新闻检索、公司分析、产业链映射、 组合构建和风险分析拆解为可自主调用的工具,串联成完整决策辅助流程。

与传统「被动问答」金融 AI 不同,DojoAgents 知道「下一步应该查什么、如何验证」, 主动推进研究与决策辅助任务——不再是「给出答案」,而是「主动推进」。

属性详情
仓库github.com/Alpha-Dojo/DojoAgents
组织深涌智能(Alpha-Dojo)
PyPIdojoagents
许可证Apache-2.0
本机课程版本dojoagents 0.2.3 · dojosdk 0.1.21 · strands-agents 1.53.0
技术栈Python ≥3.11 · Node.js ≥18 · React SPA

核心机制

Agent 循环 · 主动式认知循环

四维认知 + 主动推进,实现全链路自主投研

01
基本面数据认知
抓取并交叉引用多市场数据
K线 · 财务 · 新闻
02
高级逻辑分析
解读估值带 · 动量指标
行业分类 · 逻辑推演
03
跨市场策略推演
映射市场联动
如「美股半导体下跌为何 A 股上涨」
04
动态组合管理
持续诊断风险暴露
监控净值曲线
七层技术架构

基础设施 → 数据 → 工具 → Agent 循环 → 聊天网关 / Web 仪表盘 / CLI
工具层基于 Model Context Protocol(MCP) 原生构建,便于扩展。 支持 OpenAI、Anthropic、Gemini、DeepSeek、GLM 等 API,以及 Ollama、vLLM、llama.cpp 本地模型。


核心能力

四大典型应用场景

从市场扫描到持仓诊断,覆盖完整投研工作流

🌏
全球扫描
全球市场主线扫描
自动拉取 A 股/美股/港股异动板块、涨跌幅、成交变化,归类为半导体、AI 算力等主题,生成研究观察列表。
🔗
产业链传导
新闻产业链传导分析
如「Meta 卖算力影响哪些行业」,沿 AI 算力→云计算→服务器→GPU→光模块→半导体设备映射到具体公司。
📸
多模态诊断
持仓截图多模态诊断
上传脱敏持仓截图,自动识别 40+ 标的并按市场/行业/供应链重新分组,诊断过度集中、重叠暴露等风险。
📊
组合跟踪
模拟组合跟踪
按事件发布日价格建立模拟观察组合并持续跟踪净值变化。
四柱仪表盘(开箱即用 React SPA)

Portfolio(组合视图)· Markets(跨市场热力图)· Sectors(行业视图)· Equities(个股视图)


本机核验 · 快速部署

从“已经安装”到“可以交付”

本机已安装dojoagents 0.2.3;当前未发现~/.dojo/agents.yaml,第一课先完成模型与安全配置

1 新环境安装;本机可跳过
# 推荐使用uv隔离安装
uv tool install dojoagents

# 当前课程核验版本:dojoagents 0.2.3
2 先配置模型连接
# 交互式写入本地配置,不在课件中展示API密钥
dojoagents model --config ~/.dojo/agents.yaml
3 启动Dashboard并完成健康检查
# 轻量模式适合第一次课堂演示
dojoagents dashboard --host 127.0.0.1 --port 8765 --lightweight-runtime

# 浏览器访问 http://127.0.0.1:8765/
4 首个研究任务与证据导出
# CLI首跑:要求给出数据来源、时间戳与不确定性
dojoagents chat "分析一个跨市场主题,并列出证据、反例与下一步验证"

# 课程结束时导出会话证据
dojoagents sessions export --output-dir ./dojo-evidence
免责声明

该框架仅用于教育、研究与技术演示,不构成投资建议。框架不含持牌行情/新闻数据源,需用户自行配置授权数据源,不提供自动实盘下单功能。

📦 GitHub 仓库 ◂ 返回总览

可交付核心实训

四课完成一条主动式投研链

目标不是让Agent给出“答案”,而是检查它如何找证据、如何纠错、如何留下可审计记录

LESSON 01
模型、数据与安全边界
完成模型配置,理解API密钥本地存储、数据授权、提示词边界和投资教育免责声明。
LESSON 02
Agent Loop研究链
给出跨市场研究问题,观察推理—工具—观察—再推理循环,并记录每个工具调用目的。
LESSON 03
Harness纠错与反例
故意提供缺失条件,检查Agent是否补证据、承认不确定性并在条件不足时停止。
LESSON 04
Gateway、MCP与SKILL
理解Gateway、MCP服务、会话导出和SKILL沉淀,设计一个可复用的盘后研究工作流。
课堂交付物

① 环境与版本清单 · ② 一条完整研究会话 · ③ 工具调用与纠错记录 · ④ 证据/推断/观点三栏报告 · ⑤ 一个自定义SKILL设计稿。

验收维度通过标准
可复现版本、模型、问题、参数和会话导出文件齐全
证据质量关键事实包含来源、时间戳,观点与事实明确分开
主动纠错能展示至少一次补充验证或对原结论的修正
风险边界不输出确定性收益承诺,不代替用户作交易决定
进入27个工具全课程 官方GitHub