FinReport_Agent 是一个多智能体协作的金融研究报告自动生成系统，能够从数据采集、分析到生成专业级报告的全流程自动化。
- 多智能体协作: DataCollector、DataAnalyzer、ReportGenerator 三大智能体协同工作
- 代码优先分析: CAVM (Code Agent with Variable Memory) 架构，通过Python代码执行进行数据分析
- VLM图表优化: 视觉语言模型自动优化图表质量
- 断点续传: Memory系统支持任务中断后恢复
- 多入口支持: 命令行(CLI)和Web UI两种使用方式
| 层级 | 技术 |
|---|---|
| 核心语言 | Python 3.10+ |
| 后端框架 | FastAPI |
| 前端框架 | React + Vite |
| LLM集成 | OpenAI兼容API (DeepSeek、Qwen等) |
| 数据处理 | Pandas, NumPy |
| 报告生成 | Python-docx, Pandoc |
| 异步执行 | Asyncio |
┌─────────────────────────────────────────────────────────────────┐
│ 用户交互层 │
│ ┌──────────────────┐ ┌──────────────────┐ │
│ │ CLI入口 │ │ Web UI │ │
│ │ run_report.py │ │ React前端 │ │
│ └────────┬─────────┘ └────────┬─────────┘ │
└───────────┼──────────────────────────────────┼──────────────────┘
│ │
│ 直接导入 │ HTTP/WebSocket
▼ ▼
┌─────────────────────────────────────────────────────────────────┐
│ API层 │
│ ┌──────────────────┐ ┌──────────────────┐ │
│ │ CLI调用 │ │ FastAPI后端 │ │
│ │ │ │ demo/backend/ │ │
│ └────────┬─────────┘ └────────┬─────────┘ │
└───────────┼──────────────────────────────────┼──────────────────┘
│ │
└──────────────┬───────────────────┘
│ 导入
▼
┌─────────────────────────────────────────────────────────────────┐
│ 核心业务逻辑层 (src/) │
│ │
│ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │
│ │DataCollector│ │DataAnalyzer │ │ReportGenerator│ │
│ │ 数据采集 │ │ 数据分析 │ │ 报告生成 │ │
│ └──────┬───────┘ └──────┬───────┘ └──────┬───────┘ │
│ │ │ │ │
│ └─────────────────┼─────────────────┘ │
│ ▼ │
│ ┌──────────────────────────────────────────────────┐ │
│ │ Memory (共享变量空间) │ │
│ │ - 数据存储 - 任务映射 - 依赖关系 - 检查点 │ │
│ └──────────────────────────────────────────────────┘ │
│ ▼ │
│ ┌──────────────────────────────────────────────────┐ │
│ │ Tools (工具库) │ │
│ │ financial/ macro/ industry/ web/ │ │
│ └──────────────────────────────────────────────────┘ │
│ ▼ │
│ ┌──────────────────────────────────────────────────┐ │
│ │ Config (配置管理) │ │
│ │ - YAML配置 - 环境变量 - 默认值 │ │
│ └──────────────────────────────────────────────────┘ │
└─────────────────────────────────────────────────────────────────┘
FinReport_Agent/
├── src/ # 核心业务逻辑库
│ ├── agents/ # 智能体模块
│ │ ├── base_agent.py # 基础智能体类
│ │ ├── data_collector/ # 数据采集智能体
│ │ ├── data_analyzer/ # 数据分析智能体
│ │ ├── report_generator/ # 报告生成智能体
│ │ └── search_agent/ # 搜索智能体 (DeepSearch)
│ ├── config/ # 配置管理
│ │ ├── config.py # 配置加载器
│ │ ├── models.py # Pydantic 配置模型
│ │ └── default_config.yaml # 默认配置
│ ├── memory/ # 记忆管理
│ │ └── variable_memory.py # 共享变量空间
│ ├── tools/ # 工具库
│ │ ├── financial/ # 财务数据工具
│ │ ├── macro/ # 宏观经济工具
│ │ ├── industry/ # 行业数据工具
│ │ └── web/ # 网络搜索工具 (支持多引擎策略)
│ ├── utils/ # 工具函数
│ │ ├── llm.py # LLM封装
│ │ ├── code_executor_async.py # 异步代码执行器 (核心)
│ │ ├── code_executor.py # (Legacy) 同步执行器
│ │ ├── prompt_loader.py # YAML提示词加载器 (支持多类型报告)
│ │ └── ...
│ └── template/ # 报告模板
│ ├── company_outline.md # 公司报告大纲 (中/英)
│ ├── industry_outline_zh.md # 行业报告大纲
│ └── report_template.docx # Word样式模板
│
├── demo/ # Web演示
│ ├── backend/ # FastAPI后端
│ │ └── app.py # API服务器
│ └── frontend/ # React前端
│ ├── src/ # 前端源码
│ ├── package.json
│ └── vite.config.js
│
├── run_report.py # CLI入口
├── main.py # 简单入口(未实现)
├── my_config.yaml # 用户配置
├── .env.example # 环境变量示例
└── requirements.txt # Python依赖
- 分层清晰: 用户层 → API层 → 业务逻辑层 → 数据层
- 模块解耦: src作为独立库，可被CLI和Web复用
- 可扩展性: 工具和智能体可独立扩展
- 状态持久化: Memory系统支持断点续传
- 异步优先: 使用asyncio实现高效并发
位置: src/agents/base_agent.py
职责:
- 提供智能体的基础功能框架
- 管理异步代码执行器 (
AsyncCodeExecutor) - 实现基于
dill的状态保存与断点续传 - 统一的日志 (
get_logger) 与工具管理
核心方法:
class BaseAgent:
async def async_run(input_data, echo, max_iterations, resume)
def save_checkpoint(checkpoint_name)
async def from_checkpoint(config, memory, agent_id)关键特性:
- 执行环境隔离: 每个智能体拥有独立的
working_dir和executor_cache - 灵活恢复: 支持从
latest.pkl或指定检查点恢复执行状态 - 提示词解耦: 结合
PromptLoader实现提示词与代码逻辑分离
位置: src/agents/data_collector/data_collector.py
职责:
- 根据任务描述自动拆解并选择合适的数据源
- 调用
DeepSearchAgent或 API 工具采集结构化/非结构化数据 - 通过
PromptLoader加载动态提示词，支持不同类型的报告采集需求
默认工具:
- DeepSearchAgent: 多引擎协同的网络深度搜索
- Financial Tools: 股票行情、财务报表、分红派息等
- Macro/Industry Tools: 宏观经济指标、行业景气度数据
执行逻辑:
- LLM 分析任务，决定调用哪些工具
- 生成 Python 代码片段通过
call_tool执行 - 采集结果通过
save_result存入Memory空间
Prompt变量:
{task}: 采集任务{api_descriptions}: 工具API文档{target_language}: 输出语言
位置: src/agents/data_analyzer/data_analyzer.py
职责:
- 对采集到的数据进行深度加工与多维分析
- VLM 驱动的图表优化: 自动生成 Matplotlib 图表，并利用多模态模型 (VLM) 进行审美评估与迭代修改
- 生成包含图表引用和专业见解的报告草稿
核心流程:
- Phase 1 (分析与绘图): 从 Memory 获取数据 -> 编写分析代码 -> 生成图表文件 -> VLM 评估反馈 -> 循环优化
- Phase 2 (草稿生成): 结合分析结论与图表，利用
REPORT_DRAFT_PROMPT生成结构化文档
注入变量:
collect_data_list: 当前已采集的所有数据列表get_existed_data(id): 精确获取特定索引的数据session_output_dir: 图表存储目录custom_palette: 预设的专业金融配色方案 (Deep Crimson, Bright Red 等)
位置: src/agents/report_generator/report_generator.py
职责:
- 负责最终报告的结构规划、章节撰写与多格式渲染
- 多模板支持: 根据
target_type(公司/行业/宏观) 自动切换大纲模板 - 后处理自动化: 自动生成封面、摘要、图表目录及参考文献
执行阶段:
- 大纲阶段 (Outline): 结合任务与模板生成初步大纲，并经过 Critique 循环优化
- 撰写阶段 (Writing): 逐章节异步生成内容，利用
IndexBuilder检索相关数据片段 - 渲染阶段 (Post-process): 将 Markdown 转化为 Word，并支持通过 Pandoc 进一步导出 PDF
报告模板:
- Markdown格式: 便于版本控制和预览
- Word模板: 控制最终输出样式
- Pandoc转换: Word → PDF
位置: src/agents/search_agent/search_agent.py
职责:
- 多跳网络搜索
- 网页内容抓取
- 搜索结果验证和去重
搜索引擎:
- Serper (Google API)
- Bocha (中文搜索)
- Bing (requests/playwright)
- DuckDuckGo, Sogou
输出格式:
DeepSearchResult(
query="搜索查询",
snippets=["片段1", "片段2"],
pages=[ClickResult(...)],
sources=["来源URL1", "来源URL2"]
)位置: src/memory/variable_memory.py
职责:
- 管理所有智能体的共享数据
- 维护任务映射和依赖关系
- 支持断点续传
核心数据结构:
class Memory:
log: List[str] # 操作日志
data: List[ToolResult] # 采集的数据
dependency: Dict[str, List[str]] # 依赖关系 (parent -> children)
task_mapping: List[Dict] # 任务映射
data2embedding: Dict # 数据嵌入 (语义搜索)
generated_collect_tasks: List[str] # 生成的采集任务
generated_analysis_tasks: List[str] # 生成的分析任务关键方法:
# 数据管理
add_data(tool_result)
get_collect_data(exclude_type=[])
search_data(query, top_k=5)
# 任务管理
add_task_mapping(...)
get_or_create_agent(...)
is_agent_finished(agent_id)
# 持久化
save(checkpoint_name='memory.pkl')
load(checkpoint_name='memory.pkl')数据流:
DataCollector → add_data() → Memory.data
DataAnalyzer → get_collect_data() → Memory.data
ReportGenerator → search_data() → Memory.data
位置: src/tools/
目录结构:
tools/
├── base.py # 工具基类
├── financial/ # 财务数据
│ ├── stock.py # 股票数据
│ ├── company_statements.py # 财报
│ └── market.py # 市场数据
├── macro/ # 宏观经济
│ └── macro.py # 宏观指标
├── industry/ # 行业数据
│ └── industry.py # 行业指标
└── web/ # 网络工具
├── base_search.py # 搜索基类
├── web_crawler.py # 爬虫
└── search_engine_*.py # 搜索引擎
工具基类:
class Tool:
name: str # 工具名称
description: str # 工具描述 (给LLM看)
parameters: List[Dict] # 参数定义
async def api_function(**kwargs) -> List[ToolResult]自动注册机制:
- 工具放在对应目录下自动被发现
- 通过
get_tool_by_name(name)获取工具实例 - 通过
get_tool_categories()获取分类列表
ToolResult格式:
ToolResult(
name="数据名称",
description="数据描述",
data=pd.DataFrame | dict | list, # 实际数据
source="数据来源"
)位置: src/config/config.py
配置加载优先级:
1. default_config.yaml (默认值)
2. my_config.yaml (用户配置)
3. config_dict (运行时参数，最高优先级)
环境变量替换:
# 在YAML中使用 ${VAR_NAME}
llm_config_list:
- model_name: "${DS_MODEL_NAME}"
api_key: "${DS_API_KEY}"
base_url: "${DS_BASE_URL}"核心配置项:
# 目标配置
target_name: "公司/行业/宏观名称"
stock_code: "000001" # 可选，仅在 financial_company 类型时推荐
target_type: "financial_company" # 可选: financial_company, macro, industry, general
output_dir: "./outputs/my-research"
language: "zh" # 支持: zh, en
# 模板路径
reference_doc_path: 'src/template/report_template.docx'
outline_template_path: 'src/template/company_outline.md'
# 缓存控制
use_collect_data_cache: True
use_analysis_cache: True
use_report_outline_cache: True
use_full_report_cache: True
use_post_process_cache: True
# LLM配置
llm_config_list:
- model_name: "deepseek-chat"
api_key: "sk-xxx"
base_url: "https://api.deepseek.com/v1"
generation_params:
temperature: 0.7
max_tokens: 32768位置: src/utils/
核心模块:
| 模块 | 功能描述 |
|---|---|
llm.py |
统一 LLM 访问接口，支持流式输出与 JSON 模式 |
code_executor_async.py |
异步代码执行环境，支持变量生命周期管理与异常捕获 |
prompt_loader.py |
动态 YAML 提示词加载，支持按报告类型 (financial/macro 等) 自动路由 |
logger.py |
带 Agent 上下文的结构化日志系统，自动按 Agent ID 隔离日志 |
index_builder.py |
基于语义的向量索引构建，用于报告章节的长上下文检索 |
figure_helper.py |
金融图表绘制辅助工具 (K线图、数据透视等) |
async_helpers.py |
跨异步环境的任务安全运行工具 |
AsyncCodeExecutor特性:
- 安全的代码执行环境
- 变量隔离
- 支持设置/获取变量
- 自动保存执行状态
┌─────────────────────────────────────────────────────────────┐
│ 1. 初始化阶段 │
│ - 加载配置 (Config) │
│ - 初始化Memory │
│ - 生成/加载任务 (collect_tasks, analysis_tasks) │
└────────────────────┬────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────┐
│ 2. 数据采集阶段 (Priority 1) │
│ - 并发执行多个DataCollector │
│ - 调用工具采集数据 │
│ - 保存结果到Memory │
└────────────────────┬────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────┐
│ 3. 数据分析阶段 (Priority 2) │
│ - 并发执行多个DataAnalyzer │
│ - 从Memory读取数据 │
│ - 执行分析代码 │
│ - 生成图表和报告草稿 │
└────────────────────┬────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────┐
│ 4. 报告生成阶段 (Priority 3) │
│ - 执行ReportGenerator │
│ - 生成大纲 → 撰写章节 → 后处理 │
│ - 渲染为Word/PDF │
└─────────────────────────────────────────────────────────────┘
User Task (my_config.yaml)
↓
DataCollector.async_run()
↓
LLM分析任务，选择工具
↓
<execute>代码块调用工具
↓
Tool.api_function() → ToolResult
↓
Memory.add_data(ToolResult)
↓
Memory.data[] (共享存储)
Analysis Task
↓
DataAnalyzer.async_run()
↓
Memory.get_collect_data()
↓
<execute>分析代码
↓
生成图表 (matplotlib/plotly)
↓
VLM评估图表质量
↓
优化图表 (最多3轮)
↓
保存图表 + 分析文本
↓
Memory.add_data(AnalysisResult)
Report Task
↓
ReportGenerator.async_run()
↓
Phase 1: 大纲生成
- LLM生成大纲
- 评估和优化
↓
Phase 2: 章节撰写
- 逐节生成内容
- 引用数据和图表
↓
Phase 3: 后处理
- 生成封面
- 生成摘要
- 添加参考文献
↓
渲染输出
- Markdown (预览)
- Word (docx)
- PDF (pandoc)
检查点层级:
Memory Level:
- memory.pkl (全局状态)
- task_mapping (任务映射)
Agent Level:
- agent_working/{agent_id}/.cache/latest.pkl
- agent_working/{agent_id}/.executor_cache/state.dill
Resume Flow:
1. Memory.load() → 恢复全局状态
2. 遍历task_mapping → 获取agent_id
3. Agent.from_checkpoint() → 恢复agent状态
4. 跳过已完成的任务
5. 继续执行未完成任务
配置控制:
use_collect_data_cache: True
use_analysis_cache: True
use_report_outline_cache: True
use_full_report_cache: True
use_post_process_cache: Truemy_config.yaml:
# ===== 目标配置 =====
target_name: "公司名称"
stock_code: "000001"
target_type: "financial_company"
output_dir: "./outputs/my-research"
language: "en"
# ===== 模板路径 =====
reference_doc_path: 'src/template/report_template.docx'
outline_template_path: 'src/template/company_outline.md'
# ===== 自定义任务 (可选) =====
custom_collect_tasks:
- "采集财务报表"
- "获取股价数据"
custom_analysis_tasks:
- "分析营收趋势"
- "评估盈利能力"
# ===== 缓存设置 =====
use_collect_data_cache: true
use_analysis_cache: true
use_report_outline_cache: true
use_full_report_cache: true
use_post_process_cache: true
# ===== LLM配置 =====
llm_config_list:
- model_name: "${DS_MODEL_NAME}"
api_key: "${DS_API_KEY}"
base_url: "${DS_BASE_URL}"
generation_params:
temperature: 0.7
max_tokens: 32768
top_p: 0.95.env:
# LLM (主推理模型)
DS_MODEL_NAME="deepseek-chat"
DS_API_KEY="sk-your-key"
DS_BASE_URL="https://api.deepseek.com/v1"
# VLM (视觉语言模型)
VLM_MODEL_NAME="qwen-vl-max"
VLM_API_KEY="sk-your-key"
VLM_BASE_URL="https://dashscope.aliyuncs.com/compatible-mode/v1"
# Embedding (嵌入模型)
EMBEDDING_MODEL_NAME="text-embedding-v3"
EMBEDDING_API_KEY="sk-your-key"
EMBEDDING_BASE_URL="https://dashscope.aliyuncs.com/compatible-mode/v1"
# Web Search (可选)
SERPER_API_KEY="your-serper-key"
BOCHAAI_API_KEY="your-bocha-key"| target_type | 适用场景 | 默认工具 |
|---|---|---|
financial_company |
上市公司研究 | financial + market tools |
macro |
宏观经济分析 | macro indicators |
industry |
行业/板块研究 | industry + macro tools |
general |
通用深度研究 | web search only |
目录结构:
src/agents/
├── data_collector/prompts/
│ └── prompts.yaml
├── data_analyzer/prompts/
│ ├── financial_prompts.yaml
│ └── general_prompts.yaml
├── report_generator/prompts/
│ ├── financial_company_prompts.yaml
│ ├── financial_industry_prompts.yaml
│ ├── financial_macro_prompts.yaml
│ └── general_prompts.yaml
└── search_agent/prompts/
└── general_prompts.yaml
Prompt加载:
from src.utils.prompt_loader import get_prompt_loader
# 加载prompt
loader = get_prompt_loader('data_analyzer', report_type='financial')
prompt = loader.get_prompt('data_analysis',
current_time="2024-12-01",
user_query="分析营收趋势",
data_info="可用数据...",
target_language="中文"
)自定义Prompt:
- 在对应目录创建
my_custom_prompts.yaml - 定义prompt模板
- 设置
target_type: 'my_custom'加载
快速开始:
# 1. 配置环境变量
cp .env.example .env
# 编辑.env，填入API密钥
# 2. 配置研究目标
# 编辑my_config.yaml
# 3. 运行报告生成
python run_report.py
# 4. 从断点恢复
python run_report.py --resume并发控制:
# 设置最大并发任务数
export MAX_CONCURRENT=3
python run_report.py
# 或在代码中设置
python run_report.py --max-concurrent 3启动后端:
cd demo/backend
python app.py
# 服务运行在 http://localhost:8000启动前端:
cd demo/frontend
npm install
npm run dev
# 服务运行在 http://localhost:3000Web功能:
- 配置管理: 创建/加载/保存配置
- 任务管理: 自定义采集和分析任务
- 执行监控: 实时查看日志和进度
- 报告浏览: 预览和下载生成的报告
示例: 使用FastAPI后端:
import requests
# 1. 设置配置
config = {
"target_name": "公司名称",
"stock_code": "000001",
"output_dir": "outputs/demo",
"llm_configs": [...],
...
}
requests.post("http://localhost:8000/api/config", json=config)
# 2. 设置任务
tasks = {
"collect_tasks": [...],
"analysis_tasks": [...]
}
requests.post("http://localhost:8000/api/tasks", json=tasks)
# 3. 启动执行
requests.post("http://localhost:8000/api/execution/start",
json={"resume": False})
# 4. 查看状态
status = requests.get("http://localhost:8000/api/execution/status")
# 5. 获取报告列表
reports = requests.get("http://localhost:8000/api/reports")WebSocket日志流:
import asyncio
import websockets
async def stream_logs():
uri = "ws://localhost:8000/ws/logs"
async with websockets.connect(uri) as websocket:
while True:
message = await websocket.recv()
data = json.loads(message)
if data["type"] == "log":
print(f"[{data['agent_id']}] {data['message']}")
asyncio.run(stream_logs())步骤:
- 在
src/tools/对应目录创建工具文件 - 继承
Tool基类 - 实现
api_function方法 - 工具自动被发现和注册
示例:
# src/tools/financial/my_custom_tool.py
from src.tools.base import Tool, ToolResult
class MyCustomTool(Tool):
def __init__(self):
super().__init__(
name="My Custom Tool",
description="工具描述，LLM会读取",
parameters=[
{
"name": "stock_code",
"type": "str",
"description": "股票代码",
"required": True
}
]
)
async def api_function(self, stock_code: str):
# 获取数据
data = await self._fetch_data(stock_code)
return [
ToolResult(
name=f"{stock_code}_data",
description="数据描述",
data=data,
source="数据来源"
)
]步骤:
- 在
src/agents/创建智能体目录 - 继承
BaseAgent - 实现
_prepare_init_prompt和_prepare_executor - 注册到
_AGENT_REGISTRY
示例:
# src/agents/my_agent/my_agent.py
from src.agents.base_agent import BaseAgent, register_agent_class
@register_agent_class
class MyAgent(BaseAgent):
AGENT_NAME = 'my_agent'
AGENT_DESCRIPTION = '我的智能体描述'
NECESSARY_KEYS = ['task']
def __init__(self, config, tools=[], use_llm_name="deepseek-chat",
enable_code=True, memory=None, agent_id=None):
super().__init__(config, tools, use_llm_name, enable_code, memory, agent_id)
# 加载prompt
from src.utils.prompt_loader import get_prompt_loader
self.prompt_loader = get_prompt_loader('my_agent')
self.MY_PROMPT = self.prompt_loader.get_prompt('my_prompt')
async def _prepare_init_prompt(self, input_data: dict) -> list[dict]:
task = input_data.get('task')
prompt = self.MY_PROMPT.format(task=task)
return [{"role": "user", "content": prompt}]
async def _prepare_executor(self):
# 设置代码执行器变量
self.code_executor.set_variable("my_helper", self._my_helper)
def _my_helper(self, arg):
# 辅助函数
return result大纲模板 (src/template/my_outline.md):
# 执行摘要
关键指标、投资观点、评级
# 公司概况
- 业务描述和历史
- 管理层和治理
- 股东结构
# 行业分析
- 市场规模和增长
- 竞争格局
# 财务分析
- 营收和盈利趋势
- 资产负债表分析
- 现金流分析
# 估值
- 可比公司分析
- DCF估值
- 目标价格
# 风险
- 主要风险和缓解措施Word样式模板:
- 复制
src/template/report_template.docx - 在Word中编辑样式:
- Heading 1/2/3: 标题样式
- Normal: 正文样式
- Table: 表格样式
- 在配置中指定新模板路径
修改配色方案:
# 在 DataAnalyzer._prepare_executor() 中
custom_palette = [
"#003366", # 深蓝
"#0066CC", # 中蓝
"#66B2FF", # 浅蓝
"#CCE5FF", # 极浅蓝
"#E6F2FF", # 淡蓝
]
self.code_executor.set_variable("custom_palette", custom_palette)调整VLM优化轮次:
# 在 _draw_single_chart() 中
chart_code, chart_name = await self._draw_single_chart(
task=...,
max_iterations=5 # 增加优化轮次
)步骤:
- 在
src/tools/web/创建搜索引擎文件 - 继承
BaseSearchEngine - 实现
search()方法 - 自动注册到搜索系统
示例:
# src/tools/web/my_search.py
from src.tools.web.base_search import BaseSearchEngine, SearchResult
class MySearchEngine(BaseSearchEngine):
def __init__(self):
super().__init__(
name="My Search",
description="我的搜索引擎"
)
async def search(self, query: str, num_results: int = 10) -> List[SearchResult]:
# 实现搜索逻辑
results = await self._fetch_results(query, num_results)
return [
SearchResult(
title=r.title,
url=r.url,
snippet=r.snippet,
source="my_search"
)
for r in results
]-
并发控制:
- 使用
MAX_CONCURRENT环境变量控制并发数 - 优先级分组: 采集 → 分析 → 报告
- 使用
-
缓存策略:
- 开启所有缓存选项
- 定期清理旧缓存
-
内存管理:
- 使用
exclude_type过滤不需要的数据 - 及时清理临时文件
- 使用
-
查看日志:
# 查看agent日志 tail -f outputs/{target_name}/logs/agent_{agent_id}.log # 查看主日志 tail -f outputs/{target_name}/logs/main.log
-
检查Memory状态:
from src.memory import Memory from src.config import Config config = Config('my_config.yaml') memory = Memory(config) memory.load() print(f"数据数量: {len(memory.data)}") print(f"任务数量: {len(memory.task_mapping)}")
-
单步执行:
# 只执行数据采集 from src.agents import DataCollector collector = DataCollector(config=config, memory=memory) await collector.async_run(input_data={...})
-
常见错误:
- API密钥未配置 → 检查
.env文件 - 网络超时 → 增加重试次数
- 内存不足 → 减少并发数
- API密钥未配置 → 检查
-
恢复机制:
- 使用
--resume从断点恢复 - 检查
memory.pkl是否损坏 - 清理缓存重新开始
- 使用
| 变量名 | 说明 | 必需 |
|---|---|---|
DS_MODEL_NAME |
LLM模型名称 | 是 |
DS_API_KEY |
LLM API密钥 | 是 |
DS_BASE_URL |
LLM API地址 | 是 |
VLM_MODEL_NAME |
VLM模型名称 | 是 |
VLM_API_KEY |
VLM API密钥 | 是 |
VLM_BASE_URL |
VLM API地址 | 是 |
EMBEDDING_MODEL_NAME |
嵌入模型名称 | 是 |
EMBEDDING_API_KEY |
嵌入API密钥 | 是 |
EMBEDDING_BASE_URL |
嵌入API地址 | 是 |
SERPER_API_KEY |
Serper搜索密钥 | 否 |
BOCHAAI_API_KEY |
Bocha搜索密钥 | 否 |
MAX_CONCURRENT |
最大并发数 | 否 |
outputs/{target_name}/
├── agent_working/ # 智能体工作目录
│ ├── agent_data_collector_xxx/
│ │ ├── .cache/
│ │ └── .executor_cache/
│ ├── agent_data_analyzer_xxx/
│ │ ├── .cache/
│ │ ├── .executor_cache/
│ │ └── images/ # 生成的图表
│ └── agent_report_generator_xxx/
│ └── .cache/
├── memory/ # Memory检查点
│ └── memory.pkl
├── logs/ # 日志文件
│ ├── main.log
│ └── agent_*.log
├── final_report/ # 最终报告
│ ├── report.md
│ ├── report.docx
│ └── report.pdf
└── config.json # 配置快照
| 文件路径 | 说明 |
|---|---|
run_report.py |
CLI入口 |
demo/backend/app.py |
FastAPI后端 |
src/agents/base_agent.py |
智能体基类 |
src/agents/data_collector/data_collector.py |
数据采集智能体 |
src/agents/data_analyzer/data_analyzer.py |
数据分析智能体 |
src/agents/report_generator/report_generator.py |
报告生成智能体 |
src/memory/variable_memory.py |
Memory系统 |
src/config/config.py |
配置管理 |
src/utils/code_executor.py |
代码执行器 |
src/utils/prompt_loader.py |
Prompt加载器 |
src/tools/base.py |
工具基类 |
Q1: 如何更换LLM提供商？
A: 修改 .env 文件中的API配置，确保模型名称和API地址正确。例如使用OpenRouter:
DS_MODEL_NAME="openai/gpt-4o"
DS_API_KEY="sk-or-xxx"
DS_BASE_URL="https://openrouter.ai/api/v1"Q2: 如何减少API调用成本？
A:
- 开启所有缓存选项
- 减少
max_iterations参数 - 使用更便宜的模型进行初步分析
Q3: 如何处理中文报告？
A: 在 my_config.yaml 中设置:
language: "zh"
outline_template_path: 'src/template/company_outline_zh.md'Q4: 如何添加新的数据源？
A: 参考 7.1 添加新工具，创建自定义工具类。
Q5: 报告生成失败如何调试？
A:
- 检查
logs/目录下的日志文件 - 使用Web UI查看实时日志
- 单独执行失败的智能体进行调试
示例任务： custom_collect_tasks:
- "资产负债表, 利润表, 现金流量表三大财务报表"
- "股票基本信息以及股价数据"
- "股东结构"
- "投资评级"
- "公司市销率, 净资产收益率(ROE), 市盈率, 市净率"
- "公司主要竞争对手情况"
- "指数数据: 沪深300指数日数据, 恒生指数日数据, 上证指数日数据, 纳斯达克指数日数据" custom_analysis_tasks:
- "梳理公司发展历程、关键里程碑事件及当前核心主营业务范围"
- "分析创始团队及高管背景，梳理股权结构及主要股东情况"
- "梳理公司上市前的融资轮次、金额及主要投资方"
- "分析历年营收趋势、各业务板块占比变化及增长驱动因素"
- "评估公司盈利能力（ROE、毛利率、净利率）及运营效率（各项周转率）"
- "分析公司偿债能力（资产负债率、流动比率）及现金流结构与健康度"
- "进行同行业竞争对手对比分析，评估行业地位及核心竞争力（技术/品牌/渠道）"
- "复盘近5年股价走势与成交量，分析关键事件（政策/财报/技术）对股价的影响"
- "整理历史三大财务报表，预测未来两年核心财务数据，并进行估值分析"