Vibe Coding 实战：构建 AI 驱动的股票投研平台框架

Eric223
138 阅读6分钟

本文由AI辅助生成，如有纰漏，评论里留言，作者一定改！！！

背景 (Background)

  • AI 浪潮下的思考：目睹 AI 技术日新月异，能力边界不断拓展，从简单的代码补全到能够理解复杂意图的 Agent，编程范式正在发生转移。作为一个开发者，我不禁思考：目前的 AI 编程能力究竟到了什么水平？它能否独立完成一个复杂的系统？它能完成多大规模的系统？
  • Vibe Coding 实验：带着这个疑问，我决定通过 "Vibe Coding" (即以自然语言交互为主，代码编写为辅的编程方式) 的形式，尝试构建一个AI 股票投研平台，以此来探索 AI 在实际项目落地中的上限。
  • Vibe Coding 简介与方法论

什么是 Vibe Coding？

Vibe Coding 是一种以 “意图” 和 “直觉” 为核心的开发模式。开发者主要负责定义目标、设计约束、审核结果，而将具体的代码生成、重构、测试交由 AI 完成。它强调 “Human-in-the-loop” 的高层指导，而非逐行编码。

维度传统开发模式Vibe Coding 模式
核心关注点语法、逻辑实现、API 细节需求拆解、上下文管理、验收标准
工作流需求 -> 设计 -> 编码 -> 测试意图 -> 提示词/文档 -> 生成 -> 审阅 -> 迭代
效率瓶颈编码速度、Debug 时间Token 上限、模型理解力、上下文污染

项目总览与仓库

开源地址: github.com/EricOo0/sto… 核心定位: 一个由 AI 驱动的多 Agent 协作投研系统，旨在模拟人类投研团队的工作流

🛠 技术栈 (Tech Stack)

本项目分为前后端分离架构，主要技术选型如下：

  • 前端 (Frontend) :

    • 核心框架: React 19 + Vite (追求极致的构建速度与最新特性)
    • UI 框架: TailwindCSS v4 (原子化 CSS，配合 AI 生成 UI 效率极高)
    • 数据可视化: Recharts + Lightweight-charts (专业的 K 线与图表展示)
    • 交互动画: Framer Motion (提升用户体验的丝滑感)
    • 状态管理: Redux Toolkit
    • 其他: React-PDF (财报阅读), Lucide Icons

  • 后端 (Backend) :

    • 核心语言: Python 3.10+
    • Web 框架: FastAPI (高性能异步框架，适合 AI 并发请求)
    • 数据源: AkShare (A股/美股数据), YFinance
    • AI 交互: Browser-use / Playwright (用于自动化新闻采集与分析), Google GenAI / Anthropic SDKs
    • 架构模式: 类似微服务的 Agent 编排模式

image.png

✨ 主要功能 (Key Features)

  1. 消息面分析: 利用 search-api搜索主流媒体新闻， browser-use 操控浏览器，聚合主流新闻源，并分析社交媒体情绪。

image.png

  1. 技术面分析: 结合道氏理论、波浪理论及 RSI/MACD 等指标，自动生成走势预判。

image.png image.png

  1. 财报分析: 自动化解析 PDF 财报，提取营收、净利润等关键指标。

image.png

  1. 宏观数据分析: 实时通过 FRED 等接口获取利率、CPI 等宏观数据，判断市场周期。

image.png

  1. 模拟盘: AI 自动进行模拟交易，回测策略有效性。

image.png

  1. AI 顾问团 (AI Council) : 模拟 "一人公司"，由 CEO、CTO、首席分析师等不同角色的 AI 组成智囊团，多视角回答用户问题。

image.png

  1. 记忆管理系统 (Memory System) :

image.png

  • 为了更像 "人"，构建了三级记忆系统：
  • 短期记忆: 完整的会话 Context。
  • 中期记忆: 定期将短期记忆结构化抽取，存入向量数据库/图数据库。
  • 长期记忆: 对中期记忆进行压缩和归档，形成长期认知。

实践工具与模型体验

在 Vibe Coding 过程中，尝试了不少IDE/CLI 和不同的模型，(Claude Code, Codex, Gemini, Antigravity, 公司内部 CLI)，也颇有感悟：

  • Claude Code: 综合能力极强，是毫无疑问的目前的第一梯队。

  • Kimi / Claude /gpt 模型: 后端逻辑能力非常扎实，但在前端 UI/UX 的体验上总感觉稍逊一筹。

  • Antigravity + Gemini 3.0:

    • 前端神器: 在写前端时有种 "指哪打哪" 的快感，视觉理解能力出色，配合nano banana pro生成UI设计图，体验不错。
    • 规划能力: Antigravity 的 Agent 规划 (Planning) 能力让人印象深刻，能很好地拆解复杂任务。项目后期主要依靠它来推进。
    • (福利安利: 谷歌目前有试用活动，若是对此感兴趣不妨薅一个月羊毛体验下)

⚠️ "Vibe Coding" 的陷阱与应对

  • 技术债危机: MVP (最小可行性产品) 阶段，模型能飞快地搭建 demo。但随着项目规模扩大，Context 变长，单纯靠 "对话" 编程，以及一轮对话需求，会导致模型 "降智"，产生大量幻觉&技术债。

为了克服 AI 容易跑偏的问题，可以尝试采用 SDD（文档驱动开发）模式，配合上下文工程的思想来管理项目。

  • 文档先行: 采用规范驱动开发。先拆解任务 -> 规划方案 -> 形成 Markdown 文档 -> AI 执行 -> 反思确认。
    • 每次给agent派发任务，不要给非常宽泛的任务，可以和agent进行多轮对话，让他拆任务，规划一下工作路线，沉淀成文档(方便重入)，逐步完成与确认。对话的过程中，不光是agent，你也对需求更加清晰了
    • 注意context余量，随着上下文越来越大，llm的transfomer架构弊端就是容易丢失关注点，所以及时压缩/重新开启一个session
  • Agent.md / 规范文档: 随着开发进行，沉淀下来的代码规范、设计原则必须记录在 Agent.md 或 Rules.md 中。让 Agent 每次行动前先阅读规范，这是打破 "鬼打墙" 循环的关键，也避免重复强调规则。
  • Human-in-the-loop： 在需求定义、接口设计、关键代码审查环节强制引入人工干预，防止 AI “一本正经地胡说八道”。
  • MCP 工具集成： 利用 Context7 等工具拉取一些公共库的使用方法，antigravity一直配置失败就让我很头疼，像google adk这类比较新的工具，AI的使用方式总是不太正确
  • Retry & Git 策略: AI 也会犯错。善用 Git 版本控制，没验收的功能不要合并。对于新功能，先让 Agent 在独立分支 "试错"，不行就回滚重来，这种 "一次性分支" 策略非常高效。

推荐一些有助于深入理解 Agent 开发的资源：

  • ADK (Agent Development Kit)： 了解主流 Agent 框架的设计模式与价值。
  • Google Advent of Agents： adventofagents.com/ - 极佳的练手项目集合，涵盖了从简单到复杂的各类 Agent 场景。

结语 (Conclusion)

目前这个项目虽然跑通了核心流程，但在数据准确性和系统稳定性上还只是个 "玩具" 级别。但这不仅是一次代码实践，更是一次对 AI 协同开发边界 的深度探索。

如果你也对 AI 投研或 AI 编程感兴趣，欢迎 Star 或参与贡献，一起探索未来编程的更多可能！🐶

同时感谢 github.com/HaibiPeng 在本demo项目的支持🐶

avatar
文章
阅读
粉丝