金融人狂喜！这款会思考的AI全自动搞定金融研究，实时扒财报还会自我纠错，效率直接拉满
[dexter] 是一个 用于自动化代码审查和开发任务的 AI 驱动工具 的 开发辅助工具。简单讲，它能自动帮你找代码问题、提改进建议，提升开发效率。适用人群：前端和全栈开发者
主要语言：TypeScript
stars: 18.9k
编辑
核心功能
Dexter是一个自主的金融研究代理，在工作时能够思考、规划和学习。它可以将复杂的金融问题转化为清晰的、逐步的研究计划，利用实时市场数据执行任务，检查自身工作并完善结果，直至得出有数据支持的可靠答案。其关键能力包括：
- 智能任务规划：自动将复杂查询分解为结构化的研究步骤。
- 自主执行：选择并执行合适的工具来收集金融数据。
- 自我验证：检查自身工作并不断迭代，直至任务完成。
- 实时金融数据：可访问损益表、资产负债表和现金流量表等。
- 安全特性：内置循环检测和步骤限制，防止程序失控执行。
优势
- 高度自动化：能够自主完成金融研究的多个环节，提高研究效率。
- 数据实时性：利用实时市场数据进行分析，保证结果的及时性和准确性。
- 自我验证机制：通过自我检查和迭代，提高研究结果的可靠性。
- 安全可靠：内置安全特性，避免程序出现无限循环等问题。
应用场景
- 金融投资：帮助投资者分析市场趋势、评估公司财务状况，为投资决策提供依据。
- 金融研究机构：辅助研究人员进行数据收集和分析，提高研究工作的效率和质量。
- 企业财务分析：帮助企业分析自身财务状况，制定合理的财务策略。
前置要求
- 需要安装Bun运行时（v1.0或更高版本），还需要OpenAI API密钥、Financial Datasets API密钥，Exa API密钥（用于网络搜索，可选）。
安装步骤
- 克隆仓库：
git clone https://github.com/virattt/dexter.git并进入目录cd dexter。 - 使用Bun安装依赖：
bun install。 - 设置环境变量：复制示例环境文件
cp env.example .env，并编辑.env文件添加API密钥。
运行方式
- 交互式模式：
bun start。 - 开发的监听模式：
bun dev。
评估方法
Dexter包含评估套件，使用LangSmith进行跟踪，并采用大语言模型作为评判的方法来评估正确性。可以运行所有问题的评估 bun run src/evals/run.ts，也可以运行随机样本数据的评估 bun run src/evals/run.ts --sample 10。
调试方法
Dexter会将所有工具调用记录到暂存文件中，每个查询会在 .dexter/scratchpad/ 目录下创建一个新的JSONL文件，方便检查数据收集和结果解释情况。
使用WhatsApp交互
通过将手机链接到网关，在WhatsApp中给自己发消息，Dexter会处理消息并将回复发送回同一聊天窗口。快速启动步骤为：先链接WhatsApp账户 bun run gateway:login，然后启动网关 bun run gateway。
绝了！靠WiFi就能穿墙测心率、识人体姿态，8元硬件搞定，隐私还不泄露
RuView 是一个基于Rust开发的高性能网络视图分析工具。简单讲，它能实时监控和可视化网络流量与连接状态，帮助用户快速发现异常。适用人群：系统管理员、网络安全工程师及对网络性能优化有需求的技术人员。
主要语言：Rust
stars: 43.0k
编辑
RuView是一个边缘AI感知系统，它基于RuVector自学习向量内存系统和Cognitum.One构建，以WiFi DensePose技术为核心，通过分析WiFi信号中的信道状态信息（CSI）来实现人体姿态估计、生命体征检测等功能。以下是对该项目的详细介绍：
核心功能
- 隐私保护：仅使用WiFi信号追踪人体姿态，不使用摄像头，不存储视频和图像，保护用户隐私。
- 生命体征检测：无需穿戴设备，即可检测呼吸率（6 - 30次/分钟）和心率（40 - 120次/分钟）。
- 多人追踪：可同时追踪多个人，每个人都有独立的姿态和生命体征数据。
- 穿墙感知：WiFi信号可以穿透墙壁、家具和杂物，实现穿墙感知。
- 灾难响应：能够检测被困在废墟中的幸存者，并对其受伤严重程度进行分类（START分诊）。
- 多静态网格：多个低成本传感器节点协同工作，提供360度房间覆盖，实现高精度的人体追踪。
- 自学习能力：系统可以从原始WiFi数据中自动学习，无需标记训练集和摄像头。
- AI信号处理：使用注意力网络、图算法和智能压缩技术，自动适应不同的房间环境。
- 跨环境泛化：经过一次训练后，模型可以在不同的房间、建筑物和硬件上部署。
- 实时处理：能够在100微秒内分析WiFi信号，实现实时监测。
- 低功耗边缘计算：系统可以在低成本的ESP32传感器上运行，无需互联网连接和云服务。
技术架构
- 信号处理：采用6种研究级算法，包括共轭乘法、Hampel滤波器、菲涅尔区模型等，对原始WiFi信号进行处理，提取有用的特征。
- 模型训练：使用图变压器和交叉注意力机制，将CSI特征矩阵映射到17个COCO人体关键点和DensePose UV坐标。模型采用8阶段纯Rust训练管道，支持MM-Fi/Wi-Pose预训练和SONA自适应调整。
- RVF模型容器：将训练好的模型打包成单个
.rvf文件，支持渐进式加载，方便在不同设备上部署。 - 边缘智能：提供60个边缘模块，涵盖医疗健康、安全、智能建筑、零售等多个领域，可在ESP32传感器上实时运行。
硬件支持
- ESP32-S3：推荐使用ESP32-S3传感器网格，每个节点成本约为8美元，支持原生CSI采集。
- 研究网卡：如Intel 5300和Atheros AR9580，需要进行固件修改，可提供完整的CSI数据。
- 普通WiFi设备：Windows、macOS或Linux笔记本电脑，仅支持基于RSSI的粗略存在和运动检测。
安装与部署
- 引导安装程序：提供交互式硬件检测和配置文件选择，支持多种安装模式，如验证、Python、Rust、浏览器、物联网、Docker等。
- 从源代码构建：支持Rust和Python两种方式，Rust实现的速度比Python快810倍。
- Docker部署：提供预构建的Docker镜像，无需工具链，可快速启动实时传感。
性能指标
- 处理速度：Rust实现的CSI处理管道达到54,000帧/秒，生命体征检测达到11,665帧/秒。
- 内存占用：Rust版本的内存占用约为100 MB，Docker镜像大小为132 MB。
- 测试覆盖：拥有542多个纯Rust测试用例，确保系统的稳定性和可靠性。
应用场景
- 日常应用：包括老年人护理、医院患者监测、零售场所客流量统计、办公室空间利用等。
- 专业应用：如智能家居自动化、健身运动监测、儿童保育、活动场馆管理等。
- 机器人与工业应用：为机器人和自主系统提供空间感知能力，如协作机器人安全区域检测、仓库AMR导航等。
- 极端应用：适用于搜索救援、消防、监狱安全、军事战术等场景。
原文：mp.weixin.qq.com/s/EhF0U2RYu…
欢迎关注公zh：AI Tech研习社
关注公zh，后台回复【OpenClaw完全使用手册】，领取OpenClaw完全使用手册.pdf学习资料，更多学习资源敬请期待。
