Dexter：专注金融研究的自主 AI Agent

Dexter 是一个自主金融研究智能体，核心思路和 Claude Code 类似——接收复杂任务、拆解步骤、执行验证——但专门针对金融研究场景做了优化：任务规划、自我反思、实时市场数据和完整的结果校验循环。

本文基于仓库 README（2026-05-05 最新推送，Stars 23,474）撰写，所有事实可从 GitHub 仓库验证。

1. 核心设计思路

金融研究的核心挑战不是"找到数据"，而是"找到对的数据、做对分析、确认结论可靠"。传统方式需要研究员手动拆解问题、逐一查询、交叉验证，过程枯燥且容易遗漏。

Dexter 把这个流程自动化了。它接收一个金融问题（比如"苹果公司未来 12 个月的营收预期如何？"），然后：

1. 自动拆解为结构化研究步骤：将复杂查询分解为多个可执行的子任务
2. 自主选择工具收集数据：收入表、资产负债表、现金流量表、分析师预期、市场新闻等
3. 自我验证：检查工作质量，迭代直到结果可信
4. 输出数据驱动的结论：有数据支撑的、有置信度评估的答案

关键特性：

2. 技术架构

Dexter 的架构分为几个核心模块：

用户输入 --> 任务规划器 --> 工具选择器 --> 金融数据源
                ↑                              |
                |         <-- 自我验证 <-- 结果评估
                |
                ↓
            最终报告

工具与数据源

Dexter 通过多个 API 获取金融数据：

• Financial Datasets API（financialdatasets.ai）：机构级市场数据，覆盖收入表、资产负债表、现金流量表
• Exa API（可选）：网络搜索，获取新闻、研报和公开信息
• ** Tavily API**（备选搜索）：当 Exa 不可用时的降级方案

Scratchpad 调试日志

每次查询都会在 .dexter/scratchpad/ 目录生成一个 JSONL 文件，记录：

• init：原始查询
• tool_result：每个工具调用的参数、原始返回结果和 LLM 摘要
• thinking：智能体的推理步骤

{"type":"tool_result","timestamp":"2026-01-30T11:14:05.123Z","toolName":"get_income_statements","args":{"ticker":"AAPL","period":"annual","limit":5},"result":{...},"llmSummary":"Retrieved 5 years of Apple annual income statements showing revenue growth from $274B to $394B"}

这使得调试非常直接：直接查看 JSONL 文件，看它调用了什么工具、收到了什么数据、怎么解读的。

评估框架

Dexter 内置评估套件，用 LangSmith 追踪并用 LLM-as-judge 方式打分：

# 运行全部评估问题
bun run src/evals/run.ts

# 随机抽样 10 个问题运行
bun run src/evals/run.ts --sample 10

评估 runner 显示实时 UI：进度、当前问题、实时准确率统计。

3. 安装与配置

前提条件

• Bun v1.0+
• OpenAI API key
• Financial Datasets API key
• Exa API key（可选）

安装步骤

# 克隆仓库
git clone https://github.com/virattt/dexter.git
cd dexter

# 安装依赖
bun install

# 复制环境变量模板
cp env.example .env
# 编辑 .env 填入 API key

主要环境变量：

# 必选
OPENAI_API_KEY=your-openai-api-key
FINANCIAL_DATASETS_API_KEY=your-financial-datasets-api-key

# 可选
ANTHROPIC_API_KEY=your-anthropic-api-key
GOOGLE_API_KEY=your-google-api-key
XAI_API_KEY=your-xai-api-key
OPENROUTER_API_KEY=your-openrouter-api-key

# 搜索（Exa 优先，Tavily 兜底）
EXASEARCH_API_KEY=your-exa-api-key
TAVILY_API_KEY=your-tavily-api-key

# 本地模型
OLLAMA_BASE_URL=http://127.0.0.1:11434

运行方式

# 交互模式
bun start

# 开发模式（热重载）
bun dev

WhatsApp 集成

Dexter 支持通过 WhatsApp 对话：扫码关联手机号后，给自己发消息即可被处理，结果从同一个频道返回：

# 关联 WhatsApp 账号
bun run gateway:login

# 启动网关
bun run gateway

更多配置细节见 WhatsApp Gateway README。

4. 适用场景

• 基本面研究：快速获取和分析一家公司的财务数据，覆盖多年期历史和最新季度
• 行业对比：同时分析多家公司的关键财务指标
• 投资观点验证：带着假设问 Dexter，看数据是否支撑你的判断
• 财报解读：将长篇财报或 10-K/10-Q 喂给 Dexter，提取关键数据和趋势

5. 与其他金融 AI 工具的区别

6. 局限性与注意事项

1. 需要多个 API key：OpenAI + Financial Datasets 是必须的，Exa 可选但建议配置以获得更好的网络信息
2. 依赖 Bun 运行时：不支持 Node.js 直接运行（虽然理论上可改）
3. 自我验证不等于完全准确：验证机制基于模型自身判断，高置信度不等于事实正确
4. WhatsApp 集成需要手机在线：网关需要手机保持连接

7. 总结

Dexter 将 Claude Code 的 agent 框架带入了金融研究场景，其价值在于将多步骤金融研究任务自动化，同时通过 scratchpad 全程记录和自我验证机制保证了研究过程的可追溯性。对于需要频繁做基本面研究的分析师、投资者或金融开发者来说，这是一个值得尝试的工具。

项目信息

• GitHub：virattt/dexter
• Stars：23,474
• 语言：TypeScript
• 推送时间：2026-05-03
• License：MIT
• 相关链接：Twitter @virattt · Discord