华尔街量化系统被人用AI Agent复刻了，还专门适配了A股！ 这个项目叫 TradingAgents-CN，基于LangGraph打造的多Agent协作炒股框架，原版是美股学术项目，这个fork做了完整的中国市场适配。 目前 GitHub 22,400 Star，维护快一年了，不是那种扔出来就跑路的玩具项目。 它的架构直接照着顶级投行团队来搭的： ① 基本面分析师 — 财报、估值、行业对比 ② 技术面分析师 — K线形态、指标信号 ③ 新闻分析师 — 舆情、政策、事件驱动 ④ 风控经理 — 仓位管理、止损止盈 ⑤ 交易员 — 汇总所有意见，最终拍板下单中国化适配做得非常扎实：同时支持A股、港股、美股 数据源接akshare、yfinance、Finnhub等 三层缓存（Redis+MongoDB+File），稳得一批 Streamlit网页界面，实时看每个Agent分析过程 Docker一键部署，amd64和arm64都支持 1195次commit，认真在迭代，不是套壳演示。 但必须扎心提醒： 目前AI Agent炒股没有任何公开、经过长周期验证的稳定正收益案例。 LLM擅长处理文本，但对市场微观结构和真实风险的理解依然有限。 用来学习Agent架构、做量化研究、写论文 → 非常值得玩 直接拿去实盘梭哈 → 请先想清楚自己亏得起多少 22,400 | 4,600 GitHub地址： 想搞AI量化、研究多Agent协作的兄弟，这波可以冲！

华尔街直接被干懵了！有人把顶级投行那套多Agent量化交易系统，完整复制成了中国版！🔥 TradingAgents-CN，基于LangGraph的多AI Agent炒股框架，直接模拟了完整投研团队： 1️⃣ 基本面分析师 2️⃣ 技术面分析师 3️⃣ 新闻舆情分析师 4️⃣ 风控经理 5️⃣ 交易员 五位AI专家实时协作，A股、港股、美股全适配，三层缓存+Docker部署，Streamlit界面丝滑到飞起！🚀 1195次commit，整整维护近一年，量化&Agent玩家直接高潮！ 但别上头：仅供研究学习，别拿去实盘找死！ 🔗

华尔街直接被惊到了！ 有人把顶级投行多Agent量化交易系统，完整做成了中国版！ TradingAgents-CN —— 基于LangGraph的多AI Agent炒股框架 模拟完整投行研究团队： 基本面分析师 + 技术面分析师 + 新闻舆情分析师 + 风控经理 + 交易员 五位AI专家实时协作决策！ 已适配A股、港股、美股，三层缓存+Docker部署，Streamlit界面丝滑 1195次commit，认真维护近一年！ 量化&Agent玩家狂喜！ 但请理性：仅供研究学习，勿直接实盘！

🔥 想做 AI Agent 最烦的不是调模型，而是 RAG、记忆、评估、部署、数据库这些东西全都散在不同教程里，拼起来非常累。 最近发现一个神器：Oracle 官方整理的 oracle-ai-developer-hub。 GitHub： 1️⃣ 完整 AI 应用示例提供 Agentic RAG、金融 AI Agent、自然语言查询电商数据库等真实落地案例。 2️⃣ Notebook 实战演示手把手演示 RAG、Hybrid Search、Agent Reasoning、Agent Memory 等核心做法。 3️⃣ 企业级混合数据处理把向量、关键词、图、JSON、关系型数据放到同一个数据库场景里讲，告别玩具版 RAG。 4️⃣ 从 RAG 到多 Agent Workshop提供完整 Workshop，按步骤动手跑一遍，帮你系统性从 RAG 进阶到多 Agent。 5️⃣ 多框架记忆型 Agent 示例包含 OpenAI Agents SDK、Claude Agent SDK、LangGraph 等不同框架的记忆型 Agent 实现。 适合特别想把 AI Agent 做得更像生产系统，而不是只停留在聊天 demo 的人收藏使用。

看完了 Claude Code 主席 Boris 的播客采访，他从去年 11 月起没有手写过一行代码，每天提交 10 到 30 个 PR，同时跑 5 个 agent。 听完 Lenny 对他一个多小时的采访，信息密度很高，分享一些我的收获。 1️⃣ Claude Code 的起源：一个人，两个赞 最初就是 Boris 一个人在 Anthropic Labs 搞的 side project，同期他也做了很多其他的side project，大部分都死掉了。 选了终端是因为一个人开发最简单，在内网发了篇帖子介绍，两个赞，没人觉得一个 CLI 能成事。 但是迄今为止这东西贡献了 GitHub 上 4% 的 commit，如果算上私有仓库，这个比例还会更高，Semi-Analysis 预测年底到 50%。 从两个赞到覆盖 50% 的 commit，中间只隔了不到两年，AI时代的产品进化速度可见一斑。 2️⃣ 核心产品哲学：为六个月后的模型而建 Boris 反复强调这一点，Claude Code 早期只能写 20% 的代码，他自己都不信任它。 但产品架构留好了扩展空间，等 Opus 4 一出来，PMF 瞬间 click。 现在做 AI 产品的人，最大的错误就是按今天的模型能力做产品设计。 你应该赌的是下一代模型。赌对了你起飞，赌错了你也没亏多少。 3️⃣ 委派，而非指示 很多人做 AI 产品的思路是给模型设计死板的 step 1 → step 2 → step 3 workflow，把模型当成一个系统里的函数来调用。 Boris 说一年前你确实需要大量 scaffolding 来兜底，但现在完全不需要了。 给模型工具，给它目标，让它自己想办法。 对于 Agent 开发者来说，这点尤其重要。别太迷信 LangChain、LangGraph、AutoGen 这类框架，别尝试用流程图把模型框住。 Agent 应该为目标负责，而不为流程、中间态、执行路径负责。 这就是 Claude Code 一直强调的：delegate, don't dictate。 4️⃣ 编程已经被解决了，接下来是工具和多模态 Boris 认为 coding 对模型来说已经基本解决了接下来的方向是让模型接入更多工具，让 Agent 能操作的东西变多。浏览器、API、数据库、部署流水线，全都会变成模型的手和脚。 更有意思的是他提到一个现象：提升模型 X 方向的能力通常也会提升 Y 方向。模型能力的增长不是线性叠加，而是能力之间互相加速。 这意味着一旦某个能力突破阈值，其他方向也会跟着跳一级。 5️⃣ 软件工程师这个岗位会消失，Builder 会出现 Boris 的判断：也许今年年底，AI 就能包揽 100% 的代码编写。 传统意义上的软件工程师将不复存在。取而代之的是一个集合了产品、研发、测试、部署的综合岗位，大概叫 Builder。 他观察到 Anthropic 内部已经在发生这种融合。设计师在写代码，PM 在跑 Agent，工程师在做产品决策。三个角色的边界已经开始模糊，50% 的日常工作其实是重叠的。 有个数据很说明问题：Boris 在推特做了个调查，70% 的工程师和设计师表示有 AI 之后更享受工作了。不是因为工作变少了，是因为终于可以把时间花在真正重要的事情上。 6️⃣ 自然语言是新时代的编程语言，编程语言是新时代的汇编 未来编程可能就是和 AI 交互。手写代码会变成和今天写汇编一样的存在：深入底层，写一些计算机能直接看懂的东西，极少数人需要做，大多数人永远不碰。 自然语言会变成新时代的编程语言。编程语言会变成新时代的汇编语言。 怎么理解要不要学编程这件事？Boris 给了一个非常精准的历史类比。和程序员最像的历史角色是 1400 年代欧洲的抄写员，垄断了所有的读写工作。古腾堡印刷术出来后 50 年，印刷量超过此前 1000 年的总和，价格暴跌 80%，识字率从 1% 飙到 70%，抄写员这个职业直接消失了。 编程正在经历一模一样的过程，你可以觉得这话狂。但说这话的人，曾在 Meta 负责过 Facebook、Instagram、WhatsApp 的代码质量基础设施，是那个时代最顶级的 infra 工程师之一。 他不是不会写代码，他是写了太多代码之后，深刻认识到代码从来都只是手段，build才是目的。 7️⃣ 200% 的提效，到底意味着什么 Anthropic 工程师人均 PR 数提升了 200%。 200% 听着好像还好，但 Boris 之前在 Meta 就是做工程生产力的，负责 Facebook、Instagram、WhatsApp 全线的代码质量基础设施。 在那个体量的公司里，工程效率提升几个百分点都是巨大的飞跃，足够写进年度 OKR 当 两点。 200%，是完全不同量级的事情。 这就是为什么他每天能 ship 10 到 30 个 PR 还觉得很正常，游戏规则已经彻底变了。 8️⃣ 代码现在是真的廉价 这个观点对老工程师的冲击最大。 AI 现在会写大量的即时代码，用完就丢，只是为了完成某一次任务。跑个数据分析、做个格式转换、写个一次性脚本，用完就删，毫不心疼。 之前代码是很贵的。你需要几年的学习成本才能写出能跑的东西，coding 和 debug 的时间成本都很高昂。 所以老一代工程师对代码有一种天然的珍惜感，写出来的东西要 review、要重构、要维护。 但现在代码的边际成本趋近于零。认识到代码很便宜，非常重要。很多老工程师过不了这个心理关，还在用写精品代码的心态对待每一行输出。这就像印刷术时代还在手抄经文。 9️⃣ 给企业的建议：别限制 token，别省钱 Anthropic 内部有些工程师每月 token 花费过十万美元。 Boris 的建议：给工程师无限 token 预算，让他们可以大胆探索落地想法，甚至允许 token 费用超过工程师本身的薪资。 听着疯狂？对比人均产出提升 200% 的数据，这笔账太好算了。真正有创造力的想法往往来自某个人不计成本地试了一个看起来太疯狂的点子，你限制 token 就是在限制创新的上界。 用 Boris 的话说：先别急着衡量 ROI，先让工程师用起来，价值自己会显现。 🔟 成为通才，而不是单一技能点的专家 Boris 给工程师的职业建议：尝试真正成为一个通才。只会一个垂直能力的人未来会越来越吃亏。 未来几年能获得最大回报的那批人，不只是 AI native、拥抱 AI 的人。还要充满好奇心，知识广博。 你还得懂产品、懂设计、懂用户心理、懂商业逻辑。 单点深入的价值在被 AI 快速拉平，广度 × 判断力才是新的护城河。 1️⃣1️⃣ 一些CC的使用建议 Boris 分享了几个 Claude Code 的实战 tips： 1.一直用最强的模型。经济型模型可能因为能力不够强需要多次尝试，最终的 token 成本也许比最强模型更贵。考虑到时间成本更是如此，目前最强的是 Opus 4.6 2.多用 Plan Mode。先让模型理解全局再动手，效果远好于直接开干 3.尝试多种使用形态。终端、桌面应用、移动端，每种形态适合不同场景。Boris 提到 Anthropic 的设计师更多用 Desktop App 里的 Code tab，不需要打开 IDE 就能调用同等能力 他还推荐写好 CLAUDE.md，这跟我之前分享的 Claude Code 最佳实践完全吻合。 最后的彩蛋：味噌哲学 Boris 是乌克兰人，加入 Anthropic 前住在日本中部乡下好几年，是整个城市唯一的工程师和英语使用者。每周骑车去农贸市场，和邻居交换自制食物，学会了做味噌和发酵食品。 主持人问他 AGI 之后的计划？继续做味噌。 一个在日本乡下做味噌的乌克兰人，回到硅谷造了个改变所有工程师工作方式的工具。 编程是建造的方式，味噌也是。工具会变，建造的欲望不会。 这种人你很难不服。