最近终于把折腾了好一阵的项目整理出来了——Evidence Loom，一个本地优先、开源的多智能体市场研究桌面工作区。

项目托管在GitHub（github.com/simonguo/ev…），当前测试版也发布在同一个仓库里。

为什么做这个

之前在用TradingAgents这类项目时，发现多Agent分工分析市场的思路确实有意思。

但实际用起来有几个门槛卡在那儿：

• 环境、模型和数据源的配置东一块西一块；
• 命令行适合验证想法，但长期管理任务和报告就有点力不从心；
• 很难直观看到一份结论背后经过了哪些分析、辩论和风险评估；
• API Key、任务记录和报告放在哪里，也需要一个边界更清晰的方案。

于是就有了Evidence Loom。它不是一个“AI自动炒股”工具，更像一个把研究过程摊开来看的桌面工作台。

行情、新闻、情绪、基本面、研究、交易和风险等不同角色分别干活，再把过程和结果组织成可回看的任务与报告。

目前能做什么

• 创建证券研究任务，协调多个分析与决策Agent；
• 查看任务进度、历史记录和最终报告；
• 支持OpenAI兼容接口、Anthropic、Google、Azure OpenAI、DeepSeek、通义千问、智谱、MiniMax、OpenRouter，以及本地或自定义端点；
• 桌面端不需要注册Evidence Loom云账户；
• 任务历史和报告默认保存在本地；
• macOS下把API Key放在Keychain，Windows下使用Credential Manager，不降级成明文保存。

需要说明的是，“本地优先”不等于“所有计算都离线”。

如果配置的是云端模型或行情/新闻服务，证券代码、日期、提示词、检索上下文和生成内容仍可能发送给对应Provider。

项目主要做的是把应用账户、任务存储和凭据管理留在本地。具体数据处理规则仍以你选择的Provider为准。

技术实现

桌面界面用的是Next.js + React，外壳是Tauri。

桌面端通过受限IPC调用Rust进程控制器，再启动随应用打包的Python sidecar。

研究核心基于TradingAgents修改。

大致数据流是：

• Next.js UI → Tauri IPC → Rust进程控制器 → Python sidecar
• 其中分别连接LLM Provider和行情/新闻数据Provider

项目采用Apache-2.0许可。上游版本、修改内容、第三方许可和隐私边界也都单独整理在仓库里。

当前状态

目前还是v0.1.0-beta.7。

公开Release提供macOS Apple Silicon DMG和macOS Intel DMG，两个包都经过签名和公证。

Windows x64的代码路径已经支持，但这个公开Release还没有Windows安装包。

想尝试的Windows/Linux用户可以先按README从源码运行。

Beta阶段肯定还有不少粗糙之处，不建议直接拿真实持仓做高风险决策。

模型输出有概率性，第三方行情和新闻也可能延迟或出错。所有结果都只适合作为研究材料，不构成投资或交易建议。

想听听大家的意见

目前尤其想了解：

• 多Agent的过程展示，是信息不够，还是已经太多？
• 大家更希望接入哪些模型和行情/新闻数据源？
• 报告里哪些证据和中间过程最值得保留？
• Windows安装包和Linux桌面版的需求大不大？
• 本地应用在凭据、隐私和可审计性方面，还有哪些容易忽略的坑？

如果愿意试用，欢迎直接在GitHub提Issue。也欢迎拍砖、提建议或者参与贡献。

《夸克》非常好用的免费AI浏览器

下载APP查看