Fin-Agent Desktop：基于 DeepSeek 的开源智能金融助手，让选股像聊天一样简单

在 AI 大模型爆发的今天，如何将 LLM （大语言模型）的能力真正落地到垂直领域，是很多开发者和用户关注的焦点。在金融投资领域，我们往往面临着数据获取难、量化门槛高、信息筛选效率低等痛点。

今天要介绍的开源项目 Fin-Agent Desktop ，正是一个试图解决这些问题的尝试。它是一款基于 Electron + Python 构建的桌面端智能金融助手，集成了 DeepSeek 等强大的 LLM 能力与 Tushare 专业金融数据，让你通过自然语言就能完成复杂的股票筛选和数据分析。

项目地址： https://github.com/YUHAI0/fin-agent-desktop

为什么开发 Fin-Agent Desktop ？

对于很多非金融背景的开发者或个人投资者来说，想要进行量化分析往往面临两座大山： 数据获取门槛：高质量的金融数据通常昂贵且难以获取。 技术门槛：编写量化策略需要掌握 Python 、Pandas 以及各种金融指标计算。 Fin-Agent Desktop 的初衷就是打破这些门槛。它利用 LLM 强大的语义理解能力，将用户的自然语言转化为具体的代码或查询指令，直接与底层金融数据库交互。 你只需要说：“帮我找出市值小于 100 亿，且近三年净利润增长率大于 20%的医药股”，它就能帮你完成剩下的所有工作。

核心功能亮点

1. 自然语言选股 (Semantic Selection)

这是该项目最杀手级的功能。不同于传统软件复杂的筛选器，你完全可以用“人话”来描述你的选股逻辑。

• 支持多维度组合：基本面（市盈率、营收）、技术面（均线、涨跌幅）、消息面等。
• 长尾挖掘：特别擅长挖掘那些低关注度但具备特定指标特征的“隐形冠军”。

2. 实时行情与数据分析

底层接入了 Tushare 大数据开放社区，支持查询：

• A 股个股、指数实时与历史行情
• ETF 、期货数据
• 财务报表数据（营收、利润、现金流等）

3. 强大的 LLM 大脑

目前默认支持接入 DeepSeek 等高性能大模型。通过精心设计的 Prompt Engineering 和 Function Calling 机制，模型能够精准理解金融术语，并调用相应的 Python 函数获取数据，最后生成专业的分析报告。

4. 股价预警与策略回测

• 智能预警：设置目标价或涨跌幅阈值，触发后桌面弹窗提醒。
• 简易回测：内置回测引擎，可以对你的选股策略进行历史数据验证，看胜率如何。

快速上手

1. 安装

前往 GitHub Releases 页面下载最新版本的安装包（支持 Windows/Mac ）：

https://github.com/YUHAI0/fin-agent-desktop/releases

2. 配置

启动应用后，你需要配置以下两个关键 Key：

• LLM API Key: 推荐使用 DeepSeek API （性价比极高）。
• Tushare Token: 用于获取金融数据（ Tushare 注册即可免费获取基础数据权限）。

3. 开始对话

配置完成后，直接在对话框输入你的需求即可：

"分析一下贵州茅台最近的财报情况" "推荐几只市盈率低且股息率高的银行股"

开源共建

Fin-Agent Desktop 是一个完全开源的项目，基于 MIT 协议。 如果你对 AI Agent 、量化投资或 Electron 开发感兴趣，欢迎来 GitHub 仓库点个 Star ，或者提交 Issue 和 PR 参与共建！

• Desktop 仓库: https://github.com/YUHAI0/fin-agent-desktop
• Core 核心库: https://github.com/YUHAI0/fin-agent

让我们一起，用 AI 赋能每一个普通投资者的决策！