PanWatch
TNT-Likely/PanWatch加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象一下：每天开盘前，你不是面对着一堆冰冷的数字和图表，而是收到一份来自"AI 投研团队"的晨间简报——综合了隔夜美股走势、财经新闻、板块情绪、技术形态，告诉你今天 A 股大概该怎么操作。这就是 PanWatch（盯盘侠） 正在做的事情。
PanWatch 是一个完全自托管的 AI 盯盘助手，深度集成了 TradingAgents（76k+ ⭐）多 Agent 投资决策框架，为 A 股、港股、美股提供实时行情监控、多账户持仓管理、智能分析和全渠道推送。
作为一名散户投资者，你是否有过这样的经历：上班时间不方便看盘，错过了一只股票的买入时机；持仓的几只股票同时异动，手忙脚乱不知道先处理哪一只；深夜刷财经新闻，想分析一下某只股票但不知道从何下手……
传统的盯盘工具要么只提供简单的价格提醒，要么依赖第三方平台将数据上传到云端——这意味着你的持仓信息、交易习惯都被暴露给了第三方。PanWatch 的出现正是为了解决这两个痛点：数据私有 + AI 原生。
开发者 TauricResearch 团队本身是做量化交易的，他们将自己在实盘中积累的多 Agent 投研方法论产品化，推出了 PanWatch。项目的核心思路是：不替代人做决策，而是让 AI 像一个专业的交易团队一样，提供分析、辩论和风险提示，最终由人来做决定。
这是 PanWatch 最具差异化的功能。当你点击持仓页的 🧠 图标，系统会启动一套完整的 AI 投研流程：
整个过程 3-5 分钟完成，结论会自动推送到你的 Telegram / 企业微信 / 钉钉。这个流程的背后是 TradingAgents 框架提供的 LangGraph 状态机编排能力，确保每个 Agent 的输出有序传递、上下文不丢失。
PanWatch 内置了一套完整的技术指标库，包括：
这些指标会在个股详情页聚合展示，当多个指标形成共振时（如 MACD 金叉 + RSI 超卖 + 成交量放大），系统会主动推送提醒。
传统的条件单只能设置"涨到 X 元提醒"，PanWatch 支持将多个条件用 AND / OR 逻辑组合：
PanWatch 支持 PWA（渐进式 Web 应用），在移动端浏览器中可"添加到主屏幕"，获得类似原生 App 的体验。这对于不想额外安装 App、又想随时接收盯盘通知的用户非常友好。
PanWatch 有一套自建可观测体系：结构化日志中贯穿 trace_id，agent_runs 表记录每次 Agent 运行的成本和耗时，TradingAgents 节点级进度实时可见。在此之上，还支持可选接入标准 OpenTelemetry，将 trace 导出到 Jaeger / Tempo / Langfuse 等 APM 工具。
PanWatch 提供了多阶段构建 Dockerfile，最终镜像基于 python:3.11-slim，体积控制得当。Docker Hub 上已有官方镜像 sunxiao0721/panwatch，主流用户无需自行构建。
docker run -d \
--name panwatch \
-p 8000:8000 \
-v panwatch_data:/app/data \
sunxiao0721/panwatch:latest
首次启动时，系统会：
PLAYWRIGHT_SKIP_BROWSER_INSTALL=1 跳过）http://localhost:8000，首次设置登录账号密码从拉取镜像到看盘，整个过程约 5-10 分钟。Dockerfile 中还内置了中文字体（fonts-noto-cjk），确保 K 线截图中的中文正常显示。
项目还提供了 Makefile，本地开发时一行命令即可启动后端或前端：
make dev-api：自动创建 venv + 安装依赖 + 启动后端（监听 :8000）make dev-web：自动 pnpm install + 启动前端（监听 :5183，与 :5173 错开避免端口冲突）PanWatch 不是万能的，以下几点需要用户有清醒认知：
1. 不执行交易：PanWatch 只负责监控和分析，不会自动下单。如果你期望的是量化自动交易策略执行，这个工具不适合你——它是一个辅助决策工具，最终买卖决策仍由人来做。
2. 首次 Chromium 下载：虽然 Dockerfile 已包含所有依赖，但 Playwright Chromium 浏览器会在容器首次启动时从 Google 下载（约 200MB），在网络受限环境下可能失败。文档中提到了 PLAYWRIGHT_SKIP_BROWSER_INSTALL=1 方案，但跳过后截图功能将不可用。
3. AI 成本可控但不等于零：默认使用 DeepSeek-chat 模型，单次深度分析约 $0.05，月度成本可控制在较低水平。但如果使用 GPT-4o 等高价模型，成本会显著上升。项目目前缺乏用量预算控制机制，需要用户自己管理 API 调用频率。
4. 数据来源依赖 akshare：A 股行情数据来自 akshare 开源库，若 akshare 的数据接口出现变动或维护，实时行情功能可能受影响。港股和美股数据源同理。
5. 安全配置需注意：Web UI 默认通过 JWT 认证，但 .env.example 中的默认配置示例不包含 HTTPS 反向代理建议。在公网暴露时，建议配合 Nginx/Caddy 等反向代理 + HTTPS 使用。
PanWatch 的出现代表了近年来一个值得关注的方向：开源量化工具的平民化。过去，只有机构投资者和有钱人才能享受专业的投研服务——有专职分析师团队、量化策略库、风控系统。现在，通过开源生态和 LLM 的普惠，个体投资者也能拥有"AI 投研团队"。
PanWatch 的核心技术依赖——TradingAgents + LangGraph + LLM API——正在成为中小型量化项目的标准技术栈。这种技术组合的门槛正在快速降低：一个有编程能力的散户，完全可以在几个小时内搭建起自己的 AI 盯盘系统。
同时也要看到，当前的 AI 投研工具更多是辅助角色，而非可靠的决策依据。股票市场的复杂性和随机性意味着任何 AI 分析都只能作为参考。PanWatch 本身也明确标注了"不执行交易"，这种克制值得肯定。
如果你是一个有编程能力、关注 A 股/港股/美股的投资者，PanWatch 值得关注和尝试。它的开源性质意味着你可以完全掌控自己的数据，多 Agent 协作的分析框架也相比单一 LLM 分析更有深度。如果你想参与贡献或二次开发，项目有完善的 CONTRIBUTING.md 和架构文档（src/ARCHITECTURE.md），社区（Telegram: t.me/panwatch）也比较活跃。