vibe-investing

当 AI 学会"听风"：Vibe Investing 如何用多智能体重新定义投资研究

一个韩国开发者的"叛逆"

想象一下这个场景：你是一个痴迷于金融市场的韩国独立开发者，手里掌握着纳斯达克、S&P500 的历史数据，也盯着 BTC 和各种山寨币的波动。你每天的工作不是盯盘，而是训练 AI 听懂市场的"氛围"（Vibe）——不是复杂的技术指标，而是那些藏在财报电话会议语气、社交媒体情绪、资金流向里的微妙信号。

这正是 gameworkerkim/vibe-investing 正在做的事情。这个成立于 2026 年 4 月的项目，用一种非主流的方式做量化投资研究：它不迷信回测曲线，不追求"圣杯"指标，而是把 AI 作为人的延伸，用大型语言模型来解读那些数字背后的意义。

什么是"Vibe Investing"（氛围投资）？

"Vibe Investing"这个概念脱胎于软件工程领域的"Vibe Coding"——一种强调直觉和创造力的编程方式。将这套思维迁移到投资领域，意味着：承认市场的复杂性和不确定性，不试图用数学模型完全"封装"市场，而是用 AI 作为高级研究助理，帮人类从海量噪音中提炼信号，再由人类做出最终判断。

这个仓库的核心信念写得很清楚："人工智能是工具，不是万能药，能读懂模型的分析师才是最重要的。" 这在充斥着"AI 全自动交易"叙事的圈子里，显得格外清醒。

三套子系统的完整图景

这个 monorepo 实际上包含三个独立运行的子项目，每个都有自己的技术栈和部署方式：

1. AIInvestor（证券当）—— Telegram 机器人 + Mini App

这是最接近产品级的一个系统。核心是一个运行在 Azure Functions（Flex Consumption） 上的 Telegram Bot，配合 Static Web App 作为 Mini App 前端。LLM 引擎使用的是 DeepSeek（deepseek-chat），官方说法是"1/35 成本"——这个定价策略很有韩国创业团队的务实风格。

功能上非常丰富：巴菲特/达里奥/木头姐三种投资人格的视角分析、韩国零售投资者最感兴趣的"八字推荐"（基于五行理论的股票推荐，这是个有趣的本土化尝试）、每小时一次的股票/加密货币匹配预测、KOSPI/NASDAQ 的单资产预测，以及完整的积分和等级 gamification 体系（Bronze 到 Diamond 的 5 阶段系统）。

代码架构上，它采用了依赖注入模式，main.py 是纯入口，实际业务逻辑分布在 services/ 下的多个模块中：市场报告、股票服务、人物引擎、档案仓库。测试覆盖率相当高——211 个通过的测试用例，在个人开发者的项目中属于相当专业的水平。数据层支持生产环境使用 Azure Blob Storage，开发环境回退到 SQLite。

2. LAON VaultGuard（澜安 VaultGuard）—— 多 LLM 交叉验证的密钥泄露检测

这个名字背后有一个真实的教训：2026 年 6 月，韩国流媒体平台 Tving 在 GitHub 上公开了硬编码的 AWS 访问令牌，整个基础设施因此陷入危险。这个子项目的诞生就是直接针对这类事故的防御机制。

它用多个 LLM（Claude、DeepSeek、GPT、MiniMax、Ollama）交叉验证来检测 Git 仓库中的云服务商密钥。传统工具如 gitleaks 和 trufflehog 靠正则表达式，速度快但缺乏语义理解——比如变量名叫 my_secret 或者密钥被拼接成多段，正则就无能为力了。而 LLM 可以理解"语义"，识别出即使不是标准格式但实际含义是密钥的内容。

多 LLM 协作还带来了额外的可靠性：多数决模式减少误报，顺序 fallback确保某个 LLM API 故障不会导致整个扫描中断。这是应对"单点 LLM 依赖"风险的聪明设计。

这个子项目是整个仓库中部署支持度最高的：有完整的 Dockerfile 和 docker-compose.yml，npm 包已发布（laon-vaultguard），还支持通过 Semgrep 的 SARIF 格式集成到 GitHub Code Scanning。

3. toss-dashboard—— Next.js 投资看板

这是最小的一个子项目，基于 Next.js + TypeScript + Tailwind CSS 构建，部署目标是 Vercel。虽然没有生产级的测试，但它是唯一一个有明确 Web UI 的组件。

技术栈分析

项目的主要语言是 Python，但整体是典型的 TypeScript/JavaScript + Python 双轨架构。Python 负责核心的金融数据处理和 Azure Functions 运行时，TypeScript 负责 Web 前端和 Node.js 后端服务。

在 AI 基础设施上，项目的选择非常务实：不追逐最贵的 GPT-4o，而是选择 DeepSeek 作为主力 LLM，理由是成本和性能的性价比。Ollama 的集成体现了对本地部署的兴趣。数据源依赖 Yahoo Finance (yfinance) 和 CoinGecko——都是无需付费的公共接口。

代码质量方面，AIInvestor 的测试套件是最大的亮点，211 个测试用例覆盖了核心业务逻辑。其他子项目的测试覆盖率则相对较低。

部署建议

对于只想体验核心功能的用户，LAON VaultGuard 是最容易上手的，一行 docker-compose up 即可运行。对于有量化投资需求的用户，AIInvestor 需要更复杂的配置，但 Telegram Bot 的形态降低了使用门槛——用户不需要安装任何软件，只要有一个 Telegram 账号。

图1：vibe-investing 项目社交预览图（来源：项目仓库）

局限与风险

必须坦诚地说，这个项目的信息透明度有限：没有官网，没有明确的许可证，主仓库更像是个人研究笔记和代码片段的合集而非严肃的开源产品。"八字推荐"功能虽然有趣，但免责声明明确指出这不是正统的命理学——用户不应将其作为真实投资依据。

更根本的风险在于：基于 LLM 的投资建议本质上是概率性的，而金融市场充满了黑天鹅事件。用 AI 解读"市场氛围"作为研究辅助是合理的，但若将其建议直接用于真实交易，需要极强的风险意识和仓位管理能力。

在 AI 投资工具生态中的位置

如果你关注 AI + Finance 这个赛道，会发现这个仓库与主流产品的定位很不一样。主流产品（如 FinRL、TradingAgents）追求的是模型层面的交易自动化；而 Vibe Investing 的核心哲学是增强人的判断，LLM 是研究工具而非执行引擎。

这个项目更接近"投研助手"的定位——帮分析师更快地消化信息、产生洞察，而不是替代分析师做决策。在 AI 越来越强调"Agentic"（自主行动）的当下，这种"AI as Analyst, Human as Decision Maker"的设计哲学反而显得稀缺。

仓库中的 Awesome Vibe Invest 系列文档也值得关注——它们系统性地梳理了 30+ 个 AI 量化投资工具，并按"多智能体框架、强化学习、金融 LLM、后台测试引擎"等维度分类评估，是一份有价值的行业参考。

总结：这是一个由韩国独立开发者维护的 AI 投资研究工具集，核心价值在于用多智能体和 LLM 做投资情报的收集与分析，而非追求自动化交易。LAON VaultGuard 是最具普适性的子项目（纯安全工具），AIInvestor 是最具产品感的子项目（Telegram Bot + Gamification），toss-dashboard 则是最轻量的可视化组件。适合作为 AI + Finance 领域的研究样本和灵感来源。