jcp

当散户遇上 AI 智库：韭菜盘如何用多 Agent 重新定义股票分析

2025 年 A 股市场波动加剧，"追涨杀跌"成了散户亏损的代名词。韭菜盘（JCP AI） 试图改变这一局面——它不是又一个荐股机器人，而是一个把专业分析师的思维框架搬进桌面的 AI 协作工具。通过多个 AI Agent 同时"开会讨论"，让用户在 K 线图旁边就能获得多角度、多维度的投资参考。

这不是一个新概念，却是国内开源社区中完成度最高的实现之一。

项目起源：从"手动选股"到"AI 开会"

韭菜盘的诞生背后有一个鲜明的痛点：散户缺乏系统化的分析框架。专业的投资机构有分析师团队、量化模型、风控系统，而普通投资者只能靠直觉、消息和 K 线图。run-bigpig（作者 syskey）在 2026 年 2 月创建了该项目，目标是让 AI 技术真正服务于个人投资者，而不是制造一个新的信息噪音源。

项目技术选型颇有讲究：选择 Wails 框架（Go + Web 混合）而非 Electron，兼顾了性能（Go 后端）和开发效率（React 前端）。作者在 go.mod 中引入了 google.golang.org/adk（Google Agent Development Kit）和 github.com/modelcontextprotocol/go-sdk（MCP），说明项目的多 Agent 架构参考了 Google 的 ADK 设计范式，这在国内开源项目中相当少见。

架构解析：桌面应用里的"AI 作战室"

从项目结构来看，韭菜盘采用了清晰的模块化分层设计：

目录/模块	职责
main.go / app.go	Wails 应用入口与核心逻辑（50KB+，核心业务集中地）
internal/adk/	Google ADK 集成，多 Agent 任务编排
internal/agent/	Agent 角色定义、Prompt 管理
internal/meeting/	会议室系统，Agent 多轮讨论与重试机制
internal/memory/	按股票隔离的长期记忆，保存历史分析结论
internal/openclaw/	OpenClaw 深度分析服务集成
internal/models/	多 AI 模型接入（OpenAI/Gemini/DeepSeek/Kimi）
internal/services/	行情数据、舆情聚合、研报服务等外部集成
internal/embed/	向量化嵌入相关逻辑
skill/jcp-stock-analysis/	股票分析专用的 Skill 资产
frontend/	React 18 + TypeScript + TailwindCSS + Vite 前端

整个系统的工作流程可以概括为：用户选股 → 启动会议室 → 多个 Agent 各自发表观点 → 讨论汇总 → 记忆存储 → 用户获得分析结论。

AI 能力拆解：不只是问答机器人

韭菜盘的 AI 能力远比表面看起来复杂，以下几个设计值得关注：

多模型并行接入：项目通过 github.com/sashabaranov/go-openai 兼容层，同时支持 OpenAI、Google Gemini、DeepSeek、Kimi、GLM 等多个大模型。这在架构上要求每个 Agent 可以独立选择使用哪个模型，背后需要动态路由逻辑。

Google ADK 多 Agent 编排：这是项目的核心技术亮点。Google Agent Development Kit 提供了标准化的 Agent 定义、工具调用（Tool Calling）和任务协作机制。项目中的 internal/adk/ 模块完整引入了 ADK 的设计理念，包括 Agent 角色定义、Session 管理和多轮对话上下文维护。

MCP 扩展协议：Model Context Protocol 允许 AI Agent 调用外部工具（行情查询、网页抓取、文件读写等），这让 Agent 不再只是"文字生成器"，而是可以主动获取实时数据的智能体。项目引入了 github.com/modelcontextprotocol/go-sdk，为后续功能扩展预留了标准化接口。

长期记忆系统：区别于简单的 Chat 历史，项目实现了按股票隔离的记忆存储。AI 能够记住对某只股票的历史讨论、关键结论和重要事件，避免重复分析同一信息，这在股票分析场景中非常关键。

提示词增强（Prompt Enhancement）：项目内置了 Prompt 优化逻辑，AI 驱动的提示词增强可以自动优化用户提问质量，提升 Agent 响应专业度。

前端体验：K 线旁边的"作战指挥室"

韭菜盘的前端基于 React 18 + TypeScript + TailwindCSS，引入了轻量级图表库 Lightweight Charts（TradingView 出品），替代了早期的 Recharts，提供专业级的 K 线渲染性能。

前端功能面板包括：

• 左侧：自选股列表与市场指数实时数据
• 中间：多周期 K 线图表（分时/日K/周K/月K）+ 盘口深度
• 右侧：AI 智库讨论室，实时展示多 Agent 讨论过程
• 顶部工具栏：策略管理、热点舆情（百度/抖音/B站/头条）、研报查询、连接测试

值得注意的是，前端通过 Wails 的双向通信机制与 Go 后端深度集成——K 线数据由 Go 后端的行情服务（github.com/injoyai/tdx，同花顺数据接口）实时推送，前端 WebSocket 接收后交给 Lightweight Charts 渲染，延迟和性能都达到了可用水准。

图1：韭菜盘主界面，左侧自选股、中间 K 线、右侧 AI 智库讨论室

图2：多 Agent 协作讨论界面，支持会议室重试机制

图3：韭菜盘功能演示 GIF

局限与风险：理性看待 AI 选股

韭菜盘本质上是一个分析工具，而非"稳赚神器"。以下是几个需要理性看待的点：

1. 数据依赖风险：行情数据来自同花顺接口（TDX 协议），数据质量和稳定性直接影响分析准确性。国内股票数据接口的合规性和稳定性一直是灰色地带。

2. AI 幻觉问题：即使是 Gemini、DeepSeek 这样的顶级模型，也可能出现对政策消息、行业趋势的错误解读。AI 给出的"建议"仅供参考，投资决策权始终在用户手中。

3. API 成本：多 Agent 同时运行意味着多次 LLM API 调用，长时间使用可能产生不低的 Token 消耗。

4. 非标准开源 License：项目采用了 NOASSERTION（无明确授权声明），意味着代码可能有使用限制，用户在使用前需自行确认合规性。

行业意义：桌面 AI 应用的新范式

韭菜盘的出现代表了 2026 年一个值得关注的技术趋势：将 LLM Agent 能力封装为本地桌面应用。相比 Web 服务，桌面应用具有数据本地化、API Key 安全存储、系统级集成等优势。

从技术实现来看，项目对 Google ADK 和 MCP 协议的正确引入，说明作者对 AI Agent 的认知已经超越"调 API 生成文字"的初级阶段，开始关注 Agent 协作、工具调用和长期记忆等深层问题。这是值得肯定的。

对于有兴趣深入了解 AI Agent 架构的开发者，韭菜盘的项目结构清晰，模块边界明确，是一个不错的学习样本——尤其是 internal/adk/ 和 internal/meeting/ 的实现细节。

总结：韭菜盘是一个技术含量高、完成度好的 AI 股票分析桌面应用，适合愿意投入时间配置环境的 A 股投资者和 AI Agent 技术研究者。