DeepEar ｜顺风耳

English | 简体中文

🚀 可以直接在线查看 Free Lite 版本：https://deepear.vercel.app/

一个将全网舆情转化为投资逻辑传导链的开源深度研究框架，支持skill接入。

▶️ 点击观看 DeepEar 工作流演示视频

点击下方预览图查看生成的研报样例：

📖 目录

适用场景
核心特性
快速开始
Agent Skill集成
系统架构
开发指南
路线图
如何贡献
开源协议

🎯 适用场景

DeepEar 专为金融分析师、量化研究员和个人投资者设计，旨在弥合非结构化信息与可操作交易信号之间的鸿沟。

投研自动化: 自动收集和分析来自社交媒体与新闻媒体的碎片化信息，发现隐藏的投资机会。
市场监控: 实时跟踪“热点话题”（如政策转向、技术突破）及其对特定板块或个股的潜在影响。
量化分析: 将定性的新闻资讯转化为定量的“情感得分”和“信号指标”，用于回测或模型输入。
研报生成: 秒级生成具备结构化逻辑、可视化图表和引用来源的专业投资研报。

✨ 核心特性

多智能体协作: 具备趋势发现、金融分析和研报撰写专长的智能体协同工作。
Agent 技能就绪: 专为 AI 智能体（如 Antigravity, OpenCode）设计的即插即用技能，瞬间将聊天助手转化为金融研究员。
互动式金融仪表盘: 基于 React 的现代化 UI，实时监控智能体工作流、日志和结构化结果。
信号逻辑演变追踪: 随着新市场新闻和价格数据的到来，主动追踪投资假设的演变。
信号对比分析: 在不同运行版本之间，对信号变化、情绪漂移和逻辑更新进行深度的侧重对比分析。
全网数据覆盖: 通过 NewsToolkit 接入微博、财联社、华尔街见闻等 15+ 核心数据源。
引入新闻感知的时序模型: 基于 Kronos 结合新闻投影层，实现对股价冲击的量化预测。
可视化研报与逻辑图: 生成包含交互式 Draw.io 逻辑传导图的高质量 HTML 研报。
混合检索引擎: 结合 BM25（关键词匹配）和向量搜索（语义匹配），实现精准的信息召回。

🚀 快速开始

前置要求

Python 3.12+
uv (推荐使用 uv 进行极速包管理)

安装步骤

克隆仓库

git clone https://github.com/RKiding/DeepEar.git
cd DeepEar

安装依赖
```
uv sync
```

配置

设置环境变量 复制示例配置文件：
```
cp .env.example .env
```
编辑 .env 填入你的 API Keys。DeepEar 支持多种模型提供商：
- LLM_PROVIDER: openrouter, openai, ollama, deepseek 等。
- REASONING_MODEL_ID: 用于复杂分析的模型 (推荐 gpt-4o)。
- TOOL_MODEL_ID: 用于工具调用的模型 (推荐 qwen2.5)。
- JINA_API_KEY: (可选) 统一的 Jina API Key，同时支持搜索 (s.jina.ai) 和内容提取 (r.jina.ai)。

运行 DeepEar

方式 1：启动仪表盘（推荐）

启动 Web 界面以可视化方式监控和控制智能体：

# 启动前端界面 (仅首次)
cd dashboard/frontend
npm install
npm run build

# 启动后端服务
uv run python -m dashboard.server

在浏览器中打开 http://localhost:8765。

实时智能体工作流监控仪表盘

提示：首次访问需要注册账号。可以使用默认邀请码 DEEP-EAR-ADMIN 进行注册。如需生成更多邀请码，请运行 uv run scripts/generate_invitation.py。

方式 2：命令行界面 (CLI)

直接执行主工作流：

uv run src/main_flow.py

CLI 命令行参数说明

参数	说明	默认值
`--query`	用户查询意图 (如 "A股科技板块")	`None`
`--sources`	新闻来源: `all`, `financial`, `social`, `tech`, 或以逗号分隔的列表	`all`
`--wide`	每个来源抓取的新闻条数	`10`
`--depth`	报告深度: `auto` (由 LLM 判断) 或整数限制	`auto`
`--template`	ISQ (Investment Signal Quality) 评分模板 ID	`default_isq_v1`
`--concurrency`	信号分析的并发线程数 (最大工作线程)	`1`
`--resume`	从最近的断点恢复运行	`False`
`--resume-from`	恢复位置: `report` (仅重绘 MD), `analysis` (重新生成信号分析)	`report`
`--update-from`	基于已有 Run ID 更新分析 (追踪逻辑演变)	`None`

系统将启动智能体工作流：识别意图 -> 抓取热点 -> 分析信号 -> 时序预测建模 -> 生成报告。生成的产物将保存在 reports/ 目录下。

方式 3：作为 AI Agent Skill 使用

DeepEar 可以作为一种专有技能（Skill）集成到各种 AI Agent 框架（如 Antigravity, OpenCode, Claude Code）中。对于单独的组件类技能（如新闻抓取、情绪分析等），可参考：Awesome-finance-skills。

安装 Skill 将 skills/deepear 目录拷贝到你的 Agent 技能文件夹下：

# 以 OpenCode/Claude Code 为例
mkdir -p ~/.config/opencode/skills/
cp -r skills/deepear ~/.config/opencode/skills/

Skill 安装路径参考

框架	作用域	安装路径
Antigravity	工作区	`<workspace>/.agent/skills/<skill>/`
	全局	`~/.gemini/antigravity/global_skills/<skill>/`
OpenCode	项目	`.opencode/skills/<skill>/` 或 `.claude/skills/<skill>/`
	全局	`~/.config/opencode/skills/<skill>/`
OpenClaw	工作区	`<workspace>/skills`（优先级最高）
	托管	`~/.openclaw/skills`
Claude Code / Codex	个人	`~/.claude/skills/` 或 `~/.codex/skills/`
	项目	`.claude/skills/`

启动 Skill 服务
```
uv run skills/deepear/scripts/server.py
```
集成后，Agent 即可调用 analyze 工具触发 DeepEar 分析流程，并通过 status 工具查询结果。

🏗 系统架构

DeepEar 采用分层架构设计，确保工具、智能体与工作流逻辑的解耦。

graph TD
    User[用户指令] --> Intent[意图识别 Agent]
    Intent --> Trend[趋势猎手 Agent]
    
    subgraph "发现层 (Discovery)"
        Trend --> |抓取与初筛| Source["数据源"]
    end
    
    Trend --> |原始信号| Logic[逻辑过滤器]
    Logic --> |高价值信号| Fin[金融分析 Agent]
    
    subgraph "分析层 (Analysis)"
        Fin --> |行情数据| Stock[股票工具包]
        Fin --> |深度挖掘| Search[搜索工具包]
        Fin --> |量化评分| ISQ[ISQ 模板]
    end
    
    Fin --> |结构化分析| Report[主编 Agent]
    
    subgraph "预测层 (Prediction)"
        Report --> Forecast[预测 Agent]
        Forecast --> |新闻嵌入| NewsProj[新闻投影层]
        NewsProj --> Kronos[Kronos 模型]
        Forecast --> |专家修正| LLM[LLM 修正]
    end
    
    subgraph "输出层 (Output)"
        Report --> |Map-Reduce| Draft[分章节草稿]
        Draft --> |混合检索 RAG| Edit[统一审校]
        Edit --> Final["最终报告 .md/.html"]
    end

🧠 新闻感知 Kronos 模型

DeepEar 的核心创新之一是在 Kronos 基础模型中集成了少样本新闻投影层 (few-shot news-projection layer)。这使得系统不仅能基于历史价格进行预测，还能理解新闻事件对市场的量化冲击。

新闻感知投影机制：将语义嵌入映射到模型的潜空间。

投影层 (Projection Layer): 一个轻量级的线性层，将 SentenceTransformer 嵌入映射到 Kronos 的隐状态空间。
全局偏置 (Global Shift): 投影后的新闻偏置被加到所有时间步的隐层表示中，在最终预测前改变模型的“潜意图”。
模型训练: 在经过 LLM 验证的“新闻-波动”对合成数据集上进行微调。

核心组件

工作流层 (main_flow.py): 负责全局状态管理与执行路径编排，支持断点续传（Checkpoints）。
智能体层 (src/agents/):
- TrendAgent: 扫描热点话题并进行初步的情感/热度分析。
- FinAgent: 验证投资逻辑，查询股价数据，通过 ISQ 模板构建传导链条。
- ForecastAgent: 结合时序预测模型与 LLM 推理，对股价趋势进行预测。
- ReportAgent: 采用 Map-Reduce 模式规划、撰写并精修包含交互式图表的专业研报。
基础设施 (src/tools/, src/utils/):
- Toolkits: 新闻、股票、情感分析、搜索。
- 存储: SQLite 用于持久化，向量数据库用于语义检索。

🛠 开发指南

项目结构

DeepEar/
├── config/             # 预设配置文件
├── docs/               # 文档与指南
├── reports/            # 生成的报告
├── src/
│   ├── agents/         # AI 智能体 (Trend, Fin, Report, Intent)
│   ├── tools/          # 工具包 (News, Stock, Search)
│   ├── utils/          # 核心工具 (LLM工厂, DB, Sentiment)
│   └── main_flow.py    # 入口文件
├── .env.example        # 环境变量模板
└── pyproject.toml      # 依赖管理配置

添加新的数据源

在 src/tools/news_toolkit/providers/ 下创建新的 provider 类。
在 NewsToolkit 中注册该 provider。
确保输出格式符合标准的 NewsItem schema。

测试

使用 pytest 运行测试套件：

uv run pytest src/tests/

🗺 路线图 (Roadmap)

基于内部规划整理：

第一阶段：增强可视化与信号质量

语义可视化: 关联拓扑图 (Transmission Graph) 与 ISQ 雷达图。
交互式仪表盘: 基于 React 的实时金融 UI，用于监控运行状态。
交互式逻辑图: 使用 Draw.io 生成专业的逻辑传导链。

第二阶段：高阶推理

时序模型集成: 已接入 Kronos 进行预测 K 线建模。
新闻感知投影: 实现语义新闻冲击对基础模型潜空间的注入。
AI 预测修正: 多智能体协同基于新闻背景进行行情修正。

第三阶段：基础设施与自动化

混合检索升级: 实现基于 RRF 的 BM25 与向量搜索融合检索。
逻辑演变追踪: 随着时间推移主动监控投资假设的变化。
基于信号的对比分析: 在不同运行版本之间对信号情绪和推理进行可视化差异对比。

第四阶段：扩展

美股支持: 增加 Alpha Vantage/Yahoo Finance 适配器。
LangGraph 迁移: 使用图结构状态管理处理复杂循环。
Polymarket 集成: 引入预测市场数据作为信号源。

🤝 如何贡献

欢迎提交 Pull Reqeust！在提交代码前，请确保查阅 docs/guide.md 以了解架构规范。

Fork 本项目
创建 Feature 分支 (git checkout -b feature/CoolFeature)
提交更改 (git commit -m 'Add some CoolFeature')
推送到分支 (git push origin feature/CoolFeature)
发起 Pull Request

🙏 致谢

特别感谢以下项目和社区提供的灵感与核心技术支持：

Agno: 提供强大的多智能体协作框架。
Kronos: 提供高性能的时间序列基础模型。
NewsNow: 提供全方位的新闻数据抓取能力。
DeepFund: 提供先进的金融分析方法论与研究支持。

📜 引用

如果您觉得这个项目对您的研究或应用有所帮助，请考虑引用：

@misc{deep_ear_2026,
  author = {Runke Ruan},
  title = {DeepEar: An Extensible Framework for Financial Signal Extraction and News-Aware Forecasting},
  year = {2026},
  publisher = {GitHub},
  journal = {GitHub Repository},
  howpublished = {\url{https://github.com/rkiding/DeepEar}}
}

📄 开源协议

本项目采用 MIT 协议开源。详情请见 LICENSE 文件。

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

DeepEar ｜顺风耳

📖 目录

🎯 适用场景

✨ 核心特性

🚀 快速开始

前置要求

安装步骤

配置

运行 DeepEar

方式 1：启动仪表盘（推荐）

方式 2：命令行界面 (CLI)

CLI 命令行参数说明

方式 3：作为 AI Agent Skill 使用

🏗 系统架构

🧠 新闻感知 Kronos 模型

核心组件

🛠 开发指南

项目结构

添加新的数据源

测试

🗺 路线图 (Roadmap)

第一阶段：增强可视化与信号质量

第二阶段：高阶推理

第三阶段：基础设施与自动化

第四阶段：扩展

🤝 如何贡献

🙏 致谢

📜 引用

📄 开源协议

FilesExpand file tree

README_CN.md

Latest commit

History

README_CN.md

File metadata and controls

DeepEar ｜ 顺风耳

📖 目录

🎯 适用场景

✨ 核心特性

🚀 快速开始

前置要求

安装步骤

配置

运行 DeepEar

方式 1：启动仪表盘（推荐）

方式 2：命令行界面 (CLI)

CLI 命令行参数说明

方式 3：作为 AI Agent Skill 使用

🏗 系统架构

🧠 新闻感知 Kronos 模型

核心组件

🛠 开发指南

项目结构

添加新的数据源

测试

🗺 路线图 (Roadmap)

第一阶段：增强可视化与信号质量

第二阶段：高阶推理

第三阶段：基础设施与自动化

第四阶段：扩展

🤝 如何贡献

🙏 致谢

📜 引用

📄 开源协议

DeepEar ｜顺风耳