做金融研究的人，最近可能注意到 GitHub 上冒出来一堆金融 AI Agent 项目。
不是同一个东西换了个名字发了三次——这三款工具解决的是完全不同的问题。搞清楚它们各自的定位，比盲目追 star 重要得多。
结论先行
- 做量化交易策略回测 → TradingAgents
- 做深度公司研究、财报分析 → Dexter
- 金融行业日常流程自动化（Pitch、KYC、月结） → Anthropic Financial Services 模板
三个方向，三条路。别指望一个工具全搞定。
TradingAgents：多 Agent 交易框架
72,741 stars，14,155 forks，GitHub 本周 Trending 第三。
TradingAgents 的核心卖点是多 Agent 协作的交易决策框架。它不是给你一个"自动炒股"的按钮，而是搭建了一个由多个 AI Agent 组成的研究-决策-执行链条。
它做什么：
- 研究员 Agent 分析市场数据
- 风险管理 Agent 评估仓位风险
- 交易执行 Agent 生成交易信号
- 多个 Agent 之间通过辩论机制达成共识
谁该用： 量化研究者、金融工程师、对多 Agent 交易决策框架感兴趣的技术人员。
需要注意的： 152 次 commits，活跃度尚可但不算特别高。v0.1.0 到 v0.2.4 的迭代节奏表明项目还在早期阶段。DeepSeek V4 和 Qwen 的模型支持是最近才加的，说明多模型兼容性是持续在做的方向。
最关键的一点：这不是一个"开了就能赚钱"的工具。 它提供的是一个框架，你需要自己的数据源、策略逻辑和风险控制。把框架当成品用，大概率会亏。
Dexter：自主金融研究 Agent
25,096 stars，3,058 forks。
Dexter 的定位更窄、更聚焦：深度金融研究。它不是交易框架，而是一个能自主搜集信息、分析数据、输出研究报告的 Agent。
它做什么：
- 自主搜索金融数据源
- 整合多来源信息生成研究报告
- 支持深度的公司基本面分析
谁该用： 金融分析师、投资研究员、需要做深度公司/行业研究的任何人。
需要注意的： 442 次 commits，维护频率不错。最近一次版本更新是 2026.5.9，说明项目在持续迭代。但它和 TradingAgents 的核心区别在于：Dexter 不做交易执行，只做研究。
如果你需要一个能"读财报、查数据、写报告"的 AI 助手，Dexter 比 TradingAgents 合适。如果你需要的是交易决策框架，反过来。
Anthropic Financial Services：金融行业模板库
17,955 stars，2,309 forks，Apache-2.0 许可。
Anthropic 的 financial-services 仓库走的完全是另一条路。它不是一个独立运行的框架，而是一组开箱即用的 Claude Agent 模板，覆盖金融行业的核心工作流。
它覆盖的场景：
- 投行 Pitch 材料生成
- 财报审查与交叉验证
- 模型构建
- 月终结账流程
- KYC 筛查
谁该用： 金融行业的从业者——投行分析师、风控人员、财务团队。不需要写代码，直接套用模板。
需要注意的： 这个仓库最近 4 天有 52 次 commits，迭代速度极快。Anthropic 显然在认真运营这个项目，不是丢出来就不管了。
但它依赖 Claude 生态。如果你不用 Claude，这个模板库对你没有直接价值。
对比总结
| 维度 | TradingAgents | Dexter | Anthropic 模板 |
|---|---|---|---|
| 定位 | 多 Agent 交易决策框架 | 自主金融研究 Agent | 金融行业工作流模板 |
| 技术门槛 | 高（需要配置策略） | 中（需要数据源） | 低（开箱即用） |
| 生态依赖 | 独立框架 | 独立 Agent | 依赖 Claude |
| 适合人群 | 量化研究者 | 金融分析师 | 金融从业者 |
| Stars | 72.7K | 25.1K | 18.0K |
| 活跃度 | 中 | 高 | 极高 |
我的判断
这三个项目的同时走红，反映了一个趋势：金融行业正在成为 AI Agent 落地的第一个垂直领域。
原因不复杂——金融行业的任务天然适合 Agent 化：数据密集、流程标准化、容错率相对较高（研究类任务不像医疗或自动驾驶那样人命关天）。
但别被 star 数迷惑。72K star 不代表 72K 人在用。真正在实盘交易环境里跑这些工具的人，可能一只手数得过来。
如果你在做金融相关的 AI 工具选型：
- 先想清楚自己要解决什么问题
- 再对应到工具的定位
- 最后看生态匹配度
顺序反了，选型就废了。
主要来源：