基于多 LLM 多空对抗辩论机制的 A 股智能研报生成与追问问答平台。
⚠️ 免责声明：本项目及由本项目生成的所有内容仅供技术研究与学习参考， 不构成任何投资建议。市场有风险，投资需谨慎。详见 DISCLAIMER.md。
- 多空对抗辩论引擎 — Generator A 扮演多头研究员、Generator B 扮演空方/风控
研究员，两轮对抗修订中必须正面回应对手论点；中立 Judge 按 5 维度
（数据扎实/逻辑/清晰度/风险揭示/合规）打分择优，可通过
DEBATE_MODE一键切回平行视角模式 - 辩论过程全透明 — 「辩论过程」面板展示四份稿件得分、双方优势与短板、 胜者，以及多空终稿的五维评分雷达图
- 行情可视化 — ECharts 渲染 AkShare 真实行情日 K 线与成交量 （遵循 A 股「涨红跌绿」惯例）
- 全市场股票搜索 — 沪/深/北三市任意股票代码/名称模糊搜索， 不再局限于预设列表
- 历史报告中心 — 全部已生成报告与最终评分一目了然，一键回看
- 四类研报模板 — 股票分析报告 / 前景分析 / 风险预测 / 行业市场分析， 每类均有 10+ 章节的专业大纲约束
- 真实结构化数据支撑 — 基于 AkShare 抓取 A 股（沪深京三市）实时行情、 历史走势、公司财务与行业快照，带本地缓存与组件级降级
- 真流式输出 — SSE 全程流式：OpenAI 协议
stream=true逐 token 推送， 服务商不支持时自动回退模拟分块 - 前端安全 — 所有 Markdown 渲染统一经 DOMPurify 消毒，防 XSS
- 报告追问问答 — 报告生成后可继续追问，模型结合报告内容与联网信息作答
- 自带微调闭环 — 附带 4 类金融分析指令微调数据（约 13MB）与 Unsloth LoRA 训练脚本，可将自研模型接入辩论引擎
- 模型无关 — 兼容任意 OpenAI 协议服务商（DeepSeek / Qwen / GLM / Kimi / 本地 vLLM），三个角色可分别配置不同模型
flowchart LR
U[用户浏览器] -- SSE --> F[Flask]
subgraph F[Flask finsight/]
R[路由层<br/>auth/report/qa]
O[辩论编排器]
D[数据层 AkShare]
L[LLM 客户端]
end
O --> L
L --> A[Generator A]
L --> B[Generator B]
L --> J[Judge 评审]
D --> AK[AkShare 公开行情]
F --> DB[(SQLite)]
详细设计见 docs/architecture.md。
git clone https://github.com/GOOD-123-CPU/AlphaDebate-FinResearch.git
cd AlphaDebate-FinResearch
pip install -r requirements.txt
# 配置
cp .env.example .env # 然后编辑 .env 填入 LLM_API_KEY 等
# 启动
python run.py # http://127.0.0.1:5231首次启动自动建库，演示账号 demo / password。
⚠️ 部署安全提醒：演示账号仅供首次体验，公网部署前请登录后删除该账号或修改其密码，并修改SECRET_KEY。
完整部署（生产环境 / Docker / Nginx）见 docs/deployment.md。
所有配置通过 .env 注入（模板见 .env.example），源码不含任何密钥：
| 变量 | 说明 |
|---|---|
SECRET_KEY |
Flask 会话密钥，请改为随机字符串 |
LLM_API_URL |
OpenAI 兼容接口地址 |
LLM_API_KEY |
模型 API Key（必填） |
LLM_API_KEY_FALLBACK |
备用 Key（可选，401 自动切换） |
LLM_MODEL |
默认模型名 |
GENERATOR_A_MODEL / GENERATOR_B_MODEL / JUDGE_MODEL |
辩论三角色独立配置（可选） |
DEBATE_MODE |
辩论模式：adversarial（默认，多空对抗）/ parallel（平行视角） |
LLM_STREAM |
是否真流式输出（true/false，默认 true） |
CACHE_TTL_MINUTES |
行情缓存有效期（默认 30 分钟） |
- 贡献流程见 CONTRIBUTING.md
- 行为准则见 CODE_OF_CONDUCT.md
- 安全漏洞报告见 SECURITY.md
- 免责声明与合规边界见 DISCLAIMER.md
- 版本历史见 CHANGELOG.md
用户选择股票 + 报告类型
│
▼
AkShare 结构化数据抓取（行情/历史/财务/行业，30min 缓存）
│
┌────┴────┐
▼ ▼
Generator A Generator B ← 第一轮：多空各自初稿
(多头研究员) (空方/风控研究员)
└────┬────┘
▼
Judge 评审 ← 5 维度 × 20 分：数据扎实/逻辑/清晰/风险揭示/合规
│
┌────┴────┐
▼ ▼
Generator A Generator B ← 第二轮：吸收评审 + 正面反驳对手论点
└────┬────┘
▼
Judge 终评 → 择优输出 → 流式渲染 + 辩论面板 + 报告追问
部分失败场景提供结构化数据回退报告；实际可用性仍受上游数据源、模型服务和运行环境影响。
# 1. 训练（GPU，24GB+ 显存）
python finetune/train.py --model unsloth/QwQ-32B-unsloth-bnb-4bit \
--data data/industry/clean_industry.json --output output/finance_model
# 2. 交互验证
python finetune/infer.py --model output/finance_model/merged_16bit
# 3. 用 vLLM 部署后在 .env 中切换 LLM_API_URL 即可接入辩论引擎finsightpro/
├── finsight/ # Flask 主包（路由/服务/模板/静态资源）
├── finetune/ # LoRA 微调与推理脚本
├── data/ # 微调训练数据（4 类金融分析语料）
├── docs/ # 架构 / 部署 / 微调文档 + 示例报告
├── tests/ # pytest 单元与冒烟测试
├── run.py # 启动入口
└── requirements.txt
pip install pytest
pytest tests/ -v测试不依赖真实 LLM 与外部数据接口（全部 mock），可离线运行。
MIT © 2026 FinSightPro Contributors
- 行情数据来自 AkShare 开源接口 （其数据源自交易所与东方财富等公开页面），使用时请遵守数据来源站点的 公开访问约定，勿高频抓取。
- 训练数据整理自公开研报与公开财经信息，仅用于学术研究； 如有版权问题请提交 Issue。
- 项目内置的提示词约束禁止模型编造数据与作出确定性收益承诺， 所有报告尾部附带免责声明，但这些措施不能替代人工复核。
- 本项目不构成投资建议，作者不对任何投资行为承担责任。
- 完整合规边界见 DISCLAIMER.md。
sequenceDiagram
participant U as 用户
participant F as Flask 编排器
participant A as Generator A (多头)
participant B as Generator B (空方/风控)
participant J as Judge (中立评审)
U->>F: 选择股票 + 报告类型
F->>F: 抓取 AkShare 结构化数据
F->>A: 第一轮：多头视角初稿
F->>B: 第一轮：空方视角初稿
F->>J: 双稿五维评分 (各20分×5)
F->>A: 第二轮：吸收评审+反驳空方论点
F->>B: 第二轮：吸收评审+反驳多头论点
F->>J: 终评择优
F->>U: SSE 流式输出 + 辩论面板 + 雷达图
辩论过程完整记录在
result/metadata/*.json，前端「辩论过程」标签可视化呈现。