Dexter 开源金融AI智能体：自主研究与分析部署指南

Dexter 是一个能够自主运行的金融研究智能体，它具备思考、规划和持续学习的能力。通过任务分解、自我反思并结合实时市场数据来执行深度分析，可以说，它就像一个专门为金融研究领域量身打造的 Claude Code。

它擅长处理复杂的金融问题，能够将模糊的查询转化为清晰、可执行的分步研究计划。随后，Dexter 会调用相应的工具获取实时数据，并不断检查和完善自己的工作成果，最终输出有数据支撑的可信结论。

核心能力包括：

• 智能任务规划：自动将复杂查询分解为结构化的研究步骤。
• 自主执行：根据需要选择并调用合适的工具来收集金融数据。
• 自我验证：主动检查自身工作流程与结果，并进行迭代优化直至任务完成。
• 实时金融数据：能够访问并分析公司的利润表、资产负债表和现金流量表等关键信息。
• 安全特性：内置了循环检测和执行步骤限制，有效防止智能体陷入无限循环或失控运行。

先决条件

在开始部署 Dexter 之前，你需要准备以下几个关键组件：

• Bun 运行时 (版本 v1.0 或更高)
• OpenAI API 密钥 (可在此获取)
• Financial Datasets API 密钥 (可在此获取)
• Exa API 密钥 (可在此获取) - 此项为可选，主要用于增强网络搜索能力

安装 Bun

如果你的系统中尚未安装 Bun，可以通过以下命令快速安装：

macOS/Linux 系统：

curl -fsSL https://bun.com/install | bash

Windows 系统：

powershell -c "irm bun.sh/install.ps1|iex"

安装完成后，建议重启终端，并通过以下命令验证安装是否成功：

bun --version

如何安装

1. 克隆项目仓库：

   git clone https://github.com/virattt/dexter.git
   cd dexter

2. 使用 Bun 安装项目依赖：

   bun install

3. 配置环境变量：

   # 复制示例环境配置文件
   cp env.example .env
   
   # 编辑 .env 文件，填入你的各项 API 密钥（如使用云服务提供商的模型）
   # OPENAI_API_KEY=your-openai-api-key
   # ANTHROPIC_API_KEY=your-anthropic-api-key (可选)
   # GOOGLE_API_KEY=your-google-api-key (可选)
   # XAI_API_KEY=your-xai-api-key (可选)
   # OPENROUTER_API_KEY=your-openrouter-api-key (可选)
   
   # (可选) 如果在本地运行 Ollama
   # OLLAMA_BASE_URL=http://127.0.0.1:11434
   
   # 其他必需的密钥
   # FINANCIAL_DATASETS_API_KEY=your-financial-datasets-api-key
   
   # 网络搜索配置 (首选 Exa，Tavily 作为备选)
   # EXASEARCH_API_KEY=your-exa-api-key
   # TAVILY_API_KEY=your-tavily-api-key

如何运行

启动 Dexter 的交互模式非常简单：

bun start

如果你希望在开发过程中实时监控变化，可以使用开发模式：

bun dev

如何评估

Dexter 项目内置了一套评估套件，用于在一系列预设的金融问题上测试智能体的表现。该评估流程利用 LangChain 进行跟踪，并采用 LLM 作为裁判来对答案的正确性进行评分。

在所有评估问题上运行测试：

bun run src/evals/run.ts

在随机抽取的少量样本上运行测试（例如10个问题）：

bun run src/evals/run.ts --sample 10

执行评估时，终端会显示一个实时界面，展示测试进度、当前问题以及实时准确率统计。所有详细结果都会被记录到 LangSmith 平台，方便后续进行深入分析。

如何调试

为了方便调试和历史追溯，Dexter 会将所有的工具调用记录到“暂存”文件中。每一次查询都会在 .dexter/scratchpad/ 目录下生成一个新的 JSONL 文件。

暂存文件目录结构示例：

.dexter/scratchpad/
├── 2026-01-30-111400_9a8f10723f79.jsonl
├── 2026-01-30-143022_a1b2c3d4e5f6.jsonl
└── ...

每个文件都包含以换行符分隔的 JSON 条目，记录了以下关键信息：

• init：用户提交的原始查询。
• tool_result：每一次工具调用的详细信息，包括参数、原始返回结果以及 LLM 生成的摘要。
• thinking：智能体内部的推理步骤和思考过程。

示例暂存文件条目：

{
  "type": "tool_result",
  "timestamp": "2026-01-30T11:14:05.123Z",
  "toolName": "get_income_statements",
  "args": {
    "ticker": "AAPL",
    "period": "annual",
    "limit": 5
  },
  "result": {...},
  "llmSummary": "Retrieved 5 years of Apple annual income statements showing revenue growth from $274B to $394B"
}

通过查看这些文件，你可以非常直观地了解智能体收集了哪些数据，以及它是如何理解和解释这些结果的。

项目地址

如果你对这个 开源实战 项目感兴趣，想要了解更多细节或贡献代码，可以访问其 GitHub 主页：
https://github.com/virattt/dexter/blob/main/README.md

Dexter 为金融数据分析提供了一个高度自动化的AI智能体解决方案，展示了如何将大语言模型与专业数据工具结合。对于开发者而言，这是一个很好的学习案例；对于金融从业者，它或许能成为一个强大的分析助手。如果你想探索更多类似的AI应用或技术讨论，欢迎来 云栈社区 交流分享。