9 个 AI 分析师接力辩论 3 分钟出投资决策：PanWatch 把多 Agent 体系塞进自托管盯盘工具
PanWatch 不是一个盯盘工具加了个 AI 按钮，而是把 TradingAgents 的 9-Agent 投研流水线嵌进了持仓管理界面。 当大多数 AI 选股工具还在"问一句话出一段话"的阶段，PanWatch 已经实现了从数据采集到多 Agent 辩论到风控审查到 PM 决策书的完整推理链——而且自托管、数据不…
GitHub Trending 深度研究 | 2026-09-23
项目: TNT-Likely/PanWatch
语言: Python | 协议: MIT | 今日 Stars: +142
一句话结论
PanWatch 不是一个盯盘工具加了个 AI 按钮，而是把 TradingAgents 的 9-Agent 投研流水线嵌进了持仓管理界面。 当大多数 AI 选股工具还在"问一句话出一段话"的阶段，PanWatch 已经实现了从数据采集到多 Agent 辩论到风控审查到 PM 决策书的完整推理链——而且自托管、数据不出本地。
场景开篇：一个散户的典型困境
你持有某只股票，今天它跌了 5%。
你想知道：该止损还是加仓？
传统路径：打开同花顺看 K 线 → 刷雪球看讨论 → 看财报 → 看新闻 → 看大盘 → 纠结半天 → 凭感觉决定。
AI 选股工具路径：问 ChatGPT "XX 股票怎么样" → 得到一段正确的废话 → 还是凭感觉决定。
PanWatch 的路径：在持仓页点一下 🧠 图标 → 9 个 AI 分析师各自从不同角度分析 → 看多看空两方辩论 → 风控审查 → PM 整合决策书 → 3-5 分钟后结论推送到你的微信。
区别在于：不是"AI 给你一个答案"，而是"AI 模拟一个投研团队的完整决策流程"。
核心架构：TradingAgents 的 9-Agent 流水线
PanWatch 的深度分析能力来自 TradingAgents（76k+ star），一个多 Agent 投资决策框架。完整流程是：
4 类分析师 → 看多/看空辩论 → 风控审查 → PM 决策
第一层：4 类分析师并行采集
| Agent | 职责 |
|---|---|
| 技术分析师 | RSI/KDJ/MACD 共振、量价关系、支撑压力位 |
| 情绪分析师 | 社交媒体、论坛情绪、恐慌/贪婪指数 |
| 新闻分析师 | 财经新闻抓取、与持仓相关性筛选 |
| 基本面分析师 | 财报数据、估值模型、行业对比 |
第二层：看多 vs 看空辩论
这是最有意思的设计。不是"综合四个分析师的结论"，而是强制对抗：
- 看多方：从四个分析师的数据里挑出支持上涨的证据
- 看空方：从同样的数据里挑出支持下跌的证据
第三层：风控审查
辩论结论交给风控 Agent，检查：
- 仓位是否过于集中
- 止损位是否合理
- 市场整体风险水平
第四层：PM 整合决策
最终由 PM Agent 整合所有信息，输出：
- 买入/持有/卖出建议
- 建议仓位比例
- 关键风险点
- 时间 horizon
为什么"自托管"是关键
市面上 AI 选股工具不少，为什么 PanWatch 值得关注？因为它是自托管的。
数据隐私
你的持仓数据是最敏感的金融数据。把持仓发给第三方 AI 服务意味着：
- 你的投资策略暴露给平台
- 持仓数据可能被用于训练
- 平台倒闭你的历史记录全没
docker run -d \
--name panwatch \
-p 8000:8000 \
-v panwatch_data:/app/data \
sunxiao0721/panwatch:latest
持仓数据存在本地 volume 里，AI 调用走你自己的 API key（支持 OpenAI/智谱/DeepSeek/Ollama）。
可控成本
- 单次深度分析 ~$0.05
- 月度预算可控（设定每日触发次数上限）
- 可以用本地 Ollama 完全免费
全渠道推送
结论不只是显示在网页上，还推送到：
- Telegram
- 企业微信
- 钉钉
- 飞书
- Bark
- 自定义 Webhook
多 Agent 系统的工程亮点
从 Agent 工程角度看，PanWatch 的设计有几个值得学习的点：
1. Agent 触发时机设计
| Agent | 触发时机 | 功能 |
|---|---|---|
| 盘前分析 | 每日开盘前 | 综合隔夜美股、新闻、技术形态，给今日策略 |
| 盘中监测 | 交易时段实时 | 监控异动信号，RSI/KDJ/MACD 共振时推送 |
| 盘后日报 | 每日收盘后 | 复盘当日走势，分析资金流向 |
| 新闻速递 | 定时采集 | AI 筛选与持仓相关的新闻 |
2. 辩论机制 = 强制对抗
多 Agent 系统最常见的失败模式是回声室效应——所有 Agent 倾向于同意彼此，最终输出一个平庸的共识。
TradingAgents 的看多/看空辩论机制强制打破回声室：同一个数据集，两方必须找出相反的证据。这不是"多视角综合"，是"对抗性综合"。
类比：这和 AlphaGo 的自我对弈有异曲同工之处——通过让两个对立 Agent 互相挑战，系统整体的判断质量提升。
3. 风控作为独立层
很多 AI 投资工具把风控混在最终决策里。PanWatch 把它独立出来，作为辩论和 PM 决策之间的闸门。
类比：这就像建筑工地的安全检查员——不是施工队的一员，而是独立的质量控制层。如果风控 Agent 说"仓位太集中"，PM Agent 必须在决策书里回应这个风险。
和其他 AI 投资工具的对比
| 工具 | 架构 | 部署 | 数据隐私 | 多 Agent | 成本 |
|---|---|---|---|---|---|
| ChatGPT 直接问 | 单 Agent | 云端 | ❌ | ❌ | $20/月 |
| FinChat | 单 Agent | 云端 | ❌ | ❌ | 订阅制 |
| TradingAgents | 多 Agent | 开源 | ✅ | ✅ | API 费 |
| PanWatch | 多 Agent + 持仓管理 | 自托管 | ✅ | ✅ | ~$0.05/次 |
适合谁用？
- 有自己投资体系的散户：想要 AI 辅助但不信任云端 AI 工具
- 量化爱好者：想接入自己的 Agent 逻辑（PanWatch 开源，可改）
- 多市场投资者：A股 + 港股 + 美股一起看
- 技术背景的长期投资者：愿意花 5 分钟 Docker 部署换数据隐私
- 完全不懂技术的（虽然 Docker 一键部署，但 API key 配置有门槛）
- 追求"一键暴富"的（AI 分析 ≠ 必赚，PanWatch 是辅助工具不是预测机器）
- 只看技术指标的（同花顺已经够好了）
我的看法
PanWatch 让我想到一个被忽视的 Agent 工程原则：多 Agent 系统的价值不在于 Agent 数量多，而在于 Agent 之间的对抗结构设计。
9 个 Agent 如果都是"从不同角度分析然后综合"，和 1 个 Agent 看所有数据没本质区别。真正的差异在于"看多 vs 看空辩论"——这是一种制度化的对抗，确保系统不会陷入单一视角。
这和人类投行的运作方式惊人相似：买方分析师和卖方分析师天然对立，风控部门独立于交易部门，PM 最终拍板但必须回应所有反对意见。
PanWatch 把这套人类金融界几百年演化出的决策结构，用 9 个 LLM Agent 复现了。粗糙吗？当然粗糙——LLM 的分析质量远不如人类分析师。但结构是对的。
当 AI 分析师的质量逐渐提升时，这套结构会越来越值钱。
参考
- 项目地址: github.com/TNT-Likely/PanWatch
- TradingAgents 框架: github.com/TauricResearch/TradingAgents
- Docker 镜像:
sunxiao0721/panwatch:latest - 支持 AI 服务商: OpenAI / 智谱 / DeepSeek / Ollama