AI导哈

量化代理系统

一个模块化的AI系统，用于实时市场研究、分析和自动化，通过知识图谱增强信号融合和决策速度。

  • by dcavadia
  • HTML
  • 本地部署
  • 3 星标
  • 更新于
在 GitHub 查看 dcavadia/financial-mcp-agent

使用说明

🧠 图形驱动量子代理

📑 目录

🌟 概述

这 图形驱动量子代理 是一个用于实时市场研究、分析和自动化的模块化人工智能系统。它将AI Agent核心与MCP客户端配对，以编排专门的服务器——选项数据/操作、轻量级RAG、文件系统、Slack和web搜索——这样每个任务都能实现正确的功能。结合它们的优势被知识图放大了：图RAG中的关系解析实体、遍历链接的证据和表面因果链，产生更紧密的信号融合、更少的幻觉和更快、更具防御性的决策。

此预览是根据最新推断生成的。

此预览是从最新的GraphRAG版本生成的。

此预览是根据最新推断生成的。

🚀 入门指南

  1. 克隆存储库：

    git clone https://github.com/dcavadia/financial-mcp-agent
cd financial-mcp-agent

  2. 设置Claude配置：

    -要将MCP的服务器添加到Claude，请转到“设置”>“开发人员”>“编辑配置”，并将“filetest.json”的内容添加到Claude_desktop_config.json文件中。

  3. 安装依赖项：

    • 确保您已安装pnpm：
    npm install -g pnpm
    • 然后，克隆LightRAG存储库(https://github.com/HKUDS/LightRAG)并安装项目依赖关系：
    pnpm install
    • 然后，运行LightRAG服务器：
    python .\LightRAG\examples\lightrag_ollama_demo.py
    • 然后，运行Ollama：
    ollama run

  4. 从Claude客户端运行推论：

✨ 特性

  • 🧩 模块化MCP架构： 单个AI代理通过MCP客户端编排专门的MCP服务器，以实现干净、可审计的工具使用。
  • 📈 选项流动MCP服务器： 检索选项链、异常流、希腊和IV；支持点差和扫描等策略操作。
  • 🔦 LightRAG MCP服务器： 轻量级检索增强了对笔记、文件和先前分析的生成。
  • 🌐 困惑MCP服务器： 实时网络搜索，以显示市场新闻、收益更新和来源。
  • 📁 文件系统MCP服务器： 读/写文件、持久化数据集和生成的报告。
  • 💬 Slack MCP服务器： 直接从Slack发送更新、接收提示和运行工作流。
  • 🧠 高级AI模型： 可通过您的提供商（如OpenRouter）插入LLM，用于推理、起草和总结。
  • 🗂 任务路由： 为每个财务查询自动选择工具和逐步执行计划。
  • 🔄 实时进度： 流式传输每次工具调用的执行日志和实时状态。
  • 📊 结构化输出： 交易摘要、风险表和带注释的见解已准备好用于仪表板。
  • 🧾 报告生成： 市场简报、期权流摘要和RAG支持的备忘录；可导出文件。
  • 💾 本地存储： 本地工件和缓存存储，可轻松扩展到云存储。
  • 🔍 可观察性挂钩： 可选的指标/日志端点，用于与监控堆栈集成。

🗂️ 项目结构

美人鱼图

graph TD
  %% Control plane
  A[AI Agent<br/>Decision &amp; Planning]
  B[MCP Client<br/>Tool Orchestration]
  A --> B

  %% MCP servers
  S1[Slack MCP Server<br/>Slack interactions &amp; user retrieval]
  S2[LightRAG MCP Server<br/>Lightweight RAG over notes/filings]
  S3[OptionsFlow MCP Server<br/>Options data &amp; operations]
  S4[Filesystem MCP Server<br/>File read/write, artifacts]
  S5[Perplexity MCP Server<br/>Real-time web search]

  B --> S1
  B --> S2
  B --> S3
  B --> S4
  B --> S5

  %% App surfaces
  U[Frontend / CLI]
  U --> A

  %% Storage/outputs
  S4 --> O1[Reports, Datasets, Caches]

  %% Model provider (plain label to avoid special chars)
  MP[LLM Provider]
  A --- MP

🛠 技术栈

  • 前端：

    • 框架： 克劳德桌面

  • 后端：

    • 框架： 快速 API
    • 运行时服务器： 乌维科恩
    • 并发： asyncio+nest_asyncio
    • 文件I/O： aiofiles
    • 代理核心： 通过MCP客户端使用单个AI代理编排工具

  • RAG发动机：

    • 图书馆： Lightrag
    • 嵌入： 通过Ollama嵌入nomic文本
    • 本地法学硕士： gemma3:1b通过Ollama（可配置），26K上下文，q4_0量化
    • 储存： 具有初始化管道状态的磁盘上LightRAG工作目录

  • MCP服务器（工具）：

    • 选项流动MCP服务器： 选项链/流检索和操作
    • LightRAG MCP服务器： 检索-基于本地语料库的增强生成
    • 困惑MCP服务器： 实时网络搜索集成
    • 文件系统MCP服务器： 读/写工件、数据集和报告
    • Slack MCP服务器： Slack中的通知、提示和工作流控制

  • LLM集成：

    • 供应商： 没有
    • 用途： 计划、总结和报告起草；LightRAG使用 ollama_model_complete

  • 数据和存储：

    • 矢量/索引： Lightrag本地指数
    • 文件夹： 通过文件系统MCP服务器持久化（报告、数据集、缓存）
    • 配置： INPUT_FILE 和 RAG_DIR 环境变量

  • 监测和观察：

    • 健康端点： /health
    • 日志： 控制台日志；外部度量堆栈的可选挂钩

  • 包装和工具：

    • 包管理器： pnpm（前端）、pip/uv（Python后端）
    • API架构： 请求/响应的Pydantic模型

  • 部署：

    • 开发人员： 本地 网站 和 http://localhost:11434
    • 服务器： 乌维科恩 0.0.0.0:8020 使用FastAPI生命周期初始化

🤝 贡献

欢迎投稿！请随时提交拉取请求。

  1. 分叉存储库
  2. 创建功能分支(git checkout -b feat/version/AmazingFeature)
  3. 提交您的更改(git commit -m 'Add some AmazingFeature')
  4. 推到分支(git push origin feat/version/AmazingFeature)
  5. 打开拉取请求

👨‍💻 作者

丹尼尔·卡瓦迪亚

📄 许可证

此项目根据MIT许可证获得许可-请参阅 许可证 文件以获取详细信息。

内置于❤️ 靠近 丹尼尔·卡瓦迪亚

```

相关 MCP