股票金融专家是基于 AgentScope 框架构建的智能金融助手模板，专门用于实时查询股票行情、分析市场走势和提供投资建议。
- 实时股票价格查询和监控
- 市场趋势分析与预测
- 投资组合建议与风险评估
- 财经新闻解读与市场洞察
- 实时股票数据获取
- 市场行情深度分析
- 智能投资建议生成
- 多维度数据整合展示
本模板基于 AgentScope 框架开发，这是一个专业的多智能体开发平台，提供强大的 Agent 编排和管理能力。
采用单 Agent 架构，集成浏览器工具实现网络信息检索能力，能够：
- 实时访问金融数据网站
- 动态抓取市场信息
- 智能解析金融数据
- 生成专业分析报告
Agent 工作流程：
- 接收输入：用户通过前端发送查询请求
- 推理规划：ReActAgent 分析问题，制定执行计划
- 工具执行：调用浏览器工具访问金融网站，获取实时数据
- 数据解析：解析 HTML 内容，提取关键信息
- 结果观察：观察工具执行结果，更新记忆
- 反思分析：基于观察结果进行深度分析和推理
- 生成回答：格式化输出，通过流式管道返回给用户
核心组件说明：
- ReActAgent：基于 ReAct（Reasoning + Acting）范式的智能体，具备推理和行动能力
- InMemoryMemory：内存管理系统，维护对话上下文和历史记录
- OpenAIChatFormatter：消息格式化器，确保与 LLM 的兼容性
- Toolkit：工具系统，管理所有可用工具
- stream_printing_messages：流式输出管道，实现实时响应
工具能力：
- 浏览器工具：访问主流金融网站（东方财富、同花顺、新浪财经等）
- 搜索工具：通过 Bing 搜索获取最新财经资讯
- 解析工具：智能解析 HTML 内容，提取结构化数据
- 过滤工具：过滤无关信息，保留核心数据
- 支持主流大语言模型（用户可自由选择）
- 需要配置浏览器工具权限
- 建议使用高性能模型以获得更精准的分析
本项目采用经典的前后端分离架构，前端负责用户界面展示和交互，后端负责业务逻辑处理和 AI 推理。
架构说明：
- 前端层：使用纯静态 HTML + JavaScript，通过 CDN 引入第三方库，提供简洁的用户界面
- 后端层：基于 AgentScope 框架的 Python 服务，处理 AI 推理和业务逻辑
- 框架层：AgentScope 提供智能体编排、模型集成和工具系统
- 外部服务层：大语言模型服务和浏览器沙箱，支持实时数据获取
- 数据流：用户输入 → 前端处理 → 后端推理 → 外部服务调用 → 结果返回
关键特点：
- 松耦合设计：前后端通过 HTTP API 通信，独立部署和扩展
- 流式响应：支持实时流式输出，提升用户体验
- 工具集成：通过浏览器工具实现实时数据抓取能力
- 模型灵活：支持多种大语言模型，可自由切换
本节详细展示项目的依赖关系架构，包括代码模块、外部库、前后端通信和部署配置的依赖关系。
组件关系说明：
-
核心组件层：用户交互入口
- 用户：最终使用者
- 用户界面：提供友好的 Web 界面
- API 网关：处理 HTTP 请求，转发到后端
-
业务逻辑层：核心业务处理
- AgentRunServer：服务器核心，管理请求和响应
- ReActAgent：智能体核心，负责推理和决策
- 记忆管理：维护对话上下文和历史记录
- 格式化器：确保消息格式与 LLM 兼容
-
数据处理层：数据流转和处理
- 消息处理：处理用户输入和系统输出
- 流式管道：实现实时流式输出
- 工具系统：管理和调用各种工具
- 工具函数：提供辅助功能
-
工具层：具体功能实现
- 浏览器工具：访问金融网站获取数据
- 搜索工具：通过 Bing 搜索获取资讯
- 解析工具：解析 HTML 内容
- 过滤工具：过滤无关信息
-
基础设施层：底层支撑服务
- 模型集成：与大语言模型交互
- 沙箱管理：管理浏览器沙箱
- 配置管理：读取和管理配置
- 日志系统：记录运行日志
-
外部服务层：第三方服务
- 大语言模型：提供 AI 推理能力
- 浏览器沙箱：提供浏览器环境
- 金融网站：提供实时数据
- Bing 搜索：提供搜索服务
组件交互模式：
- 同步调用：用户 → UI → API → SERVER → AGENT → MODEL
- 异步流式：AGENT → PIPELINE → SERVER → API → UI → USER
- 工具调用：AGENT → TOOLKIT → TOOLS → EXTERNAL
- 数据流：EXTERNAL → TOOLS → DATA → BUSINESS → CORE
数据流详解：
-
输入数据流
- 用户输入查询问题（如股票价格、市场分析等）
- 前端将输入格式化为 JSON 格式
-
前端处理
- 参数验证：检查输入参数的合法性
- 请求编码：将请求编码为 HTTP 格式
- 发送 HTTP 请求到后端 API
-
后端处理
- 请求解码：解析 HTTP 请求
- 参数解析：提取请求参数
- Agent 初始化：创建或获取 Agent 实例
- 加载上下文：从记忆系统加载历史对话
-
推理阶段
- 推理规划：Agent 分析问题，制定执行计划
- 工具选择：根据计划选择合适的工具（浏览器或搜索）
-
数据获取
- 工具调用：执行选定的工具
- 浏览器启动：启动浏览器沙箱
- 网站访问：访问金融网站（东方财富、同花顺等）
- HTML 获取：获取网页 HTML 内容
-
数据处理
- HTML 解析：解析 HTML 页面结构
- 数据提取：提取关键数据（股价、涨跌幅、成交量等）
- 数据过滤：过滤无关信息，保留核心数据
- 数据结构化：将数据转换为结构化格式
-
分析阶段
- 更新上下文：将工具执行结果保存到上下文
- LLM 请求：将数据和上下文发送给大语言模型
- LLM 推理：模型进行深度分析，生成专业见解
- LLM 响应：返回分析结果
-
优化阶段
- 结果验证：检查结果的准确性和完整性
- 结果优化：如有需要，进行补充和优化
- 最终结果：生成最终的分析报告
-
输出数据流
- 流式编码：将结果编码为流式格式
- 流式传输：通过 SSE（Server-Sent Events）实时传输
- 前端渲染：使用 Markdown、代码高亮等技术美化输出
- 用户显示：在用户界面显示最终结果
-
数据存储
- 记忆保存：将对话历史保存到记忆系统
- 日志保存：记录操作日志，便于调试和监控
数据流特点：
- 实时性：通过流式传输实现实时响应
- 完整性：从输入到输出的完整数据流转
- 可追溯：所有操作都有日志记录
- 可扩展：支持添加新的数据处理步骤
- 容错性：每个阶段都有验证和错误处理
数据类型：
- 输入数据：用户查询、对话历史、配置参数
- 中间数据：HTML 内容、结构化数据、分析结果
- 输出数据：Markdown 文本、代码块、数学公式
- 存储数据：对话记录、操作日志、配置信息
实时行情查询
- 股票价格实时查询
- 涨跌幅分析
- 交易量统计
- 历史数据对比
市场分析
- 技术指标分析
- 行业对比研究
- 宏观经济影响评估
- 风险预警提示
投资建议
- 买卖时机判断
- 持仓建议
- 止损止盈策略
- 投资组合优化
Agent 通过集成的浏览器工具可以：
- 访问主流金融网站获取实时数据
- 解析复杂的金融信息和图表
- 整合多源数据进行综合分析
- 生成易懂的分析报告
工作流程详解：
-
用户输入阶段
- 用户在前端界面输入查询问题（如股票价格、市场分析等）
- 前端将用户输入格式化为标准请求格式
-
请求传输阶段
- 前端通过 Fetch API 发送 HTTP 请求到后端 API 端点
- 使用 POST 方法，路径为
/api/openai/v1/chat/completions - 请求体包含用户消息和会话上下文
-
Agent 初始化阶段
- 后端接收请求并解析参数
- 创建或获取 ReActAgent 实例
- 从内存系统加载历史对话上下文
-
推理规划阶段
- Agent 分析用户问题，理解查询意图
- 制定执行计划，确定需要调用的工具
- 规划数据获取和分析策略
-
数据获取阶段
- Agent 调用浏览器工具
- 工具系统启动浏览器沙箱会话
- 浏览器访问主流金融网站（东方财富、同花顺、新浪财经等）
- 获取实时股票数据、市场资讯等信息
-
数据处理阶段
- 工具系统解析返回的 HTML 页面
- 提取关键数据（股价、涨跌幅、成交量等）
- 过滤无关信息，保留核心数据
- 将数据结构化返回给 Agent
-
记忆更新阶段
- Agent 将工具执行结果保存到内存系统
- 更新对话上下文，保持对话连贯性
- 记录重要的数据和洞察
-
AI 分析阶段
- Agent 将处理后的数据和上下文发送给大语言模型
- LLM 进行深度分析，生成专业见解
- 生成结构化的分析报告
-
结果优化阶段
- Agent 反思分析结果的质量
- 检查数据的准确性和完整性
- 如有需要，进行补充查询和优化
-
响应返回阶段
- Agent 将最终结果返回给后端
- 后端通过流式传输实时推送响应
- 前端接收流式数据并进行渲染
- 使用 Markdown、代码高亮、数学公式等技术美化输出
- 在用户界面显示最终回答
关键特性：
- 实时流式响应：用户可以实时看到分析过程，提升体验
- 上下文记忆：保持对话连贯性，支持多轮交互
- 工具调用：通过浏览器工具获取实时数据，确保信息准确
- 智能推理：ReActAgent 具备推理和行动能力，自主规划执行流程
- 数据验证：Agent 会反思和验证结果质量，确保输出可靠
本项目采用 HTTP Streaming 方式实现流式通信，使用 SSE 格式传输数据。以下是完整的 SSE 通信架构流程：
SSE 通信流程详解：
- 用户输入：用户在前端界面输入查询问题
- 请求格式化：前端将用户输入格式化为标准 JSON 格式，包含
messages数组和stream: true参数 - 发送请求：使用 Fetch API 发送 HTTP POST 请求到前端代理服务器
- 代理转发：前端代理服务器将请求转发到后端服务（
http://127.0.0.1:9000）
- 创建 Agent：后端接收请求，创建或获取 ReActAgent 实例
- 初始化 Agent：配置 Agent 的工具、记忆和格式化器
- 创建流式生成器：创建异步生成器函数
stream_generator()，用于流式输出数据
- 启动流式管道：Agent 调用
stream_printing_messages流式管道 - 发送推理请求：将用户问题和上下文发送给大语言模型
- 返回增量数据：LLM 返回增量文本（如"股票代码..."）
- 格式化为 SSE：将增量数据格式化为 SSE 格式（
data: {"choices": [...]}） - yield delta：通过异步生成器 yield 增量数据
- 流式传输响应：后端以流式方式传输响应，设置
Content-Type: text/event-stream - 逐块读取响应：前端代理服务器逐块读取后端响应（每次 1024 字节）
- 流式转发：代理服务器保持连接，将数据流式转发给前端
- 获取 ReadableStream：前端从响应体获取可读流（
response.body.getReader()） - 逐块读取数据：使用
reader.read()逐块读取流式数据 - 解码文本：使用 TextDecoder 将二进制数据解码为文本
- 按行分割：按换行符分割文本，处理多行 SSE 数据
- 解析 SSE 格式：检查每行是否以
data:开头 - 提取 JSON 数据：提取
data:后面的 JSON 数据
- 解析 JSON：将 SSE 格式的数据解析为 JSON 对象
- 提取增量文本：从 JSON 中提取
delta.content（增量文本） - 累积完整文本：将增量文本累积到完整文本中
- Markdown 渲染：使用
marked库将 Markdown 转换为 HTML - 代码高亮：使用
highlight.js对代码块进行语法高亮 - 数学公式渲染：使用 MathJax 或 KaTeX 渲染数学公式
- 实时显示：在用户界面实时显示渲染后的内容
- 检测完成标记：流式管道检测到
[DONE]标记 - 停止生成：停止生成器，结束流式输出
- 关闭流式连接：后端关闭流式连接
- 结束传输：前端代理服务器结束传输
- 检测到 [DONE]：前端检测到
[DONE]标记 - 完成最终渲染：完成最终的 Markdown 渲染
- 显示完整回答：在用户界面显示完整的回答
关键技术点：
- HTTP Streaming：使用流式 HTTP 响应，而非标准 SSE（EventSource API）
- Fetch API + ReadableStream：前端使用 Fetch API 获取 ReadableStream，支持 POST 请求
- SSE 格式：数据采用 SSE 格式（
data: {...}），但不是标准 SSE 协议 - 增量输出：后端通过
yield实现增量输出，前端累积渲染 - 实时渲染：使用 Markdown、代码高亮、数学公式等技术实时美化输出
- 连接保持：整个通信过程中保持连接，直到收到
[DONE]标记
性能优化：
- 流式传输：减少首字节时间（TTFB），提升用户体验
- 增量渲染：边生成边渲染，无需等待完整响应
- 缓冲优化：前端代理服务器使用适当的缓冲区大小（1024 字节）
- 渲染间隔：使用 100ms 渲染间隔，避免频繁 DOM 更新
错误处理：
- 连接断开：检测连接断开，显示错误提示
- 解析错误：捕获 JSON 解析错误，跳过无效数据
- 超时处理：设置合理的超时时间，避免长时间等待
- 重连机制：支持手动重连，提升可靠性
代码位置：
- 前端 SSE 请求和解析：
/workspace/src/code/agentrun-frontend/index.html:807-900 - 前端服务器代理：
/workspace/src/code/agentrun-frontend/server.py:70-102 - 后端流式生成器：
/workspace/src/code/agentrun-backend/main.py:310-348
本项目采用基于 ReActAgent 的智能体架构，通过状态管理机制确保系统的稳定性和可靠性。以下是关键组件的状态转换图：
展示 Agent 从创建到销毁的完整生命周期，包括初始化、推理、行动、观察、反思等关键状态。
状态说明：
- Initializing：Agent 实例创建阶段，初始化工具、记忆、模型等组件
- Ready：Agent 准备就绪，等待接收用户请求
- Idle：空闲状态，等待新的用户输入
- Processing：处理用户请求，进入推理阶段
- Reasoning：推理阶段，分析问题并制定执行计划
- Acting：行动阶段，调用工具执行操作
- Observing：观察阶段，获取工具执行结果
- Reflecting：反思阶段，评估结果并决定下一步行动
- Streaming：流式输出阶段，生成并返回响应
- Completed：完成状态，任务执行完毕
- Error：错误状态，处理异常情况
展示浏览器沙箱的创建、就绪、错误等状态，包含健康检查和重试机制。
状态说明：
- None：未初始化状态，沙箱尚未创建
- Creating：创建中状态，正在初始化浏览器沙箱
- Ready：就绪状态，沙箱已创建并通过健康检查
- Failed：失败状态，沙箱创建失败或健康检查未通过
- Error：错误状态，沙箱运行过程中出现错误
关键机制：
- 单例模式：使用全局变量
_browser_sandbox管理唯一实例 - 健康检查：最多重试 15 次，每次间隔 2 秒
- 空闲超时：1800 秒无活动后自动销毁
- 自动恢复：错误时自动重新创建
展示工具调用的缓冲、执行、完成等状态，包含缓冲机制和错误处理。
状态说明：
- Idle：空闲状态，等待 Agent 调用
- Pending：待执行状态，Agent 已决定调用工具
- Buffering：缓冲状态，接收并缓存工具调用消息的增量数据
- Executing：执行中状态，工具调用消息已完整，准备执行
- Running：运行状态，正在执行工具操作
- Success：成功状态，工具执行成功
- Failed：失败状态，工具执行失败
- Completed：完成状态，已返回工具结果或错误信息
关键机制：
- 缓冲机制：使用
buffered_tool_use和buffered_tool_use_id缓存增量数据 - 增量处理：支持同一工具的多次增量更新
- 错误恢复：失败时返回错误信息，不影响 Agent 继续执行
展示前端 UI 的空闲、处理中、渲染等状态，包含输入框和按钮的状态控制。
状态说明：
- Idle：空闲状态，用户可以输入消息
- Processing：处理中状态，正在发送请求或等待响应
- Streaming：流式接收状态，正在接收流式响应数据
- Rendering：渲染状态，正在渲染增量内容
- Completed：完成状态，已接收完整响应并完成渲染
- Error：错误状态，请求失败或出现异常
UI 状态控制：
- 输入框：Processing 时禁用，Idle 时启用
- 发送按钮：Processing 时显示 loading，Idle 时显示"发送"
- 状态标记：使用
isProcessing布尔值标记当前状态 - 防重复提交：Processing 时阻止新的请求
展示 ReActAgent 的核心工作流程，包含推理、行动、观察、反思的循环过程。
状态说明：
- ReceiveInput：接收输入状态，接收用户的问题或请求
- Reasoning：推理状态，分析问题并制定执行计划
- CheckToolNeeded：检查工具需求状态，判断是否需要调用工具
- Acting：行动状态，调用工具执行操作
- ToolExecution：工具执行状态，执行工具的具体操作
- Observing：观察状态，获取工具执行结果
- Reflection：反思状态，评估结果并更新记忆
- CheckIteration：检查迭代状态，判断是否继续循环
- GenerateResponse：生成响应状态，生成最终回答
- Streaming：流式输出状态，流式返回响应
- Completed：完成状态，任务执行完毕
ReAct 循环机制：
- 推理-行动-观察-反思：核心循环模式
- 最大迭代次数：防止无限循环，默认为 10 次
- 任务完成检测：根据结果判断是否完成任务
- 记忆更新：每次循环后更新记忆系统
代码位置：
- Agent 初始化：
/src/code/agentrun-backend/main.py:216-225 - 流式输出：
/src/code/agentrun-backend/main.py:289-350 - Browser Sandbox：
/src/code/agentrun-backend/main.py:30-58 - 前端状态：
/src/code/agentrun-frontend/index.html:556-930 - 工具调用：
/src/code/agentrun-backend/main.py:296-350
开发工作流程详解：
-
本地开发阶段
- 克隆项目代码到本地
- 安装 Python 依赖包
- 配置环境变量（模型服务、浏览器沙箱等）
- 启动本地开发环境（后端 9000，前端 8000）
- 使用 IDE 进行代码开发和调试
-
代码测试阶段graph LR
- 编写和运行单元测试
- 进行集成测试，验证 API 接口
- 功能测试，确保业务逻辑正确
- 手动测试页面交互和用户体验
- 修复发现的 Bug 和问题
-
代码提交阶段
- 使用
git add暂存修改的文件 - 使用
git commit提交代码 - 编写规范的提交信息（遵循 Conventional Commits 规范）
- 使用
git push推送到远程仓库
- 使用
-
构建部署阶段
- 上传代码到 AgentRun 平台
- 平台自动执行构建流程
- 安装项目依赖
- 部署前后端服务
-
测试验证阶段
- 访问测试环境
- 验证核心功能（股票查询、市场分析等）
- 进行性能测试，检查响应时间
- 检查日志和监控，排查潜在问题
- 用户验收测试（UAT）
-
发布上线阶段
- 检查所有配置是否正确
- 执行发布操作，正式上线
- 监控服务运行状态
- 通知用户更新内容和改进点
-
运维维护阶段
- 日常监控服务性能指标
- 分析日志，排查和解决问题
- 定期更新依赖包和安全补丁
- 备份重要数据和配置
- 收集用户反馈，持续改进产品
开发工具和环境：
- 代码编辑器：VS Code、PyCharm 等
- 版本控制：Git + GitHub/GitLab
- 依赖管理：pip + requirements.txt
- 本地测试：pytest、unittest
- 调试工具：浏览器开发者工具、Python debugger
- 部署平台：AgentRun 平台
最佳实践：
- 遵循代码规范（PEP 8）
- 编写清晰的提交信息
- 定期备份代码和配置
- 保持依赖包更新
- 及时修复安全漏洞
- 编写测试用例，确保代码质量
- 使用版本标签管理发布版本
本项目支持通过 AgentRun 平台进行一键部署，以下是完整的部署流程：
部署步骤说明：
-
环境准备
- 注册或登录 AgentRun 平台账号
- 创建新项目或选择现有项目
- 配置必要的访问密钥和权限
-
配置发布参数
- 编辑
publish.yaml文件，设置以下参数：region：部署地域（如 cn-hangzhou）agentRuntimeName：Agent 运行时名称role：角色配置agentRunModel：Agent 运行模型modelName：大语言模型名称browserTemplate：浏览器模板名称
- 编辑
-
代码构建
- 上传代码到 AgentRun 平台
- 平台自动执行构建流程
- 安装
requirements.txt中的 Python 依赖 - 验证构建结果是否成功
-
部署服务
- 部署前端服务（端口 8000）
- 部署后端服务（端口 9000）
- 配置网络访问权限
- 设置环境变量（BACKEND_URL、MODEL_SERVICE 等）
-
配置模型和工具
- 在控制台配置大语言模型服务
- 设置模型名称和参数
- 配置浏览器沙箱
- 启用浏览器工具权限，配置可访问的金融网站白名单
-
测试验证
- 访问前端页面，检查界面是否正常
- 测试股票查询功能，验证数据获取
- 检查数据准确性和实时性
- 查看日志和监控，确保服务稳定运行
-
上线发布
- 确认所有配置正确无误
- 执行发布操作，使服务正式上线
- 获取访问地址，分享给用户
- （可选）配置自定义域名
关键配置文件：
publish.yaml：发布配置，包含地域、角色、模型等参数s.yaml：Serverless 应用配置，定义前后端服务build.yaml：构建配置，指定构建步骤和依赖安装requirements.txt：Python 依赖列表
在 AgentRun 控制台进行可视化配置：
- 进入模板配置页面
- 选择您偏好的大语言模型（如 GPT-4、Claude、国产模型等）
- 调整模型参数（温度、最大token等）
在控制台启用浏览器工具：
- 开启浏览器工具权限
- 配置可访问的金融网站白名单
- 设置数据抓取频率限制
可在控制台自定义系统提示词，例如：
- 调整分析风格（保守/激进）
- 设定关注的市场领域
- 定制输出格式要求
用户输入
帮我查询一下腾讯控股的最新股价和今日表现
Agent 输出
腾讯控股（00700.HK）最新行情： - 当前价格：328.60 港元 - 涨跌幅：+2.3% - 成交量：2,340万股 - 今日表现：开盘后持续上涨，突破关键阻力位...
用户输入
分析一下人工智能板块最近的投资机会
Agent 输出
AI板块分析报告： 1. 市场趋势：受政策利好推动，板块指数上涨12% 2. 重点标的：建议关注算力、应用层龙头企业 3. 风险提示：注意估值泡沫和政策变动风险...
A：检查浏览器工具是否正常运行，可在控制台查看工具调用日志。如数据源网站调整结构，可能需要更新工具配置。
A：建议选择参数量更大的模型，并在提示词中明确分析维度和要求。同时可以多次对话，提供更多背景信息。
A：可以，但需确保浏览器工具能访问相应的国际金融网站。建议在配置中添加对应网站域名。
⚠️ 投资风险提示：本模板提供的分析仅供参考，不构成投资建议。投资有风险，决策需谨慎。
⚠️ 数据准确性：实时数据可能存在延迟，重要决策请以官方渠道数据为准。
⚠️ 合规使用：请遵守相关金融信息使用规定，不得用于非法证券交易活动。
文档版本：v1.0 | 最后更新：2026年1月
About
35/F,Tencent Building,Kejizhongyi Avenue,Nanshan District,Shenzhen
