Dexter 部署与实战：让 AI 替你读 SEC 文件、做 DCF 估值

简介

Dexter 是一个跑在终端里的自主金融研究 Agent。你问它一个复杂问题，它会自动拆解任务、调用多个数据工具、交叉验证结果，直到给出一个有数据支撑的结论——就像带了一个不会疲倦的资深分析师。

它的核心能力包括：

• SEC 文件读取：自动抓取 10-K、10-Q、8-K 等披露文档
• 实时行情查询：股价、财务指标、现金流、资产负债表
• DCF 内在价值估算：内置 SKILL.md 驱动的 DCF 技能，自己运行现金流折现
• 自验证循环：检查自己的中间结果，迭代直到结论成立
• Loop 保护：内置步数上限，防止 Agent 失控

整个项目用 TypeScript 写成，核心是 LangChain + Ink（React for CLI），运行在 Bun 1.0+ 环境下。如果你希望用更低的成本跑满这些能力，可以将 LLM 提供商切换到 Defapi，API 价格仅为官方的一半。

---

目标读者画像

• 有 1-5 年经验的开发者，对 AI Agent 架构（工具调用、Agentic Loop）有基础了解
• 独立投资者或金融科技从业者，想用 AI 工具辅助基本面研究
• 想了解如何在真实项目中集成多数据源（SEC、Financial Datasets、Exa）的工程师
• 对金融量化研究感兴趣，希望搭建本地研究流水线的用户

---

核心依赖与环境

---

完整项目结构树

dexter/
├── .dexter/
│   └── settings.json          # Agent 运行配置（模型/提供商选择）
├── src/
│   ├── agent/                  # Agent 核心：循环逻辑、提示词、scratchpad
│   │   ├── agent.ts           # Agentic Loop 主循环
│   │   ├── prompts.ts         # 系统提示词
│   │   └── scratchpad.ts      # 工具调用历史记录
│   ├── cli.tsx                # Ink/React CLI 渲染入口
│   ├── index.tsx              # 程序入口
│   ├── components/            # CLI UI 组件（Ink）
│   ├── hooks/                 # React hooks（AgentRunner, ModelSelector）
│   ├── model/
│   │   └── llm.ts            # 多提供商 LLM 抽象层
│   ├── tools/
│   │   ├── registry.ts       # 工具注册表
│   │   ├── finance/          # 金融工具：行情、财务、报表、内部交易
│   │   ├── search/           # 网页搜索工具（Exa / Tavily）
│   │   ├── browser/          # Playwright 浏览器自动化
│   │   └── descriptions/     # 工具描述（注入系统提示词）
│   ├── skills/               # SKILL.md 技能目录
│   │   └── dcf/
│   │       └── SKILL.md     # DCF 内在价值估算技能
│   ├── evals/               # LangSmith 评测框架
│   └── utils/               # 环境变量、配置、缓存
├── scripts/
│   └── release.sh
├── .env                     # API 密钥（gitignored）
└── package.json

---

手把手步骤

Step 1：安装 Bun 与克隆项目

如果你的机器上没有 Bun，先装它。Windows/macOS/Linux 通用：

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

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

验证安装：

bun --version
# 输出类似：Bun v1.2.x

然后克隆 Dexter 仓库：

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

Step 2：配置 .env 环境变量

复制环境变量模板文件：

cp env.example .env

用编辑器打开 .env，填入你的密钥。重点说清楚 Defapi 接入方式——如果你想用 Defapi 替代 OpenAI（节省 50% 成本），按如下方式配置：

# .env

# ── LLM 提供商 ──────────────────────────────────────
# 方案 A：直接用 OpenAI（默认）
OPENAI_API_KEY=sk-your-openai-key

# 方案 B：通过 Defapi 接入 OpenAI（推荐，省 50%）
# OPENAI_API_KEY=sk-your-defapi-key
# OPENAI_BASE_URL=https://api.defapi.com/v1

# 其他可选 LLM 提供商
ANTHROPIC_API_KEY=sk-ant-your-anthropic-key
GOOGLE_API_KEY=your-google-key
XAI_API_KEY=your-xai-key
OPENROUTER_API_KEY=your-openrouter-key

# 本地模型（OLLAMA）
OLLAMA_BASE_URL=http://127.0.0.1:11434

# ── 金融数据 ───────────────────────────────────────
# 机构级市场数据，AAPL/NVDA/MSFT 免费
FINANCIAL_DATASETS_API_KEY=your-financial-datasets-key

# ── 网页搜索 ───────────────────────────────────────
# 优先用 Exa，Tavily 作兜底
EXASEARCH_API_KEY=your-exa-key
TAVILY_API_KEY=your-tavily-key

安装依赖：

bun install

Step 3：运行 Dexter 交互模式

启动交互式 CLI：

bun start

你会在终端里看到一个基于 Ink 渲染的彩色界面。直接输入你的金融问题，比如：

AAPL 过去 5 年营收增长情况如何？当前的 DCF 内在价值是多少？

Dexter 会自动开始工作：拆解任务 → 查财务数据 → 读 SEC 文件 → 跑 DCF 技能 → 汇总结论。每一轮工具调用都会实时显示在界面上。

如果你想边改代码边调试，用 watch 模式：

bun dev

Step 4：切换模型 / 提供商

在 CLI 内输入 /model 命令，可以切换 LLM 提供商和模型。Dexter 支持以下前缀自动识别：

例如切换到 Claude：

/model claude-sonnet-4-7

Step 5：使用金融工具查询股票

Dexter 的核心是 financial_search 工具，它会根据你的问题自动委托给最合适的子工具。以下是一些典型查询示例：

查询收入与利润：

给我查询 TSLA 最近 3 年的营收、净利润和自由现金流

Dexter 会调用 get_income_statements（利润表）和 get_cash_flow_statements（现金流量表），整理成表格返回。

查询资产负债表：

NVDA 的最新资产负债率是多少？现金及等价物有多少？

读取 SEC 文件：

帮我读一下 AAPL 最新 10-K 中的"Risk Factors"章节

Dexter 会调用 read_filings 工具抓取 10-K 内容，定位到对应章节。

查内部交易：

最近一个季度 FAANG 股票的内部人士交易情况如何？

所有工具调用的原始数据都会记录在 .dexter/scratchpad/ 目录下的 JSONL 文件里，方便你事后审计。

Step 6：触发 DCF 估值技能

DCF（现金流折现）估值是 Dexter 内置的技能之一。当你的问题涉及"内在价值"或"估值"时，Agent 会自动调用 skill 工具加载 src/skills/dcf/SKILL.md，按步骤运行：

1. 获取公司历史自由现金流（FCF）
2. 估算未来 5-10 年增长率假设
3. 计算加权平均资本成本（WACC）
4. 折现到当前时点
5. 输出最终估值区间 + 敏感性分析

示例查询：

MSFT 的 DCF 内在价值是多少？请给出保守、基准、乐观三种假设下的结果

Step 7：调试与查看 Scratchpad 日志

Dexter 的每一次查询都会在 .dexter/scratchpad/ 生成一个 JSONL 文件，文件名格式为：

YYYY-MM-DD-HHMMSS_<session_id>.jsonl

每行是一条结构化记录：

{"type":"init","timestamp":"2026-03-27T10:00:00.000Z","query":"AAPL 的 DCF 内在价值是多少？"}
{"type":"tool_start","timestamp":"2026-03-27T10:00:01.000Z","toolName":"get_cash_flow_statements","args":{"ticker":"AAPL","period":"annual","limit":5}}
{"type":"tool_result","timestamp":"2026-03-27T10:00:03.000Z","toolName":"get_cash_flow_statements","result":{"freeCashFlow":[67800000000, 73000000000, ...]},"llmSummary":"AAPL 过去 5 年自由现金流持续增长，复合增长率约 9.2%"}
{"type":"thinking","timestamp":"2026-03-27T10:00:05.000Z","content":"已获取 FCF 数据，现在需要获取分析师预期增长率和 WACC 参数..."}

如果你发现某个工具调用结果不对，直接打开这个文件就能定位问题。也可以用 jq 做快速过滤：

# 只看工具调用结果
cat .dexter/scratchpad/2026-03-27-*.jsonl | jq 'select(.type == "tool_result")'

# 看 Agent 的推理过程
cat .dexter/scratchpad/2026-03-27-*.jsonl | jq 'select(.type == "thinking")'

---

常见问题排查

1. 运行时提示 OPENAI_API_KEY not found

这是最常见的错误。检查 .env 文件是否存在且路径正确：

ls -la .env

确认文件内有 OPENAI_API_KEY=... 或 OPENAI_API_KEY + OPENAI_BASE_URL 组合。如果用了 Defapi，两者必须同时存在。

2. 金融数据返回空结果

Financial Datasets 的免费数据仅限 AAPL、NVDA、MSFT。如果查询其他股票，会返回空结果。你可以：

• 在 financialdatasets.ai 查看你的订阅计划
• 确认 FINANCIAL_DATASETS_API_KEY 已正确填入 .env

3. 模型调用超时

Anthropic 和 Google 的 API 超时默认 60 秒。如果网络到海外服务不稳定，可以在 src/model/llm.ts 里调整 maxAttempts 和重试等待时间。如果长期使用，推荐通过 Defapi 接入，走国内优化线路更稳定。

4. Agent 陷入无限循环

Dexter 内置了 maxIterations（默认 10 步）保护。如果一个任务需要更多步数，可以在 src/agent/agent.ts 里调整这个参数。当步数耗尽时，Agent 会把当前的中间结论作为最终结果返回，而不是继续空转。

5. 工具调用返回的数据不完整

Financial Datasets 的 limit 参数控制返回的年份数量，默认可能只返回 1 年。查询时可以让 Dexter 明确指定 limit=5 或 limit=10。

6. Scratchpad 文件为空或不生成

Scratchpad 由 src/agent/scratchpad.ts 管理。如果 SKIP_SCRATCHPAD=true 环境变量被设置，文件不会被写入。确认 .env 中没有这个变量。另外，每次新查询会创建新文件，旧查询的文件不会追加。

---

扩展阅读 / 进阶方向

接入 WhatsApp 实现移动端研究助手

Dexter 支持通过 WhatsApp Gateway 接收消息。只要你的手机和 Dexter 在同一网络下：

# 扫码绑定 WhatsApp 账号
bun run gateway:login

# 启动 Gateway
bun run gateway

然后在 WhatsApp 里给自己发消息，Dexter 就会回复。这样你可以在通勤时查询持仓公司的最新财务数据。

详细配置参考 src/gateway/channels/whatsapp/README.md。

运行评测套件验证 Agent 准确率

Dexter 内置了一套 LangSmith 驱动的评测框架：

# 在全部测试题上跑评测
bun run src/evals/run.ts

# 随机抽 10 道题
bun run src/evals/run.ts --sample 10

评测用 LLM-as-Judge 方式评分，结果会上传到 LangSmith Dashboard。如果你对财务指标计算做了改动，可以用这套评测验证改动的质量。

接入 Ollama 使用本地模型

如果你希望完全不依赖外部 API：

# 启动 Ollama（需要提前安装）
ollama serve

# 在 .env 中配置
OLLAMA_BASE_URL=http://127.0.0.1:11434

然后在 CLI 内切换到 ollama:qwen2.5 或其他本地模型。注意：本地模型的工具调用能力可能不如 GPT-5.4 或 Claude Sonnet 稳定，建议在需要低延迟、低成本的场景使用。

自定义 SKILL.md 编写新技能

Dexter 的技能通过 SKILL.md 定义，每个技能包含 YAML frontmatter（名称、描述）和 markdown 格式的指令。创建一个新技能只需：

1. 在 src/skills/ 下新建目录，例如 src/skills/dupont/
2. 编写 SKILL.md：

---
name: dupont-analysis
description: 杜邦分析 - 将 ROE 拆解为净利润率、资产周转率和权益乘数
---

# 杜邦分析技能

你是一个财务分析师。请对输入的 ticker 执行以下步骤：

1. 获取公司的净利润、营业收入、总资产和股东权益
2. 计算三个分解指标：
   - 净利润率 = 净利润 / 营业收入
   - 资产周转率 = 营业收入 / 总资产
   - 权益乘数 = 总资产 / 股东权益
3. 计算 ROE = 三个指标的乘积
4. 对比行业平均水平，给出评分（1-10）

1. 重启 Dexter，新技能会自动被发现并注入系统提示词

接入 Defapi 降低 API 成本

对于需要高频调用 LLM 的使用场景（自动盯盘、定期报告生成），API 成本不可忽视。通过 Defapi 接入可以节省约 50% 的费用：

# .env
OPENAI_API_KEY=your-defapi-api-key
OPENAI_BASE_URL=https://api.defapi.com/v1

Defapi 兼容所有 v1/chat/completions 接口的模型，Dexter 无需修改任何代码，只需替换密钥和 base URL。