InvestBrain

Máy chủ MCP nghiên cứu đầu tư hỗ trợ AI với GraphRAG, phát hiện mẫu hành vi, phân tích nhật ký giao dịch và tích hợp dữ liệu thị trường

GitHubDùng thử MCP nàyĐược tài trợ

Tài liệu

InvestBrain — 投资第二大脑

有经验投资者的纪律自主工具，解决"知行合一"问题 不是投顾，不给建议，而是"镜子" + "纪律锚点"

想法记录 × 投资 RAG × 记忆系统 × 提醒触发 × 行为模式挖掘

5 分钟快速体验

两种使用方式：桌面客户端（推荐） 或 MCP Server。

方式 A：桌面客户端（Windows，推荐）

下载并安装 InvestBrain_0.1.2_x64_en-US.msi（见 Releases）
打开桌面应用，即见「大脑已加载」状态条与试聊引导
想对话时在设置页填入自己的 LLM Key，即可走真实对话链路

桌面端数据存储在 %APPDATA%\InvestBrain\data，设置页可直接查看数据位置。

方式 B：MCP Server（任意 MCP 客户端）

# 1. 安装 MCP Server 依赖
cd src/mcp_server && pip install -r requirements.txt

# 2. 配置你自己的 LLM API Key（见下文「你的 Key，自己填」）
cp .env.example .env
# 编辑 .env，把 DEEPSEEK_API_KEY 填成你从 DEEPSEEK 后台拿到的 key

# 3. 启动 MCP Server
python server.py

首次启动提示：向量库（Chroma + ONNX Embedding）首次会下载约 80MB 模型文件。若希望跳过向量库、纯工具调用体验，可保持 server.py 中相关注释不变；如需完整 RAG 体验，下载后取消 server.py 内的注释行。

启动后 Server 会以 stdio 方式接受 MCP 客户端调用。配置 Claude Desktop 见下方 Claude Desktop 接入。

你的 Key，自己填

重要：本仓库不预置任何用户的 API key。data/config/llm.json 中 api_key 默认为 null（不是真的 key 占位）；.env.example 只是模板；webhook.json 是空 schema。

你需要从下面这些官方后台自己申请 / rotate：

服务	用途	后台地址
DeepSeek API	主力 LLM（必需）	https://platform.deepseek.com → API Keys
Tushare Pro	A 股财务/历史数据（可选）	https://tushare.pro/register
DashScope	阿里通义备选 LLM（可选）	https://dashscope.console.aliyun.com
Against Finance	另类数据（可选）	https://www.against.com
飞书机器人	通知（可选）	https://open.feishu.cn → 机器人 → Webhook

4 个 key 都写在哪里（都不会进 git）

MCP 启动必须：DEEPSEEK_API_KEY 环境变量（推荐 User 级系统环境变量，或 CLAUDE.md / .env）
可选：TUSHARE_TOKEN / DASHSCOPE_API_KEY / AGAINST_API_KEY（环境变量）
飞书 webhook：data/config/webhook.json 里的 feishu 字段（已被 .gitignore 保护）

安全规则

你的 key 是你的——不要 share、不要 commit、不要发到任何对话里
key 进 git 历史（如被 commit 过的老版本）即使后来 rotate 仍可能被人滥用 → 发现泄露立即去对应平台 rotate
仓库已有 .gitignore 保护 data/config/*.json（含 llm/webhook 配置）+ data/memory/*.db（用户记忆库，按 CLAUDE.md 决策"用户数据本地存储，不上传云端"），不要 ! 取消忽略

备注：仓库历史曾 commit 过密钥占位（commit 22e6c72），如已 push 远端，老 key 在 clone 历史里仍可被读——清历史成本高、通常接受 + rotate 即可

快速开始：推送配置

从零到收到第一条微信推送，约 3 分钟。无需阅读任何文档。

方式一：一键脚本（推荐，Windows）

在仓库根目录打开 PowerShell，运行：

powershell -ExecutionPolicy Bypass -File scripts/configure_pushplus.ps1

脚本会交互式引导你完成全部步骤：显示 PushPlus 获取 token 的操作步骤 → 粘贴 token（自动校验格式）→ 写入 data/config/webhook.json 并启用 pushplus 渠道 → 自动调用 send_notification 发送测试消息 → 打印成功/失败原因。

方式二：对话内配置（MCP 客户端内）

直接在任意 MCP 客户端中让 AI 帮你配置：

1. 查看当前配置状态：notify_get_notifier_config()
2. 配置 PushPlus 并发送测试：notify_configure_notifier(channel="pushplus", token="你的token", enabled=true, send_test=true)

PushPlus token 获取步骤

微信扫码关注公众号：https://www.pushplus.plus
进入「个人中心」→ 复制页面上的 token
填入上述任一方式

验证成功：收到测试消息，或 notify_get_notifier_config() 返回 "enabled_channels": ["pushplus"]。未配置渠道时，提醒触发路径（price_checker / scheduler）返回中会携带 setup_guide 引导信息，而不会静默失败。

安全说明：data/config/webhook.json 已被 .gitignore 保护，token 不会进入 git；请勿把 token 发到任何对话或提交到仓库。

它解决什么问题

核心问题：投资者被叙事带着走，操作没纪律，事后后悔。

常见痛点	InvestBrain 的应对
看到某只股票大涨就追高	强制记录买入理由 + 关联历史相似决策
跌了恐慌割肉	触发 RAG 检索大师对"恐慌"的看法
同一类错误反复犯	行为模式挖掘自动识别"追涨杀跌"模式
重要时间/价格点位忘记	价格/时间/条件监控 + 飞书推送
想不起自己过去的判断	记忆系统 + 决策卡片回溯

核心能力

功能	说明
想法记录	用户说一句话，AI 解析 + 关联历史 + 生成卡片
投资 RAG	大师思想检索问答（16 位投资大师 × 5 个核心概念）
记忆系统	用户画像、历史决策、行为模式挖掘
提醒触发	价格/时间/条件监控，支持飞书/钉钉/Bark 多通道推送
行为模式挖掘	自动发现投资者的偏差模式

示例对话

下面是三个核心价值场景的真实对话流（任意 MCP 客户端均可使用）：

场景 1：RAG 问答 — 大师思想碰撞

用户：段永平怎么看"快钱"和"慢钱"？

调用：rag_ask_investment(question="段永平怎么看快钱和慢钱")

AI 返回：段永平的核心观点是"快钱"看似机会多但风险敞口大，"慢钱"依靠复利与确定性。在「段永平」语料中相关论述 12 条，节选：

"投资赚钱的速度不应该快过学习的速度。" "敢重仓的就是你能看懂的生意，剩下的不是机会。" 关联概念：能力圈、安全边际、复利。

场景 2：行为模式分析 — 找出反复犯的错

用户：我最近的交易有什么问题？

调用：memory_get_behavior_patterns()

AI 返回：检测到你的两个行为模式（过去 30 天，11 笔交易）：

追涨模式（置信度 0.83）触发样本：买入 NVDA/TSLA 在单日涨幅 > 5% 后的 D+1/D+2，胜率 25%，平均收益 -3.2% 建议：买入前强制查看 rag_ask_investment(question="追高的代价")

恐慌割肉模式（置信度 0.71）触发样本：持仓亏损 > 15% 后的 5 日内卖出，后续 30 日反弹 67% 建议：触发时自动推送飞书提醒 + 大师原话引用

场景 3：智能提醒 — 纪律锚点

用户：NVDA 到 950 美元时提醒我重新评估。

调用：reminder_set_reminder(condition={ticker:"NVDA", operator:"<=", threshold:950, action:"review"})

AI 返回：提醒已建立：NVDA <= 950 USD 时触发"复盘评估"。触发后将自动拉取：当前价格、你对此票的历史决策卡片、相关大师语录。提醒已同步通知通道（如已配置）。

Claude Desktop 接入

将 InvestBrain 接入 Claude Desktop（macOS / Windows 通用）：

配置文件位置：

macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
Windows: %APPDATA%\Claude\claude_desktop_config.json

配置内容（路径按你 clone 的实际位置修改）：

{
  "mcpServers": {
    "investbrain": {
      "command": "python",
      "args": [
        "D:/claudework/invest-brain/src/mcp_server/server.py"
      ],
      "env": {
        "DEEPSEEK_API_KEY": "sk-your-key-here"
      }
    }
  }
}

配置完成后重启 Claude Desktop，会在工具栏出现"投资助手"图标（39 个工具，与 server.json 注册的工具清单一致）。

开源协议与路线图

本项目采用 GNU Affero General Public License v3.0 (AGPLv3) 授权。简言之：你可以自由使用、修改和分发，但通过网络提供服务的衍生作品也必须以相同协议开源。详见 LICENSE。

层级	功能	状态
免费层	本地 MCP Server	✅ 已上线
	16 位大师 RAG 问答	✅ 已上线
	行为模式检测	✅ 已上线
	提醒系统	✅ 已上线
	无限记忆存储	✅ 已上线
个人版	云端周报/月报（AI 生成）	计划中（￥39/月）
	跨设备数据同步	计划中
团队版	团队协作与共享知识库	计划中（￥199/月）

架构

src/mcp_server/            # MCP Server（39 个工具）
├── server.py               # 主入口
├── tools/                  # 工具集
│   ├── thought_tools.py    # 想法记录
│   ├── rag_tools.py        # 投资 RAG
│   ├── memory_tools.py     # 记忆系统
│   ├── reminder_tools.py   # 提醒系统
│   ├── pattern_tools.py    # 行为模式
│   ├── report_tools.py     # 周报/月报
│   ├── roundtable_tools.py # 大师圆桌
│   └── notifier_tools.py   # 多通道通知
├── datasources/            # 数据源
│   ├── akshare_datasource.py
│   └── tushare_datasource.py
├── knowledge/              # 知识库
│   ├── vector_store.py     # Chroma 向量存储
│   └── graph_client.py     # 图存储
├── memory/                 # 记忆存储
├── patterns/               # 行为模式挖掘
├── llm/                    # LLM 客户端
│   ├── llm_router.py       # 通用 LLM 路由
│   ├── providers.py        # Provider 配置
│   └── deepseek_client.py
└── api_server.py           # REST API (LLM 配置)

data/
├── graph/                  # 知识图谱（16 位大师 + 概念）
├── knowledge/
│   └── vectors/            # 向量索引（Chroma）
├── memory/                 # 用户记忆
├── cards/                  # 想法卡片
├── reminders/              # 提醒条件
└── config/                 # 配置文件

MCP Tools（40 个）

// 想法记录（3）
"thought_record_thought(text)",
"thought_search_memories(query)",
"thought_get_thought_cards(ticker)",

// 投资 RAG（4）
"rag_ask_investment(question)",
"rag_get_master_view(master, topic)",
"rag_search_knowledge(query)",
"rag_search_reports(query, top_k)",

// 记忆系统（3）
"memory_get_user_profile()",
"memory_record_decision(data)",
"memory_get_behavior_patterns()",

// 提醒系统（3）
"reminder_set_reminder(condition)",
"reminder_get_reminders()",
"reminder_delete_reminder(id)",

// 行为模式（3）
"pattern_run_pattern_detection()",
"pattern_get_pattern_summary()",
"pattern_get_pattern_report(id)",

// 周报/月报（1）
"report_run_scheduled_report(range)",

// 大师圆桌（1）
"invest_roundtable(question)",

// 通知配置（2）
"notify_configure_notifier(channel, webhook_url)",
"notify_get_notifier_config()",

// 行情数据 — AKShare（5）
"market_get_stock_quote(ticker)",
"market_get_stock_history(ticker, period)",
"market_get_index_components(index_code)",
"market_get_valuation(ticker)",
"market_get_market_sentiment()",

// 行情数据 — Tushare（15）
"tushare_get_daily_price(ts_code)",
"tushare_get_weekly_price(ts_code)",
"tushare_get_realtime_quote(ts_code)",
"tushare_get_index_daily(index_code)",
"tushare_get_financial_indicator(ts_code)",
"tushare_get_income_statement(ts_code)",
"tushare_get_balance_sheet(ts_code)",
"tushare_get_cash_flow(ts_code)",
"tushare_get_index_components(index_code)",
"tushare_get_industry_classification(ts_code)",
"tushare_get_valuation_multi(ts_code)",
"tushare_get_market_top_movers()",
"tushare_get_stock_pledge_status(ts_code)",
"tushare_convert_ticker(ticker)",
"tushare_check_token_status()"

完整工具列表见 src/mcp_server/tools/。

知识库

16 位投资大师：巴菲特、芒格、段永平、霍华德·马克斯、李录、格雷厄姆、达莫达兰、阿克曼、凯西·伍德、迈克尔·伯里、帕伯莱、塔勒布、林奇、费雪、德鲁肯米勒

5 个核心概念：护城河、安全边际、能力圈、第二层思维、非对称风险

行业知识： 28 个申万行业深度研究框架（向量库内检索，不公开原文，保护核心方法论 IP）

数据源

数据源	用途	状态
AKShare	实时行情	✅
Tushare	财务/历史数据	✅
Chroma	向量索引	✅
SQLite	本地记忆	✅

开发

# 启动 REST API Server（用于 LLM 配置）
python src/mcp_server/api_server.py
# 访问 http://localhost:8000/api/llm/config

# 启动前端（Next.js 落地页 + 设置面板）
npm install
npm run dev
# 访问 http://localhost:3000

测试：

pytest tests/

项目	用途
invest-buddy-pet	入门陪伴产品（人格测试）
mangoview	超级系统站（专业分析）

🛠️ 推荐工具链

以下工具推荐基于 awesome-finai-tools-zn 的 SKILL.md 场景→工具映射表生成，每类场景精选 1 个最佳工具。完整工具清单请访问仓库主页。

推荐工具	功能	安装方式
ashare-mcp	生产级 A 股 MCP Server，30 个 tool（实时行情/K线/涨停池/龙虎榜/财报/板块资金）	`git clone https://github.com/CharmYue/ashare-mcp && cd ashare-mcp && uv sync`
opencli-eastmoney-quote	零配置 CLI，A 股/港股/美股实时行情秒出结果	`npm install -g @jackwener/opencli`
opencli-xueqiu-search	雪球股票搜索 + 热门帖子舆情分析，中文/代码均可	`npm install -g @jackwener/opencli`
Qlib	微软 AI 量化框架，自动因子挖掘 + 模型训练 + 回测评估	`pip install pyqlib`
盈米基金 MCP	69 个标准化 MCP 工具 + 16 项技能组件，含组合回测/蒙特卡洛模拟	联系盈米 AI 开放平台获取 API Key

工具推荐逻辑基于 awesome-finai-tools-zn/data/institution-skills.json，每周自动更新。

🔗 工具链联动

本仓库是 FinAI 工具生态的一部分，与其他仓库协作：

仓库	定位	与本仓库的关系
awesome-finai-tools-zn	数据底座	提供工具清单+机构Skill数据
invest-brain	工具推荐引擎	基于场景自动推荐工具
investment-buddy-pet	人格化投顾	按投资人格匹配工具箱
SoloAdvisor-Toolkit	投顾流程工具包	KYC→配置→组合→报告
knowledge-workflow	知识管理	收集→打标→存储→产出

🗺️ Roadmap

改造需求详细文档：docs/改造需求-roadmap.md

P0 核心改造（个人知识库愿景）：

🔴 用户自定义 RAG 知识库（让用户自己的框架可被 RAG 引用）
🔴 新闻/事件触发 reminder（央行购金、地缘冲突、美债冻结等）
🔴 投资框架管理工具（结构化记录用户的框架规则与触发条件）

P1 数据源：

🟡 黄金现货 / 美元指数 / 美债收益率实时数据
🟡 黄金 ETF（518880 / GLD）数据修复

P2 体验优化：

🟢 思考卡 NLU 抽取 bug（数字/英文名误识别）

最近进展（2026-07-29）：

✅ 黄金投资框架核心已写入思考卡（thought_8）
✅ 基于真实数据的黄金推演已写入思考卡（thought_9）
✅ 改造需求文档已建（docs/改造需求-roadmap.md）

版本: v0.1.2 创建时间: 2026-06-24 许可: AGPL v3