对比的基准：AI 投顾 / 公募基金 / 储蓄理财 / 大盘指数 4 类共 8 条。完整对比方法论 + 数据源说明见 docs/wiki/03-benchmarks.md。
实盘命中率公开（自我披露不利数字）：方向性 verdict 历史命中率 25%，HOLD 占 84%——见 docs/verdict_accuracy.md。这工具不会让你致富，它只是把决策过程透明化。
- Web GUI 是 beta——主面板 / 决策回放 / 实时同步可能不工作。
推荐入口：通过 Claude Code / Cursor / Cline 等 AI agent 跑
investskill， 让 AI 带你看持仓、跑委员会、查决策。GUI 只做辅助调试。
每天早上，4 个独立 LLM 各自看不同维度，互相 challenge 后给出建议：
- Macro Strategist 看宏观（VIX / 利率 / 汇率）
- Quant Analyst 看技术面（RSI / 多周期分位 / 趋势），不知道你的持仓
- Risk Officer 看风控（集中度 / 浮盈缓冲 / 尾部损失），不知道技术信号
- Round 2：Quant 和 Risk 互看对方报告，调整观点
- CIO 综合所有人发言，输出 BUY / ACCUMULATE / HOLD / TRIM / SELL + 置信度
输出一份 Markdown memo。系统不会自动下单——决策仍归你。
最简单的方式：装成 Claude Code 的 skill，让 Claude 帮你 onboard：
Hi, Claude, 帮我安装https://github.com/longsizhuo/openInvest/tree/main/skills/invest 这个Skill也可以手动导入：
git clone https://github.com/longsizhuo/openInvest.git ~/openInvest
bash ~/openInvest/skills/install.sh回 Claude Code 对话里说："帮我初始化 invest"。Claude 会：
- 检测 memory / .env 缺失
- 用 5 个问题问你的情况（姓名 / 风险偏好 / 月收入 / 当前持仓 / 可选 API key）
- 写入配置 + 跑数据迁移
- 直接验证持仓
之后任何时候说"看看我的持仓" / "分析一下黄金" / "该不该加仓 X"，Claude 会调委员会给你 memo。
💡 API key 是可选的。Skill 模式下委员会用 Claude 跑，不需要 API 消耗。 想后台自动跑（cron 日报 / 任意非 Claude agent 调用）才需要注册。
其他装法（Docker / 手动 Python / 自带 GUI）：见 QUICK_START.md。
默认用 DeepSeek。要换千问 / 智谱 / Kimi 等任何 OpenAI 兼容接口，改 .env：
# === DeepSeek（默认） ===
LLM_API_KEY=sk-xxx
LLM_BASE_URL=https://api.deepseek.com
LLM_MODEL=deepseek-v4-flash
# === 千问（Aliyun DashScope） ===
LLM_API_KEY=sk-xxx
LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode
LLM_MODEL=qwen-max
# === 智谱 AI ===
LLM_API_KEY=xxx
LLM_BASE_URL=https://open.bigmodel.cn/api/paas
LLM_MODEL=glm-4-flash注意：model name 必须改（不是只改 API key + base_url），否则会 400
"model not found"。每家 provider 的 model 名都不一样（qwen-max / glm-4-flash /
moonshot-v1-8k 等），上对应官网查。
LLM_* 系列变量是新的通用配置（推荐）；老的 DEEPSEEK_* 保留向后兼容，
现存 .env 不需要迁移。两组都没设时 LLM_API_KEY 会自动回落到 DEEPSEEK_API_KEY。
三个核心选择，每个都有具体技术后果。详见 docs/wiki/01-architecture.md：
- Coordinator-Worker，不是 prompt 塞 4 个人格 — 4 个独立 LLM session，按 DAG 跑，信息隔离在
core/committee/显式控制 - Markdown 就是数据库 — frontmatter + body，Python 和 LLM 看到的永远一致；fcntl + atomic write 双保险
- OpenClaw 风格 Dreaming Memory — 三阶段记忆整合，把跨日交易模式凝固成 insight 注入下次决策
agents/ 4 个角色的 prompt
core/ Coordinator-Worker 编排 + memory store
jobs/ APScheduler cron tasks（含 event_watch 事件感知层）
connectors/web_api.py + skills/ 两条调用入口
services/ news_sources / event_normalizer / event_notifier / notifier
db/ SQLite WAL（trades / insights / market data / events）
docs/wiki/ 完整架构文档 + ADR
事件层（第一层）（实现中，默认关）：盘中每 30 分钟扫多源新闻（DDGS + RSS + yfinance），flash 归一化成结构化事件落 db/events.db，命中用户持仓 / target_assets 则邮件通知 + 触发委员会重跑。开关：jobs/event_watch.yml 的 enabled: true + env DEEPSEEK_API_KEY + EMAIL_SENDER。详见 ADR-006。
详见：
- 架构总览 | 4 角色 prompt 解析 | Dreaming
- 双执行路径 — Coordinator vs Direct
- 数据模型 v2 | Web API
- 扩展指南 | 故障排查
- ADR — 关键决策记录
LLM-driven 决策辅助工具。不构成投资建议。LLM 会出错、会过度自信、会漏看东西。
系统不会自动下单。建议先用 what_if 在小金额上跑两周再上真仓。
公开命中率数据 / PnL 曲线 / 跑赢事件均为作者本人账户历史记录，过去表现不预示未来收益。
回测局限：scripts/backtest_runner.py 跑的 paper-trading walk-forward 默认拒绝
decision_date > 2024-06-30 的回测（强制跑加 --allow-lookahead）。原因：
DeepSeek-Chat 训练数据估算截止约 2024-06-30，模型已经"见过"那段时间的市场，
对 2024 下半年的 backtest verdict 含 LLM 训练数据 lookahead bias——结果
仅作上限估计，训练 / 调参信号请用 2024-06-30 之前的日期范围。
- OpenClaw Dreaming Guide — 三阶段记忆架构
- Claude Code — Skill 模式 Coordinator 实现
PR / Issue 欢迎。