先講一個大部分散戶都很熟的下午。你想搞清楚一支美股值不值得買，於是螢幕上開始長出分頁：一個開著 SEC EDGAR 在啃那份四十幾頁、又臭又長的英文 10-K，一個開著三四家財經媒體追最新消息，一個開著看盤軟體盯線，還有一個 Google 翻譯隨時待命。Bloomberg Terminal 一年要幾萬美金，不在考慮範圍。研究到一半，你已經忘了最初想問的問題是什麼。

這套流程的問題不在哪一步特別難，而在它假設「研究的人」要同時是會計、是記者、是程式設計師、還是個不會累的盯盤機器。ValueCell 這個開源專案的切入點，剛好就是把這個假設拆掉。

舊做法：一個人要會所有事

把上面那個下午拆開來看，散戶其實在同時扮演四種角色。

查財報基本面，是分析師的活；追即時新聞、判斷哪條跟你持倉有關，是記者的活；想做量化交易卻不會寫策略程式，卡的是工程師那一關；每天盯盤怕錯過重大消息，那是一個全職的活。一個人要把這四件事都做好，現實上不可能，所以散戶的研究品質，通常就卡在自己最弱的那一環。

英文不好的，財報那關就過不去。不會寫 code 的，量化那關就過不去。沒時間盯盤的，新聞那關就漏掉。瓶頸從來不是你不夠聰明，是你被迫一個人幹四份工。

新做法：把四份工拆給四個 Agent

ValueCell 的做法，是把這四件事分給不同的 AI Agent，各司其職。

研究 Agent 負責查資料出報告，新聞 Agent 負責追蹤即時消息，交易 Agent 負責策略執行，背後還有一個規劃器決定什麼任務該交給誰。這些 Agent 之間用 Google 的 A2A（Agent-to-Agent）協議互相溝通——架構上，它就是一支有分工的 AI 團隊，而你從那個累死的全能選手，變成了下指令的人。

整個系統的運作分三層，你可以拿一間公司來對照：最前面是 Super Agent，像公司總機，你丟一個問題進去，它先判斷這是能直接回答的簡單問題，還是要交給後面處理的複雜任務。中間是 Planner，像專案經理，把複雜任務拆成步驟——它有個關鍵特色叫 Human-in-the-Loop，遇到像「要下單」這種有風險的操作會停下來問你確認。最後是 TaskExecutor，像各部門主管，把步驟分派給對應的專業 Agent 去做。

技術棧不算特別，但選得務實：後端 Python 3.12 加 FastAPI，Agent 框架用 Agno（前身是 Phidata），前端 React 19，桌面版用 Tauri 2，向量資料庫挑了輕量的 LanceDB，交易所對接走業界通用的 CCXT。沒有炫技，每個選擇都對著「能跑、好裝」這個目標。

對照之二：財報那一關

舊做法裡，看懂一份 SEC 10-K 是門檻最高的一關。新做法裡，這關交給 DeepResearch Agent。

它會自動從 SEC EDGAR 抓上市公司的財報文件，搭配 LanceDB 做 RAG 檢索，產出結構化的研究報告。你丟一個公司名稱進去，它把基本面整理成你看得懂的摘要。A 股的資料它也接，走的是 akshare、baostock 這些來源。

這裡值得停一下想想 RAG 在這個場景為什麼合理。財報是那種「資訊密度極高、但你只想問其中幾個問題」的文件——你不會想讀完整本，你只想知道「它的毛利率這三年怎麼變」。RAG 的本質就是「先把整本書切塊存起來，等你問問題時只撈相關的那幾塊餵給模型」。拿一份四十頁的 10-K 來說，這正好是它最擅長的題型。

對照之三：不會寫策略，也能做量化

這一關以前直接把九成散戶擋在門外。你有個交易想法，但它在你腦袋裡是一句中文，不是一段能跑的程式。

PromptStrategy Agent 解的就是這個落差。你用自然語言描述策略——比如「RSI 低於 30 而且 MACD 金叉的時候買入 BTC」——它幫你轉成可執行的邏輯，完整流程是市場數據獲取、特徵計算、LLM 決策，最後透過 CCXT 在交易所下單。支援 Binance、OKX、Hyperliquid 這些合約交易。另外還有一個 Grid Agent 做網格交易，你設好交易對，它建議網格參數並自動調整，適合震盪行情下的自動低買高賣。

聽到「自然語言下單」先別太興奮，這正是要踩煞車的地方，等下會講。

一個藏在細節裡的好設計

ValueCell 同時支援九種 LLM 提供者，而且帶 fallback 機制——主要的那家掛了，會自動切到備用。OpenRouter、OpenAI、Gemini、DeepSeek、Ollama 都在清單上，連本地離線跑的模型都接。

這個設計值得單獨拎出來講，因為它透露了一個正確的判斷：在一個你要拿來碰真金白銀的系統裡，「模型供應商會掛」不是要不要防的問題，是一定要防的問題。把它做成預設，而不是叫你自己想辦法，是把使用者真正會遇到的痛點放進了架構裡。自己想用、會去用的人，才做得出這種細節。

裝起來也不費勁。一般使用者直接從 GitHub Releases 下載 macOS 或 Windows 安裝包，目前最新是 v0.1.20-beta。開發者想從原始碼跑，一行 bash start.sh 會自動裝依賴、把前後端一起拉起來，開瀏覽器到 http://localhost:1420，在設定頁填至少一個 LLM 的 API Key 就能開始。所有 API Key 和交易所憑證只存在本地，不上傳到任何第三方伺服器——這對在意隱私的人是個實打實的加分。

該踩煞車的地方

前面講得它好像很美，但有一段話一定要說清楚，因為它牽涉到你的錢。

這是 beta 軟體，版本號還在 v0.1.x。不要拿大筆真金白銀衝進去，README 自己也把「投資有風險」寫在明面上。 交易功能目前只支援合約交易，現貨是用 1X 合約模擬的，不是原生現貨；部分交易所像 Coinbase、Gate.io、MEXC 只是「部分測試」，穩定性沒保證；它沒有發到 PyPI，只能從原始碼裝；A 股資料依賴的 baostock、akshare 在某些地區存取會有問題。

還有一個誠實的訊號要讀懂：它最後一次程式碼 push 是 2026 年 3 月 9 日，更新速度有放緩的跡象。一萬多顆星、四個核心貢獻者——這是個漂亮的概念驗證，但「漂亮的概念驗證」跟「能託付資產的生產系統」之間，隔著的距離比星星數量看起來的要遠得多。我自己也只是讀了它的設計、跑過介面，沒拿真的部位去壓測過它的下單路徑，這點得先說在前面。

對照看完之後，真正變掉的是什麼

回到開頭那個開了二十個分頁的下午。

換成 ValueCell，畫面上少了十九個分頁，多了一個對話框。但如果你以為這篇文章在講「效率變高了」，那就看小了它。真正變掉的，是「做投資研究」這件事的門檻被搬走了——以前它要求你同時是分析師、記者、工程師、盯盤員，現在它只要求你會問問題、會做判斷。會計和爬蟲那些苦工，機器接走了。

這帶出一個更值得想的方向：當研究的執行成本被壓到趨近於零，散戶之間比的就不再是「誰查得到資料」，而是「誰問得出對的問題、誰扛得住自己的判斷」。工具把下游的苦工做掉了，但上游那個「你到底想清楚沒有」的責任，一分一毫都沒幫你扛。下一個被 Multi-Agent 拆掉門檻的領域會是哪一行，現在還不知道；但門檻搬走之後，價值會往哪裡集中，這個方向倒是已經很清楚了。

原文來源：ValueCell - GitHub