StockSage 建立在一个简单边界之上：机器负责记录、整理、复核与提示风险， 用户保留最终判断。三个支柱承担那些枯燥却关键的工作，并在每一步留下依据。
技术因子、新闻情绪、基本面、QFII 持仓与长期标签，统一整理为同一条可审计记录。每个分数都能追溯到来源行。
测试框架会检查未来函数、过拟合与样本外表现；止损、退出与归因都会留下复盘证据。
分层记忆分别承载项目规则、个股判断、研究索引与对话摘要。每一次长期写入，都需要明确授权。
StockSage 为 Codex、Claude Code、Claude Desktop、Cursor 与 MCP 工作流设计。 你不需要先理解每个脚本；先说清研究目标，让代理读取上下文、跑健康检查、整理证据和复盘结果。
数据先落到本地 SQLite，分析在其上运行。每个分数都能指向引用来源， 每次记忆写入都会留痕。同一套内核同时驱动 Web 控制台、终端代理和 MCP 工具。
拖动权重即可观察综合分如何变化。当前默认配置为 技术 60% · 情绪 40% · 量化 0%：量化层照常计算和记录， 但在通过验证前不影响总分。候选阈值 = 25。
score = wT × tech + wS × sentiment + wQ × quant ATR stop = close - ATR(14) × 2.0 trailing = max(prev stop, high - ATR(14) × 2.5)
记忆不是黑箱。一次性提问与临时偏好不会沉淀进交易状态； 任何影响后续判断的长期内容，都需要明确用户意图，并可以事后审计、回放。
每轮读取，跨会话清空。只用于保持对话上下文，不沉淀进长期交易状态。
项目级规则、风险偏好、关注池上下文与研究索引，写入本地 SQLite。
按标的记录投资逻辑、置信度、结果与复盘经验，需要时再召回。
每次决策、证据行与长期记忆写入都进入全文索引，随时可回放追溯。
如果你已经在用 Codex 或 Claude Code，推荐先把仓库交给代理。 Web 控制台、终端、Docker 栈与 MCP 服务器使用同一套数据层、决策层和记忆层，只是入口不同。
你会这样使用：
# 1 · 告诉你的代理 "读取 README.md 和 AGENTS.md，然后运行 python3 -m backend.agent.cli health --pretty." # 2 · 它会： · 安装依赖、初始化 SQLite、提示需要的密钥 · 对涉及写入的动作先询问确认 · 把证据链流式返回到对话中
你会这样使用：
git clone <repo-url> && cd stock-sage make agent-setup make agent # 在 pi 内： > 检查 StockSage 健康状态。 > 结合记忆、新闻和持仓研究 300308。 > 总结 test-2 模拟交易表现。
你会这样使用：
git clone <repo-url> cd stock-sage pip install ".[dev]" cp .env.example .env python3 backend/data/database.py PYTHONPATH=. uvicorn backend.main:app --reload cd frontend && npm install && npm run dev
你会这样使用：
cp .env.example .env make docker-up # 打开 http://localhost (Web 控制台) # 打开 http://localhost:8000/docs (API 文档)
你会这样使用：
pip install -e ".[agent]" PYTHONPATH=. python3 -m backend.agent.mcp_server # 或： make agent-mcp make agent-mcp-config # MCP 工具： # stock_sage_project_context # stock_sage_memory_snapshot # stock_sage_stock_context # stock_sage_health
不需要先记命令。把下面的请求粘贴给你已经在用的代理， 它会读取项目上下文，再把结果整理成证据、风险和后续动作。
"读取项目记忆后，研究 300308 当前是否值得继续关注。"
"生成一份覆盖 300308 和 300394 的 AI 算力价值链主题研究报告。"
"总结 test-2 模拟交易表现，并展示规则校准建议。"