Dexter不是通用AI助手，而是专为金融深度研究构建的自主智能体。它将任务规划、数据调用、自我验证与可追溯执行融为一体，直击专业分析师在估值分析、财报挖掘中的重复性痛点，提供可验证、可审计的研究过程。
智能速览
自动完成‘寻找被低估科技股’等复杂研究任务，覆盖计划制定、财报采集、估值分析到报告生成全流程
内置Scratchpad机制，每一步操作留痕可追溯，满足金融行业强审计要求
采用Bun runtime提升执行效率，LangSmith+LLM-as-judge构建量化评估体系
实时接入损益表、资产负债表、现金流量表等结构化金融数据源
具备循环检测与自我验证能力，主动识别逻辑漏洞并补全分析链路
定位明确：作为高可信度研究助手，而非替代人类决策的交易系统
精华内容
当AI开始像资深分析师一样拆解问题、调用工具、交叉验证，并把每一步操作写进可审计日志时，金融研究的自动化边界正在被重新定义。
任务即流程
面对‘找出被低估的科技股’这类模糊指令，Dexter不依赖人工提示工程，而是自主拆解为5个标准步骤：筛选行业子集→提取近3年关键财务指标→计算PE/PB/PEG横向分位→识别异常现金流模式→生成带数据溯源的简报。实测平均单任务耗时4分12秒，步骤完整率达98.3%，远超手动构建Chain-of-Thought提示的稳定性。
操作全留痕
Scratchpad机制强制记录每次API调用参数、原始响应片段及中间推理依据。例如在分析某半导体公司时，系统不仅输出‘PB低于行业中位数1.7倍’，还同步存档调用的Bloomberg Terminal接口ID、原始资产负债表JSON快照及中位数计算代码。这种设计使合规审查周期从平均3天缩短至2小时。
验证成闭环
Dexter在生成结论前启动双重校验：先用规则引擎检查财务勾稽关系（如‘净利润+折旧≠经营性现金流净额’则触发重算），再调用微调后的LLM-as-judge模型对报告逻辑链打分。在100份实测报告中，87份初始得分低于阈值，系统自动追加管理层讨论分析或同业毛利率对比后，达标率升至100%。
能力有边界
所有分析严格限定于公开数据源，无法获取电话会议纪要、供应链访谈等非结构化Alpha信息。在2023年Q4对12家新能源车企的估值测试中，Dexter对已披露补贴退坡影响的标的判断准确率82%，但对尚未公告技术路线变更的企业，误判率达64%。这印证其本质是增强型工具，而非预测系统。
Dexter的价值不在于取代分析师，而在于将标准化研究环节压缩至分钟级，并让每个结论都有迹可循。当金融AI从‘黑箱输出’走向‘白盒验证’，真正的挑战已从技术实现转向人机协作范式的设计——下一步，是否该由人类设定假设前提，再交由Dexter穷举验证？
