基于AFlow算法的股票量化分析系统，支持自动工作流优化、多符号并行分析和实时模拟交易。
git clone git@github.com:CristinaKepner/Aflow-stock-js.git
cd aflow-stock-js
chmod +x deploy.sh
./deploy.sh复制环境变量模板并配置API密钥：
cp .env.example .env编辑 .env 文件：
# LLM API Keys
OPENAI_API_KEY=your_openai_api_key
ANTHROPIC_API_KEY=your_anthropic_api_key
# Stock Data API Keys (Optional)
ALPHA_VANTAGE_API_KEY=your_alpha_vantage_key
YAHOO_FINANCE_API_KEY=your_yahoo_finance_key
# Configuration
DEFAULT_SYMBOL=AAPL
BACKTEST_DAYS=30
MAX_SEARCH_ROUNDS=5
LLM_MODEL=moonshot-v1-8k
LLM_TEMPERATURE=0.7
CACHE_ENABLED=true
CACHE_TTL=3600npm startnpm run multisymbolnpm run full访问前端界面：http://localhost:3000
aflow-stock-js/
├── src/
│ ├── nodes/ # 数据节点
│ │ ├── fetchKline.js # K线数据获取
│ │ ├── technical.js # 技术指标计算
│ │ ├── news.js # 新闻数据获取
│ │ ├── sentiment.js # 情感分析
│ │ ├── predict.js # 预测生成
│ │ └── eastmoney.js # 东方财富数据
│ ├── operators/ # 工作流操作符
│ │ └── stockOperators.js
│ ├── search/ # 搜索算法
│ │ ├── mcts.js # 蒙特卡洛树搜索
│ │ ├── optimizer.js # AFlow优化器
│ │ └── multiSymbolOptimizer.js
│ ├── eval/ # 评估模块
│ │ └── backtestEval.js
│ ├── trading/ # 交易模块
│ │ └── paperTrading.js
│ ├── utils/ # 工具模块
│ │ ├── llm.js # LLM客户端
│ │ └── cache.js # 缓存管理
│ └── server.js # 后端服务器
├── frontend/ # React前端
├── test/ # 测试脚本
├── storage/ # 数据存储
├── deploy.sh # 部署脚本
├── package.json
└── README.md
GET /api/dashboard/stats- 获取仪表板统计数据
POST /api/workflow/run- 运行工作流POST /api/workflow/save- 保存工作流GET /api/workflow/list- 获取工作流列表
POST /api/paper-trading/start- 启动模拟交易POST /api/paper-trading/stop- 停止模拟交易GET /api/paper-trading/status- 获取交易状态
POST /api/optimization/single- 单符号优化POST /api/optimization/multi-symbol- 多符号优化
GET /api/data/kline/:symbol- 获取K线数据GET /api/data/news/:symbol- 获取新闻数据GET /api/data/technical/:symbol- 获取技术指标
🚀 Starting AFlow optimization for AAPL
📊 Max rounds: 5
🔄 Round 1/5
🔍 MCTS search completed. Best score: 0.083
🤖 Generating improved workflow...
✅ Improvement accepted: 8.33%
Round 1 result: 58.33% (best: 58.33%)
=== Backtest Results ===
Symbol: AAPL
Total Trades: 30
Win Rate: 58.33%
Total Return: 2.45%
Avg Return: 0.08%
Sharpe Ratio: 0.156
AFlow 就像一个“自动炼丹炉”，你给它一个问题（比如数学题、写代码、回答问题），它就能自己摸索出一套最有效的“解题步骤”，而且这个步骤比人类专家设计的还要好。
你有没有发现，现在大模型（比如 GPT-4）虽然厉害，但想要它真正解决复杂问题，你得一步一步教它怎么做，比如：
- 数学题：你得告诉它“先理解题意，再列方程，再计算，再检查”。
- 写代码：你得告诉它“先理解需求，再写代码，再测试，再修 bug”。
这些“解题步骤”就是所谓的 Agentic Workflow（智能体工作流程）。
但问题是：这些流程现在都是人类专家手动设计的，费时费力，而且换个任务就不一定好使了。
所以，AFlow 就想：能不能让 AI 自己摸索出一套最优的解题流程？
AFlow 的思路其实很简单，但也很巧妙：
AFlow 把每一个解题步骤（比如“理解题意”、“列方程”、“检查答案”）都当成一个“节点”（Node），然后用代码把这些节点串起来，形成一个“工作流”（Workflow）。
- 举个例子：
# 伪代码示例 async def solve_math(problem): step1 = await understand_problem(problem) # 理解题意 step2 = await generate_solution(step1) # 生成解题思路 step3 = await check_answer(step2) # 检查答案 return step3
AFlow 用了一个叫 MCTS（蒙特卡洛树搜索） 的算法，简单来说就是：
- 先随便试一个流程（比如直接让 AI 瞎猜答案）。
- 看效果如何（比如数学题能得分吗？）。
- 根据效果调整流程（比如发现“检查答案”这一步很重要，就加上）。
- 再试再调，不断重复，直到找到最好的流程。
这个过程就像你玩“猜数字”游戏，一开始瞎猜，后来慢慢摸到规律，最后变成猜数字高手。
论文里做了很多实验，选了 6 个不同类型的任务：
| 任务类型 | 举个例子 |
|---|---|
| 数学题 | GSM8K、MATH（小学到高中数学题） |
| 写代码 | HumanEval、MBPP（让 AI 写 Python 函数） |
| 问答 | HotpotQA、DROP（阅读理解题） |
结果 AFlow 搞出来的流程，比人类专家设计的还要好：
- 平均提升 5.7%（听起来不多，但在 AI 领域已经是很明显的提升了）。
- 最夸张的是，用便宜的小模型（比如 DeepSeek）+ AFlow 搞出来的流程，居然比 GPT-4 本身还要厉害，而且成本只有 GPT-4 的 4.55%！
以 数学题（GSM8K） 为例：
一开始 AFlow 只有一个空白流程：
async def solve_math(problem):
return await llm(problem) # 直接让 AI 瞎猜效果当然很差。
然后 AFlow 开始自动调整：
-
第 2 轮：发现“多生成几个答案再投票”效果好，于是加了“Ensemble”（集成）操作：
async def solve_math(problem): answers = [await llm(problem) for _ in range(3)] # 生成 3 个答案 return vote_best(answers) # 投票选最好的
-
第 3 轮：发现“检查答案”很重要，于是又加了“Programmer”操作（让 AI 写代码验证答案）：
async def solve_math(problem): answers = [await llm(problem) for _ in range(3)] best = vote_best(answers) checked = await check_with_code(best) # 用代码验证 return checked
最后，AFlow 自己摸索出了一个非常复杂的流程，效果远超人类设计的。
| 传统方法 | AFlow 的方法 |
|---|---|
| 人类专家手动设计流程 | AI 自动摸索最优流程 |
| 换个任务要重新设计 | 通用方法，自动适应新任务 |
| 贵的大模型才好用 | 便宜的小模型也能超神 |
| 人工成本高 | 完全自动化 |
AFlow 就是一个“自动炼丹炉”，你给它一个问题，它就能自己炼出一套最优的“解题秘籍”，而且这个秘籍比人类专家写的还要厉害！
论文里还有个有趣的发现：
即使不给 AFlow 任何“人类经验”（比如不告诉它“检查答案”很重要），它自己也会慢慢摸索出“检查答案”这一步。
这就好像你从来没学过数学，但自己慢慢发现“做完题检查一遍”很重要一样，非常神奇！