AI Workspace Hub

<div align="center">

AI Workspace Hub

Turn Codex, Claude Code, Cursor, and Cline into a persistent research workspace.

把 AI 编程助手变成一套能长期记忆、持续研究、自动沉淀的工作台。

Image: CI Image: Python 3.10+ Image: GitHub stars Image: License

30 秒上手 · 六大能力 · 免费数据源 · 第一周怎么用 · 故障排查

Image: 完整流程演示：一句话安装 → Core Mode READY → 首次股票研究 → 研究偏好 → 主题假设 → 日报跟踪

_{演示动图按安装协议与 <a href="START-HERE.md">首次股票研究流程</a>脚本化生成（<a href="docs/gen_demo_gif.py">生成脚本</a>），非实录。}

</div>

最近更新（2026-09-30）：当前 Agent 可直接完成材料摘要与标签；日报显示数据来源、日期和缺失状态；安装附带免费数据源指南，daily-watch 与 podcast 均已内置。

对话很聪明，但工作流没有记忆；今天做完，明天又从头解释。

AI Workspace Hub 解决这个问题。六大能力开箱即用——核心工作流不需要 API key。

📖 想先了解设计思路？看作者的公众号长文：《从0构建 AI 协作系统（一）：从最小可运行的 MVP 开始》

⚡ 30 秒上手

把下面这句话发给你的 AI agent（Codex / Claude Code / Cursor / Cline）：

帮我按这个协议安装 AI Workspace Hub：
https://raw.githubusercontent.com/Benboerba620/ai-workspace-hub/main/INSTALL-FOR-AI.md
抓不到协议全文就先 git clone 本仓库，再读其中的 INSTALL-FOR-AI.md 逐字执行。

Agent 会问你 4 个问题（路径、用途、现有 wiki、是否使用 Obsidian），然后自动创建完整工作区。装好后，先用样例确认安装：

把 inbox/first-note.md 整理进 personal wiki。

预期：agent 读 AGENTS.md → 按 wiki/_schema.md 整理 → 写入 wiki/sources/ → 在 active-context.md 记录进度。

不需要 API key，不需要联网，不需要写任何代码。

样例通过后，开始第一份真实股票研究：

研究一家公司，同时帮我建立第一版研究偏好。
公司是：____；我现在关注它是因为：____。

这次会同时产出研究报告、研究偏好 v0.1、可验证假设和后续跟踪指标。以后研究其他公司会复用并继续校准这套方法，而不是每次从空白开始。

<details> <summary>还没有 AI agent？先花 2 分钟装一个</summary>

任选其一，都有免费或试用档：

• Claude Code（推荐）：先装 Node.js，然后终端运行 npm install -g @anthropic-ai/claude-code，在任意目录输入 claude 登录 Claude 账号。

• Codex CLI：npm install -g @openai/codex，输入 codex 登录 ChatGPT 账号。

• Cursor：去 cursor.com 下载安装，打开一个文件夹后用内置对话。

装好后回到上面，把那句话发给它就行。

</details>

<details> <summary>更习惯手动 clone？</summary>

git clone https://github.com/Benboerba620/ai-workspace-hub.git my-ai-workspace
cd my-ai-workspace

用 AI agent 打开这个目录，直接试跑 inbox/first-note.md → wiki。

验证安装状态：

python3 system/scripts/check_workspace.py    # Windows: python system/scripts/check_workspace.py

Core Mode 显示 READY 即可开始使用。

</details>

📈 股票研究主流程

首次研究引导 → 研究偏好 v0.1 → 研究结论 → 可验证假设
      → 跟踪指标 → daily-watch 日报 → 独立证据 → 假设复盘 → 长期知识

START-HERE.md 是安装后的用户首页。信息摄入只是输入环节；系统的主线是让研究结论进入假设，并通过日报持续验证。

每份研究、假设和证据都有稳定 ID；当前状态只保存在 Markdown frontmatter。需要用户确认的 wiki 沉淀、假设调整、股票池新增和研究偏好变化会进入持久待确认队列。直接说：

看看我的研究系统现在有什么需要处理。

Agent 会汇总进行中的研究、待复盘证据、到期假设和待确认动作，并给出下一步。

🧩 六大能力

daily-watch 和 podcast 已经内置在 Hub 中，不需要再单独安装。 后台自动标签、独立运行的播客摘要和部分行情源需要按需填写 API key；交互整理可由当前 Agent 完成。

零 key 可用：wiki 可由当前 Agent 摄入和补齐有依据的标签，不调用独立模型 API；research、hypothesis、screen（websearch 模式）、daily-watch（报告骨架 + 美股降级源）照常可用。

默认建议配置：先按 免费数据源接入指南 选择市场——美股可零 Key 使用 Nasdaq，A 股可从 Tushare 的基础日线档起步，yfinance 可作为个人研究备用；再按需配置 LLM、FMP 或 Longbridge Skill。

🔄 工作流程

flowchart LR
    IN["inbox / web"] --> TAG["统一自动标签"]
    TAG --> KB["wiki 知识库"]
    KB --> R["research R*"]
    R --> H["hypothesis H*"]
    H --> W["唯一执行股票池"]
    W --> D["daily-watch 日报"]
    D --> E["evidence E-*"]
    E -->|"用户确认后复盘"| H
    R --> Q["review-queue Q-*"]
    H --> Q
    Q -->|"确认后执行"| KB
    S["workspace status"] -.-> R
    S -.-> H
    S -.-> E
    S -.-> Q

核心不是"文件夹长什么样"，而是：agent 进入目录后知道先读什么、做研究时先查本地 wiki、输出时事实与推测分开、证据和判断不混写、待确认动作不会随对话消失、明天继续时能从断点接上。

wiki 变大后也不会每次全量加载。每次研究先运行 Research Preflight：按 rule -> pattern -> exploration 加载相关可复用知识，同时扫描 entities / concepts / sources，只返回少量命中页面、命中理由和过期/冲突提示，再决定哪些问题需要联网。扫描不调用大模型，并生成可检查的回执。知识按 source -> exploration -> pattern -> rule 逐级提炼；每次晋级、降级或退役都保留用户确认、复审日期和失效条件。

材料进入 wiki 时按同一标签契约补齐 domain / ticker / concepts / related / entity_salience / tags。交互模式由当前 Agent 处理，后台模式使用统一打标器；历史补标默认只预览，已有人工字段不会被覆盖。

用真实案例理解 Wiki 晋级

产能扩张周期见顶案例 把一条真实研究判断拆成 4 个 Source、2 个已提炼 Exploration 和 1 张 draft Pattern：光伏与锂电是产生该 Pattern 的母案例，因此不能再次冒充独立确认，primary_confirmations 保持为 0。日常研究默认不会加载这张草稿卡；复盘模式可以找到它，未来经过两次新的独立事前验证并由用户确认后，才允许变成 active Pattern。累计三次独立确认后，再讨论是否形成可执行 Rule。

案例目录可以独立运行 summary 和 load，仓库测试同时守住“母案例不计确认、draft 不进入日常加载、满足门槛后才可晋级”三条边界。

系统不在某个模型里，而在这套文件协议里。谁读懂这套协议，谁就接上你的工作流。

⚙️ Core Mode / Enhanced Mode

推荐路径：安装后运行 check_workspace.py → 按 DATA-SOURCES.md 选择免费或付费数据源 → 只填写实际需要的 key。暂时没有 key 时仍可先跑 Core Mode，美股基础行情还可走 Nasdaq 无 Key 源。

📅 第一周怎么用

适合谁？

适合：投资研究员、个人投资者、内容创作者、AI power user、Markdown / Obsidian 用户、想做长期项目而不是一次性对话的人。

不适合：想要 GUI 应用、自动交易系统，或不愿意用 Markdown 管理知识的人。

<details> <summary><b>📂 目录结构</b></summary>

ai-workspace-hub/
├── AGENTS.md                 # Codex 入口路由
├── CLAUDE.md                 # Claude Code 入口路由
├── INSTALL-FOR-AI.md         # 交给 AI agent 的安装协议
├── SMOKE-TEST.md             # 冒烟测试
├── ARCHITECTURE.md           # 架构说明
├── TROUBLESHOOTING.md        # 故障排查
├── workspace/                # 配置、断点、看板与归档
│   ├── monitoring/           # 用户阅读的监控看板
│   └── archive/              # 退出主流程的历史材料
├── inbox/                    # 临时输入材料
├── wiki/                     # personal wiki（exploration / pattern / rule）
├── output/                   # 研究、筛选、播客和日报输出
│   └── daily-watch/          # 日报归档
├── hypothesis/               # 投资假设和复盘
├── evidence/                 # 独立证据账本
├── portfolio/                # 交易记录
├── config/                   # 用户配置，不入 git
├── tools/                    # podcast / daily-watch 工具
└── system/                   # skills / integrations / scripts / templates

</details>

<details> <summary><b>🗄️ 数据源与边界</b></summary>

重要边界：本项目不做自动交易，不承诺数据源永远免费，不把 AI 输出包装成投资建议。缺少 API key 时优雅降级，不会让用户误以为工作区坏了。

</details>

<details> <summary><b>💻 常用命令</b></summary>

python3 system/scripts/check_workspace.py          # 总检查
python3 system/scripts/workspace_status.py         # 当前研究、证据和待办
python3 system/scripts/research_preflight.py --root . --context "你的研究问题和关键词" --research-id R-... --research-file output/research/报告.md --record  # 扫描 Wiki 并更新研究报告
python3 system/scripts/knowledge_lifecycle.py --root . summary  # 知识状态、到期复审和晋级候选
python3 system/scripts/knowledge_lifecycle.py --root . rebuild-index --apply  # 重建三个短索引
python3 system/scripts/review_queue.py list        # 查看持久待确认队列
python3 system/scripts/wiki_tagger.py --root . backfill wiki  # 预览历史 wiki 补标
python3 -m unittest discover -s tests -v            # 运行测试
python3 tools/daily-watch/scripts/check_setup.py --init  # 初始化日报配置
python3 tools/podcast/scripts/fetch_podcasts.py --help   # 播客工具帮助

Python 工具需要 3.10+。Windows 用户用 python 代替 python3，或 py -3 指定版本。

</details>

<details> <summary><b>❓ 新手常见问题</b></summary>

Q：我不会写代码，能用这个项目吗？ 可以。Core Mode 只需要把文本放进 inbox/，然后用自然语言告诉 AI agent 做什么。

Q：一定要用 Codex / Claude Code 吗？ 不一定。任何能读写文件的 AI agent 都可以。Codex 和 Claude Code 效果最好，Cursor 和 Cline 也可以。

Q：安装 Hub 后，还要单独安装 daily-watchlist 或 pod2wiki 吗？ 不需要。两套工具及其配置模板已经包含在 tools/daily-watch/ 和 tools/podcast/；你只需要按用途安装可选依赖，并按 免费数据源接入指南 选择是否配置 key。

Q：wiki 越来越大怎么办？ 用 Obsidian 打开 wiki/ 目录做可视化管理，或让 AI agent 帮你整理归档。

Q：API key 会不会泄露？ config/ 已被 .gitignore 排除，不会被 git 提交。

Q：自动标签会把什么发给大模型？ 会把当前 wiki 页面的 frontmatter 和正文发送给你在 config/pod2wiki.env 选择的模型服务商，只用于返回结构化标签。敏感材料应先确认所选服务商的数据政策，或跳过自动标签。

Q：可以和 Obsidian 一起用吗？ 可以。安装时选择 Obsidian（或在已有 vault 中安装），Hub 会增加 reading-hub.md 和 reading-hub.base，用 9 个动态视图汇总待读内容；可直接在表格中填写 已读 / 精读 / 跳过，并优先按资料自身日期而不是本机文件时间排序。默认不安装，也不影响非 Obsidian 用户。需要 Obsidian 1.9+ 的 Bases 功能。

更多问题见 TROUBLESHOOTING.md。

</details>

Roadmap

• 更多真实研究工作流样例

• 更强的 screen 预设

• 更完善的 daily-watch 降级策略

• 证据来源质量分级和跨来源事件去重

• 知识索引的自动健康检查与过期提示

Contributing

欢迎提 issue / PR，尤其是新 agent 适配、研究报告模板、数据源接入、真实使用摩擦点、README / 教程 / 安装流程改进。

Star History

如果这个项目对你有帮助，欢迎点一下 ⭐ Star。它会帮助更多需要"长期 AI 工作流"的人发现这个项目，也会让我知道哪些方向值得继续做。

Image: Star History Chart

Disclaimer

AI Workspace Hub 是个人研究与知识管理工具，不构成投资建议。所有市场数据、公司信息、财务数字、新闻和监管信息都应以原始来源为准。

<!-- 文件说明：项目首页、价值介绍和快速上手。 -->

为什么已经在 Agent 中使用，还可能需要模型 Key？

交互整理可以由当前 Agent 完成：播客工具使用 --agent-handoff 准备原文与待处理队列，Agent 阅读原文后完成摘要和标签，不要求另配模型 Key。脚本在后台独立生成摘要才需要模型 API。两种方式的步骤与完成标准见 Podcast 流程。