Dexter 是一个自主金融研究 agent，作者把它定位成「面向金融研究的 Claude Code」：在终端里运行的 TUI，接收复杂的金融问题后自动拆解为研究计划，调用实时市场数据（财报、资产负债表、现金流）执行，并通过自我反思与自我校验反复迭代直到给出有数据支撑的结论。它内置循环检测与步数上限防止失控，并能通过 WhatsApp 网关对话使用。README 醒目声明仅供教育与信息用途、不构成投资建议。注意仓库 license 字段为空（README 末尾声明 MIT，但仓库未检出 LICENSE 文件）。
来源：README Overview/Key Capabilities/Disclaimer；GitHub license=null vs README 声明 MIT 查看 GitHub 仓库 →约半年累计 2.6 万星、3186 fork，热度来自一个清晰且稀缺的切口——把「自主 agent」这一抽象概念落到「深度金融研究」这一高价值垂直场景，并用「金融版 Claude Code」这一类比降低理解成本。它把任务规划、自校验、实时财报数据、可审计的 scratchpad 日志和 WhatsApp 入口组合成一个可上手的开源样板，作者 virattt 在金融 AI 圈本身有影响力，进一步带动传播。需要清醒看待：项目自身明确声明仅供教育用途、不可用于真实交易。
来源：GitHub 25,967 stars / 3,186 forks，created 2025-10-14；README 类比与 Disclaimer自动把复杂金融问题分解为结构化的研究步骤，并自行选择、调用合适的工具去获取财务数据，无需人工编排每一步。
来源：README Key Capabilities；src/agent/agent.ts、prompts.ts、tool-executor.tsagent 会检查自己的工作并迭代直到任务完成；内置循环检测和步数上限，防止 runaway execution；通过 compact/microcompact 对上下文做压缩以支撑长任务。
来源：README Safety Features；src/agent/{compact,microcompact,token-counter}.ts接入 Financial Datasets API 获取利润表/资产负债表/现金流等机构级数据，并可用 Exa（优先）或 Tavily 做网页搜索、Playwright 抓取，多 LLM 提供商（OpenAI/Anthropic/Google/Ollama/OpenRouter）可切换。
来源：README Prerequisites/env；package.json deps（@langchain/*、exa-js、playwright）每次查询在 .dexter/scratchpad/ 生成一个 JSONL 文件，逐条记录原始 query、每次 tool_result（参数+原始结果+LLM 摘要）和 thinking 推理步，便于精确复盘 agent 取了什么数据、如何解读。
来源：README How to Debug；src/agent/scratchpad.ts内置 eval 套件，用 LangSmith 跟踪 + LLM-as-judge 对一组金融问题打分，带实时进度 UI；并提供 WhatsApp 网关（baileys 扫码登录），把发给自己的消息交给 Dexter 处理后回传。
来源：README How to Evaluate / WhatsApp；src/evals/run.ts、src/gateway/channels/whatsapp/*纯 TypeScript、以 Bun 为运行时的终端应用。核心在 src/agent：agent.ts 是主循环，prompts.ts 管提示词，tool-executor.ts 执行工具，scratchpad.ts 落 JSONL 审计日志，compact/microcompact/token-counter 负责上下文压缩与计数，run-context 管单次运行状态。能力分层清晰：src/tools 与 src/skills 是 agent 可用的工具/技能，src/model + src/providers.ts 抽象多家 LLM，src/memory 用 better-sqlite3 做持久记忆，src/cron 用 croner 做定时。交互层是基于 @mariozechner/pi-tui 的 TUI（index.tsx、components、theme.ts）。src/gateway 把 agent 暴露为多渠道服务，目前实现 WhatsApp（@whiskeysockets/baileys，含 inbound/outbound/dedupe/access-control）。src/evals 是独立评测子系统（dataset csv + LangSmith + 实时 UI）。整体是「单 agent 主循环 + 可插拔工具/渠道/模型 + 可审计日志」的样板式结构。
来源：tree（src/agent、tools、skills、memory、model、gateway、evals、cron）；package.json deps中心为项目本体，内环 = 核心功能模块，外环 = 关键技术依赖；按 deep.json 中的 core_features 与 tech_stack.key_deps 自动生成
bun (运行时)@langchain/{openai,anthropic,google-…better-sqlite3 (记忆)@mariozechner/pi-tui (TUI)playwright@whiskeysockets/baileys (WhatsApp)langsmith (评测)cronerzod适合：①想研究「自主研究型 agent」工程范式（任务规划+自校验+可审计日志+上下文压缩）的开发者，把它当作可读性高的样板；②个人投资者/分析师做教育性质的公司财务初筛与多步研究，并通过 WhatsApp 随手提问；③需要 LLM-as-judge 评测金融问答准确率的研究者。不适合：真实交易/投资决策（项目明确声明不构成投资建议、输出可能有误）、以及对数据准确性与合规有严格要求的生产金融场景。
来源：README Disclaimer / Overview / Evaluate，结合定位推断采用日历化版本号，最新为 v2026.5.20（2026-05-20，与最近 push 同日），此前有 v2026.5.15、v2026.5.12，发布相当频繁，处于活跃迭代期。近期工作集中在 agent 主循环、上下文压缩与多渠道网关的打磨。
来源：GitHub Releases v2026.5.20/v2026.5.15/v2026.5.12；pushed_at 2026-05-20Dexter 的真正价值不在于「能不能帮你炒股」——它明确不行，而在于它是一个把「自主研究型 agent」做得相当完整、可读、可审计的开源样板：任务规划、自校验、上下文压缩、JSONL 日志、多模型/多渠道解耦，对想学习 agent 工程的人很有参考价值，这也是它半年冲到 2.6 万星的主因。但作为金融工具必须守住边界：仅供教育用途、依赖付费数据与模型、许可证还不一致。建议把它当作「agent 工程教材 + 个人财务研究玩具」来用，不要据其输出做任何真实投资决策。
来源：综合 README 定位/免责声明、tree 工程结构、发布节奏的事实判断Dexter 是一个自主金融研究 agent，作者把它定位成「面向金融研究的 Claude Code」：在终端里运行的 TUI，接收复杂的金融问题后自动拆解为研究计划，调用实时市场数据（财报、资产负债表、现金流）执行，并通过自我反思与自我校验反复迭代直到给出有数据支撑的结论。它内置循环检测与步数上限防止失控，并能通过 WhatsApp 网关对话使用。README 醒目声明仅供教育与信息用途、不构成投资建议。
dexter 的核心功能包括：任务规划与自主执行、自校验与防失控、实时金融数据与多源工具、可审计的 scratchpad 日志、评测套件 + WhatsApp 网关。
约半年累计 2.6 万星、3186 fork，热度来自一个清晰且稀缺的切口——把「自主 agent」这一抽象概念落到「深度金融研究」这一高价值垂直场景，并用「金融版 Claude Code」这一类比降低理解成本。它把任务规划、自校验、实时财报数据、可审计的 scratchpad 日志和 WhatsApp 入口组合成一个可上手的开源样板，作者 virattt 在金融 AI 圈本身有影响力，进一步带动传播。
适合：①想研究「自主研究型 agent」工程范式（任务规划+自校验+可审计日志+上下文压缩）的开发者，把它当作可读性高的样板；②个人投资者/分析师做教育性质的公司财务初筛与多步研究，并通过 WhatsApp 随手提问；③需要 LLM-as-judge 评测金融问答准确率的研究者。不适合：真实交易/投资决策（项目明确声明不构成投资建议、输出可能有误）、以及对数据准确性与合规有严格要求的生产金融场景。