AI股票分析师daily_stock_analysis的Linux部署全攻略

每天手动盯盘、翻新闻、看指标，是不是感觉眼睛都快看花了，脑子也转不动了？如果你也受够了这种重复劳动，那今天这篇文章就是为你准备的。

我最近花了不少时间，把一个叫daily_stock_analysis的AI股票分析工具，从零开始部署在了自己的Linux服务器上。现在，它每天自动帮我分析自选股，生成一份带买卖建议的“决策仪表盘”，然后直接推送到我的手机上。整个过程完全自动化，我再也不用早起第一件事就是打开一堆APP了。

这篇文章，我就来手把手带你走一遍完整的Linux部署流程。不管你是有点Linux基础的系统管理员，还是刚接触命令行不久的新手，跟着步骤走，都能在自己的机器上搭起这个“AI分析师”。

1. 部署前准备：理清思路，备好工具

在动手敲命令之前，我们先花两分钟，搞清楚我们要部署的是个什么东西，以及它需要哪些“食材”。

daily_stock_analysis本质上是一个Python脚本集合。它的工作流程很清晰：定时抓取你指定的股票行情数据，同时搜索相关的新闻资讯，然后把这两样“原料”扔给一个AI大模型（比如Google的Gemini或者DeepSeek），让AI像分析师一样进行综合研判，最后生成一份易于理解的报告，并通过微信、邮件等方式推给你。

所以，部署它需要准备三样核心东西：

1. 一个能运行Python的Linux环境：这是我们的“厨房”。
2. 股票和新闻的数据源API Key：这是“食材”的采购渠道。部分数据源免费，但有些高级或更稳定的需要申请。
3. 一个AI大模型的API Key：这是我们的“主厨”。Gemini有免费额度，非常适合起步。

对于Linux环境，我个人推荐使用Ubuntu 22.04 LTS或更新版本，社区支持好，遇到问题容易找到答案。一个干净的云服务器（比如1核2G配置）就完全足够了，如果你有闲置的电脑或NAS，装个Linux系统也一样可以。

接下来，我们就进入正式的部署环节。

2. 第一步：搭建基础运行环境

首先，我们需要通过SSH连接到你的Linux服务器。假设你的服务器IP是your_server_ip，登录用户是ubuntu。

ssh ubuntu@your_server_ip

登录后，第一件事是更新系统软件包列表，确保我们安装的都是最新版本的组件。

sudo apt update && sudo apt upgrade -y

这个工具是Python写的，所以我们需要安装Python和包管理工具pip。Ubuntu 22.04通常预装了Python 3.10，但我们最好确认一下，并安装必要的开发工具。

# 安装Python3、pip3以及一些编译可能需要的工具
sudo apt install -y python3 python3-pip python3-venv git curl wget build-essential

为了环境的干净和避免依赖冲突，强烈建议使用Python虚拟环境。我们在用户目录下创建一个专门的环境。

# 切换到用户主目录
cd ~
# 创建一个名为`stock_ai`的虚拟环境
python3 -m venv stock_ai
# 激活这个虚拟环境
source stock_ai/bin/activate

激活后，你的命令行提示符前面应该会出现(stock_ai)的字样，这表示你已经在虚拟环境中了。后续的所有Python包安装都会局限在这个环境里，不会影响系统全局。

3. 第二步：获取代码与安装依赖

环境准备好了，现在把“菜谱”拿过来，也就是项目的源代码。

# 克隆项目仓库到本地
git clone https://github.com/ZhuLinsen/daily_stock_analysis.git
# 进入项目目录
cd daily_stock_analysis

项目根目录下有一个requirements.txt文件，里面列出了所有需要的Python库。我们直接用pip安装它们。这个过程可能会花几分钟，因为有些库（比如机器学习相关的）需要编译。

pip install -r requirements.txt

如果安装过程中遇到某些包编译失败（特别是在内存较小的服务器上），可以尝试先安装一些系统级的依赖，然后再重试。

# 如果遇到编译错误，可以尝试安装这些开发库
sudo apt install -y python3-dev libffi-dev libssl-dev
# 然后再次运行 pip install

安装顺利完成后，基础环境就搭建好了。接下来是最关键的一步——配置。

4. 第三步：核心配置详解

这个工具的所有配置都通过一个叫.env的环境变量文件来控制。项目里提供了一个模板文件.env.example，我们复制一份并开始编辑。

# 复制模板文件
cp .env.example .env
# 使用你喜欢的编辑器打开，比如nano或vim
nano .env

打开后，你会看到很多配置项。别慌，我们不需要全部填完，只需要关注几个最核心的。下面我以一个最简化的、能跑通的配置为例，带你过一遍。

4.1 配置AI大脑（必填）

这是核心中的核心。你需要至少配置一个AI模型的API。我推荐从Google Gemini开始，因为它有免费的额度，足够个人使用。

1. 访问 Google AI Studio。
2. 登录你的Google账号。
3. 在页面中，点击“Get API key”来创建一个API密钥。
4. 将生成的密钥复制下来。

回到你的.env文件，找到并填写下面这行：

# 填入你从Google AI Studio获取的密钥
GEMINI_API_KEY=你的_gemini_api_key_在这里

如果你想用其他模型，比如DeepSeek（性价比很高），就需要配置下面几项：

# 使用DeepSeek的配置示例
OPENAI_API_KEY=你的_deepseek_api_key
OPENAI_BASE_URL=https://api.deepseek.com/v1
OPENAI_MODEL=deepseek-chat

注意：GEMINI_API_KEY 和 OPENAI_API_KEY 至少需要配置一个。

4.2 配置你要分析的股票（必填）

找到STOCK_LIST这一项。这里填写你的自选股代码，不同市场的代码格式稍有区别，用英文逗号隔开。

# 示例：分析贵州茅台(A股)、腾讯控股(港股)、苹果(美股)
STOCK_LIST=600519,hk00700,AAPL

• A股：直接写代码，如 600519（贵州茅台）。
• 港股：代码前加 hk，如 hk00700（腾讯）。
• 美股：直接写代码，如 AAPL（苹果）。

4.3 配置通知渠道（选填，但建议配置）

分析报告出来了，得有个地方收啊。工具支持很多种方式，我强烈建议至少配置一个，不然分析结果就“烂”在服务器里了。

企业微信是比较方便的选择，适合国内用户。

1. 在你的企业微信群里，添加一个“群机器人”。
2. 获取机器人的Webhook地址。
3. 填入配置：

WECHAT_WEBHOOK_URL=你的企业微信群机器人Webhook地址

如果你用Telegram，可以配置TELEGRAM_BOT_TOKEN和TELEGRAM_CHAT_ID。如果只想在服务器上看看日志，也可以暂时不配，手动运行测试时结果会打印在屏幕上。

4.4 配置新闻数据源（推荐）

有新闻舆情分析，报告会更全面。Tavily是一个不错的AI搜索API，提供免费额度。

1. 去 Tavily官网 注册并获取API Key。
2. 填入配置：

TAVILY_API_KEYS=你的_tavily_api_key

其他数据源如SERPAPI、TUSHARE_TOKEN等，可以根据需要后续补充。对于初次部署，先保证核心功能跑通。

编辑完成后，保存并退出编辑器（在nano中是按 Ctrl+X，然后按 Y，再按 Enter）。

5. 第四步：首次运行与测试

配置都填好了，是骡子是马，拉出来遛遛。我们进行第一次手动运行测试。

确保你还在项目的根目录（~/daily_stock_analysis）并且虚拟环境是激活状态（命令行前有(stock_ai)）。

运行以下命令：

python main.py

程序会开始工作：获取股票数据 -> 搜索新闻 -> 调用AI分析 -> 生成报告。整个过程大概需要1到3分钟，取决于你分析多少只股票和网络状况。

如果一切顺利，你会在终端看到大量的日志输出，最后会打印出分析报告的摘要。如果配置了通知渠道（如企业微信），你的手机应该就能收到一条消息了！

第一次运行很可能遇到问题，别担心，这很正常。下面是一些常见的“拦路虎”和解决办法。

6. 第五步：常见问题与排错指南

6.1 错误：ModuleNotFoundError: No module named ‘xxx’

问题：缺少某个Python库。 解决：这说明requirements.txt没有完全安装成功。重新激活虚拟环境，并强制重新安装所有依赖。

cd ~/daily_stock_analysis
source ~/stock_ai/bin/activate
pip install --force-reinstall -r requirements.txt

6.2 错误：Invalid API Key 或 Authentication Error

问题：AI API密钥无效或格式不对。 解决：

1. 仔细检查.env文件中的GEMINI_API_KEY或OPENAI_API_KEY，确保没有多余的空格或换行。
2. 确认密钥是否在对应的平台上仍然有效（比如Gemini的免费额度是否用完）。
3. 尝试在命令行手动测试API连通性（以Gemini为例，需要先pip install google-generativeai）：

   python3 -c "import google.generativeai as genai; genai.configure(api_key='你的KEY'); model = genai.GenerativeModel('gemini-pro'); print('API连接测试成功')"
   

6.3 错误：获取股票数据失败或超时

问题：网络问题或数据源接口暂时不可用。 解决：

1. 检查服务器的网络连接，尝试ping一个外网地址。
2. 工具内置了多个数据源（AkShare, YFinance等），一个失败会尝试另一个。如果长时间卡住，可以按Ctrl+C中断，稍后再试。这通常是临时性问题。
3. 可以考虑配置备用数据源，如在.env中配置TUSHARE_TOKEN。

6.4 程序运行一次就退出，如何定时运行？

问题：我们想要它每天自动运行。 解决：Linux下最常用的定时任务工具是cron。我们来设置一个每天下午6点（收盘后）自动分析的任务。

1. 编辑当前用户的cron任务表：

   crontab -e
   

2. 如果是第一次使用，可能会让你选择编辑器，选nano就好。
3. 在文件末尾添加一行（请确保将/home/ubuntu替换成你实际的用户主目录路径）：

   # 每天18:00运行分析，并将日志输出到指定文件
   0 18 * * 1-5 cd /home/ubuntu/daily_stock_analysis && /home/ubuntu/stock_ai/bin/python /home/ubuntu/daily_stock_analysis/main.py >> /home/ubuntu/stock_analysis.log 2>&1
   

   • 0 18 * * 1-5 表示每周一到周五的18:00。
   • 前半部分cd ... &&是切换到项目目录。
   • /home/ubuntu/stock_ai/bin/python 是你虚拟环境中Python解释器的绝对路径。
   • >> /home/ubuntu/stock_analysis.log 2>&1 把程序的所有输出（包括错误信息）都追加到日志文件中，方便日后查看。
4. 保存并退出（Ctrl+X, Y, Enter）。

现在，你的“AI分析师”就会在每个工作日的傍晚自动上班了。你可以通过tail -f ~/stock_analysis.log命令来实时查看定时任务的执行日志。

7. 第六步：进阶配置与优化建议

当基础功能稳定运行后，你可以考虑做一些优化，让这套系统更贴合你的需求。

性能调优：如果你分析的股票较多（比如超过10只），可能会遇到API调用频率限制。可以在.env中增加延迟配置，让分析慢一点，但更稳定。

# 每分析完一只股票，等待10秒再分析下一只
ANALYSIS_DELAY=10

报告定制：默认的报告可能信息太多或太少。你可以调整报告类型。

# 报告类型：simple(精简) 或 full(完整)
REPORT_TYPE=simple

使用Docker（可选）：如果你熟悉Docker，用容器化部署隔离性更好，迁移也方便。项目根目录提供了Dockerfile。

# 构建镜像
docker build -t stock-analysis .
# 运行容器（需要提前将.env文件放在当前目录）
docker run --env-file .env stock-analysis

8. 总结

走完这一整套流程，你应该已经成功在Linux服务器上部署了一个全自动的AI股票分析助手。回顾一下，最关键的三步就是：配好环境、填对API密钥、设好定时任务。

我自己用下来的感受是，它确实极大地解放了我盯盘的时间。每天收盘后收到那份结构清晰的报告，能让我快速了解持仓和关注标的的整体状况，把省下来的精力用在更深度的研究和决策上。当然，它只是一个辅助工具，所有分析和建议都基于预设的模型和逻辑，最终的投资决策还得你自己来做。

部署过程中遇到卡点很正常，多看看终端报错信息，善用搜索引擎和项目的GitHub Issues页面，大部分问题都能找到答案。如果你在配置中发现了什么好用的技巧，或者遇到了新的问题，也欢迎分享出来。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。