尧图网页设计 
PanWatch 支持 Ollama 本地大模型完全离线私有化的 AI 盯盘方案【免费下载链接】PanWatchPanWatch — AI stock monitoring for A-shares, HK US markets, powered by TradingAgents. Portfolio insights, real-time alerts automated reports.盯盘侠覆盖 A股/港股/美股的 AI 盯盘、持仓分析、实时提醒与自动报告。项目地址: https://gitcode.com/GitHub_Trending/pa/PanWatchPanWatch盯盘侠是一款覆盖 A 股、港股、美股的自托管 AI 盯盘工具提供持仓分析、实时提醒与自动报告。它默认兼容 OpenAI API同时可以直接对接Ollama 本地大模型——行情分析、持仓诊断、盘后日报全部在你自己的机器上推理完成持仓数据不出内网token 费用为 0是一套真正可完全离线私有化的 AI 盯盘方案。为什么把 AI 盯盘跑在本地模型上对持仓数据敏感的个人投资者和团队把行情上下文、仓位明细交给云端 API 始终是一层顾虑。PanWatch 的 AI 调用层src/platform/ai/ai_client.py走的是OpenAI 兼容协议而 Ollama 恰好原生提供/v1兼容端点因此只需在界面里改一个服务商无需改一行代码就能把整条 AI 链路盘前分析、盘中监测、盘后日报、个股深度分析切到本地模型。好处很直接数据私有持仓、成本价、交易策略全部留在本地分析请求不出局域网零 token 成本本地推理不产生 API 账单7×24 全天候 Agent 也烧不起钱离线可用断网环境下只要 Ollama 服务在跑盯盘与提醒不中断PanWatch 接入 Ollama 三步配置教程第一步安装并启动 Ollama在任意有显卡或仅 CPU的机器上安装 Ollama 后确认服务正常ollama serve # 默认监听 11434 端口 curl http://localhost:11434/v1/models能列出模型清单说明 OpenAI 兼容端点就绪。第二步拉取一个推理能力合格的本地模型盯盘场景的提示词较长行情、新闻、技术指标、持仓上下文都要喂给模型建议至少 7B 起步追求分析质量可上 14Bollama pull qwen2.5:14b # 中文金融场景表现较好显存约需 12GB ollama pull qwen2.5:7b # 显存紧张时的轻量选择第三步在 PanWatch 中配置 Ollama 服务商进入 Web 界面 →设置 → AI 服务商点击添加服务商配置项填写内容名称Ollama自定义服务地址http://localhost:11434/v1Docker 部署时填宿主机地址如http://172.17.0.1:11434/v1API Key随意填如ollama模型标识qwen2.5:14b保存后可用服务商上的嗅探按钮批量发现本地已拉取的模型直接选中设为默认即可完成 PanWatch 本地模型配置。界面与配置逻辑分别位于 src/modules/administration/api/providers.py 与 frontend/src/pages/Settings.tsx。本地模型 云端 API用 Failover 双保险PanWatch 内置了 AI 模型 failover 机制src/platform/ai/ai_failover.py可以配置主模型 备选模型链任一候选超时、限流或服务不可用时自动降级到下一候选并对失败候选做 60 秒冷却避免反复空打。一个实用的组合玩法是主模型设为 Ollama 本地模型免费、隐私备选模型设为 DeepSeek 等云端 API兜底、更强。Ollama 服务挂了或本地模型响应慢Agent 运行自动切换云端盯盘链路不中断云端故障时反过来由本地接管。每次运行实际使用的模型都会记录在 Agent 运行表中方便回溯。本地模型跑盯盘效果如何盘前/盘后报告模板化任务prompts/daily_report.txt、prompts/premarket_outlook.txt7B 模型即可完成复盘与次日规划盘中异动提醒技术指标计算由后端确定性完成AI 只负责解读与摘要对模型能力要求不高TradingAgents 深度分析多 Agent 辩论 风控审查 PM 决策的完整推理链见 docs/tradingagents-flow.md建议本地模型至少 14B 以保证辩论质量预算敏感时更推荐云端跑深度分析、本地跑日常盯盘的混合模式快速上手git clone https://gitcode.com/GitHub_Trending/pa/PanWatch docker run -d --name panwatch -p 8000:8000 -v panwatch_data:/app/data sunxiao0721/panwatch:latest访问http://localhost:8000按设置 → AI 服务商完成 Ollama 配置再到持仓页添加自选股并启用对应 Agent即可开始完全离线私有化的 AI 盯盘。更多环境变量与本地开发说明见 README.zh-CN.md整体架构可阅读 src/ARCHITECTURE.md。小结PanWatch 把AI 盯盘做成了模型无关云端 API 开箱即用Ollama 本地模型三步接入。如果你重视持仓数据主权、又不想为 7×24 监控持续支付 token 费用这套 Ollama PanWatch 的离线私有化组合是目前 A 股 / 港股 / 美股个人投研里成本最低的落地方式。【免费下载链接】PanWatchPanWatch — AI stock monitoring for A-shares, HK US markets, powered by TradingAgents. Portfolio insights, real-time alerts automated reports.盯盘侠覆盖 A股/港股/美股的 AI 盯盘、持仓分析、实时提醒与自动报告。项目地址: https://gitcode.com/GitHub_Trending/pa/PanWatch创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 PanWatch 支持 Ollama 本地大模型：完全离线私有化的 AI 盯盘方案
PanWatch 支持 Ollama 本地大模型完全离线私有化的 AI 盯盘方案【免费下载链接】PanWatchPanWatch — AI stock monitoring for A-shares, HK US markets, powered by TradingAgents. Portfolio insights, real-time alerts automated reports.盯盘侠覆盖 A股/港股/美股的 AI 盯盘、持仓分析、实时提醒与自动报告。项目地址: https://gitcode.com/GitHub_Trending/pa/PanWatchPanWatch盯盘侠是一款覆盖 A 股、港股、美股的自托管 AI 盯盘工具提供持仓分析、实时提醒与自动报告。它默认兼容 OpenAI API同时可以直接对接Ollama 本地大模型——行情分析、持仓诊断、盘后日报全部在你自己的机器上推理完成持仓数据不出内网token 费用为 0是一套真正可完全离线私有化的 AI 盯盘方案。为什么把 AI 盯盘跑在本地模型上对持仓数据敏感的个人投资者和团队把行情上下文、仓位明细交给云端 API 始终是一层顾虑。PanWatch 的 AI 调用层src/platform/ai/ai_client.py走的是OpenAI 兼容协议而 Ollama 恰好原生提供/v1兼容端点因此只需在界面里改一个服务商无需改一行代码就能把整条 AI 链路盘前分析、盘中监测、盘后日报、个股深度分析切到本地模型。好处很直接数据私有持仓、成本价、交易策略全部留在本地分析请求不出局域网零 token 成本本地推理不产生 API 账单7×24 全天候 Agent 也烧不起钱离线可用断网环境下只要 Ollama 服务在跑盯盘与提醒不中断PanWatch 接入 Ollama 三步配置教程第一步安装并启动 Ollama在任意有显卡或仅 CPU的机器上安装 Ollama 后确认服务正常ollama serve # 默认监听 11434 端口 curl http://localhost:11434/v1/models能列出模型清单说明 OpenAI 兼容端点就绪。第二步拉取一个推理能力合格的本地模型盯盘场景的提示词较长行情、新闻、技术指标、持仓上下文都要喂给模型建议至少 7B 起步追求分析质量可上 14Bollama pull qwen2.5:14b # 中文金融场景表现较好显存约需 12GB ollama pull qwen2.5:7b # 显存紧张时的轻量选择第三步在 PanWatch 中配置 Ollama 服务商进入 Web 界面 →设置 → AI 服务商点击添加服务商配置项填写内容名称Ollama自定义服务地址http://localhost:11434/v1Docker 部署时填宿主机地址如http://172.17.0.1:11434/v1API Key随意填如ollama模型标识qwen2.5:14b保存后可用服务商上的嗅探按钮批量发现本地已拉取的模型直接选中设为默认即可完成 PanWatch 本地模型配置。界面与配置逻辑分别位于 src/modules/administration/api/providers.py 与 frontend/src/pages/Settings.tsx。本地模型 云端 API用 Failover 双保险PanWatch 内置了 AI 模型 failover 机制src/platform/ai/ai_failover.py可以配置主模型 备选模型链任一候选超时、限流或服务不可用时自动降级到下一候选并对失败候选做 60 秒冷却避免反复空打。一个实用的组合玩法是主模型设为 Ollama 本地模型免费、隐私备选模型设为 DeepSeek 等云端 API兜底、更强。Ollama 服务挂了或本地模型响应慢Agent 运行自动切换云端盯盘链路不中断云端故障时反过来由本地接管。每次运行实际使用的模型都会记录在 Agent 运行表中方便回溯。本地模型跑盯盘效果如何盘前/盘后报告模板化任务prompts/daily_report.txt、prompts/premarket_outlook.txt7B 模型即可完成复盘与次日规划盘中异动提醒技术指标计算由后端确定性完成AI 只负责解读与摘要对模型能力要求不高TradingAgents 深度分析多 Agent 辩论 风控审查 PM 决策的完整推理链见 docs/tradingagents-flow.md建议本地模型至少 14B 以保证辩论质量预算敏感时更推荐云端跑深度分析、本地跑日常盯盘的混合模式快速上手git clone https://gitcode.com/GitHub_Trending/pa/PanWatch docker run -d --name panwatch -p 8000:8000 -v panwatch_data:/app/data sunxiao0721/panwatch:latest访问http://localhost:8000按设置 → AI 服务商完成 Ollama 配置再到持仓页添加自选股并启用对应 Agent即可开始完全离线私有化的 AI 盯盘。更多环境变量与本地开发说明见 README.zh-CN.md整体架构可阅读 src/ARCHITECTURE.md。小结PanWatch 把AI 盯盘做成了模型无关云端 API 开箱即用Ollama 本地模型三步接入。如果你重视持仓数据主权、又不想为 7×24 监控持续支付 token 费用这套 Ollama PanWatch 的离线私有化组合是目前 A 股 / 港股 / 美股个人投研里成本最低的落地方式。【免费下载链接】PanWatchPanWatch — AI stock monitoring for A-shares, HK US markets, powered by TradingAgents. Portfolio insights, real-time alerts automated reports.盯盘侠覆盖 A股/港股/美股的 AI 盯盘、持仓分析、实时提醒与自动报告。项目地址: https://gitcode.com/GitHub_Trending/pa/PanWatch创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考