[Project] 4. 多智能体 AI 投资研究系统 — 16 个 Agent 的牛熊辩论与量化裁判

GoodyHao 收录于 Project

2026-04-17 约 1698 字预计阅读 4 分钟

/images/Project%20-%204%20-%20AI%20Investment%20Research/cover.png

一句话介绍

用 16 个专业 AI Agent 对股票进行全方位分析：宏观、行业、基本面、技术面、舆情、新闻、公告,然后让两个 Agent 进行牛熊辩论,最后综合给出买入/持有/卖出建议。支持 A 股、港股、美股。

系统全景

核心设计：为什么需要 16 个 Agent？

一个 LLM 直接问"这只股票能买吗",答案会怎样？

幻觉：编造不存在的财务数据
片面：只看技术面不看基本面,或反过来
无法验证：没有数字依据,不知道对不对

所以拆成 16 个专业 Agent,每个只干一件事,用真实数据而不是 LLM 编的数据：

Agent	数据来源	用 LLM？
行情数据	yfinance API	否
宏观环境	沪深300/恒生指数	否
行业分析	akshare 板块排名	否
新闻采集	yfinance + DuckDuckGo	否
公告收集	akshare 财新/东财	否
社交舆情	东方财富股吧评分	否
情感分析	上面的新闻数据	是
基本面分析	上面的财务数据	是
动量分析	多周期收益率	否
量化信号	MA/RSI/MACD/布林/ATR/OBV	否（纯数学）
网格策略	波动率 + 费率模型	否
牛方辩手	上面所有数据	是
熊方辩手	上面所有数据	是
辩论裁判	辩论内容	是
风险评估	上面所有数据	是
投资建议	上面所有数据	是

16 个 Agent 中只有 6 个用 LLM,其余全是确定性计算。 LLM 的角色是"分析师",不是"数据源"。

亮点 1：牛熊辩论引擎

不是让一个 LLM 说"看好"或"看空",而是让两个 LLM 互相对辩：

关键约束：双方必须引用量化 Agent 的真实数据（RSI、MACD、估值等），不能空谈。裁判会检查论据质量,质量不够就要求追加轮次。

亮点 2：纯数学量化裁判

量化 Agent 完全不调用 LLM,用经典技术分析指标做纯数学计算：

1
2
3
4
综合信号 = MA趋势(25%) + RSI(15%) + MACD(20%) + 布林带(10%)
           + ATR波动(10%) + KDJ随机(10%) + OBV量能(10%)

输出: -100 到 +100 的分数

这个分数是不可被 LLM 幻觉污染的硬数据。投资建议 Agent 在综合时,如果 LLM 的判断跟量化分数严重冲突,会触发数值纠偏：

1
2
if quant_score > 60 and llm_says == "卖出":
    advisory = "数学信号强烈看多,但 LLM 建议卖出。请注意分歧。"

亮点 3：网格交易策略

自动计算 4 种网格策略的可行性和预期收益：

策略	网格间距	适合场景
短线网格	ATR × 0.3	日内震荡
中线网格	ATR × 0.8	周级别波段
长线网格	ATR × 1.5	月级别布局
定投网格	ATR × 2.0	底部积累

计算考虑 A 股真实费率（印花税 0.05% + 佣金 0.025%），以 100 股为最小交易单位,给出月化收益估算。

亮点 4：可解释性

每个 Agent 的推理过程都记录在 reasoning_chain 中,用户可以看到完整的决策路径：

所有数字（PEG、DCF、量化分、动量）都是可复算的——不是 LLM 编的,是从真实数据算出来的。

数据源：全免费,国内可用

数据源	覆盖	用途
yfinance	全球（美/港/A股）	K线、财务数据、新闻
akshare	A 股专用	东财公告、股吧舆情、板块排名
DuckDuckGo	全球	新闻搜索
DeepSeek	LLM	分析推理（Anthropic 兼容 API）

不需要 Wind、Bloomberg 等付费终端。

安全设计

输入端：长度限制、控制字符清理、Prompt 注入检测
输出端：PII 脱敏、系统提示泄露过滤、可疑 URL 拦截
审计：每个安全事件记录 AuditKind（INPUT_BLOCKED / OUTPUT_FILTERED）

部署

平台	方式	一行命令
Windows	双击 run.bat	自动装 uv + Python + 依赖
Linux	install_linux.sh	systemd 服务 + 定时器
邮件报告	QQ 邮箱 SMTP	每天定时发送分析报告

技术栈

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
语言:        Python 3.11+
Agent 编排:  LangGraph (StateGraph, 条件边, 自循环)
LLM:         DeepSeek (deepseek-chat)
行情数据:    yfinance + akshare
UI:          Streamlit
邮件:        QQ SMTP_SSL (端口 465)
数据校验:    Pydantic v2
包管理:      uv
测试:        pytest (真实 API 调用,不 mock)
部署:        systemd / Windows Task Scheduler

项目结构

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
backend/
  agents/           # 16 个 Agent 子包
    orchestrator/    # 意图分类 + 安全过滤
    market_data/     # 行情数据 (yfinance)
    quant/           # 量化信号 (纯数学)
    debate/          # 牛熊辩论
    debate_judge/    # 辩论裁判
    advisory/        # 投资建议 + 数值纠偏
    ...
  security/          # 输入消毒 / PII / 输出过滤
  observability/     # Token 追踪 / 审计日志
  graph.py           # LangGraph StateGraph 构建
  state.py           # ResearchState + Pydantic 模型
  llm_client.py      # DeepSeek 封装
frontend/
  app.py             # Streamlit 聊天界面
deploy/
  install_linux.sh   # 一键 Linux 部署
scripts/
  run.bat            # 零依赖 Windows 启动
  scheduled_analysis.py  # 定时任务入口

一段话总结

一个 16 Agent 的投资研究系统。6 路并行采集真实市场数据（不靠 LLM 编数据），纯数学量化 Agent 提供不可被幻觉污染的信号,牛熊辩论引擎让两个 LLM 互相对辩并由裁判控制质量,最后投资建议 Agent 综合所有维度给出建议——如果 LLM 判断与数学信号冲突,自动触发数值纠偏。全链路可解释,每个数字可复算。

目录