2、AI 交易 Agent 体系总览：虚拟投委会里都有谁
文档摘要
AI 交易 Agent 体系总览：虚拟投委会里都有谁 难度：入门 本章是整套教程的核心支柱。AI 对冲基金并不依赖单一模型拍脑袋，而是把多类 Agent 组成一间「虚拟投委会」：投资人人格分析师、量化专题分析师，以及始终在线的风险管理与组合管理。所有角色在源码里由 的 统一登记，由 的 组装成 LangGraph 工作流。 本文你将学到 Agent 为什么分成三大类，以及「可选」与「固定」的边界 如何把并行分析与串行拍板串起来 如何在节点之间传递研究结论 本章各篇文章该按什么顺序读 设计原理：单一配置源 + 图编排 系统的核心思想是「配置与编排分离」。 字典为每一位分析师保存 、 、 、 、 、 六个字段。 把配置映射为 LangGraph 节点名（如 ）与可调用函数；
AI 交易 Agent 体系总览：虚拟投委会里都有谁
难度：入门
本章是整套教程的核心支柱。AI 对冲基金并不依赖单一模型拍脑袋，而是把多类 Agent 组成一间「虚拟投委会」：投资人人格分析师、量化专题分析师，以及始终在线的风险管理与组合管理。所有角色在源码里由 src/utils/analysts.py 的 ANALYST_CONFIG 统一登记，由 src/main.py 的 create_workflow 组装成 LangGraph 工作流。
本文你将学到
- Agent 为什么分成三大类，以及「可选」与「固定」的边界
create_workflow如何把并行分析与串行拍板串起来analyst_signals如何在节点之间传递研究结论- 本章各篇文章该按什么顺序读
设计原理：单一配置源 + 图编排
系统的核心思想是「配置与编排分离」。ANALYST_CONFIG 字典为每一位分析师保存 display_name、description、investing_style、agent_func、type、order 六个字段。get_analyst_nodes() 把配置映射为 LangGraph 节点名（如 valuation_analyst_agent）与可调用函数；get_agents_list() 则供 API 返回有序列表。这样做的好处是：新增一位分析师只需改一处配置，工作流自动识别。
create_workflow(selected_analysts) 的执行逻辑如下：
- 创建
StateGraph(AgentState)，入口为start_node（透传初始状态）。 - 若
selected_analysts为None，默认启用ANALYST_CONFIG中的全部分析师键。 - 对每个选中的分析师：
add_node后从start_node拉一条边——扇出并行，各分析师互不等待。 - 固定追加
risk_management_agent与portfolio_manager，不可通过 CLI 关闭。 - 每个分析师节点 →
risk_management_agent→portfolio_manager→END，形成扇入汇聚。
三类 Agent 对照
| 类别 | 配置键数量 | 是否可选 | 主要产出 | 源码入口 |
|---|---|---|---|---|
| 投资人人格 Agent | 13 | 可选启用 | 带风格烙印的 bullish / bearish / neutral 信号 | src/agents/*_agent.py 各人格模块 |
| 量化专题 Agent | 6 | 可选启用 | 估值、财报、增长、技术、情绪等结构化信号 | valuation.py 等六文件 |
| 决策层（风控 + 组合） | 2 | 固定存在 | remaining_position_limit、max_shares、最终买卖指令 |
risk_manager.py、portfolio_manager.py |
状态如何在节点间流动
run_hedge_fund 调用 agent.invoke 时注入初始 AgentState：
data.tickers：待分析股票列表data.portfolio：现金、保证金、多空持仓、已实现盈亏data.analyst_signals：空字典，由各分析师逐键写入metadata：show_reasoning、model_name、model_provider
每位分析师执行完毕后，把 {ticker: {signal, confidence, reasoning}} 写入 state["data"]["analyst_signals"][agent_id]，并追加一条 HumanMessage 到 messages。风险管理读取全量信号上下文（主要用于组合阶段），同时独立计算波动率与相关性限额。组合管理从 analyst_signals 压缩出 {sig, conf} 字典，再结合风控输出的 remaining_position_limit 调用 LLM 生成最终决策。
并行与串行的教学意义
并行层让你可以做对照实验：只开格雷厄姆与凯瑟琳·伍德，观察同一只股票为何一方中性、另一方看多。串行层则模拟真实基金流程——研究可以激进，但风控先算上限，组合经理再在硬约束内拍板。这种「观点与仓位解耦」是本章最重要的工程课。
本章目录建议阅读顺序
- 《十三位投资人人格 Agent 总览》—— 先建立人格地图
- 随后 13 篇单人短文：从《阿斯沃斯·达摩达兰 Agent》起，按
order字段顺序阅读至巴菲特 - 《量化专题分析师对照》—— 六把手术刀：估值 / 基本面 / 增长 / 技术 / 情绪 / 新闻情绪
- 《风险管理 Agent》—— 波动率与相关性如何换算成仓位上限
- 《组合管理 Agent》—— LLM 如何在 buy / sell / short / cover / hold 中做终局选择
- 动手章《AI 对冲基金上手实践》（目录
03-hands-on）
读本章时请记住
每个分析师输出的是研究信号，不是券商委托。signal 取值为 bullish、bearish、neutral 三档；confidence 为 0–100 的置信度；reasoning 承载可审计的分项依据。风格差异是教学价值所在：同一只股票，格雷厄姆可能因安全边际不足而中性，成长型 Agent 可能因营收加速而看多——最终折中发生在组合管理节点。
小结
Agent 体系 = 配置登记（analysts.py）+ 图编排（create_workflow）+ 共享状态（analyst_signals）。先理解这张地图，再进入每一位分析师的专文，收获最大。
下一篇请阅读同目录下的《十三位投资人人格 Agent 总览》。