第 1 章 · 02 swarms 框架背景

第 1 章 · 02 swarms 框架背景

本节摘要:AutoHedge 不是从零造轮子,它建在作者自家的 swarms 框架之上——一个用于多智能体编排的 Python 库(定位类似 CrewAI、AutoGen)。要读懂 AutoHedge 的 Agent 怎么协作,必须先理解 swarms 提供的几个核心抽象:Agent(一个有角色、有工具、能调用 LLM 的单元)、Conversation(跨 Agent 的消息历史)、以及关键的 handoffs(一个 Agent 把任务转给另一个的机制)。本节不深入 swarms 内部实现(那不在本仓库),而是讲清 AutoHedge 用到的那些抽象的概念与用法,为第 3 章读 workers.py 打底。读完本节,你理解了 AutoHedge 「编排能力」的来源。

内容来源:基于 autohedge/workers.py 中 swarms 的用法反推,结合多 Agent 框架通用概念。

学习目标

阅读完本节,你应当能够:

1. 说清 swarms 是什么(多智能体编排框架)及其同类(CrewAI/AutoGen)。
2. 理解 swarms 的 Agent 抽象(agent_name/system_prompt/model_name/tools/max_loops/handoffs)。
3. 理解 Conversation 抽象(跨 Agent 的消息历史与序列化)。
4. 说清 handoffs 机制的语义与价值。

一、swarms 是什么

swarms 是 The Swarm Corporation(也就是 AutoHedge 作者 Kye Gomez)开发的多智能体编排框架。它的目标:让你能方便地定义多个 Agent,并让它们协作完成复杂任务。

在多 Agent 框架的谱系里,swarms 与这些同类定位相近:

AutoHedge 用的就是 swarms 的 「Director + 专家 + handoffs」 模式。

💡 核心心法:不同框架只是「多 Agent 协作」的不同表达方式,核心问题都一样——如何把一个复杂任务拆给多个 Agent,并控制它们之间的流转。理解了 swarms 的 handoffs,再看其他框架会很快上手。

二、Agent 抽象

swarms 的 Agent 是最核心的类。从 workers.py 看 AutoHedge 怎么用它:

from swarms import Agent

director_agent = Agent(
    agent_name="Trading-Director",
    system_prompt=DIRECTOR_PROMPT + _SYSTEM_SUFFIX,
    model_name="gpt-4.1",
    max_loops=1,
    handoffs=ALL_AGENTS,
)
​

关键构造参数:

一个 Agent 实例 = 一个有角色(system_prompt)、有大脑(model_name)、有手(tools)、有协作对象(handoffs)的 LLM 单元。

💡 max_loops=1 的含义:AutoHedge 所有 Agent 都设单轮,意味着每个 Agent 收到任务后只推理一次就产出结果,不做「自我反思-再推理」的多轮迭代。这是简化,也降低了不确定性——适合教学,但生产中可能需要多轮。

三、Conversation 抽象

swarms 的 Conversation 管理跨 Agent 的消息历史。从 main.py 看:

from swarms import Conversation

self.conversation = Conversation(time_enabled=True)
# ...
self.conversation.add(role="user", content=f"Task: {task}")
output = director_agent.run(task=task)
self.conversation.add(role="director", content=output)
​

Conversation 支持三种序列化方式(对应 AutoHedge 主类的三种输出格式):

time_enabled=True 表示每条消息带时间戳,便于审计「谁在什么时候说了什么」——这在交易场景里很重要(可追溯决策链)。

四、handoffs:Agent 之间的任务交接

handoffs 是 swarms 编排的核心机制,也是 AutoHedge 架构的关键:

ALL_AGENTS = [sentiment_agent, risk_agent, execution_agent, quant_agent]

director_agent = Agent(
    agent_name="Trading-Director",
    # ...
    handoffs=ALL_AGENTS,   # Director 可以把任务交给这四个专家中的任何一个
)
​

语义:

• handoffs=ALL_AGENTS 告诉框架:Director 在推理过程中,可以自主决定把当前任务「移交」给列表里的某个专家 Agent。
• 移交后,控制权转到该专家,专家用自己的 system_prompt、model、tools 来处理。
• 专家产出后,结果回到 Director(或按框架设计流转),Director 可继续下一步。

与函数调用(Tool Use)的区别:

💡 核心心法:工具调用是「让 Agent 调函数拿信息」,handoffs 是「让 Agent 把活儿交给另一个 Agent」。前者是手脚,后者是分权。AutoHedge 里 Director 用 handoffs 分权给专家,专家再用 tools 调函数——两层叠加。

五、为什么 AutoHedge 建在 swarms 上

直接用 OpenAI API 也能做 Agent,为什么用框架?

1. 抽象封装:Agent 的「system_prompt + 模型 + 工具 + 循环」被封装成一个类,省去手写调度。
2. handoffs 内置:多 Agent 交接的复杂控制流,框架已实现,不用自己写。
3. Conversation 内置:消息历史与多格式序列化现成。
4. 模型路由:可方便地给不同 Agent 配不同模型(Director 用 4.1、情绪用 4o-mini 省钱)。

代价是:真正的调度细节藏在 swarms 内部,本仓库看不到 handoffs 具体怎么实现、Director 的「交接决策」prompt 长什么样。这是 AutoHedge 「看不透」的根源之一——你看到的是配置,不是机制。第 10 章会再谈这个局限。

六、本节与后续的衔接

理解了 swarms 的 Agent / Conversation / handoffs 三个抽象,你就掌握了读 workers.py 的全部钥匙。第 3 章会逐行拆解那 5 个 Agent 的实例化;第 4 章会拆 system_prompt 的写法;第 6 章会拆 tools 怎么被调用。

本节要点回顾

1. swarms 定位:作者自家的多 Agent 编排框架,与 CrewAI/AutoGen/LangGraph 同类;AutoHedge 建在它之上。
2. Agent 抽象:agent_name(名)+ system_prompt(角色)+ model_name(大脑)+ tools(手)+ max_loops(循环)+ handoffs(协作对象)。
3. Conversation:跨 Agent 消息历史,支持 list/dict/str 三种序列化,time_enabled 带时间戳便于审计。
4. handoffs:Agent 把任务转给另一个 Agent 的机制;Director 设 handoffs=ALL_AGENTS 即可自主分权给专家。
5. handoffs vs 工具调用:前者转给有大脑的 Agent(分权),后者调无状态函数(取信息);AutoHedge 两层叠加。
6. 用框架的利弊:省去手写调度与交接,代价是机制藏在内部门后,本仓库只看到配置。

下一节,我们把所有 Agent 串起来,画出 AutoHedge 的整体架构与两类执行链路。