第 3 章 · 01 Director 编排 Agent

第 3 章 · 01 Director 编排 Agent

本节摘要:本节精读 AutoHedge 的「大脑」——Director Agent(Trading-Director)。它是整个多 Agent 系统的编排者:接收用户任务,自主决定何时把子任务通过 handoffs 交给哪个专家。本节逐行拆解 workers.py 里 director_agent 的实例化(agent_name、system_prompt、model_name、max_loops、handoffs),精读它的 system_prompt(DIRECTOR_PROMPT)如何定义「交易总监」的角色与四大目标,并分析为什么选 gpt-4.1、为什么 max_loops=1。读完本节,你理解了 AutoHedge「决策权」的所在,以及 Orchestrator-Worker 模式在代码里长什么样。

内容来源:原项目源码 autohedge/workers.py、autohedge/prompts.py,精读并套用体系化模板。

学习目标

阅读完本节,你应当能够:

1. 逐行读懂 director_agent 的实例化代码。
2. 精读 DIRECTOR_PROMPT,说出它的角色定位与四大目标。
3. 解释每个构造参数的设计意图(为何 gpt-4.1、为何 max_loops=1)。
4. 说清 Director 在 Orchestrator-Worker 模式中的职责边界。

一、Director 的实例化代码

workers.py 里 Director 的定义(节选关键部分):

from datetime import datetime
from swarms import Agent
from autohedge.prompts import DIRECTOR_PROMPT, EXECUTION_PROMPT, QUANT_PROMPT, RISK_PROMPT, SENTIMENT_PROMPT
from autohedge.tools.exa_search_tool import exa_search

_NOW = datetime.now()
_DATE_TIME_LINE = _NOW.strftime("%A, %B %d, %Y at %H:%M")
if _NOW.tzinfo:
    _DATE_TIME_LINE += f" {_NOW.tzinfo.tzname() or ''}"
_SYSTEM_SUFFIX = f"\n\nCurrent date and time (use this as now): {_DATE_TIME_LINE.strip()}"

# ... 四个专家 Agent 先定义(见下一节) ...
ALL_AGENTS = [sentiment_agent, risk_agent, execution_agent, quant_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,
)
​

逐项解读:

注意定义顺序:四个专家必须先于 Director 定义,这样 ALL_AGENTS 列表才存在,Director 才能引用它。这是 Python 模块级代码的自然约束。

二、DIRECTOR_PROMPT 精读

Director 的「性格」全在 system_prompt 里。原文(prompts.py):

You are a Trading Director AI, responsible for orchestrating the trading process.

Your primary objectives are:
1. Conduct in-depth market analysis to identify opportunities and challenges.
2. Develop comprehensive trading theses, encompassing both technical and fundamental aspects.
3. Collaborate with specialized agents to ensure a cohesive strategy.
4. Make informed, data-driven decisions on trade executions.

For each stock under consideration, please provide the following:
- A concise market thesis, outlining the overall market position and expected trends.
- Key technical and fundamental factors influencing the stock's performance.
- A detailed risk assessment, highlighting potential pitfalls and mitigation strategies.
- Trade parameters, including entry and exit points, position sizing, and risk management guidelines.
​

翻译要点解析:

• 角色:「交易总监 AI,负责编排整个交易流程」——一个编排者,不是具体执行者。
• 四大目标:
  1. 深度市场分析,识别机会与挑战
  2. 形成综合交易假设(技术面 + 基本面)
  3. 与专家 Agent 协作,确保策略连贯
  4. 基于数据做执行决策
• 产出要求:对每只股票,给出市场假设、关键影响因素、风险评估、交易参数(入场/出场/仓位/风控)。

💡 核心心法:注意目标 3「Collaborate with specialized agents」——这句配合 handoffs=ALL_AGENTS,就是告诉 LLM「你有四个专家同事,该找人帮忙就 handoff」。system_prompt 与 handoffs 参数是配套的:prompt 给出协作意图,handoffs 给出协作能力。

三、为什么选 gpt-4.1

Director 用 gpt-4.1,而情绪 Agent 用 gpt-4o-mini。这是有意的模型分层:

这是 LLM 应用的常见优化:贵的强模型用在需要推理的关键节点,便宜的快模型用在轻量任务。在多 Agent 系统里,这种分层能显著降本。

四、max_loops=1:单轮推理的含义

所有 Agent 都设 max_loops=1。这意味着:

• Agent 收到任务后,只推理一次就产出结果。
• 不会「自我反思 → 发现不对 → 再推理」的多轮迭代。

好处:

• 确定性高:同样输入产出相近,便于调试。
• 省钱省时:不重复调 LLM。

代价:

• 复杂任务可能一次想不清楚,需要多轮反思才能保证质量。
• 生产级系统往往会开 max_loops>1,让 Agent 自我纠错。

💡 取舍:教学项目选单轮是合理的简化。如果你要拿这套架构做生产,这是第一个该重新评估的点——关键决策 Agent(如风控)值得多轮。

五、Director 的职责边界

Director 是编排者,不是执行者。它的职责:

• ✅ 拆解任务、决定交接、综合输出
• ❌ 不亲自算指标(交给 Quant)
• ❌ 不亲自评风险(交给 Risk)
• ❌ 不亲自下单格式(交给 Execution)
• ❌ 不亲自刷新闻(交给 Sentiment)

这是经典的 Orchestrator-Worker 模式:一个协调者 + 多个专业工人。它的好处是职责清晰、专家可独立优化;风险是高度依赖编排者的判断力——Director 判断错交接对象,全盘出错。

⚠️ 现实澄清:Director 的交接决策完全依赖 LLM 对 system_prompt 的理解。AutoHedge 没有显式的交接规则代码(比如「if 有新闻则交情绪 Agent」),一切交给 LLM 自由判断。这意味着行为有一定随机性,难以严格审计——这在交易场景是隐患。第 10 章会详谈。

六、本节在全景图的位置

Director(gpt-4.1, max_loops=1, handoffs=ALL_AGENTS)  ← 本节
   │ handoffs
   ▼
[下一节] 四大专家 Agent
​

理解了 Director,下一节就看它 handoff 的对象——四个专家——各自长什么样。

本节要点回顾

1. 实例化:Agent(agent_name="Trading-Director", system_prompt=DIRECTOR_PROMPT+时间后缀, model_name="gpt-4.1", max_loops=1, handoffs=ALL_AGENTS);专家须先定义,Director 才能引用 ALL_AGENTS。
2. DIRECTOR_PROMPT:角色=交易总监/编排者;四大目标=市场分析、综合假设、协作专家、数据决策;产出=假设+因素+风控+参数。
3. 模型分层:Director/量化/风控/执行用 gpt-4.1(需推理),情绪用 gpt-4o-mini(轻量省钱);强模型用在关键节点。
4. max_loops=1:单轮推理,确定且省钱,但复杂任务可能欠深思;生产中关键 Agent 值得多轮。
5. 职责边界:Director 只编排不执行,指标/风控/下单/新闻分别交给四专家;Orchestrator-Worker 模式职责清晰但依赖编排者判断。
6. 交接隐式:无显式交接规则代码,全靠 LLM 理解 prompt 自由判断,行为有随机性、难审计——交易场景的隐患。

下一节,我们看 Director handoff 的四个对象——情绪、量化、风控、执行专家 Agent——各自的配置与产出约定。