╔══════════════════════════════════════════════════════════╗ ║ Vibe Trading · AI金融研究操作系统 ║ ║ LLM + Agent + Skill 三层架构详解 ║ ╚══════════════════════════════════════════════════════════╝ ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 一、架构全景概述 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ Vibe Trading 的 AI金融研究操作系统采用"LLM + Agent + Skill" 三层架构体系，将智能决策、任务编排和策略执行三层解耦，形成 一个高效、可扩展的量化选股竞赛平台。 ┌──────────┐ │ 🧠 LLM层 │ ← 规则引擎（意图识别） │ 规则引擎 │ └─────┬────┘ │ 意图分发 ┌─────▼────┐ │ 🕵️ Agent层│ ← 管道编排（任务调度） │ 6大Agent │ └─────┬────┘ │ 策略调用 ┌───────────┼───────────┐ │ │ │ ┌─────▼──┐ ┌─────▼──┐ ┌─────▼──┐ │ 🔧Skill│ │ 🔧Skill│ │ 🔧Skill│ ← 选股工具箱 │ 策略1 │ │ 策略2 │ │ ... 策略8│ └────────┘ └────────┘ └────────┘ 三层之间的协作关系： • LLM层（规则引擎）—— 理解用户的自然语言查询，识别意图 • Agent层（管道编排）—— 根据意图调度Agent，编排执行流程 • Skill层（策略工具箱）—— 提供8个独立的选股策略模块 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 二、第一层：LLM层（规则引擎） ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 这里的"LLM"不是大语言模型（Large Language Model），而是 轻量级逻辑匹配引擎（Lightweight Logic Matcher）的缩写。 【功能定位】 作为系统智能入口，负责理解用户输入的自然语言查询， 通过关键词规则匹配，准确识别用户的意图。 【支持11种预设意图】 ┌──────────────┬──────────────────────────┐ │ 意图类型 │ 触发关键词 │ ├──────────────┼──────────────────────────┤ │ 问候欢迎 │ 你好、在吗、嗨 │ │ 行情查询 │ 行情、涨跌、今日走势 │ │ 技术分析 │ 指标、RSI、MACD、技术面 │ │ 选股预测 │ 选股、推荐、预测、买什么 │ │ 策略对比 │ 对比、哪个好、表现 │ │ 个股详情 │ 分析、看看、怎么样 │ │ 教学查询 │ 教学、教程、三层架构 │ │ 管道状态 │ 管道、流程、Agent │ │ 风险查询 │ 风险、安全、止损 │ │ 使用帮助 │ 帮助、使用、怎么用 │ │ 模型说明 │ 模型、算法、原理 │ └──────────────┴──────────────────────────┘ 【技术特点】 • 规则引擎识别，零Token消耗 • 响应时间 < 10ms • 完全离线运行，无需外部AI接口 • 适合确定性场景，比大模型更高效可靠 【实现方式】 ┌─────────────────────────────────────────────┐ │ HS300Agent 类 │ │ ├─ chat(query) → 入口 │ │ ├─ _detect_intent(query) → 意图识别 │ │ ├─ _process(intent, query) → 意图分发 │ │ └─ build_response(...) → 结果组装 │ └─────────────────────────────────────────────┘ ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 三、第二层：Agent层（管道编排） ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ Agent层是连接用户需求与策略能力之间的任务编排层。 LLM层识别意图后，Agent层负责编排整个执行流程。 【6个Agent的完整管道】 ┌──────────┐ ┌──────────────┐ ┌────────────────┐ │ 🕵️ Data │───→│ 🔬 Analysis │───→│ 🧠 Strategy │ │ Agent │ │ Agent │ │ Agents (×8) │ └──────────┘ └──────────────┘ └───────┬────────┘ │ ┌──────────┐ ┌──────────────┐ ┌───────▼────────┐ │ 📊 Report │←───│ ⚠️ Risk │←───│ 🤝 Ensemble │ │ Agent │ │ Agent │ │ Agent │ └──────────┘ └──────────────┘ └────────────────┘ 【各Agent职责详解】 ① 🕵️ Data Agent（数据采集Agent） 负责从腾讯财经API获取沪深300成分股的实时行情数据。 采集字段：价格、涨跌幅、成交量、换手率、市盈率等。 输出：DataFrame格式的结构化数据。 ② 🔬 Analysis Agent（技术分析Agent） 基于获取的行情数据，计算15个以上技术指标。 指标包括：RSI、MACD、布林带、动量因子、均线等。 为后续策略评分提供特征基础。 ③ 🧠 Strategy Agents（策略Agent群） 8个独立的选股策略并行运行，每个策略对股票评分排序。 各策略互不干扰，结果独立输出。 ④ 🤝 Ensemble Agent（融合Agent） 将多个策略的评分结果融合为综合评分。 支持3种融合方式： • 加权融合（weighted）：按权重加权平均 • 投票法（voting）：少数服从多数 • 排名平均（rank）：按排名取平均分 ⑤ ⚠️ Risk Agent（风险Agent） 从4个维度评估风险，过滤高风险股票： • 流动性风险：成交量异常、换手率过低 • 波动率风险：振幅过大、波动异常 • 估值风险：市盈率异常高/低 • 趋势反转风险：涨跌趋势突变 ⑥ 📊 Report Agent（报告Agent） 生成可视化图表和结果表格。 展示Top推荐、策略评分、风险分布等。 【竞赛闭环流程】 ① 学生选择策略（Skill层） ② 点击"运行全管道预测" ③ Data Agent获取实时数据 ④ Analysis Agent计算技术指标 ⑤ 各Strategy Agent并行评分 ⑥ Ensemble Agent融合策略结果 ⑦ Risk Agent过滤高风险股票 ⑧ 输出Top 5推荐 → 保存预测结果 ⑨ 一周后自动对比命中率 ⑩ 根据反馈优化策略，迭代循环 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 四、第三层：Skill层（8大选股策略） ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ Skill层包含8个独立的选股策略模块，每个策略都是可复用的 函数模块，可以单独使用，也可以多个策略组合联动。 ┌─────────────────────────────────────────────────────┐ │ 策略名称 │ 核心逻辑 │ 适合市场 │ ├─────────────────────────────────────────────────────┤ │ 🏃 动量延续策略 │ 涨幅+加速度+量价配合 │ 趋势市 │ │ 📊 多因子评分策略 │ 8因子加权综合评分 │ 震荡市 │ │ 🎲 概率回归策略 │ 五档分档+自适应概率 │ 所有市场 │ │ 📉 布林带突破策略 │ 突破布林带上轨信号 │ 突破行情 │ │ 🎯 RSI超买超卖策略│ RSI<35反转/RSI>65 │ 震荡市 │ │ ⛓️ 双均线金叉策略 │ 均线上方+动量金叉 │ 上升趋势 │ │ 🔄 MACD背离策略 │ 柱状线底背离信号 │ 反转行情 │ │ 🤖 ML集成策略 │ 7因子softmax综合判断 │ 综合 │ └─────────────────────────────────────────────────────┘ 【各策略详解】 🏃 动量延续策略（Momentum） 原理：强者恒强，过去表现好的股票未来大概率继续表现好。 指标：累计涨幅、加速度、量价配合度。 适用：上升趋势明显的市场环境。 📊 多因子评分策略（Multi-Factor） 原理：从多个维度综合评估股票质量。 因子：动量、估值、质量、波动率、流动性、成长性、 技术面、情绪面共8个，每个因子加权。 适用：震荡市场，避免单一维度的偏差。 🎲 概率回归策略（Probability Regression） 原理：将股票按历史表现分5档，每档赋予自适应概率权重。 特点：不依赖统计模型，纯规则驱动。 适用：所有市场环境，天然具有分散化效果。 📉 布林带突破策略（Bollinger Breakout） 原理：价格突破布林带上轨为强势信号。 指标：布林带上/中/下轨、带宽、价格位置。 适用：趋势突破行情。 🎯 RSI超买超卖策略（RSI Contrarian） 原理：RSI低于35时为超卖，预期反弹；高于65时为超买， 但强趋势中可追涨。 参数：RSI周期14天，阈值35/65。 适用：震荡市场。 ⛓️ 双均线金叉策略（MA Crossover） 原理：价格位于均线上方且短期均线上穿长期均线为买入信号。 参数：MA5/MA20，动量确认。 适用：上升趋势。 🔄 MACD背离策略（MACD Divergence） 原理：价格创新低而MACD柱状线未创新低（底背离）， 预示趋势反转。 指标：MACD快/慢线、柱状线、背离检测。 适用：反转行情。 🤖 ML集成策略（ML Ensemble） 原理：用7个因子通过softmax函数模拟逻辑回归的概率输出。 特点：简单但有效的机器学习模拟方案，无需训练。 适用：综合场景。 【策略推荐组合】 📌 牛市环境 🐂 动量延续 + ML集成 + 布林带突破 理由：趋势市中捕捉强势股，突破确认加仓。 📌 熊市环境 🐻 概率回归（反转） + RSI超卖 + MACD背离 理由：弱势中寻找超跌反弹和底部反转信号。 📌 震荡环境 ➡️ 多因子评分 + RSI + 概率回归 理由：震荡市中因子分散风险，RSI做波段。 📌 全自动模式 🤖 Ensemble Agent（weighted融合）+ Risk Agent过滤 理由：让融合Agent自动管理权重，风险Agent把关。 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 五、三层协同工作流 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 用户输入："帮我选股" │ ▼ ┌─────────────────┐ │ 🧠 LLM层 │ ← 规则引擎识别意图："选股预测" │ HS300Agent │ │ _detect_intent │ └────────┬────────┘ │ 返回意图 ▼ ┌─────────────────┐ │ 🕵️ Agent层 │ ← 编排管道执行 │ 6大Agent管道 │ │ Data → Analysis│ │ → Strategy → │ │ Ensemble → Risk│ │ → Report │ └────────┬────────┘ │ 调用策略 ▼ ┌─────────────────┐ │ 🔧 Skill层 │ ← 各策略独立评分 │ 动量延续策略 │ │ 多因子评分策略 │ │ 概率回归策略 │ │ 其他策略... │ └─────────────────┘ │ ▼ 输出Top 5推荐结果 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 六、三层架构的设计哲学 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 【为什么用三层架构？】 1. 关注点分离 - LLM层只管"理解"：识别用户意图 - Agent层只管"编排"：调度和协调 - Skill层只管"执行"：具体的策略逻辑 每一层独立演化，互不影响。 2. 可扩展性 - 要加新策略？只需在Skill层增加一个函数模块 - 要改编排逻辑？只需调整Agent层的管道顺序 - 要换意图识别方式？只需替换LLM层的引擎 三层独立修改，低耦合高内聚。 3. 可观测性 - 每一层的输入输出都清晰可见 - Agent管道日志记录每一步的执行状态 - 便于教学演示和问题定位 4. 教学友好 - 学生可以逐层学习，由浅入深 - 先理解"LLM怎么理解我的问题" - 再理解"Agent怎么调度多个任务" - 最后理解"每个策略怎么选股" 分层学习符合认知规律。 【和传统架构的区别】 传统量化系统： 数据获取 → 指标计算 → 策略评分 → 输出结果 → 全部逻辑耦合在一起，难以拆分和理解 Vibe Trading 三层架构： LLM层(理解) → Agent层(编排) → Skill层(执行) → 每一层职责清晰，独立可测，教学友好 【竞赛教学价值】 通过这套架构，学生可以： • 直观理解"AI系统"的内部工作原理 • 动手选择不同的策略（Skill）并观察效果 • 参与完整的"选策略→运行→保存→验证"闭环 • 学会多策略融合、风险评估等实战技能 • 基于这套架构扩展自己的选股策略 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ Vibe Trading · 让每个人都能理解并驾驭AI金融研究的力量