它把巴菲特和大空頭塞進了同一個項目，這個開源項目 5.9 萬星跪了

作者：戴衞得

日期：2026年5月21日下午8:11

來源：WeChat 原文

✦整理版優先睇

速讀 5 個重點高亮

開源項目 ai-hedge-fund 展示多 Agent 協作設計範式，量化代碼與 LLM 分工係精髓

整理版摘要

呢個開源項目由紐約創業者 Virat Singh 開發，喺 GitHub 上攞咗 5.9 萬粒星。佢用 19 個 AI Agent 模擬巴菲特、Cathie Wood、Michael Burry 等投資大師，唔係靠簡單 prompt 扮演，而係每個 Agent 先由確定性代碼計量化指標（如 ROE、DCF、波動率），再將結果交俾 LLM 配合對應投資哲學做判斷。

項目嘅真正價值唔係 AI 炒股，而係一套多 Agent 協作嘅設計範式。佢將精確計算同定性判斷拆開，所有數字運算用代碼處理，LLM 只負責喺框架下推理。風險管理層亦用硬編碼約束，避免最後一步出錯放大。

整體結論係呢個項目係教科書級別嘅多智能體參考實現，值得學習佢嘅架構設計、LangGraph 編排同量化+LLM 混合思路。

ai-hedge-fund 嘅核心唔係 AI 炒股，而係多 Agent 協作設計範式，展示量化分析同 LLM 判斷點樣分工。
每個 Agent 有專屬量化指標體系（巴菲特睇 ROE、護城河；Cathie Wood 睇 adoption 曲線），再配合投資哲學 prompt，唔係單靠角色扮演。
量化計算（DCF、波動率、相關性）全部用確定性代碼處理，LLM 只負責喺俾定框架下做定性判斷，呢條分界線係精髓。
系統有三層：分析師層（17 個 Agent）、風險管理層（波動率同相關性約束）、組合經理層（喺風控限制內做最終決策）。
呢個項目係學 LangGraph 多智能體編排嘅極佳案例，亦可以將量化+LLM 混合架構複用喺其他需要精確分析同綜合判斷嘅場景。

值得記低

連結 github.com

ai-hedge-fund GitHub Repo

Virat Singh 開發嘅多 Agent 投資分析系統，展示量化+LLM 分工架構，含完整代碼同 README。

整理重點

19 個 Agent 點樣模擬投資大師？

呢個項目用 19 個 AI Agent 模擬唔同投資大師，每個 Agent 嘅分析分三層：數據層、量化分析層同 LLM 判斷層。巴菲特 Agent 會先由 API 拉財務數據，再用代碼計 ROE、DCF 等硬指標，最後將結果交俾 LLM 配合巴菲特哲學 prompt 做判斷。

量化代碼+LLM 判斷係呢個項目嘅核心分界線

1 第一層：數據層從 Financial Datasets API 拉財務數據
2 第二層：量化分析層用代碼計 ROE、DCF、波動率等硬指標，打包成 JSON
3 第三層：LLM 配合對應投資哲學 prompt 做最終信號判斷，輸出 signal、confidence、reasoning

整理重點

量化同 LLM 嘅分界線點樣設計？

所有需要精確計算嘅事全部用代碼做，LLM 碰都唔碰。DCF、波動率、相關性矩陣都係算好先俾 LLM。LLM 收到嘅係一份已量化嘅成績單，例如 ROE 22%、負債權益比 0.3。

LLM 只做最後一步定性判斷

量化指標如 ROE、DCF 由代碼準確計算，避免 LLM 出錯
LLM 喺給定數據框架下基於投資哲學推理，輸出結構化信號（bullish/bearish/neutral 及信心度）

整理重點

風險管理點樣約束 Agent 決策？

風險經理層負責波動率分檔同相關性調整，唔會用 LLM 判斷，而係硬編碼映射。例如低波動最多配 25% 倉位，高波動最多 10%。相關性高嘅股票一齊買會打折。

波動率約束單隻股票風險，相關性約束整個組合風險

波動率四檔：低(<15%)、中(15-30%)、高(30-50%)、極高(>50%)，每檔對應不同倉位上限
相關性調整：同類股相關係數高時倉位打七折，低相關性股票可加 10% 空間
組合經理先用確定性邏輯計算現金、保證金、倉位限制，再交 LLM 做最終決策

整理重點

呢個項目嘅真正價值係咩？

項目喺 README 講明唔會進行實際交易，佢嘅價值在於教學同參考。首先係最清晰嘅 LangGraph 多智能體教學案例之一，代碼組織得好。其次係量化+LLM 混合架構可以複用。最後獲得學術界關注，包括沃頓商學院教授推薦同 AAAI 2026 收錄。

多 Agent 協作嘅教科書級別參考實現

教學價值：LangGraph 多智能體編排嘅實際範例
可複用性：量化+LLM 分工可用於其他需要精確分析同判斷嘅領域
學術背書：沃頓商學院 Ethan Mollick 推薦，AAAI 2026 收錄

你俾一個系統一個股票代碼。下一秒，19 個 AI Agent 就一齊開工。

巴菲特嗰一組喺度計護城河同內在價值。Cathie Wood 喺度睇顛覆式創新同技術 Adoption 曲線。Michael Burry，就係電影「大空頭」嘅原型人物，喺度睇資產負債表揾深度價值。Peter Lynch 喺度揾日常生活中嘅「十倍股」。Nassim Taleb 喺度計尾部風險同反脆弱性。

呢啲 Agent 各自俾出自己嘅判斷，有啲睇好，有啲睇淡，有啲觀望。最後，一個叫 Portfolio Manager 嘅 Agent 綜合曬所有意見，拍板買定賣、買幾多、賣幾多。

呢個畫面聽落有啲離譜。但佢喺 GitHub 上攞咗 5.9 萬粒星。個項目叫 ai-hedge-fund，作者係一個叫 Virat Singh 嘅紐約創業者，MIT 協議開源，用 Python 寫，到今日仲活躍更新緊。

5.9 萬人關注嘅唔係 AI 炒股票，而係一套多 Agent 協作嘅設計範式。 呢套設計比起佢嘅噱頭有意思得多。

GitHub 地址：github.com/virattt/ai-hedge-fund

01

CHAPTER

佢係點樣將巴菲特放咗入去

先講結論。佢唔係叫 AI 「扮巴菲特」咁簡單。

好多人睇到呢個項目嘅第一反應係，呢咪即係俾 ChatGPT 寫一句「你而家扮演巴菲特」囉。唔係。呢個項目嘅做法比呢個複雜一層，亦都聰明一層。

以巴菲特 Agent 為例。佢嘅代碼分三層。

第一層係數據。由 Financial Datasets API 攞財務數據，營收、利潤、資產負債表、現金流，全部攞落嚟。

第二層係量化分析。代碼開始計硬指標。

ROE，即係淨資產收益率，巴菲特最睇重嘅指標之一。負債權益比，巴菲特唔鍾意欠周身債嘅公司。營業利潤率，睇公司賺錢嘅效率。護城河評分，通過 ROE 一致性、利潤率穩定性、資產效率嚟量化。內在價值，用嘅係三階段 DCF 模型，先預測未來現金流再折現到而家，計出呢間公司到底值幾多錢。

所有呢啲量化指標計完之後，打包成一個緊湊嘅 JSON。

第三層先係 LLM。呢個 JSON 傳俾一個大語言模型，同時俾一段 system prompt。呢段 prompt 入面寫嘅係巴菲特嘅投資哲學清單。「只買有持久競爭優勢嘅公司」、「喺安全邊際內買入」、「管理層係咪誠實有能力」呢啲原則。

LLM 收到兩樣嘢，量化數據同投資哲學，然後喺呢套框架下俾出判斷。輸出都係結構化嘅，唔係一段自由文本，係三個字段：signal，bullish 定 bearish 定 neutral；confidence，0 到 100；reasoning，一段推理過程。

實際跑起來長這樣｜各分析師給出 signal 和 confidence，最後 Portfolio Manager 拍板 BUY 20000 股｜來源項目 README

代碼先將數字計完，LLM 只做最後一步嘅定性判斷。 呢個分工好關鍵。LLM 唔擅長計數字，ROE 計錯咗、DCF 折現率搞亂咗，成個分析就廢咗。所以量化部分完全交俾確定性代碼，LLM 只負責佢最擅長嘅嘢，喺畀定嘅數據框架下做邏輯推理同判斷。

其他 12 個投資者 Agent 都係同樣嘅三層結構，但第二層嘅量化指標唔同。Cathie Wood 唔多睇 ROE，佢睇嘅係技術顛覆潛力、市場規模、Adoption 曲線。Michael Burry 唔睇護城河，佢睇嘅係資產負債表嘅安全邊際同深度價值。Peter Lynch 唔計 DCF，佢睇嘅係 PEG 比率（市盈率相對盈利增長嘅比率）同日常生活中嘅消費信號。

每個投資者人設唔係一段 prompt，而係一套量化體系加一段投資哲學嘅組合。 呢個設計比「叫 AI 扮某人」深咗一層。

02

CHAPTER

十三個大腦，四對眼

19 個 Agent 唔係亂咁堆砌嘅，分三層。

作者畫的官方流程圖｜投資者 Agent 羣 → Risk Manager → Portfolio Manager → 五種交易動作｜來源項目 README

分析師層係主力，有 17 個 Agent。其中 13 個係投資者人設，由巴菲特到 Nassim Taleb，每個都有自己的量化體系。另外 4 個係分析維度 Agent，估值分析、情緒分析、基本面分析、技術面分析。呢 4 個唔帶人設，純粹由數據角度出分析報告。

所有分析師嘅輸出滙埋一齊，進入第二層，風險管理層。

風險經理唔做買賣決策，佢做嘅係約束。 波動率分四檔。低波動，年化 15% 以下，最多配 25% 倉位。中波動，15% 到 30%，配 12% 到 20%。高波動，30% 到 50%，5% 到 15%。極高波動，超過 50%，最多 10%。

然後睇相關性。如果你同時買咗好幾隻科技股，佢哋之間嘅相關係數好高，就打個七折。如果你一隻科技股配一隻消費股，相關性低，反而俾你加 10% 嘅空間。波動率約束單隻股票嘅風險，相關性約束整個組合嘅風險。 呢個喺開源項目入面唔係好常見，大部分開源嘅 AI 交易系統風控就係簡單設一個倉位上限。

最後一層係組合經理。佢收到兩樣嘢，所有分析師嘅信號同風險經理俾嘅倉位限額，然後做最終決策。

有趣嘅係，佢唔會叫 LLM 去計倉位。先用確定性邏輯計清楚現金夠唔夠、保證金夠唔夠、倉位超唔超限，將不可行嘅動作全部排除，然後先叫 LLM 喺剩下嘅可行選項入面揀。

呢個同好多人嘅直覺唔同。多 Agent 系統最怕嘅就係最後一步都全靠 AI 拍板，出錯嘅概率隨 Agent 數量指數放大。呢個項目喺最後一步將 AI 嘅自由度壓縮到最細，只喺「允許嘅動作」入面揀，而唔係「所有可能嘅動作」入面揀。

成個流程可以睇成一場投資會議。 13 個投資大師各自發表意見，4 個分析師提供數據支撐，風控總監拍枱話倉位唔可以超過咁多，最後基金經理喺允許範圍內拍板。

03

CHAPTER

量化計分加 LLM 判斷，呢條分界線係精髓

成個項目最值得學嘅就係量化代碼同 LLM 之間嗰條分界線。

我之前用 AI 做投資分析嘅時候，最大嘅感受係 AI 睇大方向唔錯，但一碰具體數字就露餡。叫佢分析個行業趨勢、總結個財報電話會議，做得幾好。叫佢計 DCF、計 ROE 趨勢、計波動率調整後嘅倉位，就開始亂咁講嘢喇。

呢個項目嘅處理方式係，凡是需要精確計算嘅事，全部用代碼做，LLM 掂都唔掂。 DCF 用代碼計，波動率用代碼計，相關性矩陣用代碼計。計完打包成結構化數據，傳俾 LLM 嘅時候數據已經係確定嘅。

LLM 收到嘅係啲乜？係一份已經量化咗嘅「成績單」。

巴菲特 Agent 嘅 JSON 入面可能有呢啲：ROE 係 22%，行業平均 15%。負債權益比 0.3，好低。營業利潤率 35%，十年穩定。內在價值比當前股價高 20%。

LLM 要做嘅，係喺巴菲特嘅投資哲學框架下睇呢份成績單，然後判斷。ROE 22% 夠唔夠高，喺巴菲特眼裏值唔值得買。20% 嘅安全邊際夠唔夠。

呢個設計解決咗一個好根本嘅問題。 LLM 做唔到精確計算，但佢喺畀定條件下做定性判斷嘅能力越嚟越強。咁就將精確計算同定性判斷拆開，各自做各自嘅。

風險管理層嘅設計都係同一個思路。波動率分檔映射表係硬編碼嘅，唔靠 LLM 判斷。相關性矩陣係代碼計嘅，唔靠 LLM 計。LLM 只喺組合經理呢一層參與決策，而且被限制喺風控約束允許嘅範圍內。

將數字留俾代碼，將判斷留俾 AI。 呢個原則唔止喺投資領域有用。任何需要「精確分析加綜合判斷」嘅場景，醫療診斷、法律文書審查、供應鏈決策，都可以用呢個模式。

我自己搭多 Agent 工作流嘅時候踩過呢個坑。叫 Agent 做需要精確性嘅任務，例如由網頁入面提取特定格式嘅數據、做表格計算、跑統計檢驗，結果唔可靠。後來都係類似嘅思路，將精確任務交俾腳本，Agent 只做調度同判斷。睇到呢個項目將同一個思路用喺投資領域，而且係系統性噉做，覺得真係想明白了。

04

CHAPTER

佢嘅真正價值唔係炒股票

講咗咁多設計，要講清楚呢個項目到底有咩用。

項目本身喺 README 入面寫咗一行粗體字，「不進行任何實際交易」。標題入面嘅 hedge fund 更加似一個吸引眼球嘅包裝。佢唔會幫你炒股票，從來都冇呢個打算。

佢嘅價值喺第二度。

第一，佢係目前最清晰嘅 LangGraph 多智能體教學案例之一。19 個 Agent 嘅三層編排、狀態喺 Agent 之間嘅傳遞方式、並行執行同串行匯聚嘅設計，代碼組織得非常清楚。想學多 Agent 協作點樣搭，呢個倉庫比起大多數教程都更有用。

第二，量化加 LLM 嘅混合架構思路可以用返。我之前用過 DeerFlow 呢種多智能體工具做深度調查，都搭過一啲自己嘅 Agent 工作流。最大嘅痛點就係 Agent 做唔好精確任務。 呢個項目俾出咗一個好乾淨嘅解決方案，將精確計算由 LLM 嘅能力邊界切走，交俾確定性代碼。

第三，多 Agent「投票」消除盲區嘅思路有學術背書。沃頓商學院嘅 Ethan Mollick 教授公開推薦咗呢個項目。AAAI 2026 都收錄咗相關論文。學術界關注嘅唔係佢賺唔賺到錢，而係佢展示嘅多 Agent 協作範式。

呢三樣嘢加埋一齊，就係一個教科書級別嘅多 Agent 架構參考實現。

你打開 GitHub 搜「AI trading」、「AI agent」，會揾到幾百個項目。大部分一係套個 API 嘅玩具，一係用 LLM 直接計投資指標嘅實驗。呢個項目唔同嘅地方在於，佢嘅架構設計係認真嘅。 每一步應該叫 LLM 做啲乜、唔應該叫 LLM 做啲乜，分界線劃得好清楚。

呢個項目嘅核心價值唔係「AI 幫你炒股票」。而係將「多 Agent 點樣協作、量化分析同 LLM 點樣分工、風險約束點樣嵌入」呢整套方法論，用一份行得到嘅代碼展示咗出嚟。

項目還提供了 Web UI 編排 Agent 工作流，畫面裏這個 Berkshire Hathaway 正是巴菲特公司的代號，作者也忍不住玩了一把梗｜來源項目 README

值得花一個下晝將代碼讀一次。 唔係為咗炒股票，係為咗睇明多 Agent 協作嘅一種優秀範式。

· · ·

以上，既然睇到呢度，如果覺得唔錯，順手點個讚、睇、轉發三連啦，如果想第一時間收到推送，都可以俾我個星標⭐～

多謝你睇我嘅文章，我哋，下次再見。

往期回顧

將銀行卡號碼俾 ChatGPT，你敢唔敢？

裝咗呢個 Skill，我用 Notebook LM 消化嘅信息量翻咗五倍

Obsidian 親口承認咗：你裝嘅插件，五年冇人睇第二次

你給一個系統一個股票代碼。下一秒，19 個 AI Agent 同時開工。

巴菲特那一組在算護城河和內在價值。Cathie Wood 在看顛覆式創新和技術 Adoption 曲線。Michael Burry，就是電影「大空頭」的原型人物，在翻資產負債表挖深度價值。Peter Lynch 在找日常生活中的「十倍股」。Nassim Taleb 在算尾部風險和反脆弱性。

這些 Agent 各自給出自己的判斷，有的看漲，有的看跌，有的觀望。最後，一個叫 Portfolio Manager 的 Agent 綜合所有意見，拍板買還是賣、買多少、賣多少。

這個畫面聽着有點離譜。但它在 GitHub 上拿了 5.9 萬顆星。項目叫 ai-hedge-fund，作者是一個叫 Virat Singh 的紐約創業者，MIT 協議開源，Python 寫的，截至今天還在活躍更新。

5.9 萬人圍觀的不是 AI 炒股，是一套多 Agent 協作的設計範式。 這套設計比它的噱頭有意思得多。

GitHub 地址：github.com/virattt/ai-hedge-fund

01

CHAPTER

它是怎麼把巴菲特塞進去的

先說結論。它不是讓 AI 「假裝是巴菲特」。

很多人看到這個項目的第一反應是，這不就是給 ChatGPT 寫一句「你現在扮演巴菲特」嗎。不是。這個項目的做法比這複雜一層，也聰明一層。

以巴菲特 Agent 為例。它的代碼分三層。

第一層是數據。從 Financial Datasets API 拉財務數據，營收、利潤、資產負債表、現金流，全拉下來。

第二層是量化分析。代碼開始算硬指標。

ROE，淨資產收益率，巴菲特最看重的指標之一。負債權益比，巴菲特不喜歡欠一屁股債的公司。營業利潤率，看公司賺錢的效率。護城河評分，通過 ROE 一致性、利潤率穩定性、資產效率來量化。內在價值，用的是三階段 DCF 模型，先預測未來現金流再折現到現在，算出這家公司到底值多少錢。

所有這些量化指標算完後，打包成一個緊湊的 JSON。

第三層才是 LLM。這個 JSON 發給一個大語言模型，同時給它一段 system prompt。這段 prompt 裏寫的是巴菲特的投資哲學清單。「只買有持久競爭優勢的公司」「在安全邊際內買入」「管理層是否誠實有能力」之類的原則。

LLM 收到兩樣東西，量化數據和投資哲學，然後在這套框架下給出判斷。輸出也是結構化的，不是一段自由文本，是三個字段。signal，bullish 還是 bearish 還是 neutral。confidence，0 到 100。reasoning，一段推理過程。

代碼先把數字算完，LLM 只做最後一步的定性判斷。 這個分工很關鍵。LLM 不擅長算數字，ROE 算錯了、DCF 折現率搞混了，整個分析就廢了。所以量化部分完全交給確定性代碼，LLM 只負責它最擅長的事，在給定的數據框架下做邏輯推理和判斷。

其他 12 個投資者 Agent 也是同樣的三層結構，但第二層的量化指標不同。Cathie Wood 不怎麼看 ROE，她看的是技術顛覆潛力、市場規模、Adoption 曲線。Michael Burry 不看護城河，他看的是資產負債表的安全邊際和深度價值。Peter Lynch 不算 DCF，他看的是 PEG 比率（市盈率相對盈利增長的比率）和日常生活中的消費信號。

每個投資者人設不是一段 prompt，是一套量化體系加一段投資哲學的組合。 這個設計比「讓 AI 扮演某個人」深了一層。

02

CHAPTER

十三個大腦，四雙眼睛

19 個 Agent 不是隨便堆的，分三層。

分析師層是主力，17 個 Agent。其中 13 個是投資者人設，從巴菲特到 Nassim Taleb，每個都有自己的量化體系。另外 4 個是分析維度 Agent，估值分析、情緒分析、基本面分析、技術面分析。這 4 個不帶人設，純粹從數據角度出分析報告。

所有分析師的輸出匯到一起，進入第二層，風險管理層。

風險經理不做買賣決策，它做的是約束。 波動率分四檔。低波動，年化 15% 以下，最多配 25% 倉位。中波動，15% 到 30%，配 12% 到 20%。高波動，30% 到 50%，5% 到 15%。極高波動，超過 50%，最多 10%。

然後看相關性。如果你同時買了好幾只科技股，它們之間的相關係數很高，就打七折。如果你一隻科技股配一隻消費股，相關性低，反而給你加 10% 的空間。波動率約束單隻股票的風險，相關性約束整個組合的風險。 這在開源項目裏不太常見，大部分開源的 AI 交易系統風控就是簡單設一個倉位上限。

最後一層是組合經理。它拿到兩樣東西，所有分析師的信號和風險經理給的倉位限額，然後做最終決策。

有意思的是，它不會讓 LLM 去算倉位。先用確定性邏輯算清楚現金夠不夠、保證金夠不夠、倉位超沒超限，把不可行的動作全排除掉，然後才讓 LLM 在剩下的可行選項裏選。

這跟很多人的直覺不一樣。多 Agent 系統最怕的就是最後一步也全靠 AI 拍板，出錯的概率隨 Agent 數量指數放大。這個項目在最後一步把 AI 的自由度壓縮到了最小，只在「允許的動作」裏選，而不是「所有可能的動作」裏選。

整個流程可以看成一場投資會議。 13 個投資大師各抒己見，4 個分析師提供數據支撐，風控總監拍桌子說倉位不能超過這麼多，最後基金經理在允許範圍內拍板。

03

CHAPTER

量化跑分加 LLM 判斷，這個分界線是精髓

整個項目最值得學的就是量化代碼和 LLM 之間的那條分界線。

我之前用 AI 做投資分析的時候，最大的感受是 AI 看大方向不錯，但一碰具體數字就露餡。叫它分析個行業趨勢、總結個財報電話會，做得挺好。叫它算 DCF、算 ROE 趨勢、算波動率調整後的倉位，就開始胡說八道了。

這個項目的處理方式是，凡是需要精確計算的事，全部用代碼做，LLM 碰都不碰。 DCF 用代碼算，波動率用代碼算，相關性矩陣用代碼算。算完打包成結構化數據，送給 LLM 的時候數據已經是確定的了。

LLM 拿到的是什麼。是一份已經量化的「成績單」。

巴菲特 Agent 的 JSON 裏可能有這些。ROE 是 22%，行業平均 15%。負債權益比 0.3，很低。營業利潤率 35%，十年穩定。內在價值比當前股價高 20%。

LLM 要做的，是在巴菲特的投資哲學框架下看這份成績單，然後判斷。ROE 22% 夠不夠高，在巴菲特眼裏值不值得買。20% 的安全邊際夠不夠。

這個設計解決了一個很根本的問題。 LLM 做不了精確計算，但它在給定條件下做定性判斷的能力越來越強。那就把精確計算和定性判斷拆開，各幹各的。

風險管理層的設計也是同一個思路。波動率分檔映射表是硬編碼的，不靠 LLM 判斷。相關性矩陣是代碼算的，不靠 LLM 算。LLM 只在組合經理這一層參與決策，而且被限制在風控約束允許的範圍內。

把數字留給代碼，把判斷留給 AI。 這個原則不只是投資領域有用。任何需要「精確分析加綜合判斷」的場景，醫療診斷、法律文書審查、供應鏈決策，都能用這個模式。

我自己搭多 Agent 工作流的時候踩過這個坑。讓 Agent 做需要精確性的任務，比如從網頁裏提取特定格式的數據、做表格計算、跑統計檢驗，結果不可靠。後來也是類似的思路，把精確任務交給腳本，Agent 只做調度和判斷。看到這個項目把同一個思路用在投資領域，而且是系統性地做，覺得確實想明白了。

04

CHAPTER

它的真正價值不在炒股

說了這麼多設計，得說清楚這個項目到底有什麼用。

項目自己在 README 裏寫了一行加粗的字，「不進行任何實際交易」。標題裏的 hedge fund 更像是一個吸引注意力的包裝。它不會幫你炒股，也從來沒有這個打算。

它的價值在別的地方。

第一，它是目前最清晰的 LangGraph 多智能體教學案例之一。19 個 Agent 的三層編排、狀態在 Agent 之間的傳遞方式、並行執行和串行匯聚的設計，代碼組織得非常清楚。想學多 Agent 協作怎麼搭，這個倉庫比大多數教程都管用。

第二，量化加 LLM 的混合架構思路可以複用。我之前用過 DeerFlow 這種多智能體工具做深度調查，也搭過一些自己的 Agent 工作流。最大的痛點就是 Agent 做不好精確任務。 這個項目給出了一個很乾淨的解決方案，把精確計算從 LLM 的能力邊界裏切出去，交給確定性代碼。

第三，多 Agent 「投票」消除盲區的思路有學術背書。沃頓商學院的 Ethan Mollick 教授公開推薦了這個項目。AAAI 2026 也收錄了相關論文。學術界關注的不是它能不能賺錢，是它展示的多 Agent 協作範式。

這三樣東西加在一起，就是一個教科書級別的多 Agent 架構參考實現。

你打開 GitHub 搜「AI trading」「AI agent」，能找到幾百個項目。大部分要麼是套個 API 的玩具，要麼是拿 LLM 直接算投資指標的實驗。這個項目不一樣的地方在於，它的架構設計是認真的。 每一步該讓 LLM 做什麼、不該讓 LLM 做什麼，分界線畫得很清楚。

這個項目的核心價值不是「AI 替你炒股」。是把「多 Agent 怎麼協作、量化分析和 LLM 怎麼分工、風險約束怎麼嵌入」這整套方法論，用一份能跑的代碼展示出來了。

值得花一個下午把代碼讀一遍。 不為了炒股，為了看懂多 Agent 協作的一種優秀範式。

· · ·

以上，既然看到這裏了，如果覺得不錯，隨手點個贊、在看、轉發三連吧，如果想第一時間收到推送，也可以給我個星標⭐～

謝謝你看我的文章，我們，下次再見。

往期回顧

把銀行卡號給 ChatGPT，你敢嗎

裝上這個 Skill，我用 Notebook LM 消化的信息量翻了五倍

Obsidian 親口承認了：你裝的插件，五年沒人查第二遍