本地零成本跑 10 个 AI 分析师｜aquant-agent

风险提示：本文仅作技术交流，不构成投资建议。股市有风险，投资需谨慎。以下内容介绍一个开源研究工具的技术架构，所有分析输出仅供参考。

一、为什么是 10 个 AI 分析师？

传统量化工具大多停留在「单一指标 + 静态规则」的层面：一个公式算完就出信号，没有多角度交叉验证，也没有记忆和风控。对于一个信息高度不对称的市场，单点视角很容易陷入偏见。

AQuant-Agent 的思路是：用 LangGraph 把 10 个专业 AI 智能体编排成一套投研工作流，模拟一个顶级投研团队的分工与协作——有人看技术面，有人看基本面，有人读新闻，最后还有多空双方辩论、交易员拍板、风控把关。

核心看板截图

它把「分析」这件事拆成了可解释、可审计的多个环节，而不是一个黑箱公式。下面逐一拆开看。

二、10 个专业智能体角色

整个智能体团队由 10 个角色构成，分为「分析层、辩论层、执行层」三个梯次：

智能体	职责定位
技术分析师	量价、均线、形态等技术信号计算与识别
基本面分析师	财务、估值、行业基本面研判
情绪分析师	市场情绪与舆情热度解读
新闻分析师	新闻事件语义理解与影响评估
资金流向分析师	主力、北向、板块资金流跟踪
宏观分析师	宏观政策与利率环境研判
多头研究员	构建看多逻辑与买入理由
空头研究员	构建看空逻辑与风险提示
交易员	综合各方输出生成交易决策
风险管理	强制风控边界与仓位约束

10 个智能体角色一览

关键点在于：6 个分析师分别从不同维度给出判断，多头与空头研究员用博弈论框架对抗辩论，再由交易员综合、风险管理兜底。这种「多视角 + 对抗」的设计，目的是减少单一模型的盲区。

三、3D 智能体可视化与多维看板

项目内置 Three.js 的 3D 智能体可视化，把每个 Agent 的活跃状态、辩论流向以空间节点呈现，方便直观理解工作流运转。

3D 智能体可视化

同时提供多维度的分析看板，把技术、基本面、情绪、资金流等结果汇总在一屏内，便于横向对照。

多维度分析看板

四、三层混合决策架构

AQuant-Agent 不是简单地「让 LLM 拍板」，而是把决策拆成三层，互相制约：

层级	职责	示例
规则引擎层	快速过滤、硬性约束	涨跌停过滤、ST 股排除
LLM 增强层	语义理解、推理决策	新闻情绪解读、形态识别
风控强制层	安全边界、合规审查	仓位限制、FOMO 检测

三层决策与传统工具对比

规则层保证「不该碰的不碰」，LLM 层负责「理解复杂信息」，风控层在最后兜底。三层之间的边界是硬性强制的，不会因为模型「自信」就被绕过。

五、年轮记忆系统

传统工具每次运行都是「失忆」的。AQuant-Agent 设计了年轮记忆系统（user_memory），会记录你的投资偏好并持续进化：

# 系统会记住你的投资偏好
user_memory.learn(
    user_id="user_001",
    action="买入",
    stock="贵州茅台",
    reason="看好白酒板块",
    outcome="盈利15%"
)

# 下次分析时自动参考
recommendation = user_memory.recall("白酒板块")

通过在合规前提下学习历史偏好，让后续分析更贴合个人研究框架——注意，这是「研究偏好」的记忆，不是「代客理财」。

六、博弈论多空辩论

为避免单一视角偏见，项目内置 DebateEngine，让多头与空头研究员进行多轮对抗：

debate = DebateEngine(
    bull_researcher=BullResearcher(),  # 多头观点
    bear_researcher=BearResearcher(),  # 空头观点
    rounds=3  # 三轮对抗
)
result = debate.run(stock_data)
# 输出趋向纳什均衡的决策，避免单边偏见

多轮对抗后收敛出的结论，比任何一个单独智能体的「一面之词」更经得起推敲。

七、6 级数据源降级，A 股全覆盖

A 股数据接口经常不稳定，AQuant-Agent 设计了六级数据源自动降级，保证在单一源失效时仍能跑通：

Mootdx → Akshare → Tencent → Eastmoney → Baidu → Cninfo

从本地行情（通达信协议）到多家公开数据接口逐级回退，优先本地、兜底公开源，最大化可用性。

八、多 LLM 支持，本地零成本优先

这是项目最务实的一点：默认鼓励本地模型，完全免费。也兼容多家商业/国产 LLM。

提供商	免费额度	推荐模型
本地模型	完全免费	gemma4 / llama3 / Qwen
OpenRouter	每日免费	google/gemma-4-31b-it:free
通义千问	有免费额度	qwen-turbo
DeepSeek	有免费额度	deepseek-chat
智谱 AI	有免费额度	glm-4
OpenAI	付费	GPT-4o
Anthropic	付费	Claude-3.5

多 LLM 支持一览

对个人研究者来说，「本地模型跑通」意味着零 API 成本，数据也不出本机，隐私性更好。

九、三层风控：合规 + FOMO + 仓位

项目把风控拆成三个独立模块，组合成硬性安全边界：

合规审查（compliance.py）：注入免责声明、标注信号风险、过滤违规内容；
FOMO 检测（fomo_guard.py）：识别「追高」「过度交易」等非理性行为并拦截；
仓位管理（DynamicStopLossService）：基于 ATR 的追踪止损，动态控制单笔风险敞口。

这套机制保证：即便上层模型给出激进建议，也会被风控层强制收敛到安全区间内。

十、5 分钟快速上手（本地优先）

# 1. 克隆项目
git clone https://github.com/cliu-debug/aquant-agent.git
cd aquant-agent

# 2. 安装依赖
pip install -r requirements.txt

# 3. 配置 LLM（三选一）
# 方式 A：本地模型（推荐，完全免费）
#   下载 llama.cpp 运行 gemma4，默认 http://127.0.0.1:8080
# 方式 B：OpenRouter 免费 API
export LLM_PROVIDER=openrouter
export OPENROUTER_API_KEY=your_key
# 方式 C：国产 LLM（通义千问 / DeepSeek / 智谱）
export LLM_PROVIDER=qwen
export QWEN_API_KEY=your_key

# 4. 跑一个 Demo
python examples/demo.py --code 600519.SH --name 贵州茅台

# 5. 启动 Web 界面
python -m astock_agents.web.app
# 访问 http://localhost:8000

也可以用 Python API 直接调用：

from astock_agents.workflow.analysis_workflow import AnalysisWorkflow

workflow = AnalysisWorkflow()
result = workflow.run(stock_code="600519.SH", stock_name="贵州茅台")
print(result.final_signal)        # BUY / SELL / HOLD
print(result.final_confidence)    # 0-100 置信度

⚠️ 许可与合规说明：AQuant-Agent 采用 CC BY-NC 4.0（知识共享署名-非商业性使用 4.0） 协议。它允许个人学习、研究与非商业性修改分发，但明确禁止商业使用（包括但不限于商业交易服务、SaaS 产品、任何营利性活动），使用时需署名并标注改动。请仅在本地研究场景下使用，切勿用于商业化或实盘自动交易。

小结

AQuant-Agent 的价值不在「预测涨跌」，而在于把一套可解释、可审计、带风控的研究流程用多智能体方式工程化落地：10 个 Agent 协同、三层决策、年轮记忆、博弈论辩论、6 级数据降级、本地零成本 LLM、硬性三层风控。它是一个值得技术研究者把玩的本地投研工作流框架。

再次提示：本文仅作技术交流，不构成投资建议。任何分析输出仅供参考，股市有风险，投资需谨慎。

配套媒体