AI Agent
Hyper-Trading-Agent 不是简单的“AI 炒股机器人”，而是一套将大模型纳入确定性工程体系的金融投研工作台。它把数据获取、知识检索、因子分析、策略回测、报告生成、多 Agent 协作和受控交易整合到同一平台，并通过会话、事件流、产物、审批与审计保证过程可追溯。它的核心分工很明确：模型负责理解任务、选择方法与解释结果；Tool 负责行情、检索、回测、因子计算等确定性执行；Skill 则承载研究步骤、模板和方法约束。系统不会把全部知识一次塞入上下文，而是让模型按需加载 Skill，以控制上下文成本并减少无关干扰。单 Agent 通过 ReAct 循环运行：构建上下文、调用模型、校验并执行工具、保存 Trace 和 Artifact，再将结果继续反馈给模型。只读工具可并行执行，写操作保持串行；对超时、失败、上下文压缩和工具调用配对都有专门处理。这种设计比“提示词加函数”更接近真实任务系统。在量化部分，模型只生成策略假设和配置，固定回测引擎负责数据校验、撮合、指标和交易账本。项目还要求随机基线、样本外验证、Look-ahead 检测、风险披露等反证步骤，避免模型只为漂亮结果寻找理由。多 Agent 不采用自由群聊，而是以 DAG 表达任务依赖：上游产物由下游消费，独立任务可以并行，失败可传播和重试。因此，Swarm 更像可审计的小型工作流引擎，而不是角色扮演。真实交易被单独治理。下单意图须经过权限、Mandate、暂停开关、订单 Gate 和审计账本；公共 MCP 接口不暴露下单与撤单能力，整体遵循默认拒绝。项目最值得借鉴的地方，是把易变的方法论放进 Skill，把金额上限、权限、路径安全和交易边界写进代码。目前它仍在从本地优先走向生产级多租户架构：SQLite 与 PostgreSQL/pgvector 并存，部分长任务尚未统一进入 Worker，组织隔离、SSO、密钥管理和平台级安全能力仍需完善。但其工程方向已经清晰：用模型做决策，用确定性系统做计算和约束，用证据与审计建立可信性。GitHub仓库地址：
https://taou.cn/a/iWy6PM～
发布于 上海
3
评论
1
未登录
友善发言
评论
加载中
