01
认知破冰：什么是多智能体系统？
为什么交易领域需要多智能体？课程全景图与学习路径。
概念导学
02
环境搭建：Python量化生态
Backtrader、CCXT、Pandas 及多智能体框架 (LangGraph/CrewAI) 选型与安装。
工具安装
03
单智能体基础
设计一个简单的趋势跟踪Agent，理解感知-决策-执行闭环。
入门Agent
04
多智能体通信
Agent间消息传递机制、共享黑板模式与发布-订阅模式。
通信架构
05
协作策略一：主从协作模式
一个分析Agent + 一个执行Agent的实战。
协作主从
06
协作策略二：投票共识模式
多个分析Agent投票决定交易信号。
投票共识
07
协作策略三：辩论与反思模式
Agent互相质疑，提升决策鲁棒性。
辩论反思
08
数据源Agent
对接实时行情 (WebSocket) 与历史数据 (CSV/数据库) 的Agent封装。
数据WebSocket
09
分析Agent
技术指标计算 (SMA/RSI/MACD) 与模式识别 (头肩顶/双底) 的Agent化。
指标模式
10
风控Agent
独立的资金管理、止损止盈、最大回撤监控Agent。
风控资金管理
11
执行Agent
对接模拟交易所 (Backtrader) 与真实交易所 (Binance API) 的统一接口。
执行交易所
12
记忆与状态
短期记忆 (对话历史) 与长期记忆 (向量数据库) 的实现。
记忆向量DB
13
工具调用
TA-Lib计算指标、SQL查询持仓等外部工具集成。
工具TA-Lib
14
任务编排：LangGraph DAG
使用LangGraph构建有向无环图工作流，串联多个Agent。
编排DAG
15
案例一：双均线交叉系统
两个Agent分别计算快慢线，协作生成信号。
案例均线
16
案例二：RSI背离检测系统
一个Agent找背离，一个Agent确认趋势，一个Agent执行。
案例RSI
17
案例三：海龟交易法则的Agent化
将完整的海龟法则拆解为多个Agent角色。
案例海龟
18
案例四：多时间框架分析系统
日线Agent、4小时Agent、1小时Agent共同决策。
案例多时间
19
案例五：舆情+技术融合系统
爬取新闻的Agent与做技术分析的Agent投票决策。
案例舆情
20
回测框架集成
将多智能体系统嵌入Backtrader进行历史回测。
回测Backtrader
21
性能优化
Agent并行执行 (多线程/异步)、消息队列 (Redis) 加速通信。
性能并行
22
错误处理与容错
Agent宕机、超时重试、降级策略、熔断机制。
容错降级
23
日志与可观测性
使用LangSmith/WandB追踪每个Agent的思考过程与决策链路。
日志可观测
24
参数调优
对Agent提示词、模型参数、协作策略进行网格搜索优化。
调优网格搜索
25
模拟盘部署
部署到云服务器 (AWS/阿里云)，对接模拟盘交易。
部署模拟盘
26
实盘风险控制
安全检查清单、小资金试跑策略、紧急停止机制。
实盘风控
27
案例六：网格交易多Agent系统
多个Agent分别管理不同价格区间的网格。
案例网格
28
案例七：套利监控系统
监控多个交易所价差的Agent集群。
案例套利
29
案例八：投资组合再平衡系统
多个资产Agent + 一个组合优化Agent。
案例组合
30
总结与展望
多智能体交易系统的局限性、未来方向 (人机协作、自主进化)、课程资源汇总。
总结展望