4、Agent基础架构：Agent的定义与角色、ReAct模式（推理+行动）、工具调用机制、记忆模块设计

好，我们直接进入正题。这一章讲的是Agent的骨架——基础架构。说白了，就是搞清楚Agent到底是什么，它怎么思考，怎么干活，怎么用工具，以及怎么记住东西。我当年刚接触多Agent系统时，最头疼的就是这几个概念混在一起，理不清。今天咱们一个一个拆开讲。

4.1 Agent的定义与角色

Agent，在量化投资里，不是一个简单的脚本。它是一个能自主感知环境、做出决策、执行动作的智能体。你可以把它想象成一个有大脑的机器人交易员。

我个人习惯把Agent分成三个核心角色：

• 感知者：负责接收市场数据、新闻、订单状态等外部信息。
• 决策者：根据感知到的信息，结合策略逻辑，决定下一步行动。
• 执行者：将决策转化为具体的操作，比如下单、调仓、发送警报。

嗯，这里要注意，一个Agent可以同时扮演多个角色。但在多Agent协同框架里，我们通常会让不同的Agent各司其职。比如，一个Agent专门负责数据清洗（感知者），另一个专门负责策略生成（决策者），还有一个专门负责执行交易（执行者）。

4.2 ReAct模式：推理+行动

ReAct模式，全称是Reasoning + Acting。这是目前最主流的Agent工作范式。你想想看，一个交易员如果只思考不行动，那是纸上谈兵；如果只行动不思考，那是莽夫。ReAct模式就是让Agent在思考和行动之间来回切换。

它的核心流程是这样的：

1. 观察（Observation）：Agent获取当前环境状态。
2. 推理（Reasoning）：Agent基于观察，进行逻辑推理，形成行动计划。
3. 行动（Action）：Agent执行一个具体的动作。
4. 反馈（Feedback）：Agent观察行动后的结果，然后回到第1步。

我在项目中遇到过一个问题：有些Agent在推理阶段陷入死循环，反复分析数据却不下单。后来我加了一个最大推理步数的限制，才解决了这个问题。说白了，就是给Agent一个“思考时间上限”，到了时间必须行动。

下面是一个简化的ReAct循环伪代码，你可以感受一下：

class ReActAgent:
    def step(self, observation):
        # 1. 推理
        reasoning = self.think(observation)
        # 2. 决定行动
        action = self.decide(reasoning)
        # 3. 执行行动
        result = self.execute(action)
        # 4. 返回结果作为下一轮观察
        return result

4.3 工具调用机制

Agent光有脑子不行，还得有手。工具调用机制，就是Agent的“手”。它让Agent能够调用外部API、数据库、计算引擎等资源。

我建议把工具调用设计成注册制。什么意思呢？就是所有工具都提前注册到一个工具仓库里，Agent通过名称或描述来调用。这样做的好处是：

• 解耦：Agent不需要知道工具的内部实现。
• 可扩展：加一个新工具，只需要注册一下就行。
• 安全：可以控制Agent能调用哪些工具，防止乱搞。

举个例子，一个量化Agent可能需要这些工具：

工具名称	功能描述	输入参数	输出
get_stock_price	获取实时股票价格	股票代码	价格浮点数
calculate_ma	计算移动平均线	价格序列, 周期	MA值列表
place_order	下单交易	股票代码, 数量, 方向	订单ID
send_alert	发送警报消息	消息内容	发送状态

调用机制的核心是函数调用（Function Calling）。大模型（LLM）会输出一个结构化的调用指令，比如：

{
  "tool": "get_stock_price",
  "params": {"symbol": "AAPL"}
}

然后Agent框架解析这个指令，执行对应的工具函数，并把结果返回给Agent。嗯，这里要注意，工具返回的结果要格式化成Agent能理解的文本，否则Agent会“看不懂”。

4.4 记忆模块设计

记忆，是Agent区别于无状态函数的关键。没有记忆的Agent，每次都是“重新开始”，无法从历史经验中学习。

我一般把记忆分成三个层次：

• 短期记忆：当前对话或当前交易回合的上下文。比如，这次分析中刚刚获取到的价格数据。
• 长期记忆：跨会话的持久化信息。比如，过去一周的所有交易记录、策略参数。
• 工作记忆：Agent正在处理的任务状态。比如，当前ReAct循环进行到哪一步了。

记忆模块的设计，说白了就是存什么、怎么存、怎么取。

存什么？——只存有价值的信息。不是所有数据都值得存。我建议存：关键决策、异常事件、策略效果评估。

怎么存？——可以用向量数据库（如Chroma、FAISS）存语义记忆，用关系数据库（如SQLite）存结构化记忆。

怎么取？——通过检索。比如，当Agent遇到一个类似的市场情况时，它能从长期记忆中检索出之前是怎么处理的。

下面是一个简单的记忆模块接口设计：

class MemoryModule:
    def store(self, key, value, memory_type="short_term"):
        # 存储记忆
        pass

    def retrieve(self, query, memory_type="long_term"):
        # 检索记忆
        pass

    def forget(self, key):
        # 遗忘（删除）记忆
        pass

    def summarize(self):
        # 对记忆进行摘要，用于上下文压缩
        pass

知识体系结构图

下面我用一张SVG图来总结本章的核心逻辑。这张图展示了Agent基础架构的四个核心模块，以及它们之间的关系。

这张图你看懂了吗？Agent核心负责调度，感知模块输入数据，ReAct循环做决策，工具调用执行动作，记忆模块提供历史支持。它们之间是环形协作的关系，缺一不可。

好了，这一章的内容就到这里。Agent的基础架构是后面所有高级特性的地基。地基打不牢，楼盖得再高也得塌。下一章我们会深入Agent的通信机制，看看多个Agent之间是怎么“聊天”的。

---