01
课程导论
多Agent投资框架的核心理念、与传统量化策略的对比、课程目标与学习路径。
理念对比路径
02
环境准备
Python 3.10+环境搭建、Anaconda配置、虚拟环境管理、关键依赖库安装。
PythonAnaconda依赖
03
数据源接入
股票/加密货币行情API（Yahoo Finance、Binance）、数据清洗与标准化、实时数据流构建。
API清洗实时流
04
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。
ReAct工具记忆
05
市场感知Agent
构建新闻爬虫Agent、情感分析Agent、宏观指标监控Agent、数据聚合与事件触发。
爬虫情感宏观
06
技术分析Agent
K线形态识别Agent、指标计算Agent（MACD、RSI、布林带）、多时间框架分析。
K线MACDRSI
07
基本面分析Agent
财报数据抓取Agent、估值模型Agent（DCF、PE/PB）、行业对比Agent。
财报DCF估值
08
风险管理Agent
VaR计算Agent、最大回撤监控Agent、仓位管理Agent、黑天鹅事件检测。
VaR回撤仓位
09
决策中枢Agent
多Agent投票机制、加权评分系统、冲突解决策略、最终交易信号生成。
投票评分信号
10
执行Agent
对接券商API（模拟/实盘）、订单拆分算法、滑点控制、交易日志记录。
券商订单滑点
11
通信总线设计
Agent间消息协议定义、异步消息队列（RabbitMQ/Redis）、事件驱动架构。
消息RabbitMQ事件
12
状态管理
全局状态树设计、Agent状态持久化、快照与恢复机制、分布式锁。
状态树持久化分布式
13
提示词工程
为每个Agent定制System Prompt、Few-shot示例设计、动态上下文注入。
PromptFew-shot上下文
14
工具链开发
Agent可调用工具注册机制、工具函数编写规范、工具执行沙箱。
注册规范沙箱
15
记忆与知识库
短期记忆（对话历史）、长期记忆（向量数据库Chroma/Pinecone）、知识图谱构建。
向量库Chroma知识图谱
16
多Agent编排
顺序执行、并行执行、条件分支、循环迭代、DAG工作流。
DAG并行工作流
17
回测系统集成
将Agent决策流接入Backtrader/Zipline、历史数据回放、绩效评估指标。
Backtrader回测绩效
18
实时模拟交易
Paper Trading环境搭建、延迟模拟、撮合引擎对接、资金曲线跟踪。
模拟撮合曲线
19
性能优化
Agent响应时间优化、缓存策略、批处理与流处理、GPU加速（LLM推理）。
缓存批处理GPU
20
日志与监控
结构化日志（ELK Stack）、Agent健康检查、告警规则、Dashboard搭建。
ELK健康Dashboard
21
安全与权限
API Key管理、Agent操作权限分级、审计日志、防注入攻击。
API Key权限审计
22
测试框架
单元测试（Agent逻辑）、集成测试（多Agent协作）、压力测试、回测一致性测试。
单元集成压力
23
部署方案
Docker容器化、Kubernetes编排、CI/CD流水线、灰度发布。
DockerK8sCI/CD
24
策略案例一：均值回归
多Agent协同识别震荡行情并执行反转交易。
震荡反转案例
25
策略案例二：趋势跟踪
多Agent捕捉突破信号并动态调整仓位。
突破趋势仓位
26
策略案例三：事件驱动
多Agent监控财报/新闻事件并快速反应。
财报新闻事件
27
策略案例四：套利策略
多Agent跨交易所/跨品种价差监控与执行。
价差跨所套利
28
策略案例五：组合管理
多Agent动态调整资产配置权重。
配置权重组合
29
进阶话题
多Agent强化学习、联邦学习在投资中的应用、大模型微调（LoRA）。
强化联邦LoRA
30
课程总结与展望
常见陷阱与最佳实践、开源社区资源、下一步学习路径。
实践社区路径