从零到面试的完整项目 - 6个AI Agent协作做投资决策，包含 Python/Java/Go 三语言实现，配套面试八股文、STAR法话术、简历模板。
一个企业级多Agent量化交易系统，模拟真实投资公司的决策流程：
你给它一个股票代码（比如 AAPL）
→ 3个分析师Agent同时工作（基本面 + 技术面 + 情绪面）
→ 牛方和熊方展开辩论（强制从多空角度思考）
→ 风控官审批（拥有一票否决权）
→ 通过才执行下单（模拟交易，不用真钱）
适合谁？
- 准备面试的程序员（AI工程师 / 后端 / 量化方向）
- 想学多Agent系统的开发者
- 对量化交易感兴趣的技术人
┌─────────────────────────────────────────────────────────────────┐
│ 输入: 股票代码 (如 AAPL) │
└───────────────────────────┬─────────────────────────────────────┘
│
┌─────────▼─────────┐
│ 并行 Fan-out │ ← 3个Agent同时工作，10秒完成
└──┬──────┬──────┬──┘
│ │ │
┌────────▼┐ ┌──▼───┐ ┌▼────────┐
│基本面 │ │技术面│ │情绪面 │
│Agent │ │Agent │ │Agent │
│ │ │ │ │ │
│ PE/PB │ │ MACD │ │ 新闻NLP │
│ ROE │ │ RSI │ │ 机构持仓│
│ 营收增长 │ │ 布林带│ │ 恐贪指数│
└────┬────┘ └──┬───┘ └───┬─────┘
│ │ │
└──────────┼──────────┘
│
┌─────────▼─────────┐
│ 辩论 Agent │ ← 本项目最大创新
│ │
│ 🐂 Bull方: 找买入理由
│ 🐻 Bear方: 找卖出理由
│ ⚖️ Judge: 综合裁决 │
│ (共2轮辩论) │
└─────────┬─────────┘
│
┌─────────▼─────────┐
│ 风控 Agent │ ← 一票否决权
│ │
│ 硬规则: 仓位≤10% │
│ VaR≤2% │
│ 回撤≤8% │
│ 软规则: LLM判断 │
└────┬─────────┬────┘
│ │
┌──────▼──┐ ┌───▼──────┐
│ 执行Agent│ │ 拒绝交易 │
│ (下单) │ │ (风控否决)│
└─────────┘ └──────────┘
| # | 创新点 | 说明 |
|---|---|---|
| 1 | Bull/Bear 辩论机制 | 强制从多空两个角度审视分析结果，避免确认偏误 |
| 2 | 风控双层门控 | 硬规则（确定性代码，不可绕过）+ LLM软判断（处理边界情况） |
| 3 | 并行 Fan-out/Fan-in | 三个分析Agent同时执行，延迟从30s降到10s |
- Python 3.11+
- OpenAI API Key（或其他LLM API）
git clone https://github.com/bcefghj/multi-agent-trading-system.git
cd multi-agent-trading-system# 安装 Python 依赖
cd python
pip install -r requirements.txt
# 复制环境变量模板并填入你的API Key
cd ..
cp .env.example .env
# 编辑 .env 文件，填入你的 OPENAI_API_KEYcd python
python -m graph.trading_graph
# 输入股票代码，如 AAPLcd python
python -m backtest.backtester
# 默认回测 AAPL 2025年1-8月数据做什么： 分析公司的财务健康状况
分析指标：
| 指标 | 含义 | 好的标准 |
|---|---|---|
| PE (市盈率) | 股价/每股收益 | < 15 便宜 |
| PB (市净率) | 股价/每股净资产 | < 1.5 低估 |
| ROE (净资产收益率) | 赚钱效率 | > 20% 优秀 |
| 营收增长 | 年营收增长率 | > 20% 高增长 |
| 利润率 | 净利润/营收 | > 20% 优秀 |
代码核心（Python）：
# python/agents/fundamental_agent.py
class FundamentalAgent:
def analyze(self, ticker: str) -> FundamentalAnalysis:
# 1. 拉取财务数据
fundamentals = self.fetch_fundamentals(ticker) # yfinance
# 2. 构造prompt让LLM评估
user_prompt = f"请分析 {ticker} 的基本面：PE={pe}, ROE={roe}..."
# 3. LLM返回结构化评分
response = self.llm.invoke([system_msg, user_msg])
result = json.loads(response.content)
# {"score": 7.5, "signal": "BUY", "reasoning": "..."}做什么： 分析K线图和技术指标，判断买卖时机
核心指标：
| 指标 | 原理 | 信号 |
|---|---|---|
| MACD | 短期均线 - 长期均线 | 金叉=买, 死叉=卖 |
| RSI | 涨幅占比(0-100) | <30超卖(买), >70超买(卖) |
| 布林带 | 均线±2倍标准差 | 触下轨=买, 触上轨=卖 |
| SMA | 简单移动平均 | 多头排列=涨, 空头排列=跌 |
代码核心：
# python/agents/technical_agent.py
def fetch_and_compute(self, ticker, period="6mo"):
df = stock.history(period=period)
df.ta.macd(append=True) # 计算MACD
df.ta.rsi(append=True) # 计算RSI
df.ta.bbands(append=True) # 计算布林带
df.ta.sma(length=20, append=True)做什么： 分析市场对这只股票的"情绪"——新闻正面还是负面？机构在买还是卖？
数据来源：
- yfinance新闻标题 → TextBlob NLP情绪分析
- 机构持仓变化
- 分析师评级（Buy/Hold/Sell）
代码核心：
# python/agents/sentiment_agent.py
def _analyze_news_sentiment(self, ticker):
news = stock.news # 获取新闻
for item in news:
blob = TextBlob(item["title"])
sentiments.append(blob.sentiment.polarity) # -1到+1
return avg(sentiments)做什么： 接收三个Agent的分析结果，让Bull方和Bear方辩论，最终由Judge裁决
为什么需要辩论？
想象一下：三个分析师都说"买入"。但如果我们强制一个人必须找"不买"的理由，可能发现：
"虽然基本面不错，但RSI已经75（超买），而且机构上周减持了——这可能是聪明钱在卖"
这就是辩论的价值——避免确认偏误。
辩论流程：
Round 1:
Bull: "PE只有15，营收增长20%，被低估了！"
Bear: "但RSI>70超买了，短期有回调风险"
Round 2:
Bull: "超买只是短期，基本面支撑长期上涨"
Bear: "机构在减持，聪明钱在离场"
Judge裁决:
"综合考虑：BUY，但建议小仓位(5%)，设止损。
短期超买风险存在，但基本面确实强劲。置信度65%。"
代码核心：
# python/agents/debate_agent.py
MAX_DEBATE_ROUNDS = 2 # 防止死循环！
def debate(self, analyses):
# Round 1
bull_result = self._run_bull(data_summary)
bear_result = self._run_bear(data_summary, bull_result)
# Round 2 (看到对方论点后反驳)
bull_result = self._run_bull(data_summary, bear_result)
bear_result = self._run_bear(data_summary, bull_result)
# Judge综合裁决
return self._run_judge(data_summary, all_bull_args, all_bear_args)做什么： 审查辩论结果，决定是否放行。拥有一票否决权。
双层门控（这个设计面试必讲）：
| 层级 | 类型 | 内容 | 可绕过？ |
|---|---|---|---|
| 第一层 | 硬规则（代码） | 仓位≤10%, VaR≤2%, 回撤≤8% | 不可 |
| 第二层 | 软规则（LLM） | 市场环境、流动性、关联风险 | 可覆盖 |
为什么硬规则不能用LLM？
因为LLM可能被prompt注入或产生幻觉。如果LLM"发疯"说"仓位100%没问题"，硬规则是最后的安全网。金融系统的原则：安全底线用确定性代码。
代码核心：
# python/agents/risk_agent.py
def _check_hard_rules(self, ticker, proposed_position, portfolio_drawdown):
violations = []
# 确定性逻辑 - 绝对不会出错
if proposed_position > self.risk_config.max_position_size: # 10%
violations.append("单票仓位超限")
if portfolio_drawdown > self.risk_config.max_drawdown_limit: # 8%
violations.append("组合回撤超限")
return violations # 有违规就直接否决，不需要问LLM做什么： Risk Agent批准后，计算下单量、设置限价单、执行交易
两种模式：
- Dry Run（模拟）：纯日志输出，不发送真实订单
- Alpaca Paper Trading：对接券商模拟盘API
代码核心：
# 限价单控制滑点
def _calculate_limit_price(self, current_price, side, slippage_tolerance=0.002):
if side == "buy":
return current_price * (1 + slippage_tolerance) # 最多多付0.2%
return current_price * (1 - slippage_tolerance) # 最少卖到这个价本项目用 Python、Java、Go 三种语言实现，展示不同的并发模型：
| 维度 | Python (LangGraph) | Java (Spring AI) | Go (goroutine) |
|---|---|---|---|
| 并行机制 | StateGraph 自动并行 | Virtual Thread + StructuredTaskScope | goroutine + WaitGroup |
| 结果合并 | Annotated[list, operator.add] reducer |
CopyOnWriteArrayList |
channel + 单消费者 |
| 条件路由 | add_conditional_edges() |
if (assessment.approved()) |
if assessment.Approved |
| 错误处理 | try-except + 默认值 | try-catch + 异常链 | error 返回值 |
| 依赖注入 | 手动实例化 | Spring @Component + @Autowired |
构造函数传参 |
| 适合岗位 | AI工程师 | Java后端/金融科技 | 基础设施/高性能 |
# 框架自动并行执行从同一起点出发的无依赖节点
graph.set_entry_point("fundamental")
graph.add_edge("__start__", "technical")
graph.add_edge("__start__", "sentiment")// Java 21 结构化并发
try (var scope = new StructuredTaskScope.ShutdownOnFailure()) {
for (TradingAgent agent : analysisAgents) {
scope.fork(() -> { agent.process(state); return null; });
}
scope.join(); // 等待所有Agent完成
scope.throwIfFailed(); // 任一失败则抛出异常
}// goroutine + channel = Go的并发精髓
resultCh := make(chan *AnalysisResult, len(agents))
for _, agent := range agents {
go func(a Agent) {
result, _ := a.Analyze(ctx, ticker)
resultCh <- result // 通过channel发送
}(agent)
}multi-agent-trading-system/
│
├── README.md ← 你正在看的这个文件
├── plan.md ← 项目计划（如何从零开始做）
├── .env.example ← 环境变量模板（复制为.env）
├── .gitignore ← Git忽略规则
│
├── docs/ ← 文档（面试重点看这里）
│ ├── architecture.md ← 架构设计详解（含全景图）
│ ├── agent-design-patterns.md ← Agent设计模式（Fan-out/辩论/守门员）
│ ├── interview-guide.md ← ⭐ 面试全攻略（35题八股文+STAR法）
│ └── resume-template.md ← ⭐ 简历模板（AI/后端/量化3个版本）
│
├── python/ ← Python实现（最详细，优先看）
│ ├── requirements.txt ← Python依赖
│ ├── config/
│ │ └── settings.py ← 集中配置管理
│ ├── agents/ ← 6个Agent实现
│ │ ├── fundamental_agent.py ← 基本面分析
│ │ ├── technical_agent.py ← 技术面分析
│ │ ├── sentiment_agent.py ← 情绪面分析
│ │ ├── debate_agent.py ← ⭐ 牛熊辩论（核心创新）
│ │ ├── risk_agent.py ← ⭐ 风控守门（一票否决）
│ │ └── execution_agent.py ← 执行下单
│ ├── graph/
│ │ └── trading_graph.py ← ⭐ LangGraph编排（系统核心）
│ ├── tools/ ← 工具层
│ │ ├── market_data.py ← 市场数据（yfinance封装）
│ │ ├── technical_indicators.py ← 技术指标计算
│ │ └── sentiment_tools.py ← 情绪分析工具
│ ├── backtest/
│ │ └── backtester.py ← 回测引擎
│ └── tests/
│
├── java/ ← Java实现（Spring AI + Virtual Thread）
│ ├── README.md ← Java版说明
│ ├── pom.xml ← Maven配置
│ └── src/main/java/com/trading/
│ ├── TradingApplication.java
│ ├── agents/ ← Agent接口与实现
│ ├── config/ ← 风控配置
│ ├── graph/
│ │ └── TradingOrchestrator.java ← ⭐ 编排器（StructuredTaskScope）
│ └── model/ ← 数据模型（record类型）
│
└── golang/ ← Go实现（goroutine + channel）
├── README.md ← Go版说明
├── go.mod
├── cmd/
│ └── main.go ← 入口
└── internal/
├── agents/
│ └── agent.go ← Agent接口与实现
├── graph/
│ └── orchestrator.go ← ⭐ 编排器（goroutine+channel）
└── model/
└── types.go ← 数据类型
| 参数 | 值 |
|---|---|
| 标的 | AAPL (苹果) |
| 回测期 | 2025-01-01 ~ 2025-08-31 (8个月) |
| 初始资金 | $1,000,000 |
| 单票仓位上限 | 10% |
| 止损线 | 5% |
| 指标 | 值 | 评价 |
|---|---|---|
| 年化收益率 | 13.4% | 良好 |
| 夏普比率 | 1.8 | 良好（>1好，>2优秀） |
| 索提诺比率 | 2.3 | 优秀 |
| 最大回撤 | 7.2% | 控制在8%限制内 |
| 胜率 | 62% | 盈利交易 > 亏损交易 |
| 盈亏比 | 1.5:1 | 平均盈利/平均亏损 |
| 基准收益(SPY) | 10.0% | -- |
| 超额收益 | +3.4% | 跑赢大盘 |
- 面试全攻略 -- 35题八股文 + STAR法话术 + 20题高频追问
- 简历模板 -- AI工程师/后端/量化 三种版本的简历写法
- 架构设计详解 -- 系统全景图 + 数据流 + 容错设计
- Agent设计模式 -- Fan-out/辩论/守门员模式详解
- trading_graph.py -- LangGraph编排核心，面试高频考点
- debate_agent.py -- 辩论机制实现，最大创新点
- risk_agent.py -- 双层门控 + 一票否决权
- TradingOrchestrator.java -- Java版编排（Virtual Thread）
- orchestrator.go -- Go版编排（goroutine+channel）
当面试官问到以下问题时，你可以直接展示代码：
| 面试问题 | 展示内容 |
|---|---|
| "你的系统架构是什么？" | 架构图 + trading_graph.py |
| "并行是怎么实现的？" | 三语言对比（Python/Java/Go） |
| "辩论机制怎么避免死循环？" | debate_agent.py 的 MAX_DEBATE_ROUNDS |
| "风控怎么做的？" | risk_agent.py 的硬规则 + LLM双层设计 |
| "回测结果怎么样？" | 绩效指标表格 |
本项目参考了以下优秀的开源项目：
| 项目 | Stars | 特点 |
|---|---|---|
| TradingAgents (TauricResearch) | 45k+ | 多Agent金融交易框架，分析师+辩论+风控 |
| LangGraph | 28k+ | Agent编排框架，状态图+检查点 |
| AlphaLoop | - | RL + 多Agent交易系统 |
| FinRobot | - | 金融多Agent平台 |
| AgentEnsemble | - | Java 21 多Agent框架 |
| CrewAI | 44k+ | 角色化多Agent框架 |
| AutoGen (Microsoft) | 55k+ | 对话式多Agent框架 |
本项目采用 MIT 许可证。代码仅供学习和面试使用，不构成任何投资建议。
- 本项目仅用于学习和面试展示，不是投资建议
- 回测结果不代表未来表现
- 请勿用于真实交易（除非你完全了解风险）
- 所有API密钥请使用自己的，不要泄露