20|Agent:24小时不睡觉的超级员工
你好,我是陈旸。
在过去的3年里,生成式AI经历了3个阶段:
Chatbot(聊天机器人)阶段:你问它“什么是均线”,它回答你。这是知识检索。
Copilot(副驾驶)阶段:你写代码卡住了,它帮你补全。这是辅助工具。
Agent(智能体)阶段: 它的目标是全自动驾驶,基于你的需求,自主进行规划,利用各种工具和知识库经验,分成多个步骤一步一步来完成。
简单来说: Agent = LLM(大模型大脑)+ Memory(记忆)+ Planning(规划)+ Tools(工具使用)。
通俗点说:DeepSeek就像一个被关在小黑屋里的博士,他知道所有的知识,但他没有任何工具,连网都上不了(早期版本)。Agent 就是把这个博士放出来,给他一台联网的电脑,给他QMT的交易权限,给他无限的硬盘空间。你只跟他说一句话:“帮我编写双均线策略,并针对贵州茅台进行2024-2025年的策略回测。” 他就会自己去拆解任务、自己查资料、自己写策略、自己下单。这就是具身智能在数字世界的形态。
核心进化:ReAct模式(思考与行动)
为什么Agent能自己干活? 因为它学会了一种人类独有的思维方式——ReAct(Reasoning + Acting,推理+行动)。在传统量化脚本(Python)里,代码是一行行死板执行的:如果是价格突破20日均线 => 买入 => 结束。而在Agent的世界里,它有一个内心独白的循环。
场景示例:深夜突发利空
凌晨3点,大洋彼岸传来消息,美联储意外加息。
- Agent的内心独白(Loop 1):
感知(Observation):监控到财联社推送美联储加息50个基点。
思考(Thought):这比预期的25个基点要高,是重大利空。我的持仓里有高估值的科技股,风险很大。
行动(Action):调用check_portfolio()函数,查看当前持仓。
- Agent的内心独白(Loop 2):
感知:持仓显示持有英伟达1000股。
思考:科技股对利率敏感,必须对冲风险。但我现在不能卖(美股收盘了/A股还没开盘)。我需要去期货市场做空对冲。
行动:调用trade_futures()函数,做空对应名义价值的纳指期货。
- Agent的内心独白(Loop 3):
感知:下单成功。
思考:风险已对冲。记录日志,并发微信通知主人。
行动:发送微信消息。
你看,这不再是一个死的脚本,这是一个会根据环境变化,动态调整策略的活人。它不需要你预设每一种情况(if-else),它利用大模型的常识(加息=利空科技)来进行逻辑推理,并自主调用工具解决问题。
给AI装上手:Function Calling(工具调用)
Agent之所以能干活,核心在于Function Calling(工具调用)技术。这是连接自然语言和量化代码的桥梁。以前,你想让程序下单,你得写 order_target_value('600519.SH', 10000)。现在,你只需要把这个函数注册给Agent。然后你对Agent说:“帮我买一万块钱茅台。”Agent的大脑(LLM)会解析这句话:
意图识别:用户想买股票。
参数提取:
股票代码:茅台 -> 600519.SH(它自己会去查代码表)。
金额:10000。
JSON输出:它不会直接下单,而是输出一个标准的JSON格式给交易系统。
{ "function": "order_target_value","args": { "symbol": "600519.SH","amount": 10000 } }
QMT交易系统接收到这个JSON,执行下单。
量化视角的颠覆:这意味着,你不需要再手写那些繁琐的API了。你可以定义几十个工具:查研报、算RSI、画K线、下单、撤单…… 然后让Agent自己去组合使用这些工具。它就像一个拿着瑞士军刀的特种兵,遇到什么困难,就拔出哪把刀。
从单兵作战到军团作战:Multi-Agent(多智能体)
一个Agent能力再强,也容易产生幻觉,或者顾此失彼。量化交易是一个复杂的系统工程,需要分工协作。在AI量化思维中,可以采用先进的多智能体架构(Multi-Agent System)。我们可以用 LangGraph 这样的框架,组建一个AI投研部。
让我们来看看你的AI员工们:
- 角色A:信息搜集员(Charles)
任务:24小时爬取新闻、公告、推特。
人设:八卦、敏感、速度快。
输出:每天早上8点,扔出一份今日重点情报摘要。
- 角色B:数据分析师(Zoe)
任务:收到Charles的情报后,去拉取相关的K线、财报数据,跑一遍多因子模型。
人设:严谨、数学好、甚至有点死板。
输出:“基于情报,该股票技术面RSI金叉,估值处于低位,胜率预测65%。”
- 角色C:风控官(Kriss)
任务:审核Zoe的建议。
人设:悲观、胆小,甚至有点讨厌。他只盯着回撤和仓位。
输出:“虽然胜率65%,但当前总仓位已达80%,且该板块波动率过大。否决买入建议,或建议只买1%仓位。”
- 角色D:交易员(Ethan)
任务:执行Kris批准的指令。
人设:冷酷、算法专家。
输出:使用TWAP算法拆单,悄悄完成建仓。
这就是左右互搏。让AI审核AI,让AI制约AI。通过这种角色扮演和SOP(标准作业程序),我们可以大大降低AI产生幻觉的风险,提高系统的稳健性。
最大的风险:AI的肥手指与死循环
Agent听起来很梦幻,但在实盘中,它也可能变成噩梦。
风险1:死循环
Agent有时候会陷入一种执念。比如它想买入某只股票,但是挂单没成交(价格变了)。它的ReAct循环可能会这样:“没成交 -> 撤单 -> 提价1分钱再买 -> 还没成交 -> 撤单 -> 再提价……” 如果在高频交易中,这个循环没写好退出机制,它可能在1分钟内把你一年的手续费都刷光,甚至把股价拉涨停(类似光大乌龙指)。
风险2:幻觉执行(概率性灾难)
这是AI特有的风险。万一大脑(LLM)抽风了呢? LLM本质上是概率模型,不是逻辑机器。
它可能把“卖出100股”幻视成了“卖出100万股”。
它可能把“600519(茅台)”识别成了“600518(康美,已退市)”。
它甚至可能编造一个不存在的股票代码,导致程序报错崩溃。
解决方案:构建双重安全锁
为了防止AI发疯,我们必须给它戴上镣铐。
第一道锁:确定性校验层
这是最重要的一层防护。请记住:LLM输出的是JSON指令,中间必须隔着一层硬代码(Hard Code)逻辑检查。这层检查代码不能是AI写的,必须是你写死的规则,且没有任何商量余地。
金额熔断:if order_amount > 50000: REJECT (单笔超过5万,直接驳回,不管AI觉得机会多好)。
价格偏离:if order_price > current_price * 1.02: REJECT (买入价偏离现价2%,直接驳回,防止滑点)。
白名单检查:if symbol not in stock_pool: REJECT (不在股票池里的,不许买)。
这层硬代码就像物理世界的保险丝。无论Agent多么聪明或多么疯狂,只要触碰了红线,电流直接切断。我们后面会详细讲解这层代码该怎么写。
第二道锁:HITL(Human-in-the-Loop,人类在环)
通过了第一道硬代码检查后,对于大资金操作,还不能直接发给交易所。
Agent生成一个通过了初步校验的订单列表。
它会发一条消息到你的手机:“老板,我建议买入这3只股票,理由如下……硬代码风控已通过,请批准/拒绝。”
你按一下批准,它才真正发送指令给QMT。
这就是半人马模式。AI负责99%的计算和生成,硬代码负责过滤掉荒谬的错误,人类负责这最后1%的责任承担。
未来展望:从量化策略到管理策略
Agent技术的出现,正在从根本上改变量化交易的定义。以前,量化交易员的工作是写策略(编写数学公式)。未来,量化交易员的工作是管理员工(设计Agent的提示词Prompt和工作流)。
你不需要去研究怎么算MACD(Agent自带工具包),你需要研究的是:
怎么设计一个更聪明的风控Agent,让它能拦住激进的交易Agent?
怎么设计情报Agent的Prompt,让它不会错过重要的宏观线索?
你的核心竞争力,从代码能力转移到了系统架构能力和对金融本质的理解。这就好比西蒙斯(大奖章基金创始人)不再自己算题,而是专注于雇佣最聪明的科学家,并给他们创造最好的环境。 在AI时代,你就是那个西蒙斯,而Agent就是你雇佣的那群顶级科学家。
AI量化策略建议
Agent时代已经到来,虽然还在早期,但进化速度极快。我有三条建议,助你拿到这张通往未来的船票:
1. 学习LangChain和LangGraph
这是开发Agent的主流框架。我会在《AI量化交易训练营》将教你使用LangGraph打造你的多智能体员工,它能帮你把Prompt、记忆、工具串联起来,像搭积木一样。
2. 建立工具库思维
不要总想着写一个大而全的策略,要把功能拆碎。写一个计算RSI的小函数,写一个查询新闻的小函数。这些小函数就是你喂给Agent的技能书。你的技能书越丰富,你的Agent就越强大。
3. 始终保持人的一票否决权
不管AI看起来多聪明,钱是你的。在很长一段时间内,不要把账户密码完全交给它。把Agent当成最得力的参谋长,而不是独裁者。
本讲金句弹幕

课后思考题
如果让你设计一个简单的双Agent系统:
Agent A 负责看多(永远寻找买入理由)。
Agent B 负责看空(永远寻找卖出理由)。它们两个针对同一只股票进行辩论。你会给它们设计什么样的Prompt(人设)? 你作为裁判(Human),会根据什么标准来判定谁赢了?
下节预告
有了AI员工(Agent),我们需要喂给他什么数据?不光是K线,在下一讲我们将进入另类数据的世界,看看还有哪些另类数据,可以让你领先市场,赚取额外的收益。