技术栈：LangChain / LangGraph（编排）、OpenAI/DeepSeek/Claude/Qwen 等大模型（可切换）、向量数据库、金融数据源。
目标：让多个专业化 AI Agent 协同完成「从研究课题 → 数据采集 → 多维分析 → 交叉验证 → 结构化研报」的全流程。

---

1. 概述与目标

1.1 想解决的问题

传统投研流程中，研究员需要人工完成信息采集、财报阅读、舆情监控、估值测算、合规校对等大量工作。本系统把这些能力拆分为职责单一的专用 Agent，由一个 Supervisor（监督者） 统一编排，让它们像投研团队一样分工协作。

1.2 核心目标

1.3 设计原则

1. 单一职责：每个 Agent 只做一类事，便于评测、调试与替换。
2. 状态显式化：所有中间结论写入共享 State（LangGraph），可断点、可观测、可人工介入。
3. 人机协同：关键节点（风险项、评级、结论）设人工审批检查点（Human-in-the-loop）。
4. 引用溯源：消灭「无来源判断」，一切事实主张必须可回溯。
5. 合规优先：数据授权、信息隔离、免责声明内建于风控 Agent。

---

2. 总体架构

2.1 架构总览（分层）

┌──────────────────────────────────────────────────────────────────────────────┐
│  ① 应用层    Web 研报工作台 · REST/SSE API · 研报门户/消息分发                  │
└───────────────────────────────────▲───────────────────────────────────────────┘
                                    │ 研究课题/指令（下发）
┌───────────────────────────────────┴───────────────────────────────────────────┐
│  ② 编排层    LangGraph Supervisor：任务规划 / 路由 / 汇总 / 审批               │
│             共享状态 StateGraph + Checkpointer（断点续跑 + 人工介入）            │
└───────────────────────────────────┬───────────────────────────────────────────┘
                                    │ 子任务派发（并行/串行）
┌───────────────────────────────────┴───────────────────────────────────────────┐
│  ③ 多 Agent 层                                                                │
│   宏观·行业 │ 基本面·财务 │ 技术面 │ 舆情·情绪 │ 深度研究 │ 量化·因子 │ 风控·合规 │ 研报生成 │
└───────────────────────────────────┬───────────────────────────────────────────┘
                                    │ 调用能力
┌───────────────────────────────────┴───────────────────────────────────────────┐
│  ④ 能力层    工具集 Toolset · RAG 知识检索 · 记忆 Memory · 沙箱代码执行           │
└───────────────────────────────────┬───────────────────────────────────────────┘
                                    │ 数据读取
┌───────────────────────────────────┴───────────────────────────────────────────┐
│  ⑤ 数据层    行情/财务/公告 · 新闻/舆情 · 宏观/另类 · 研报知识库(向量+图)        │
└───────────────────────────────────┬───────────────────────────────────────────┘
                                    │
┌───────────────────────────────────┴───────────────────────────────────────────┐
│  ⑥ 基础设施   模型网关 LLM Gateway · 向量库 · 消息队列 · 可观测性 · 权限/合规审计 │
└──────────────────────────────────────────────────────────────────────────────┘

2.2 Mermaid 架构图

flowchart TB
    subgraph L1["① 应用层"]
        UI["Web 研报工作台 / REST·SSE API / 研报门户"]
    end

    subgraph L2["② 编排层（LangGraph）"]
        SUP["Supervisor 智能体<br/>任务规划·路由·汇总·审批"]
        ST["共享状态 StateGraph + Checkpointer"]
    end

    subgraph L3["③ 多 Agent 层"]
        A1["宏观·行业"]
        A2["基本面·财务"]
        A3["技术面"]
        A4["舆情·情绪"]
        A5["深度研究"]
        A6["量化·因子"]
        A7["风控·合规"]
        A8["研报生成"]
    end

    subgraph L4["④ 能力层"]
        T["工具集 Toolset"]
        RG["RAG 知识检索"]
        M["记忆 Memory"]
        CD["沙箱代码执行"]
    end

    subgraph L5["⑤ 数据层"]
        D1["行情·财务·公告"]
        D2["新闻·舆情"]
        D3["宏观·另类"]
        D4["研报知识库 向量+图"]
    end

    subgraph L6["⑥ 基础设施"]
        GW["模型网关 LLM Gateway"]
        V["向量数据库"]
        OBS["可观测性 Langfuse/LangSmith"]
        AUTH["权限 / 合规审计"]
    end

    UI --> SUP
    SUP <--> ST
    SUP --> A1 & A2 & A3 & A4
    A1 & A2 & A3 & A4 --> A5
    A5 --> A6
    A5 --> A7
    A6 & A7 --> A8
    A1 & A2 & A3 & A4 & A5 --> T & RG
    T --> D1 & D2 & D3 & D4
    RG --> D4
    T --> GW

---

3. 多 Agent 编排模式

选型：「Supervisor + 层次化团队（Hierarchical Teams）」，用

的 + API 实现并行派发，用 实现人机协同。

• 为什么不用纯 Peer-to-Peer（AutoGen 风格）：投研流程有明确先后依赖（先采集分析、后交叉验证、再成稿），独立 Agent 自由对话会导致不可控的上下文膨胀与结论漂移。
• 为什么不用单一大模型的 ReAct：单一 Agent 承担全部工具会陷入「工具过多、指令冲突、长上下文失控」。
• Supervisor 职责：解析课题 → 拆解子任务 → 决定谁来做、并行还是串行 → 收集各 Agent 的 Findings → 裁决冲突 → 触发风控与人工审批 → 交给研报生成 Agent 成稿。

┌─────────────────┐
   用户课题 ───▶ │   Supervisor    │
                └────────┬────────┘
         ┌──────────┬─────────┼───────────┬─────────┐
         ▼          ▼         ▼           ▼         ▼
      宏观·行业  基本面·财务  技术面      舆情·情绪  （并行）
         └──────────┴─────────┼───────────┴─────────┘
                              ▼
                        深度研究 Agent（汇聚初稿）
                       ┌──────┴──────┐
                       ▼             ▼
                  量化·因子      风控·合规（事实核查/风险/合规）
                       └──────┬──────┘
                              ▼
                        研报生成 Agent
                              ▼
                      人工审批 checkpoints
                              ▼
                         发布 / 通知

---

4. 各 Agent 详细设计

每个 Agent 的 Prompt 骨架（通用约定）：

• 角色设定 + 能力边界（「你只能…，不要越界输出评级结论」）
• 可用工具清单及调用规范
• 输出格式 JSON Schema（
  { finding, evidence, sources[], confidence, risks }
  ）
• 强制「无确凿来源则标注为存疑」的规则

---

5. 工具层设计

工具统一封装为 LangChain

（带 name/description/JSON args schema），并接入统一调用审计日志。

---

6. 知识 / 记忆 / RAG

• 检索增强（RAG）：历史研报、公告、调研纪要、投研笔记 → 切块 → 向量化（embedding）→ 存入向量库 + 倒排索引；查询时做混合检索 + rerank，返回带文档编号的引用。
• 短期记忆：本次任务上下文存放在 LangGraph State；对话历史用 LangChain
  Memory
  。
• 长期记忆：跨任务的「研究偏好」「已核实事实库」「指标口径字典」存向量库/图库，供后续任务复用。
• 图结构：股票-行业-供应链-股东关联关系存图数据库（如 Neo4j），支撑产业链传导分析。

---

7. 关键数据流（一次典型任务）

sequenceDiagram
    participant U as 用户
    participant S as Supervisor
    participant M as 宏观·基本面·技术·舆情(并行)
    participant D as 深度研究
    participant R as 风控/合规
    participant G as 研报生成
    participant H as 人工审批

    U->>S: 提交课题「XX 公司投资价值分析」
    S->>S: 拆解子任务 + 生成计划
    par 并行调研
        S->>M: 派发 4 个分析任务
        M->>M: 调用工具(数据+RAG)产出 Findings(带引用)
    end
    M-->>S: 返回各维度 Findings
    S->>D: 汇总初稿，深度研究补全商业模式/风险
    D-->>S: 深度画像
    S->>R: 事实核查 + 风险/合规校验
    R-->>S: 风险清单 / 存疑项（不通过则回退重查）
    S->>G: 成稿（结构化 + 图表 + 引用）
    G-->>S: 研报草稿
    S->>H: 人工审批检查点
    H-->>S: 通过/修改意见
    S->>U: 发布研报 + 通知

---

8. 状态管理（LangGraph State）

一份任务的核心共享状态（

）：

class ResearchState(TypedDict, total=False):
    topic: str                 # 研究课题
    plan: list[SubTask]        # 任务分解
    findings: list[Finding]    # 各 Agent 结论(带 sources/confidence)
    tool_log: list[ToolCall]   # 工具调用审计
    report_draft: str          # 研报草稿
    risk_checks: list[RiskItem]# 风险与合规项
    citations: list[Citation]  # 引用溯源
    approval: str              # pending / approved / revise

• 使用
  Checkpointer
  （如 Postgres/SqliteSaver）实现断点续跑与人工介入（
  interrupt
  暂停等待审批）。
• Send
  API 实现「1 → N 并行派发，再汇聚」。

---

9. 技术栈清单

---

10. 落地规划（分阶段路线图）

阶段 0 —— 地基与数据（约 1–2 周）

• 内容：梳理合规边界与数据授权；接入数据源（行情/财务/公告/新闻）；搭建 LLM Gateway、统一模型调用层、可观测性（Langfuse）、统一配置与密钥管理。
• 交付物：可运行的数据采集任务 + 单 Agent 演示（新闻摘要 + 财务摘要）。
• 验收：数据每日稳定更新，单 Agent 端到端输出带引用的摘要；全链路 Trace 可查。

阶段 1 —— 多 Agent 骨架（约 3–4 周）

• 内容：搭建 Supervisor + 4 个核心 Agent（宏观·行业 / 基本面·财务 / 技术面 / 舆情·情绪）；RAG 知识库（历史研报、公告）；共享 State + 并行派发；输出结构化初稿。
• 交付物：多 Agent 编排 MVP，一份课题 → 多维分析初稿。
• 验收：同一课题能稳定并行产出 4 类 Findings 并自动汇总成大纲，引用可点击溯源。

阶段 2 —— 深度研究 + 风控闭环（约 2–3 周）

• 内容：加入深度研究 Agent、风控·合规 Agent、研报生成 Agent；实现事实核查、引用溯源、Human-in-the-loop 审批；研报模板与图表插入。
• 交付物：可发布的完整研报草稿（含风险清单 + 免责声明）。
• 验收：存疑项会被强制拦截进入人工审批；研报结构完整、引用齐全。

阶段 3 —— 量化与反馈回路（约 2–3 周）

• 内容：量化·因子 Agent（回测/估值区间）、图表自动生成、用户反馈（采纳/修改）回流优化 Prompt 与知识库；研报发布与订阅通知。
• 交付物：带估值区间与回测附件的成体系研报；反馈闭环。
• 验收：用户可一键生成含图表/模型的完整报告；反馈数据进入评测集。

阶段 4 —— 规模化与合规增强（持续）

• 内容：多租户与权限隔离、风控/合规审计增强、成本优化（缓存、小模型路由、结果缓存）、评估体系（研报质量自动评测 + 对真实走势的长期跟踪校准）。
• 交付物：生产级平台 + 自动化评估看板。
• 验收：研报质量指标（引用准确率、专家评分）持续提升，单位成本持续下降。

里程碑总览（示意）：

周0       周2        周6         周9         周12        →
├─ 阶段0 ─┤├─── 阶段1 ───┤├── 阶段2 ──┤├── 阶段3 ──┤├── 阶段4(持续) ──
地基/数据   4核心Agent+   深度+风控+   量化+反馈    规模化/合规/评估
            Supervisor    成稿+审批

---

11. 风险与应对

---

12. 未来演进

• 多角色评论型 Agent：多头/空头 Agent 辩论式交叉验证，收敛出更稳健结论。
• 实时事件驱动：公告/新闻触发自动研报更新与预警推送。
• 组合视角：从单标的扩展到组合层面的权重、相关性、行业暴露优化。
• 自我评估与进化：用研报对后续真实走势的拟合度作为长期奖励信号，迭代 Prompt 与知识库。