量化系统的多 Agent 拆法：一人公司的分权制衡

[前三篇](/zh/blog/quant-not-a-gambling-machine)把单体的架构讲完了：确定性引擎、双模型、决策记忆。单进程当然也能跑 —— Phase 1 和 Phase 2 本来就是那么设计的。但过了某个复杂度，单体会变成一锅粥：模型又当研究员又当交易员又当风控，自己给自己审批。这篇讲一个正在成形的想法：把系统拆成多个 Agent。 不是因为多 Agent 时髦，是因为分权制衡。

先想清楚为什么是 Agent

一个人做量化，最大的风险不是算力不够，是没有制衡。模型给出一个信号，谁来质疑它？回测漂亮，谁来检查是不是前瞻偏差？策略连亏三天，谁来决定是停还是扛？单模型单进程的答案全是「同一个它」—— 这是过拟合和自我确认偏差的温床。多 Agent 的本质，是给系统装上利益互相牵制的多个视角：提案权、否决权、审计权，分开。

四层八个角色

按已有的架构分层，每层长出自己的 Agent：

感知层 —— Data Agent：喂 BaseDataProvider，对齐时间戳，防前瞻偏差，数据不干净它负责喊停。News Agent：抓新闻和公告，舆情打分，把非结构化文本蒸馏成几行 Market Context。

研究层 —— Factor Agent：跑 RD-Agent 式的生成-回测-筛选循环，不停产出候选因子。Backtest Agent：只管跑回测出指标，胜率、期望值、回撤，它不解释、不辩护，只报数。

决策层 —— Strategy Agent：结合技术指标和 Market Context，输出结构化信号加置信度。Risk Agent：拿否决权的那位 —— 仓位上限、止损纪律、回撤约束，任何信号过不了它的关就死在原地。提案者不掌握批准权，这是整个设计里最重要的一条线。

监督层 —— Audit Agent：写决策记忆，算 Strategy Health，评估每次 AI 判断的对错 —— 它审计的对象包括 Strategy Agent 和 Risk Agent 自己。Orchestrator：任务路由、模型分级调度、熔断降级，系列第二篇那套分层路由就是它的岗位职责。

三条设计原则

一，Agent 之间不聊天，传结构化消息。 Market Context、因子向量、信号 JSON，走 Redis 队列总线，每一条消息都可审计。自由对话式的多 Agent 协作听着性感，但不可审计的协作等于没协作。二，每个 Agent 用不同的模型档位。 传感器们用便宜甚至免费的通用模型，Strategy Agent 用微调过的小模型（下一篇展开），Risk Agent 甚至可以是纯规则加一个小模型的混合 —— 制衡不需要每个环节都聪明，需要每个环节都可靠。三，人是最后一个 Agent。 控制台里所有授权等级（L0 到 L5）最终都汇到管理员的一次确认上。系统提案，人仲裁 —— 一人公司里 CEO 只有一个。

一个反模式警告

不要把这套东西做成 Auto-GPT 式的自由循环 —— 给模型一个目标，让它自己想、自己干、自己评。那套玩法烧 token、无问责、出了事连日志都对不上账。我想要的 Agent 不是有自由意志的员工，是确定性管线上的 LLM 关节：管线的骨架是代码，关节处才是模型。这也是为什么上一篇敢说「可审计」—— 管线确定，关节的每一次输出都有日志。

说到底，这张架构图就是一人公司的组织架构图：我是 CEO，感知层是情报部门，研究层是研究部，决策层是交易台加风控台，监督层是内审。一个人开公司，缺的从来不是人手，是组织结构。Agent 是把组织结构装进代码里的方式。

[下一篇](/zh/blog/quant-tiny-decision-models)补上最后一块拼图：Strategy Agent 的大脑从哪来 —— 哪些极小的开源模型适合微调成决策模型，训练数据为什么就是决策记忆本身。