[Python] 12 位投资大师 AI 决策系统：多代理协作的量化交易实战

最近在 GitHub 刷到一个挺有意思的项目：用 AI 模拟巴菲特、芒格这些投资大佬的决策思路，搭了一套完整的量化交易系统。这个叫 AI Hedge Fund 的开源项目，日增 210 stars，总共 44.7k stars，看了下代码，核心是多代理协作架构。

项目是干什么的

AI Hedge Fund 是个教育性质的量化交易系统，用 Python 和 LangChain 写的。它跟一般的量化系统不太一样，不是简单做技术指标分析，而是用 16 个 AI Agent 来模拟真实对冲基金的决策流程。

整个系统分了几层：

• 4 个分析师 Agent：分别负责估值、情绪、基本面、技术面
• 12 个投资大师 Agent：模拟巴菲特、芒格、彼得林奇这些人的投资风格
• 1 个风险管理 Agent：管仓位和止损
• 1 个投资组合经理：最后拍板决策

这些 Agent 通过 LangGraph 串起来，形成一条完整的决策链。

技术实现

多代理怎么协作的

项目用的是 Supervisor Pattern（监督者模式）：

# 工作流大概长这样
workflow = StateGraph(AgentState)

workflow.add_node("analysts", run_analysts)      # 4 个分析师并行跑
workflow.add_node("investors", run_investors)    # 12 个投资大师并行跑
workflow.add_node("risk_manager", run_risk)
workflow.add_node("portfolio_manager", decide)

workflow.add_edge("analysts", "investors")
workflow.add_edge("investors", "risk_manager")
workflow.add_edge("risk_manager", "portfolio_manager")

每层 Agent 并行执行，结果往下传，最后投资组合经理综合所有信息做决策。这样既快又全面。

投资大师的 Prompt 怎么写的

拿巴菲特 Agent 举例：

BUFFETT_PROMPT = """
You are Warren Buffett.

Investment Philosophy:
1. 寻找有护城河的优秀公司
2. 关注长期内在价值
3. 要求安全边际
4. 只投资能理解的业务

分析框架：
- 评估公司护城河（品牌、网络效应、成本优势）
- 管理层诚信和资本配置能力
- 用 DCF 计算内在价值
- 像企业主而非交易员思考
"""

每个投资大师都有自己的投资哲学和决策框架，通过 Prompt 来模拟。云栈社区之前也分享过类似的 Prompt Engineering 技巧，这种方式在 AI 应用开发里挺实用的。

支持多种模型

项目支持 5 种大语言模型：

• OpenAI (gpt-4o)
• Anthropic (claude-3.5-sonnet)
• Groq (llama-3.3-70b)
• DeepSeek (deepseek-chat)
• Ollama（本地模型，免费）

接口封装得挺好，切换模型很方便：

# 用 OpenAI
llm = ChatOpenAI(model="gpt-4o", temperature=0)

# 换成本地 Ollama
llm = ChatOllama(model="llama3.2", temperature=0)

跑起来是什么效果

命令行运行

poetry run python src/main.py --ticker AAPL

输出大概是这样：

=== 分析师报告 ===
[估值分析] 内在价值 $185，当前 $182，建议买入
[情绪分析] 市场情绪积极，社交媒体评分 78/100
[基本面] P/E 28.5，营收增长 11.2%，现金流充沛
[技术面] 突破 50 日均线，MACD 金叉，建议买入

=== 投资大师意见 ===
[巴菲特] 苹果有强大护城河，生态系统锁定用户，建议买入 30%
[芒格] 这是优秀企业，库克是理性的资本配置者，建议买入 25%
[彼得林奇] 身边人都用 iPhone，这是典型的十倍股，建议买入 20%
[凯茜伍德] AR/VR 布局有颠覆性潜力，建议买入 35%

=== 风险评估 ===
投资组合 Beta: 1.12
最大仓位: 30%
止损位: $170 (-7%)

=== 最终决策 ===
操作: 买入 150 股
入场价: $182.68
目标价: $210
置信度: 85%

Web 界面

项目还做了个 Streamlit 界面，看起来比命令行直观：

poetry run streamlit run app/main.py

可以选股票代码、时间范围、用哪个模型，操作挺简单的。

技术栈

技术	干什么用的
Python 3.11+	主语言
LangChain	LLM 应用框架
LangGraph	多代理编排
Poetry	依赖管理
Streamlit	Web 界面
Financial Datasets API	拿金融数据（免费）

工程实践

依赖管理

用 Poetry 管理依赖，pyproject.toml 里写得很清楚：

[tool.poetry.dependencies]
python = "^3.11"
langchain = "^0.1.0"
langgraph = "^0.0.20"
streamlit = "^1.31.0"

容器化

提供了 Dockerfile，可以一键部署：

docker build -t ai-hedge-fund .
docker run -p 8501:8501 ai-hedge-fund

代码规范

• Black 格式化代码
• Ruff 做静态检查
• Pytest 跑单元测试

工程化做得还不错，代码质量有保证。想系统学 Python 开发的话，这些都是必备技能。

适合什么场景

学习用途：

• 多代理系统怎么设计
• LLM 应用怎么开发
• 量化交易入门
• Prompt 怎么写

技术方向：

• AI 应用工程师
• 量化研究员
• 金融科技开发

注意：这就是个学习项目，别拿去真金白银地交易。

怎么跑起来

# 克隆代码
git clone https://github.com/virattt/ai-hedge-fund.git
cd ai-hedge-fund

# 配置 API Key
cp .env.example .env
# 编辑 .env，加上 OPENAI_API_KEY

# 装依赖
poetry install

# 跑一下
poetry run python src/main.py --ticker AAPL

# 启动 Web 界面
poetry run streamlit run app/main.py

用本地模型（不花钱）：

# 装 Ollama
curl -fsSL https://ollama.com/install.sh | sh
ollama pull llama3.2

# 跑
poetry run python src/main.py --ticker AAPL --ollama

这个项目有什么价值

从工程角度看，这项目展示了：

• 多代理系统怎么落地
• LangGraph 在复杂工作流里怎么用
• AI 在金融领域能干什么

多代理协作是 2025 年 AI 应用的一个重要方向，这个项目算是个完整的参考实现。想深入了解 人工智能应用开发的话，可以好好研究下。

再次提醒：项目只是用来学习的，不构成任何投资建议，真金白银交易有风险。

项目地址：https://github.com/virattt/ai-hedge-fund

相关文档：

• 作者博客：https://medium.com/@tarangtattva2
• LangGraph 文档：https://langchain-ai.github.io/langgraph
• 百T学习教程：https://yunpan.plus/f/81

---

关注《云栈开源日记》，每天 3 分钟，盘点 GitHub 最火项目

标签：#AI #HedgeFund #GitHub #多代理系统 #LangChain #量化交易 #Python #开源项目