---
created: "2026-03-21"
type: project
status: active
deadline: ""
tags: [trading, multi-agent, openclaw, openbb, architecture]
---

# Trading Agents 混合架构方案

## 目标

基于 [[openbb-invest-api]] 的数据层，在 OpenClaw 上实现类似 [TradingAgents](https://github.com/TauricResearch/TradingAgents) 的多角色交易决策系统。核心是**辩论驱动的投资决策**。

---

## 一、TradingAgents 原始架构分析

### 5 大模块

| 模块 | 角色 | 职责 |
|------|------|------|
| **Analyst Team** | 市场/社媒/新闻/基本面 4个分析师 | 并行抓数据，各写分析报告 |
| **Researcher Team** | Bull + Bear + 裁判 | 多空辩论 N 轮，裁判出投资方案 |
| **Trader** | 交易员 | 根据投资方案做 BUY/SELL/HOLD 决策 |
| **Risk Mgmt Team** | 激进/保守/中性 + 裁判 | 三方辩论风险，裁判修正决策 |
| **Memory System** | BM25 相似度检索 | 记住历史情况和教训，下次决策参考 |

### 执行流程（LangGraph 状态机）

```
START → [Market/Social/News/Fundamentals Analysts 并行]
     → Bull Researcher ⇄ Bear Researcher (N轮辩论)
     → Research Manager (裁判裁决)
     → Trader (交易决策)
     → Aggressive ⇄ Conservative ⇄ Neutral (风控三方辩论)
     → Risk Manager (最终裁决)
     → END (BUY/SELL/HOLD)
```

### 技术栈

- **编排**：LangGraph (StateGraph + 条件路由)
- **LLM**：支持 OpenAI/Anthropic/Google/xAI/Ollama
- **数据**：yfinance + Alpha Vantage
- **记忆**：BM25 (rank-bm25) 离线相似度检索
- **辩论**：可配置轮次 (`max_debate_rounds`, `max_risk_discuss_rounds`)

---

## 二、openbb-invest-api 数据覆盖映射

> **结论：openbb-invest-api 已完全覆盖 TradingAgents 所有数据需求，且更丰富。**

| TradingAgents 数据需求 | openbb-invest-api 端点 | 额外优势 |
|---|---|---|
| 股票行情 OHLCV | `/stock/{symbol}/historical` | ✅ |
| 技术指标 (RSI, MACD, BB, ATR) | `/stock/{symbol}/technical/*` | 14种指标 + Ichimoku, Fibonacci 等 |
| 基本面 (财报、资产负债表) | `/stock/{symbol}/financials`, `/metrics` | ✅ |
| 公司新闻 | `/stock/{symbol}/news` | ✅ |
| 宏观新闻 | `/macro/overview`, `/economy/*` | CPI, GDP, 就业, FOMC 等 |
| 内幕交易 | `/stock/{symbol}/insider-trades` | ✅ |
| 情感分析 | `/stock/{symbol}/sentiment` | 多源复合评分 (Finnhub + AV + Reddit) |

### openbb-invest-api 独有数据（TradingAgents 没有的）

- 做空数据 (`/shorts/*`)：空头量、FTD、暗池
- 期权数据 (`/market/options/*`)：期权链、Greeks、IV
- 固收数据 (`/fixed-income/*`)：收益率曲线、国债、SOFR
- DeFi 数据 (`/defi/*`)：TVL、收益池、DEX 交易量
- A 股/港股 (`/cn/*`)：实时行情 + 历史数据
- 投资组合分析 (`/portfolio/*`)：HRP 优化、风险平价、t-SNE 聚类
- 回测引擎 (`/backtest/*`)：SMA/RSI/动量策略回测

---

## 三、混合架构设计

### 核心思路

**并行的地方用 `sessions_spawn`，需要对话的地方用 `sessions_send`。**

### 架构图

```
┌─────────────────────────────────────────────┐
│  Orchestrator Agent (Judge/PM)              │
│  Model: Claude Opus (深度推理)               │
│  SOUL.md: 客观裁判，综合决策                 │
├─────────────────────────────────────────────┤
│                                             │
│  Phase 1: 数据收集 (sessions_spawn 并行)     │
│  ┌───────────┐ ┌─────────────┐             │
│  │ Market    │ │ Fundamen-   │             │
│  │ Analyst   │ │ tals        │             │
│  │ (Sonnet)  │ │ (Sonnet)    │             │
│  └───────────┘ └─────────────┘             │
│  ┌───────────┐ ┌─────────────┐             │
│  │ Sentiment │ │ News        │             │
│  │ Analyst   │ │ Analyst     │             │
│  │ (Haiku)   │ │ (Haiku)     │             │
│  └───────────┘ └─────────────┘             │
│                                             │
│  Phase 2: 多空辩论 (sessions_send ping-pong) │
│  ┌───────────┐  3-5 轮  ┌───────────┐     │
│  │ Bull      │◄────────►│ Bear      │     │
│  │ Researcher│          │ Researcher│     │
│  │ (Opus)    │          │ (Opus)    │     │
│  └───────────┘          └───────────┘     │
│                                             │
│  Phase 3: 风控辩论 (sessions_send ping-pong) │
│  ┌───────────┐  2-3 轮  ┌───────────┐     │
│  │ Aggressive│◄────────►│ Conserva- │     │
│  │ (Sonnet)  │          │ tive      │     │
│  └───────────┘          │ (Sonnet)  │     │
│                         └───────────┘     │
│                                             │
│  Phase 4: Orchestrator 综合裁决             │
│  → 输出 BUY/SELL/HOLD + 完整推理            │
└─────────────────────────────────────────────┘
```

### 为什么不用群聊辩论

OpenClaw 的 Multi-Agent Group Chat [尚未实现](https://github.com/openclaw/openclaw/issues/18869)（Issue #18869，PR 未合并）。即使实现了，`sessions_send` 方案也更优：

| 维度 | 群聊辩论 | sessions_send 辩论 |
|------|---------|-------------------|
| 流程控制 | 混乱，谁先说不确定 | 结构化，轮次可控 |
| 循环风险 | 高（可能死循环） | 无（maxPingPongTurns 硬限制） |
| 上下文 | 所有人共享一个上下文窗口 | 每个 agent 独立上下文，更专注 |
| Token 成本 | N 个 agent × 完整群聊历史 | 仅辩论双方共享必要上下文 |
| 可观测性 | 难以追踪谁说了什么 | 完整的 session 记录 |
| 当前可用性 | ❌ 未实现 | ✅ 已可用 |

### 学术依据

- [ICLR 2025 MAD 研究](https://d2jud02ci9yv69.cloudfront.net/2025-04-28-mad-159/blog/mad/)：**异构 agent + 结构化拓扑**效果最好
- [Adaptive HMAD](https://link.springer.com/article/10.1007/s44443-025-00353-3)：异构辩论比同构辩论准确率高 4-6%，事实错误减少 30%+
- 无结构多 agent 网络会**放大错误达 17.2 倍**

---

## 四、OpenClaw 配置详情

### Agent Workspace 结构

```
~/.openclaw/
├── openclaw.json                    # 主配置
├── workspace-orchestrator/          # 编排者
│   ├── AGENTS.md
│   ├── SOUL.md                      # 客观裁判人格
│   ├── MEMORY.md
│   ├── skills/
│   │   └── trade-analyze/SKILL.md   # 主入口 skill
│   └── memory/
├── workspace-market-analyst/        # 技术分析师
│   ├── SOUL.md                      # 专注技术指标
│   └── skills/
│       └── analyze/SKILL.md         # 调用 /technical/* 端点
├── workspace-fundamentals-analyst/  # 基本面分析师
│   ├── SOUL.md
│   └── skills/
│       └── analyze/SKILL.md         # 调用 /metrics, /financials
├── workspace-sentiment-analyst/     # 情感分析师
│   ├── SOUL.md
│   └── skills/
│       └── analyze/SKILL.md         # 调用 /sentiment, /insider-trades
├── workspace-news-analyst/          # 新闻分析师
│   ├── SOUL.md
│   └── skills/
│       └── analyze/SKILL.md         # 调用 /macro/overview, /economy/*
├── workspace-bull/                  # 多方研究员
│   ├── SOUL.md                      # 坚定看多，寻找增长机会
│   └── MEMORY.md                    # 历史成功案例
├── workspace-bear/                  # 空方研究员
│   ├── SOUL.md                      # 谨慎看空，揭示风险
│   └── MEMORY.md                    # 历史失败教训
├── workspace-aggressive/            # 激进风控
│   └── SOUL.md                      # 高风险高回报
└── workspace-conservative/          # 保守风控
    └── SOUL.md                      # 资产保护优先
```

### 核心配置（openclaw.json）

```json5
{
  agents: {
    list: [
      { id: "orchestrator", workspace: "~/.openclaw/workspace-orchestrator" },
      { id: "market-analyst", workspace: "~/.openclaw/workspace-market-analyst" },
      { id: "fundamentals-analyst", workspace: "~/.openclaw/workspace-fundamentals-analyst" },
      { id: "sentiment-analyst", workspace: "~/.openclaw/workspace-sentiment-analyst" },
      { id: "news-analyst", workspace: "~/.openclaw/workspace-news-analyst" },
      { id: "bull", workspace: "~/.openclaw/workspace-bull" },
      { id: "bear", workspace: "~/.openclaw/workspace-bear" },
      { id: "aggressive", workspace: "~/.openclaw/workspace-aggressive" },
      { id: "conservative", workspace: "~/.openclaw/workspace-conservative" }
    ]
  },
  tools: {
    agentToAgent: {
      enabled: true,
      allow: ["orchestrator", "bull", "bear", "aggressive", "conservative"]
    }
  },
  session: {
    agentToAgent: {
      maxPingPongTurns: 5  // Bull/Bear 辩论最多 5 轮
    }
  }
}
```

### sessions_spawn vs sessions_send 用法

**Phase 1 — 并行数据收集（sessions_spawn）：**

Orchestrator 同时 spawn 4 个分析师：
```
sessions_spawn → market-analyst (task: "分析 NVDA 技术面")
sessions_spawn → fundamentals-analyst (task: "分析 NVDA 基本面")
sessions_spawn → sentiment-analyst (task: "分析 NVDA 市场情绪")
sessions_spawn → news-analyst (task: "分析 NVDA 宏观环境")
```

每个 spawn 独立执行，完成后 announce 结果回 Orchestrator。

**Phase 2 — 多空辩论（sessions_send ping-pong）：**

```
Orchestrator ──sessions_send(报告摘要)──► Bull Agent
Bull Agent 回复 bull case
  ──自动 ping-pong──► Bear Agent 反驳
  ──ping-pong──► Bull 再反驳
  ...（最多 5 轮，或 agent 回复 REPLY_SKIP 结束）
Orchestrator 收到完整辩论记录（announce step）
```

**Phase 3 — 风控辩论（sessions_send ping-pong）：**

同理，Aggressive ⇄ Conservative 2-3 轮。

**Phase 4 — 最终裁决：**

Orchestrator 综合所有报告 + 辩论记录，输出 BUY/SELL/HOLD。

---

## 五、实现路线图

### Phase 1：基础设施（1-2 天）

- [ ] 确保 openbb-invest-api 在 localhost:8000 运行
- [ ] 安装 OpenClaw，`openclaw onboard`
- [ ] 创建 9 个 agent workspace
- [ ] 编写各 agent 的 SOUL.md（人格定义）

### Phase 2：4 个分析师 Skills（2-3 天）

- [ ] market-analyst skill：调用 `/technical/composite`, `/historical`
- [ ] fundamentals-analyst skill：调用 `/metrics`, `/financials`
- [ ] sentiment-analyst skill：调用 `/sentiment`, `/insider-trades`, `/reddit/trending`
- [ ] news-analyst skill：调用 `/macro/overview`, `/economy/*`, `/fixed-income/yield-curve`
- [ ] 每个 skill 用 `exec` 调用 curl 或封装 Python 脚本

### Phase 3：辩论 + 风控（1-2 天）

- [ ] 配置 `agentToAgent.enabled: true`
- [ ] 测试 Bull ⇄ Bear `sessions_send` ping-pong
- [ ] 测试 Aggressive ⇄ Conservative ping-pong
- [ ] Orchestrator 的 trade-analyze skill 编排完整流程

### Phase 4：记忆 + 复盘（1 天）

- [ ] 利用 OpenClaw 内建 memory 系统
- [ ] 每次决策存入 `memory/YYYY-MM-DD.md`
- [ ] 用 `memory_search` 在辩论时检索相似历史
- [ ] 实现 reflect 机制：对比实际收益，更新记忆

### Phase 5：通道对接 + 优化（1 天）

- [ ] 绑定 Telegram/WhatsApp，直接聊天触发分析
- [ ] 优化 prompt（减少 token 消耗）
- [ ] 添加 openbb-invest-api 独有数据源（做空、期权、DeFi）

---

## 六、与 TradingAgents 的差异对比

| 维度 | TradingAgents (LangGraph) | OpenClaw 混合架构 |
|------|---|---|
| 编排 | 显式状态机，条件路由 | sessions_spawn + sessions_send |
| 并行 | 4 分析师真并行 | sessions_spawn 并行 |
| 辩论 | 多轮循环，独立 LLM 调用 | ping-pong 机制，最多 5 轮 |
| 记忆 | 自建 BM25 | OpenClaw 内建（BM25 + 向量 + 时间衰减） |
| 数据 | yfinance 直调 | openbb-invest-api（133+ 端点） |
| 交互 | 纯 CLI/API | WhatsApp/Telegram/Discord 直接对话 |
| 部署 | 需要自托管 | OpenClaw 本地运行，开箱即用 |

---

## Related

- [[openbb-invest-api]]
- [[OpenClaw]]