最近业内有个App宣称是"全球首个A股智能体"，说实话，这种说法让许多从业者只能报以会心一笑。实际上，不少机构早已在这个方向上取得了显著进展。借着近期撰写Agent专题的机会，正好将一些实战经验拿出来与大家分享。

一直以来，对于AI落地，笔者的选择习惯是挑战最难的任务——直接运用大模型来创造盈利。这个选择，与十年前选择AI赛道去做量化交易，本质上如出一辙。Multi-Agent的框架一旦验证可行，泛化到其他任务上就自然可行，例如监控运维、故障分析，或资产管理中的时间序列异常与协同分析。此前将量化框架改造为Nimble，在思科全系列网络产品上构建AIOPS能力，实际上也是遵循同一思路。

这次也同样，在原有量化交易系统上接入Agent进行进一步扩展。不过这次，先从相对简单的持仓组合管理切入。特别值得一提的是Kimi K2模型，其在Agent执行上的稳定性非常可靠，成本相比Claude大幅降低，使得业务ROI基本达到了可盈利的水平。配合Google ADK在复杂Agent调用上的能力，系统已逐渐达到生产级水准。

此前基于Claude开发过一版，单次任务成本超过1美元。最近使用Kimi K2开发并测试了超过100个任务，配合一些上下文工程优化，总花费仅十多元。理论上，若每份报告售价5元，整体业务的ROI将相当可观。

注：本次测试的持仓为随机生成，核心目的是让模型自动分析不同持仓下的组合风险报告能力。

TL;DR

本专题的主线任务，是以A股量化交易为背景构建多智能体系统，并介绍MCP、Google ADK，以及未来将涉及的Agent2Agent（A2A）等相关内容。

1. 整体架构

直接用Google ADK的Multi-Agent调用图来展示。

整个系统包含一个Portfolio_Agent，它可以通过用户输入或直接对交易软件的持仓截屏进行多模态交互，从而更新投资组合。随后调用DeepResearch_Agent对投资组合执行分析——一方面是传统基于行情的技术分析，另一方面是针对公告信息和股吧等舆论信息进行情感分析的Agent。这些子Agent会被DeepResearch Agent并行调用，分别提交各自领域的报告。未来还会继续添加对整个市场的指数、期权、期货、宏观等分析的子Agent。

最后，基于这些并行的子Agent分析结果，在ReportWriter Agent中输出综合报告。然后所有信息会被输入到一个CriticalThinking Agent，它包含两种类型——风险激进型和风险保守型，通过LoopAgent的方式循环博弈5轮，得出更多维度的结论。

2. Portfolio Agent

这是一个基于MCP实现简单增删改查功能的Agent，用来构建投资组合。相比传统软件调用API的方式，它可以通过自然语言，甚至是多模态直接粘贴持仓截屏来构建投资组合数据库，使用体验更加友好。

3. DeepResearch Agent

这是一个并行执行、最后对所有子Agent报告进行总结的Agent。Parallel_Research_Agent中细分为不同领域的研究子Agent，然后有一个ReportWriter Agent负责收集并输出研究报告，最后还有一个CriticalThinking Agent基于风险保守/激进的视角进行博弈分析。

Parallel_Research_Agent = ParallelAgent(
     name="parallel_research_agent",
     sub_agents=[MarketDataAgent, NewsAgent, CommentAgent],
     description="Runs multiple research agents in parallel to gather information."
 )

Critical_Thinking_Agent = LoopAgent(
     name="critical_thinking_agent",
     description="Runs multiple research agents in loop to gather information.",
     sub_agents=[RiskaggressiveAgent,RiskConservativeAgent],
     max_iterations=5,
)  

Deep_Research_Agent = SequentialAgent(
     name="deep_research_agent",
     description="Uses multi-agent-system to analyze stock data.",
     sub_agents=[Parallel_Research_Agent, ReportWriterAgent,Critical_Thinking_Agent],
)

4. 行情技术分析Agent

行情分析Agent输出的报告如下。在Prompt中，我们添加了很详细的分析需求，包括行业分布及宏观的数据分析等。

最终综合产生的报告长这样：

5. 公告信息情感分析Agent

同时，我们也可以对公告信息进行抓取和分析。

最终的综合报告如下：

6. 舆情情感分析Agent

然后是针对一些论坛评论数据的抓取、过滤和分析。

最终的综合报告结果：

7. ReportWriter

最后，我们会根据前述多个Agent的分析报告进行汇总，对整个投资组合的配置、行业暴露、系统性风险，以及对冲策略等进行详细分析，生成一份完整的投资组合研究报告。

8. CriticalThinking

针对前面采集的所有信息，首先从风险激进的视角来进行评论：

另一方面，从风险保守的视角再进行辩论：

这样的博弈会持续5轮：

9. 总结

当然，这些能够开源出来的，都还是一些相对早期的辅助研究小工具。真正的全市场选股和量化对冲模型，还有太多事情等着去做。