3.9 KiB
3.9 KiB
多智能体决策原理
本篇总结项目中多智能体博弈式决策的设计理念，覆盖角色建模、对话协议、信念修正与评估方法，为后续实现与复盘提供统一参照。
设计目标
- 让主持、预测、风险、执行等角色围绕相同市场场景进行多轮交互，形成可追踪的共识。
- 用可解释的数据引用和信念修正规则替代纯黑盒优化，确保决策链路可审计、可回放。
- 保持策略拓展性：能够按需引入新的部门或逻辑规则，而无需重写整体流程。
角色与知识建模
- 主持（Moderator）：负责议程控制、轮次推进、冲突降级，持有全局上下文与流程规则。
- 预测（Forecaster）：聚合行情、因子与新闻信号，给出趋势判断及置信度。
- 风险（Risk）：掌握仓位限制、合规阈值、风险事件库，可提出否决与回滚建议。
- 执行（Execution）：将共识映射为具体指令（调仓、对冲、风控动作），并反馈执行状态。
- 扩展角色：支持引入情绪、宏观、行业等专业代理，每个代理绑定专属数据域与可信度模型。
每个角色需注册：
- 信号源接口：行情、特征、风险指标或外部知识库。
- 知识缓存：共享信息（全体可见）与私有信息（角色独享）的区分。
- 可信度权重：依据历史表现动态调整，参与信念融合与冲突解决。
多轮对话协议
- 议程发布：主持宣布议题、目标与约束（标的、持仓限制、复审阈值）。
- 观点陈述：各角色按顺序提交观点、置信度与引用证据。
- 证据扩展：若信息不足，可调用数据工具（如
fetch_data）补充证据。 - 反驳与驳回：角色可针对他人观点给出反驳，主持负责仲裁冲突、记录理由。
- 风险复核：风险代理综合内部指标与外部告警，对共识进行校验并给出限制/驳回。
- 共识决议：主持生成决议草案，执行代理将其转化为交易动作。
- 执行反馈：执行结果、风险事件与日志写入数据库，供后续回放。
消息采用结构化 Schema，至少包含：role、action、confidence、evidence_refs、annotations，确保 UI 与日志可追踪。
信念修正与推理
- 权重更新：基于可信度、历史绩效和证据充足性调整角色影响力。
- 逻辑规则库：引入 Argumentation Framework / 模态逻辑，对冲突观点做合法性校验。
- 风险否决：风险节点可触发降级流程（减仓、冻结执行、重新议程）。
- 记忆管理：保留每轮发言与修正历史，支持回放与监督学习。
与执行层的衔接
- 决策结果写入
Decision.rounds、risk_assessment等结构，记录动因与建议动作。 - 执行模块需识别“冻结执行”“调仓幅度”“回滚原因”等指令，确保风险闭环。
- 多轮博弈记录同步到 UI，便于运营侧审查“提出→反驳→定案”的全过程。
关键指标
- 协作效率：轮次收敛时间、冲突率、复核次数。
- 合规度：风险否决覆盖率、违规触发率、回滚成功率。
- 业绩表现：收益、回撤、超额收益稳定性，与默认策略对比。
- 解释追踪：证据覆盖率、引用数据准确性、决策重放完整度。
迭代路线图
- 线下 PoC：以固定历史样本验证多轮流程可行性。
- 回测闭环：接入 BacktestEngine，对多轮策略做收益/风险对比。
- 影子运行：实时记录建议但不执行，验证告警与回滚逻辑。
- 小资金试点：在严格风控下上线，收集失败案例与反馈。
- 正式上线：完善监控指标，形成常规运营与文档更新流程。
若后续扩展新的代理或推理组件，应在此文档补充角色说明与协议变更，确保团队共享统一原理。