1. 为什么要把 A 股分析拆成多角色协同很多人第一次用大模型做 A 股分析都是同一个套路打开对话框输入「帮我看看今天大盘怎么样」然后等一段洋洋洒洒的回复。用几天就会发现三个问题——信息是碎的今天问的和昨天问的接不上视角是单一的一个模型既当宏观分析师又当交易员结论经常自相矛盾节奏是被动的你不问它就不动盘中该提醒的时候它沉默。OpenClaw 这类 Agent 框架的价值恰好在于把「一问一答」升级成「有分工的流水线」。所谓多角色协同说白了就是给同一个模型戴上不同的帽子一顶帽子专门盯宏观和政策一顶帽子专门做个股基本面和技术面还有一顶帽子只干一件事——挑毛病、算风险。三个角色各写各的分析最后由调度层汇总成一份可执行的报告。这套流程适合谁适合有一定 Python 基础、想把自己的分析框架沉淀成代码的散户和量化爱好者也适合做投研工具的产品同学想验证多 Agent 协作在金融场景里到底能跑出什么效果。它不适合指望「输入代码就躺赚」的人因为最终决策仍然要你自己拍板。我这次要复现的是一条完整链路行情抓取角色负责拉数据策略生成角色负责出观点风险复核角色负责唱反调三者通过统一的模型 API 通道调用大模型最后跑一次历史回测验证流程是否自洽。关键点在于所有角色共用一套 Key 和 endpoint这样切换模型、统计成本、排查报错都只在一个地方改。下面从环境准备开始一步步把这条链路搭起来。2. TaoToken 统一 Key 接入的前置准备多角色协同最怕的就是配置散落各处抓取角色用一个 Key策略角色用另一个风控角色又换一个 base_url结果某个角色报 401 你都不知道是哪份配置的问题。所以第一步不是写 Agent而是先把模型接入层统一掉。我采用的是 TaoToken 的 API 通道官网入口是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 基址固定为 https://taotoken.net/api 。它的作用是把不同厂商的模型收敛到一套 OpenAI 兼容协议下你只需要维护一个 Base URL、一个 Key、一组 Model ID三个角色都从这里取。先拿 Key。登录后进入控制台地址是 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 在 API Keys 页面创建一个新 Key复制出来存到环境变量里别硬编码进脚本。创建 Key 的具体页面在 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。拿到 Key 之后建议先别急着写 Agent用最朴素的方式验证通道是否通。我习惯先跑一个最小请求确认 Base URL、Key、Model ID 三件套没问题再去搭复杂的多角色逻辑。这一步能省掉后面大量「到底是网络问题还是代码问题」的扯皮。环境变量这样设置Linux/macOS 用 exportWindows 用 set 或写进 .envexport TAOTOKEN_API_KEYsk-你的Key export TAOTOKEN_BASE_URLhttps://taotoken.net/api模型 ID 建议先选一个通用对话模型做联调等流程跑通再按角色换更合适的模型。比如宏观角色可以用长上下文模型读政策文件策略角色用推理强的模型风控角色用响应快的模型。这些都在同一套 Key 下切换不用改接入代码。有一点要提醒Key 属于敏感信息别写进 Git 仓库也别贴到公开的 issue 里。我一般用 .env 加 python-dotenv 加载.env 写进 .gitignore。多角色系统里每个角色都读同一个环境变量这样轮换 Key 时只改一处。3. 可复制的多角色配置与调度脚本这一节是核心给出可以直接抄的配置和代码。整体结构分三层配置层settings、角色层三个 Agent 的 prompt 和工具、调度层按时间或事件触发。先看配置。我用一个 settings.json 管理模型接入和角色参数路径放在项目根目录的 config/settings.json{ llm: { base_url: https://taotoken.net/api, api_key_env: TAOTOKEN_API_KEY, default_model: gpt-4o-mini, timeout: 60 }, roles: { macro: { model: gpt-4o-mini, temperature: 0.3, system_prompt: 你是宏观政策分析师只负责解读国际形势、国内政策、宏观数据对A股的影响输出要点不超过5条每条必须给出逻辑链。 }, strategy: { model: gpt-4o-mini, temperature: 0.5, system_prompt: 你是选股与策略专家基于给定的行情和基本面数据输出2-3个候选方向每个方向说明基本面依据、技术面位置、预期差来源。 }, risk: { model: gpt-4o-mini, temperature: 0.2, system_prompt: 你是风控官只做一件事对策略角色给出的每个方向提出反驳指出最可能失效的场景并给出仓位上限建议。 } }, schedule: { morning: 09:00, afternoon: 14:00 } }注意 base_url 写的是 https://taotoken.net/api 不带任何多余路径。api_key_env 指向环境变量名而不是 Key 本身这样配置可以进版本库。接下来是调度脚本。我用 Python 写一个最小可跑的版本依赖 openai 和 apschedulerimport os import json from openai import OpenAI from apscheduler.schedulers.blocking import BlockingScheduler with open(config/settings.json, r, encodingutf-8) as f: cfg json.load(f) client OpenAI( base_urlcfg[llm][base_url], api_keyos.environ[cfg[llm][api_key_env]], ) def call_role(role_name, user_content): role cfg[roles][role_name] resp client.chat.completions.create( modelrole[model], temperaturerole[temperature], messages[ {role: system, content: role[system_prompt]}, {role: user, content: user_content}, ], ) return resp.choices[0].message.content def run_pipeline(market_snapshot): macro call_role(macro, market_snapshot) strategy call_role(strategy, f宏观结论{macro}\n行情快照{market_snapshot}) risk call_role(risk, f策略方向{strategy}) report f【宏观】\n{macro}\n\n【策略】\n{strategy}\n\n【风控】\n{risk} with open(reports/latest.md, w, encodingutf-8) as f: f.write(report) return report if __name__ __main__: scheduler BlockingScheduler() scheduler.add_job(lambda: run_pipeline(隔夜外盘与今日政策摘要), cron, hour9, minute0) scheduler.add_job(lambda: run_pipeline(盘中资金流向与技术结构), cron, hour14, minute0) scheduler.start()这段代码里三个角色共用同一个 client只是 system_prompt 和 temperature 不同。行情抓取角色我暂时用字符串代替实际项目里可以接 Tushare 或行情接口把返回的 JSON 塞进 market_snapshot。如果你用的是 Claude Code 或 Cline 这类工具做开发配置方式略有不同。以 Claude Code 为例需要在 settings 里指定 Base URL 和 Key模型 ID 填 TaoToken 支持的名称。三件套缺一不可Base URL 是 https://taotoken.net/api Key 从控制台拿Model ID 按角色选。Cline 的 MCP 配置同理把 endpoint 指向 TaoTokenKey 填环境变量引用。调度层还有一个细节角色之间要有依赖顺序宏观先跑策略基于宏观结论风控基于策略结论。不要三个角色并行否则风控拿不到策略输出反驳就无从谈起。串行虽然慢一点但逻辑链完整。4. 验证请求与一次完整回测配置写完先别急着上定时任务手动跑一次验证请求确认每个角色都能正常返回。最直接的方式是写一个测试脚本逐个角色调用if __name__ __main__: snapshot 隔夜美股下跌1.2%油价上涨3%国内发布新能源补贴细则 print(call_role(macro, snapshot))跑通后你会看到宏观角色输出几条带逻辑链的要点。如果这里报错先看错误类型下一节专门讲排查。三个角色都通了之后做一次完整回测。回测的目的不是验证策略赚钱而是验证流程自洽给定一段历史行情三个角色能否依次产出结论风控能否真的提出有效反驳。我选一段有明确政策事件的历史区间把当时的行情快照和政策文本喂进去记录三个角色的输出。重点看两件事策略角色的方向是否有基本面和技术面依据风控角色的反驳是否具体到场景而不是空话。如果风控只会说「注意风险」说明 prompt 需要加约束要求它必须指出失效场景和仓位上限。回测脚本可以这样组织def backtest(events): results [] for ev in events: macro call_role(macro, ev[snapshot]) strategy call_role(strategy, f{macro}\n{ev[snapshot]}) risk call_role(risk, strategy) results.append({date: ev[date], macro: macro, strategy: strategy, risk: risk}) return results跑完把结果存成 JSON人工过一遍。我实测下来第一版 prompt 里风控角色经常输出「建议谨慎」加了「必须给出具体失效场景和仓位百分比」之后输出质量明显提升。这就是多角色协同的调优方式不是改模型而是改角色约束。验证成功的标志是三个角色的输出能串成一条完整逻辑链从宏观判断到策略方向再到风险边界中间没有断裂。到这一步endpoint 改到 TaoToken 的联调就算完成了。5. 本篇常见报错排查多角色系统跑起来报错基本集中在接入层。下面按真实遇到的错误对照排查。401 Unauthorized。最常见的原因是 Key 没读到或读错。检查环境变量名是否和 settings.json 里的 api_key_env 一致检查 Key 有没有多余空格。还有一种情况是 Key 被禁用或额度耗尽去控制台确认状态。注意 base_url 必须是 https://taotoken.net/api 多写或少写路径都可能触发 401。local proxy failed 或连接超时。这类错误通常是本地网络环境或代理配置导致的。检查你的运行环境是否能正常访问外网如果公司网络有出口限制换一个网络环境再试。不要在任何脚本里硬编码代理地址保持接入层干净。reading choices 相关报错比如 KeyError: choices。这说明返回体结构和你预期的不一样通常是请求根本没成功返回的是错误 JSON。打印完整 response 看内容多半是模型 ID 写错或参数不合法。确认 Model ID 是 TaoToken 支持的名称temperature 在合理范围内。OAuth 或鉴权类报错。如果你用的是 Claude Code 这类工具报 OAuth 错误通常是工具自身的登录态和 API Key 模式冲突。切到 API Key 模式把 Base URL、Key、Model ID 三件套填全。CC Switch 切换配置时也要确认这三项都指向 TaoToken别只改了 Base URL 忘了 Model ID。角色输出为空或截断。检查 max_tokens 设置多角色串行时如果上下文太长后面的角色可能拿不到完整输入。适当精简上游输出或者给每个角色单独设 token 上限。排查顺序建议先单独测接入层一个最小请求再测单个角色最后测整条流水线。这样能快速定位是接入问题还是逻辑问题。6. 把这条链路用起来跑通之后你可以按自己的节奏扩展。比如给行情抓取角色接真实数据源把 market_snapshot 换成接口返回的 JSON给策略角色加技术指标计算工具让它基于真实数据出方向给风控角色加持仓数据让它算具体仓位。模型对话入口在 https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 可以先用它手动验证 prompt 效果再写进配置。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 参数细节都在里面。如果你打算长期跑这套多角色系统Coding Plan 在 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 适合需要稳定调用和成本可控的场景。最后说一个我踩过的坑别一上来就追求五个角色、十个工具。先把三个角色跑顺确认逻辑链完整再逐个加。角色越多调度和排查的复杂度是指数上升的。三个角色能跑出稳定输出比五个角色互相打架有价值得多。