为什么用LangGraph构建多Agent交易流水线AI Market Maker编排工作流完全解读【免费下载链接】ai-market-makerAgentic AI Hedge Fund OS (AIMM)项目地址: https://gitcode.com/gh_mirrors/ai/ai-market-makerAI Market MakerAIMM是一个开源的 Agentic AI 对冲基金操作系统它用LangGraph编排多 Agent 交易流水线让多个 AI 交易员像真实基金团队一样分工协作感知市场、生成信号、组合提案、风险否决、最终执行。对于想理解多 Agent 编排工作流如何落地到真实交易场景的开发者来说这是一个非常完整的参考实现。一、为什么多 Agent 交易系统需要 LangGraph如果把交易系统写成一长串函数调用会遇到三个典型问题痛点传统写法的问题LangGraph 的解法状态散落每个 Agent 各自维护变量难追踪统一的图状态Graph State所有节点共享同一份工作记忆流程写死分支逻辑用 if/else 堆叠条件边Conditional Edges显式声明路由规则难以观测出错后不知道流程走到哪一步每个节点可插桩instrument全链路留痕LangGraph 把交易流程抽象成一张状态机图Agent 是节点Node数据是共享状态State流转规则是边Edge。这正是 AIMM 的编排方式——它的核心图定义在 build_workflow() 中完整文档见 docs/langgraph-workflow.md。二、图状态一份共享的交易工作台整条流水线共享一个类型化的状态对象HedgeFundState定义在 src/schemas/state.py。它大致包含五类字段感知层输出market_context、tier0_contracts每个 Agent 的结构化结论决策层proposed_signal、trade_intent仲裁后的交易意图风控层risk_report、is_vetoed是否被否决、veto_reason执行层execution_result下单结果审计层reasoning_logs每一步的思考日志值得注意的是几个用了operator.add聚合器的键如debate_transcript、reasoning_logs各节点只负责追加自己的片段LangGraph 会自动合并。这意味着任何节点都读得到前面所有 Agent 的全部产出——就像一张摆在所有交易员面前的共享白板。三、九个感知 Agent 并行分析图节点全览AIMM v4 采用加权收敛架构九个 Tier-0 感知 Agent 并行分析市场各自输出一份标准化 JSON 契约。节点清单与默认权重如下详见 docs/personas/README.mdAgent角色关注点默认权重1.1 Monetary Sentinel宏观分析师宏观环境与流动性0.051.2 News Narrative Miner新闻叙事事件冲击与叙事新鲜度0.052.1 Pattern Recognition形态识别K线形态与结构质量0.252.2 Statistical Alpha统计 Alpha截面 z-score 信号0.102.3 Technical TA Engine技术分析RSI、MACD、ATR 等指标0.303.1 Retail Hype Tracker散户情绪FOMO 程度与背离预警0.053.2 Pro Bias Analyst聪明钱资金费率与持仓变化0.054.1 Whale Behavior巨鲸行为砸盘概率默认关闭0.054.2 Liquidity Order Flow流动性与订单流滑点风险与盘口失衡0.15每个 Agent 都遵循同一套契约接口Input → Process → Output → Feedback抽象基类在 src/agents/base_agent.py并且process()必须返回结构化的reasoning载荷——这是后面全链路可追溯的基础。四、边与条件路由Risk Guard 拥有一票否决权整个图的路由规则非常简洁src/main.pypolicy_orchestrator → market_scan → [9 个 Tier-0 Agent 并行] → risk → desk_debate → signal_arbitrator → portfolio_proposal → risk_guard → (条件路由) → portfolio_execute → audit关键在最后一步的条件边风险守门员 Risk Guard 会给出否决或放行。路由函数只有几行核心逻辑src/workflow/routing.py若is_vetoed为真 → 跳过执行直接进入audit审计否则 → 进入portfolio_execute下单执行也就是说所有路径在 Risk Guard 处收敛任何交易想在执行前都必须先过这道闸。Risk Guard 的实现见 src/agents/governance/risk_guard.py它根据组合快照和策略配置计算保守风险分超过 0.8 直接否决还支持AIMM_KILL_SWITCH环境变量一键熔断全部执行。这正是多 Agent 流水线里最容易被忽略、却最值钱的一环——治理能力。五、为什么这个设计值得借鉴可追溯每个节点的思考都写入reasoning_logs前端控制台Web Dashboard可以按时间轴回放每个 Agent 的推理过程。可插拔Agent 只是图上的节点想替换某个交易员只需换一个节点函数图结构不动。可配置Agent 权重、决策阈值如 BUY 需综合分 ≥ 0.60都来自策略文件如 config/policy.default.json而非硬编码。确定性仲裁默认走加权收敛确定性算法而非 LLM 自由发挥LLM 仲裁只是可选项AIMM_ARBITRATOR_MODEllm。六、快速体验从零跑起这条流水线git clone https://gitcode.com/gh_mirrors/ai/ai-market-maker cd ai-market-maker pip install uv uv sync --extra dev cp .env.example .env # 填入 LLM API Key 与交易所密钥 uv run python src/main.py跑完后每个 run 的完整推理轨迹都会落盘并同步到 Web 控制台。回测、信号发布、排行榜等功能说明见根目录 README.md 与 docs/run-modes.md。总结AIMM 展示了 LangGraph 在多 Agent 系统里的正确打开方式状态集中、节点专精、路由显式、风控一票否决。它不是把一堆 LLM 调用串起来而是用图的状态机语义把感知 → 辩论 → 仲裁 → 提案 → 否决 → 执行 → 审计建模成一个可观测、可治理的确定性流程。如果你想给自己的 AI 交易系统加一套编排骨架这份 工作流文档 和src/workflow/下的路由、仲裁实现是最好的起点。【免费下载链接】ai-market-makerAgentic AI Hedge Fund OS (AIMM)项目地址: https://gitcode.com/gh_mirrors/ai/ai-market-maker创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考