AI-Trader 多模型协作架构：金融交易垂直领域的多智能体工程实践

金融交易领域对 AI 系统的可靠性、实时性和安全性有着极高要求，这与通用多智能体平台的场景存在本质差异。HKUDS（香港大学数据科学实验室）推出的 AI-Trader 项目，是目前少数面向金融交易垂直领域的 100% 自动化代理原生交易平台，其核心价值在于构建了一套完整的多模型协作架构，以工程化方式解决了市场数据分析、信号聚合与订单执行的全链路问题。与通用多智能体平台（如 lobehub）聚焦于 UI 编排和对话流程不同，AI-Trader 专注于交易场景的垂直整合，通过工具驱动的 MCP（Model Context Protocol）接口实现标准化的数据获取、分析与执行流程。

多模型并行协作的架构设计

AI-Trader 的核心架构建立在多模型并发运行的基础之上。系统支持同时启动 GPT、Claude、Qwen 等多个主流 AI 模型，每个模型独立处理特定市场或策略任务，形成竞争性的信号评估机制。这种设计的核心优势在于 ensemble decision-making（集成决策）：不同模型基于各自的优势和偏差，对同一市场状况产生差异化判断，随后通过协调层（coordinator）进行信号聚合，最终输出更具鲁棒性的交易决策。

在具体实现层面，每个模型被严格隔离在独立的数据空间中。系统为美股、A 股、加密货币等不同市场分别维护独立的代理数据目录（如 agent_data/、agent_data_astock/、agent_data_crypto），确保模型间的性能和风险状态互不干扰。这种市场级别的隔离设计，使得针对特定市场的策略优化成为可能，同时避免了单一模型的错误决策跨市场蔓延。代理的动态加载与配置通过配置文件或环境变量完成，系统内置日期管理和错误处理机制，确保在极端市场条件下的基本可用性。

工具驱动的 MCP 执行层

AI-Trader 采用了完全工具化的执行架构，这是其区别于传统交易机器人的关键特征。所有交易操作 —— 包括价格查询、持仓检查、风险评估和订单提交 —— 均通过标准化的 MCP 工具调用接口完成。这种设计的核心优势在于抽象层的统一性：上层模型无需关心底层市场 API 的差异，无论是 Binance 的加密货币接口、Interactive Brokers 的股票接口，还是 Polymarket 的预测市场接口，均通过统一的工具层进行交互。

从工程实践角度看，这种架构意味着新增市场支持的边际成本极低。开发团队只需要为新市场实现对应的工具适配器，无需修改核心逻辑层。工具调用采用迭代式的决策循环：模型执行多步推理，每一步都可能调用价格查询、组合状态检查或风险验证等工具，直到输出明确的 buy/sell/hold 动作并发送 finish 信号。这种设计确保了决策过程的可追溯性 —— 每一轮完整的工具调用序列都可以被记录和回放，对于事后审计和策略迭代至关重要。

信号系统与复制交易机制

AI-Trader 构建了一套完整的信号生态系统，支持三种核心信号类型：operation（实时交易操作）、strategy（策略分析）和 discussion（社区讨论）。operation 类型信号最接近传统意义上的交易指令，followers 可以一键跟单；strategy 类型用于发布策略研究，不涉及实际仓位；discussion 类型则鼓励模型间的观点碰撞，通过辩论机制提升信号质量。

复制交易机制的实现细节值得深入关注。当一个 agent 发布 operation 信号时，系统会向所有 followers 推送通知，followers 可以选择自动跟单或手动确认。跟单后的仓位信息会独立记录，source 字段标注为 "copied:{leader_id}"，使得绩效归因清晰可辨。这种机制在多模型协作场景下尤为重要：当多个模型就同一标的产生不同信号时，followers 可以选择性地跟随特定模型，形成个性化的策略组合。

Heartbeat 机制是保障 agent 实时响应的基础设施。每个 agent 被建议每 30 至 60 秒轮询一次 /api/claw/agents/heartbeat 端点，系统返回最多 50 条未读消息和 10 个待处理任务。消息类型涵盖新粉丝、讨论回复、策略提及等，任务类型则包括平台下发的交互指令。这种拉取模式相比 WebSocket 在复杂网络环境下更易维护，但在高频交易场景下可能存在延迟瓶颈 —— 这是架构选型时需要权衡的因素。

工程落地的关键参数与监控要点

在生产环境中部署 AI-Trader 风格的多模型交易系统，以下参数和监控点值得关注。

模型协作层参数：

• 并行模型数量建议控制在 3 至 5 个，过多会增加协调成本，过少则丧失 ensemble 优势；
• 信号聚合策略可采用多数投票或加权评分，加权权重根据模型历史准确率动态调整；
• 模型隔离的超时阈值建议设为单次决策循环 30 秒，超时后降级为保守策略（如持有）。

执行层参数：

• Heartbeat 轮询间隔建议 30 秒，与平台推荐的 recommended_poll_interval_seconds 一致；
• 单次工具调用超时建议 10 秒，包含网络重试在内；
• 订单执行的滑点容忍度需根据市场波动性动态调整，加密货币建议 0.5% 以内，美股建议 0.1% 以内。

监控与风控要点：

• 实时监控各模型的独立绩效（ Sharpe 比率、回撤、 annualized return），出现显著偏离时自动触发告警；
• 跨模型累计敞口需设置上限，单一标的的总仓位不应超过组合的 20%；
• 断线检测：heartbeat 连续 3 次失败时应切换到只读模式，暂停新开仓位。

工程稳定性（2026-04-10 更新）： FastAPI Web 服务与后台 worker 进程已实现分离部署。用户面向的页面和健康检查由 Web 服务独立处理，而价格更新、利润历史、结算和市场情报任务运行在后台。这种架构确保了即使后台任务出现阻塞，用户界面仍能保持响应，是生产环境稳定性的关键保障。

小结

AI-Trader 的架构价值在于为金融交易场景定制了一套完整的多模型协作范式：通过工具驱动的 MCP 接口实现执行层的标准化，通过市场级别的数据隔离实现风险控制，通过信号系统与复制交易机制实现协作生态。与通用多智能体平台相比，其工程重点从对话编排转向了交易特有的可靠性、延迟和风控需求。对于希望在金融领域构建 AI 交易系统的团队，AI-Trader 的架构思路 —— 尤其是多模型 ensemble 决策、工具化执行层和市场隔离设计 —— 提供了可复用的工程参考。

资料来源：

• GitHub HKUDS/AI-Trader: https://github.com/HKUDS/AI-Trader
• AI-Trader Skill 定义文件: https://github.com/HKUDS/AI-Trader/blob/main/skills/ai4trade/SKILL.md

ai-systems