# 一个本地化量化投研 Agent 是怎么搭出来的

最近这半年，我在自己电脑上搭了一个本地化运行的量化投研 Agent。这篇文章把这个 Agent 的架构、设计思路、踩坑过程完整记录下来，重点不是"用什么框架"（LangChain、LlamaIndex 都能用），而是"为什么这么设计"和"为什么必须本地化"。

## 一、为什么必须本地化

做量化投研 Agent 最大的坑是"数据"。如果你用云端 LLM + 云端数据源，会遇到三个致命问题：

1. **延迟问题**：云端 LLM 调用 + 云端数据 API 调用 + LLM 思考，整个链路延迟通常在 5-10 秒。这对做日内研究、做实时信号、做盘中决策是致命的。
2. **数据隐私**：量化策略、持仓数据、回测代码都是核心资产，通过云端 LLM 处理会泄露给第三方。
3. **调用成本**：高频的"数据查询+分析"任务如果走云端 LLM，每个任务可能花 0.5-2 美元，长期下来是一笔不小的开支。

本地化能彻底解决这三个问题：本地 LLM（如 Qwen2.5-72B、DeepSeek-V3）响应在 1-2 秒内，本地数据访问是毫秒级，本地 LLM 调用成本几乎为零。

## 二、整体架构

整个 Agent 分 5 层：

```
┌─────────────────────────────────────┐
│  交互层（CLI / Web UI）              │
├─────────────────────────────────────┤
│  Agent 编排层（任务规划 + 工具调用）  │
├─────────────────────────────────────┤
│  工具层（数据查询 + 回测 + 可视化）   │
├─────────────────────────────────────┤
│  数据层（本地股票数据引擎）           │
├─────────────────────────────────────┤
│  基础设施层（本地 LLM + 向量库）     │
└─────────────────────────────────────┘
```

每一层我都用最轻量的方案，但能跑通完整的"研究 → 分析 → 回测"全流程。

## 三、基础设施层

基础设施层有两个核心组件：**本地 LLM** 和 **向量库**。

**本地 LLM** 我用的是 Qwen2.5-72B-Instruct，部署在 RTX 4090 上。模型大小 72B，4-bit 量化后大概占 40GB 显存，4090 24GB 显存放不下，所以我用了双 4090。推理速度大概是 15 tokens/秒，足够"边想边写"的速度要求。

向量库用的是 ChromaDB，本地部署，主要用来存"研究笔记"和"历史回测结果"，方便 Agent 检索过往的经验。

## 四、数据层

数据层我用的是本地股票数据引擎，把 A 股 5000 多只票的 200 多个数据集全部沉到了本地。所有数据通过 HTTP 接口访问（这是 ig50 的设计，本地跑了一个 HTTP 服务），毫秒级响应。

Agent 用到的核心接口：

- 股票列表：`base/gplist`，返回 A 股全部股票代码和名称
- 实时行情：`time/real/{dm}`，单只票的实时快照
- 历史 K 线：`time/history/trade/{dm}/{level}`，支持 1 分钟到月线全级别
- 财务数据：`time/f10/fi/{dm}`，三大报表全有
- 资金流向：`time/zijin/zlzjzs/{dm}`，主力净流入
- 龙虎榜：`time/data/longhubang`，上榜席位
- 行业资金流向：`all/zjlx/zjhhy`，行业排行
- 逐笔成交：`time/real/trace/onebyone/{dm}`，每笔成交明细
- 十档盘口：`time/real/trace/level10/{dm}`，十档行情
- L2 指标：`time/real/trace/l2sign/{dm}`，DDX、DDY、撤单比率等

这些接口覆盖了量化研究 95% 的场景。

## 五、工具层

工具层把数据接口封装成 Agent 可以调用的"工具"。每个工具是一个 Python 函数，带文档字符串说明输入输出格式。

举几个核心工具：

**工具 1：query_stock_basic**

```python
def query_stock_basic(keyword: str) -> dict:
    """根据关键词（股票代码或名称）查询股票基本信息。
    返回: dict, 包含 dm(代码), mc(名称), 行业, 上市日期 等字段
    """
    # 调用 ig50 base/gplist 接口
    stocks = ig50_get('base/gplist')
    for s in stocks:
        if keyword in s['dm'] or keyword in s['mc']:
            return s
    return None
```

**工具 2：get_realtime_quote**

```python
def get_realtime_quote(dm: str) -> dict:
    """获取股票实时行情。
    参数 dm: 股票代码，如 '000001'
    返回: dict, 包含 cjsj, cjjg, cjl, zf(涨幅) 等字段
    """
    return ig50_get(f'time/real/{dm}')
```

**工具 3：get_history_kline**

```python
def get_history_kline(dm: str, level: str, days: int) -> list:
    """获取股票历史 K 线。
    参数 dm: 股票代码
    参数 level: K 线级别，如 '1m', '5m', '30m', '1d'
    参数 days: 获取天数
    返回: list, 每个元素包含 rq, open, high, low, close, volume
    """
    return ig50_get(f'time/history/trade/{dm}/{level}')[-days:]
```

**工具 4：get_money_flow**

```python
def get_money_flow(dm: str) -> dict:
    """获取股票资金流向。
    参数 dm: 股票代码
    返回: dict, 包含 zlJlr(主力净流入), shJlr(散户净流入), zlJlb(主力净比) 等字段
    """
    return ig50_get(f'time/zijin/zlzjzs/{dm}')
```

**工具 5：run_backtest**

```python
def run_backtest(strategy_code: str, dm: str, start_date: str, end_date: str) -> dict:
    """运行策略回测。
    参数 strategy_code: 策略代码（Python 函数）
    参数 dm: 股票代码
    参数 start_date, end_date: 回测时间范围
    返回: dict, 包含 年化收益, 最大回撤, 夏普比率, 胜率
    """
    # 实际实现比较复杂，这里只展示接口
    ...
```

工具层一共封装了 20 多个工具，覆盖数据查询、回测、可视化三大类。

## 六、Agent 编排层

Agent 编排层是核心。我用的是 ReAct 框架（Reasoning + Acting），让 LLM 自主规划任务、调用工具、反思结果。

具体来说，Agent 接收到用户提问后，会做以下循环：

1. **思考（Thought）**：分析当前问题，决定下一步该做什么
2. **行动（Action）**：调用某个工具
3. **观察（Observation）**：拿到工具返回的结果
4. **反思（Reflection）**：检查结果是否回答了问题，决定是否继续

举一个真实的例子。用户的提问是："帮我分析一下宁德时代最近一周的资金流向，看看主力是在建仓还是出货。"

Agent 的推理过程大致是这样的：

```
Thought: 用户想知道宁德时代最近一周的资金流向，并判断主力意图。
        我需要先获取宁德时代的代码，然后用 get_money_flow 工具拉数据。

Action: 调用 query_stock_basic("宁德时代")
Observation: {"dm": "300750", "mc": "宁德时代", ...}

Thought: 拿到了代码。现在调用 get_money_flow 拉最近的资金流向数据。

Action: 调用 get_money_flow("300750")
Observation: {"zlJlr": 850000000, "shJlr": -230000000, ...}

Thought: 单日数据可能不准，需要看最近 7 天的趋势。

Action: 调用 get_history_kline("300750", "1d", 7)
Observation: [...7 天的 K 线数据...]

Thought: 结合资金流向和 K 线分析。主力净流入 8.5 亿，散户净流出 2.3 亿，
        且股价近 7 天小幅上涨 3.2%，符合"主力建仓"特征。

Final Answer: 宁德时代最近一周主力净流入 8.5 亿，结合股价温和上涨 3.2%，
              判断主力处于建仓阶段。
```

整个过程大概 8-10 轮 LLM 调用 + 工具调用，总耗时 5-15 秒（取决于数据量）。

## 七、关键设计决策

**决策 1：工具调用用结构化输出**

LLM 调用工具时，必须输出严格的 JSON（包含 tool_name 和 arguments），我用 Pydantic 定义了工具 schema，让 LLM 必须按 schema 输出。这个看似简单的设计让"工具调用失败率"从 30% 降到了 5%。

**决策 2：工具执行结果做"摘要"**

LLM 的上下文窗口有限（Qwen2.5-72B 是 32K），如果工具返回的数据太多（比如返回 1 年的逐笔成交），会爆掉上下文。我做了一个"结果摘要"模块，自动把大数据结果摘要成关键统计（均值、最大、最小、趋势），再喂给 LLM。

**决策 3：Agent 状态用对话历史管理**

Agent 的"思考过程"会越来越长，超过 10 轮就开始混乱。我用"对话历史摘要"的方式，定期把前几轮的对话摘要成 1-2 段，重新喂给 LLM，保持上下文的紧凑性。

**决策 4：本地 LLM 的 prompt 工程**

本地 LLM（Qwen2.5-72B）的指令遵循能力比 GPT-4 弱一点，需要更详细的 prompt。我把每个工具的"使用说明 + 调用示例"都写在 system prompt 里，工具调用成功率从 60% 提升到了 90%。

## 八、踩过的坑

**坑 1：本地 LLM 的"幻觉"问题**

本地 LLM 在某些场景会"幻觉"——比如调用不存在的工具名、编造数据字段名。我加了"工具白名单"机制，LLM 只能调用已定义的工具，否则直接报错。

**坑 2：数据查询的"超时"问题**

有些复杂查询（比如拉 5000 只票的全量财务数据）会超时。我加了"分批查询 + 进度反馈"机制，让 Agent 在长任务中能展示进度。

**坑 3：策略代码的安全执行**

用户可能让 Agent "运行这段策略代码"，但直接 exec 用户提供的代码有安全风险。我用了一个"受限执行环境"，只允许访问预定义的数据接口和回测接口，禁止文件系统访问、网络访问。

**坑 4：回测结果的"过度拟合"提示**

LLM 在分析回测结果时，往往倾向于"美化"策略。我加了一个"回测警示"模块，自动检测"过拟合特征"（如参数过于复杂、样本内表现远好于样本外），并在 LLM 输出时加上提示。

## 九、效果

这套 Agent 跑了大半年，最大的几个发现：

1. **80% 的量化研究任务可以由 Agent 自主完成**：数据查询、简单分析、回测执行几乎不需要人工干预。
2. **复杂策略开发仍需人工介入**：策略思路、因子设计、风控规则这些需要人类判断，Agent 能做的是"辅助实现"。
3. **本地化的延迟优势非常明显**：从"提问"到"得到可用的研究结果"，平均 30 秒以内完成，云端方案至少 2-3 分钟。

最关键的是，本地化让"研究迭代速度"大幅提升。以前调一个因子要等 5 分钟云端 API，现在 30 秒就能拿到结果，调试效率提升 10 倍。

## 十、最后说几句

Agent 框架最大的价值不是"替代人"，是"让人聚焦在判断上"。以前做量化研究，60% 的时间花在"查数据 + 写脚本 + 跑回测"上，只有 40% 时间花在"思考策略"上。本地 Agent 把这个比例反了过来——80% 时间思考策略，20% 时间处理执行细节。

如果你也在做量化研究，建议先从"数据查询 Agent"开始——把数据接口封装成工具，让 LLM 自主查询，这是 ROI 最高的起点。然后慢慢扩展到"分析 Agent"和"回测 Agent"，最后是"策略生成 Agent"。

完整的代码和工具集比较长，核心思路就是这样——本地 LLM + 本地数据 + ReAct 编排。

资料参考：ig50

最近这半年，我在自己电脑上搭了一个本地化运行的量化投研 Agent。这篇文章把这个 Agent 的架构、设计思路、踩坑过程完整记录下来，重点不是"用什么框架"（LangChain、LlamaIndex 都能用），而是"为什么这么设计"和"为什么必须本地化"。

一个本地化量化投研 Agent 是怎么搭出来的

人工智能

开发工具

客户端

本地化量化投研Agent架构解析：基于本地LLM与数据引擎，实现毫秒级响应与零调用成本。通过ReAct框架自主完成数据查询、资金流向分析与回测，将研究效率提升10倍。覆盖A股全量数据，支持主力建仓判断等复杂任务，为量化研究者提供高效本地化解决方案。

数据隐私

数据接口

文件系统

代码解释

大数据

DeepSeek

Python

Agent

JSON

腾讯云BI特惠9.9元起！


文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

一个本地化量化投研 Agent 是怎么搭出来的-腾讯云开发者社区-腾讯云

一个本地化量化投研 Agent 是怎么搭出来的

一个本地化量化投研 Agent 是怎么搭出来的

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐