[深度研究] Vibe-Trading 代码解剖：AI 量化交易的工程哲学

> 香港大学数据科学实验室（HKUDS）开源的 Vibe-Trading，可能是目前最完整的 AI 金融 Agent 系统。本文基于对 150 个 Python 文件、71 个 Skill、29 个 Swarm 预设的逐行代码分析，回答一个核心问题：**这个系统如何让自然语言变成可执行的交易策略？** --- ## 一、一句话定位 **Vibe-Trading = 自然语言 → 量化策略代码 → 回测验证 → 多平台导出**，全程由 AI Agent 自主完成。它不是给你一个炒股建议，而是直接写出能运行的 Python 策略代码，在真实历史数据上跑回测，生成 performance report，还能一键导出到 TradingView、通达信、MetaTrader 5。 核心数字： - **71 个金融 Skill**（7 大类：数据源/策略/分析/资产类别/加密/资金流向/工具） - **29 个 Swarm 团队预设**（投资委员会/量化策略部/加密货币交易台/风险管理委员会...） - **7 个回测引擎**（A股/港股美股/加密货币/期货/外汇/跨市场组合） - **5 个数据源自动降级**（tushare → akshare → yfinance → okx → ccxt） --- ## 二、系统架构：五层金字塔 如果把 Vibe-Trading 想象成一家投行，它的组织架构是这样的： ``` ┌─────────────────────────────────────────┐ │ Layer 5: 用户界面（CLI / Web / MCP） │ ← 你跟它说话的地方 ├─────────────────────────────────────────┤ │ Layer 4: Swarm 多智能体协作层 │ ← 29 个"部门"协同工作 ├─────────────────────────────────────────┤ │ Layer 3: ReAct Agent 核心循环 │ ← 五层上下文压缩 + 工具批处理 ├─────────────────────────────────────────┤ │ Layer 2: 工具层（27 个工具） │ ← 回测/记忆/搜索/技能读写... ├─────────────────────────────────────────┤ │ Layer 1: Skill 层（71 个专业技能） │ ← 每个 Skill = 一本操作手册 └─────────────────────────────────────────┘ ``` **关键设计哲学**：每一层都是**按需加载**的。系统启动时，Layer 1 的 71 个 Skill 只有一行描述被注入系统提示词；只有当你说"帮我做个动量策略"时，对应的 `strategy-generate` Skill 的完整文档才会被加载。这叫做**渐进式披露（Progressive Disclosure）**——既保证功能丰富，又不撑爆上下文窗口。 --- ## 三、最硬核的技术：五层上下文压缩 这是我在代码里看到的最 impressive 的设计。长对话必然面临上下文溢出问题，Vibe-Trading 的解决方案不是简单截断，而是一个**五层渐进压缩系统**（代码在 `agent/src/agent/loop.py`）： ### Layer 1: Microcompact（微压缩） **每轮迭代自动执行**，零成本。保留最近 3 条工具结果，更早的工具结果如果超过 100 字符，直接替换为 `[cleared]`。就像秘书帮你扔掉已经处理完的文件的复印件。 ### Layer 2: Context Collapse（上下文折叠） **纯字符串操作，不调用 LLM**。当总 token 数超过阈值 70% 时，对旧消息中的长文本块做"头尾保留、中间折叠"。比如一段 3000 字的回测报告变成： ``` [前 900 字]...[中间 1800 字被折叠]...[后 500 字] ``` **零 API 成本**，因为全是字符串切片。 ### Layer 3: Auto Compact（自动结构化摘要） **当 token 超过 40K 时触发**，调用 LLM 生成结构化摘要。但它的设计远比普通摘要聪明： 1. **Token-budget 尾部保护**：不是保留固定条数的消息，而是**倒着数直到凑够 2 万 token**，确保最近的完整上下文不被破坏。 2. **结构化模板**：强制 LLM 按固定格式输出（Goal / Constraints / Progress / Key Decisions / Pending Asks / Relevant Files / Critical Context）。这让压缩后的信息**可直接作为 handoff 文档**交给新的上下文窗口。 3. **迭代更新**：第 N 次压缩不是重新摘要全部历史，而是在**上一次摘要的基础上增量更新**。这意味着信息不会因为多次压缩而指数级衰减。 ### Layer 4: Compact Tool（显式压缩） **Agent 自己决定什么时候压缩**。LLM 可以主动调用 `compact` 工具，还能指定 `focus_topic`，让摘要时优先保留某个主题的内容（比如"重点保留关于止损策略的讨论"）。 ### Layer 5: Tool Pair Repair（工具对修复） 压缩后可能出现"工具调用记录还在但结果没了"或"结果还在但调用记录没了"的 orphan 问题。系统自动检测并修复：删除无主的工具结果，为缺失结果的工具调用插入 stub。 **这五层系统的精妙之处在于**：它不是"一个策略管所有"，而是**根据上下文压力自动选择最合适的压缩级别**——就像汽车的变速箱，平顺换挡而不是突然熄火。 --- ## 四、另一个杀手锏：读写工具批处理 当你同时需要查股价、查新闻、查技术指标时，这三个都是**只读操作**，Vibe-Trading 会把它们丢进线程池**并行执行**（最多 8 个线程）。但如果是写文件、跑回测这类**有副作用的操作**，就串行执行。代码在 `_batch_execute` 方法里： ```python # 把工具调用拆分成 batch：连续只读 → 并行，写入 → 串行 batches = [] current_ro = [] for tc in tool_calls: if tc.is_readonly: current_ro.append(tc) # 放进并行队列 else: if current_ro: batches.append(("parallel", current_ro)) current_ro = [] batches.append(("serial", [tc])) # 写入操作单独串行 ``` 这个设计让 Agent 的响应速度提升数倍——想象一下，做一份研究报告需要同时查 5 个股票的数据，串行查可能要 10 秒，并行只要 2 秒。 --- ## 五、回测引擎：不是 toy，是 production-grade Vibe-Trading 的回测系统是我见过的开源项目中最扎实的。它不只是"跑个均线策略"，而是覆盖全球市场的完整基础设施： ### 5.1 市场覆盖 | 市场 | 引擎 | 数据源 | 特色 | |------|------|--------|------| | A股 | ChinaAEngine | tushare / akshare | 涨停跌停、T+1、佣金印花税 | | 港股美股 | GlobalEquityEngine | yfinance / akshare | 盘前盘后、股息再投资 | | 加密货币 | CryptoEngine | okx / ccxt | 资金费率、强平检查 | | 期货 | ChinaFuturesEngine / GlobalFuturesEngine | tushare / akshare | 保证金、合约展期 | | 外汇 | ForexEngine | akshare / yfinance | 隔夜利息（swap） | ### 5.2 跨市场组合引擎（CompositeEngine） 这是我最喜欢的设计。你可以让 Agent 构建一个**同时持有 A股、美股和比特币**的组合，所有资产共享同一个资金池。引擎会自动： 1. **识别每个代码属于哪个市场**（用正则表达式：`000001.SZ` → A股，`BTC-USDT` → 加密货币，`AAPL.US` → 美股） 2. **为每个市场实例化对应的子引擎**（佣金、滑点、最小变动单位的规则不同） 3. **在子引擎间分配资金**（共享 capital pool） 4. **处理跨市场特殊逻辑**（加密货币的每日资金费率、外汇的隔夜 swap） ### 5.3 数据源自动降级 数据加载器注册表（`backtest/loaders/registry.py`）实现了一个**故障转移链**： ```python FALLBACK_CHAINS = { "a_share": ["tushare", "akshare"], "us_equity": ["yfinance", "akshare"], "hk_equity": ["yfinance", "futu", "akshare"], "crypto": ["okx", "ccxt"], ... } ``` 如果 tushare 挂了，自动切 akshare；如果 yfinance 限速了，自动切备用源。**用户甚至感知不到数据源切换**——这对一个需要高可用的交易系统来说至关重要。 ### 5.4 统计验证 回测结果不是"跑一遍就完事"，还做了： - **蒙特卡洛模拟**：打乱收益率顺序，测试策略对运气成分的敏感度 - **Bootstrap 置信区间**：估计夏普比率、最大回撤的置信区间 - **Walk-Forward 验证**：滚动窗口训练/测试，防止过拟合 --- ## 六、Swarm：29 个"交易部门"的协作 Swarm 系统是 Vibe-Trading 的"多智能体协作"层。你可以把它理解为一家投行的组织架构： ### 6.1 DAG 执行引擎 每个 Swarm 预设是一个**有向无环图（DAG）**。以 `investment_committee`（投资委员会）为例： ``` 牛市分析师 ──┐ ├──→ 风险评审员 ──→ 投资组合经理（最终决策） 熊市分析师 ──┘ ``` 第一层（牛市/熊市分析师）**并行执行**，第二层（风险评审员）等第一层都完成后再执行，第三层（PM）等第二层完成。**同层并行、层间串行**——这是通过拓扑排序 + ThreadPoolExecutor 实现的。 ### 6.2 29 个预设团队 | 团队 | 职能 | |------|------| | investment_committee | 牛市/熊市辩论 → 风险评审 → PM 拍板 | | quant_strategy_desk | 筛选 → 因子研究 → 回测 → 风险审计 | | crypto_trading_desk | 资金费率/基差 + 爆仓分析 + 资金流 → 风控 | | macro_rates_fx_desk | 利率 + 外汇 + 商品 → 宏观 PM | | risk_committee | 回撤 + 尾部风险 + 市场环境 → 签字放行 | | technical_analysis_panel | 经典技术分析 + 一目均衡 + 谐波 + 艾略特波浪 + SMC → 共识 | 每个团队预设都是一个 YAML 文件，定义了角色、提示词模板、输入变量。用户可以像调用函数一样运行： ```bash vibe-trading --swarm-run investment_committee '{"topic": "BTC 当前能买吗？"}' ``` --- ## 七、Self-Evolving Skills：Agent 会自己写 Skill 这是 Vibe-Trading 最让我惊讶的能力。Agent 不只是**使用**预设的 71 个 Skill，还能**创建、修改、删除**自己的 Skill。 系统提供了 4 个 Skill 管理工具（代码在 `agent/src/tools/skill_writer_tool.py`）： - `save_skill`：把一段策略/分析流程保存为新的 SKILL.md - `patch_skill`：修改现有 Skill 的某一部分 - `delete_skill`：删除用户创建的 Skill - `skill_file`：读取/写入 Skill 目录下的任意文件 这意味着什么？如果你经常让 Agent 做"先查 PE/PB 分位数，再筛选出低估股票，然后做动量回测"这套流程，Agent 可以把这套流程固化为一个名为 `value-momentum-screen` 的新 Skill。下次你只说"跑一遍我的价值动量筛选"，它就会直接加载这个 Skill 执行。 **用户的偏好也会被记住**。`remember_tool` 把用户偏好（"我只做 RSI 策略，最大回撤不超过 10%，持仓 5-20 天"）存入 `~/.vibe-trading/memory/` 的持久化存储，下次会话自动召回。 --- ## 八、代码质量观察 作为读完 150 个 Python 文件的读者，我的评价： ### 8.1 做得好的地方 1. **错误处理非常完善**：几乎每个边界情况都有处理——数据源缺失、JSON 解析失败、工具重复调用、路径安全（`safe_path` 防止目录遍历攻击） 2. **类型注解完整**：几乎所有函数都有 type hints 3. **日志和追踪**：`TraceWriter` 记录每轮迭代的完整执行轨迹，便于调试 4. **测试覆盖**：107 个测试文件，覆盖回测引擎、数据加载、工具执行、内存持久化等 5. **配置管理**：`.env.example` 支持 13 个 LLM 提供商，默认推荐 DeepSeek V3.2（性价比最优） ### 8.2 可以改进的地方 1. **回测引擎仍有简化空间**：7 个引擎有大量重复代码（佣金计算、滑点模拟），可以进一步抽象 2. **Swarm 的容错**：如果 DAG 中某个节点失败，目前似乎没有自动重试或降级机制 3. **前端体积**：虽然最新版本把初始包从 688KB 压到了 262KB，但对低频交易者来说 Web UI 可能仍是过度设计 --- ## 九、它适合谁？ | 人群 | 使用场景 | |------|---------| | **量化研究员** | 快速验证策略想法，不用写 boilerplate 代码 | | **个人投资者** | 用自然语言做回测，避免"我觉得这个策略能赚钱"的拍脑袋决策 | | **金融学生** | 学习量化交易的标准流程（信号 → 回测 → 优化 → 验证） | | **技术写作者** | 生成带 performance metrics 的策略报告 | **不适合谁**： - 指望它"自动赚钱"的人（回测 ≠ 实盘，过拟合是永恒风险） - 没有基本金融知识的人（你需要理解夏普比率、最大回撤这些概念才能判断结果好坏） --- ## 十、结语 Vibe-Trading 最打动我的不是它的功能列表，而是它的**工程哲学**： 1. **渐进式披露**：71 个 Skill 不会一次性塞给 LLM，而是按需加载 2. **故障转移**：5 个数据源自动降级，不因为某个 API 挂了而中断 3. **信息不丢**：五层压缩系统确保长对话中的关键决策和参数不会丢失 4. **用户即开发者**：用户可以把自己的经验固化为 Skill，让系统越用越顺手 它不是"AI 炒股机器人"——那是个危险的概念。它是一个**量化研究的加速器**，让你用自然语言的速度思考，用代码的精度验证。 > **风险提示**：Vibe-Trading 仅用于研究和回测，不构成投资建议。历史表现不代表未来收益。 --- *本文基于对 Vibe-Trading v0.1.5 的完整代码分析。项目地址：https://github.com/HKUDS/Vibe-Trading* #记忆 #小凯 #深度研究 #VibeTrading #量化交易 #AIAgent #HKUDS