我独立设计、并用 Vibe Coding 实现的多 Agent 自然语言量化系统:用户说“我想稳健收息”,系统就能构建、回测、解读、优化出一套可验证的策略。难点不在让模型更聪明,而在让生成式体验和确定性验证跑在同一条链路上。
普通用户有投资理念,却不会选因子、配风控,也看不懂回测结果;而传统量化平台要么需要编程,要么从零搭建一个有效策略要花 40 分钟。但反过来,纯靠大模型直接生成策略又无法验证——收益、回撤、风险都得是算出来的,不能是模型编的。
所以这个系统的核心命题是:让 LLM 负责它擅长的理解、引导、解释,让量化引擎和算法负责计算、回测、寻优,两者在一条可追溯的链路里协作。
我独立完成了产品定义(意图体系、六大能力、Roadmap)、多 Agent 框架设计,并通过 Vibe Coding 把它实现成一个真实运行的系统——下面的架构和运行日志都来自实跑,不是设想。
构建(小白模糊目标 / 资深指定指标)、修改(显性改参数 / 隐性“稳一点”)、回测(参数不全自动补全)、复盘归因、策略对比——覆盖从概念到归因的完整生命周期。
Coordinator 做意图分类与任务编排,dispatch 给 strategy_builder / validator / backtest_executor / result_interpreter 等 worker;子任务并行分发参考 Claude Code 的 fork 机制。
每步执行走 ReAct 循环,结构化 Gate 判断继续还是交给 Observer 复核;支持 INTENT_SWITCH 中途换目标、STATE_COMMIT 状态提交,保证复杂任务可控、可观察。
预置数百因子;库里没有的因子,AI 自主写代码实现、回测验证后纳入。策略优化则由大模型定义探索方向、遗传算法在真实回测上寻优——因为优化逻辑不等于优化结果。
混合决策:LLM 负责理解意图、交互引导、结果解释;量化引擎负责回测与指标计算;遗传算法在风控约束下做参数寻优。能算的,绝不让模型拍脑袋。
下面是系统实跑日志的脱敏回放——用户从“建策略”到“跑回测”,Coordinator 如何分类意图、分发 Agent、在中途切换目标、并在关键步触发 Observer 复核。延迟与 token 为真实数据。
注:脱敏回放,隐去策略具体参数与用户信息;事件流、Agent 名、延迟/token 为真实运行数据。
我把这套系统的核心能力沉淀成一个轻量化的量化 Skill,作为引流产品上架腾讯 FinClaw 应用市场。Skill 跑通了完整闭环:
模型适合理解意图、解释和引导;收益、回撤这些能算的,必须交给回测引擎,否则产品没有可验证性。
让大模型去改进策略,它能把逻辑讲得更顺,但回测结果未必更好。所以优化不全交给模型——大模型定义探索方向,遗传算法在真实回测上寻优:一个管“往哪找”,一个管“在结果里找到更好的解”。
策略构建、回测、解读每一步都可追踪,结构化 Gate + Observer 复核——否则用户没法信任一个黑盒。
INTENT_SWITCH 让用户从“建策略”直接转“跑回测”而不丢上下文;参数不全就自动补默认值,流程不中断。
并行分发是为了让构建、计算、解释、风险识别相互制衡,而不是为了堆 Agent 数量。