Circuit Framework：加密货币多智能体量化投研框架

想象一下这个场景：深夜两点，你盯着 Hyperliquid 上 BTC 的行情图，手里的止损单还没来得及设好，市场突然出现了一个大资金砸盘的动作。传统量化系统此时只能执行预设规则，但面对这种突发信息，需要的不是机械反应，而是能像资深交易员一样，综合分析链上数据、衍生品资金费率、社交媒体情绪和宏观事件的多维度研判能力。Circuit Framework 正是为这样的需求而生——它用大型语言模型构建了一个虚拟的加密货币研究团队，让 AI 扮演市场结构分析师、衍生品专家、情绪分析师、催化剂分析师和宏观策略师，通过多轮辩论后输出一个有纪律的保证金交易建议。

图1：多分析师协作架构 — 五个专业角色分工明确，最终由确定性的风险引擎把关

背景故事：从 TradingAgents 到加密货币专用框架

Circuit Framework 诞生于 2025 年 12 月，由 GitHub 用户 EthanXiang777 在原版 TradingAgents（Tauric Research 出品的学术级多智能体 LLM 交易框架，arXiv:2412.20138）基础上 fork 并专项适配而来。它保留了原版股票的投研流程（基本面、技术面、情绪面、新闻面四路分析师），同时新增了专门针对加密货币市场的分析模块——链上快照构建器、市场结构分析师、衍生品分析师（聚焦资金费率与未平仓量）、催化剂分析师和宏观状态分析师。

项目于 2026 年 7 月中旬创建，采用了 Apache License 2.0 开源许可，不到两周时间便积累了 399 颗星，展现出较高的社区关注度。原始论文 TradingAgents 的研究结论表明，多智能体辩论机制相比单 LLM 交易建议，在风险控制和决策质量上均有显著提升。

核心机制：五步走 + 确定性风控门

Circuit Framework 的运行流程可以类比为一家小型对冲基金的晨会：

第一步，快照构建。 系统首先从 Hyperliquid 公开 Info API 拉取目标币种的 OHLC 数据、技术指标、订单簿失衡情况、资金费率、未平仓量等，构建一个所有分析师共享的 Immutable 市场快照。这个快照保证了团队成员基于同一份数据做判断，避免了信息不对称导致的分歧。

第二步，多分析师并行研判。 市场结构分析师看盘面走势和趋势线，衍生品分析师评估资金费率是否异常（高资金费率往往是反向信号），情绪分析师扫描 Twitter/Reddit 等社媒信号，催化剂分析师识别近期重大事件（如 ETF 审批、监管新闻、巨鲸转账），宏观状态分析师判断当前是属于风险偏好还是风险规避的市场环境。

第三步，多空辩论。 乐观分析师（Bull Researcher）和悲观分析师（Bear Researcher）基于共享快照各自提出论点，互相辩驳，最终由研究经理（Research Manager）汇总矛盾点，形成结构化的交易建议。

第四步，风险辩论。 交易建议进入激进/保守/中性辩论者三方博弈，系统从不同风险偏好角度审视该建议的漏洞。

第五步，确定性风控门。 这是 Circuit Framework 最核心的设计——即便 AI 辩论给出了明确的交易建议，最终还必须通过一个硬编码的风险引擎。该引擎执行一系列可审计的规则：数据是否过期、止损是否合理（风险回报比）、仓位是否超过杠杆上限、波动率是否超出阈值、信心分数是否达标。任何一项不满足，交易建议直接被否决，系统输出 NO_TRADE。

图2：确定性风险门 — AI 辩论结果必须经过硬编码规则验证，"NO_TRADE" 是保留选项而非降级

策略配置：七种预设 profile，无需改代码

不同于大多数量化框架需要写 Python 代码来调整策略，Circuit Framework 通过 YAML 配置文件切换不同的分析权重和风险参数。目前内置七种策略：

• balanced（平衡）：适合大多数市场环境，各维度权重均衡
• momentum（动量）：侧重趋势跟踪和动量指标
• mean_reversion（均值回归）：聚焦超买超卖和反转信号
• derivatives（衍生品）：以资金费率、未平仓量和合约溢价为核心
• narrative（叙事）：以催化剂和宏观叙事为主导因子
• macro_regime（宏观状态）：强调宏观周期和风险偏好切换
• quant_systematic（量化系统）：整合技术指标和量化信号

用户只需在 CLI 中指定 --strategy 参数即可切换，无需修改任何代码。这让非技术背景的交易员也能快速回测不同策略在历史行情中的表现。

技术架构：LangGraph 状态机 + 多 LLM 支持

从代码结构看，Circuit Framework 基于 LangGraph 构建状态机图（tradingagents/graph/trading_graph.py），每个分析师节点是一个独立的状态转换单元。LangGraph 的 checkpoint 机制支持断点续跑，用户可通过 --checkpoint 参数开启 SQLite 状态持久化，长时间运行的投研任务不怕中断。

LLM 客户端采用了工厂模式（factory.py），支持 12+ 种大模型提供商：OpenAI、Anthropic Claude、Google Gemini、xAI Grok、DeepSeek、阿里 Qwen、智谱 GLM、MiniMax、OpenRouter、Ollama（本地）、Azure OpenAI 和 AWS Bedrock。任何兼容 OpenAI 接口规范的第三方服务（如 vLLM、LM Studio）也可以通过 openai_compatible 提供商接入。

图3：结构化交易提案 Schema — 包含方向、仓位、止损、止盈、置信度等完整字段

数据来源：纯公共 API，无需认证

项目的数据层设计非常克制——加密货币分析完全依赖 Hyperliquid 的公开 Info API，无需任何认证密钥。这意味着任何人都可以部署运行，不存在数据订阅成本。股票模式则依赖 Yahoo Finance（免费）和 Alpha Vantage（可选免费 key），FRED 宏观数据可选。Polymarket 预测市场数据也被纳入作为情绪因子之一。

数据验证模块（market_data_validation_tools.py）会在数据异常时主动拒绝，防止基于过期或错误数据做出错误判断。这在加密货币市场尤为重要——交易所 API 偶尔会返回错误的订单簿数据。

模拟交易：SQLite 纸艺盘，零成本回测

所有交易均为纸上谈兵（paper trading），成交模型为中间价 ± 配置的滑点，数据库默认存于 ~/.tradingagents/circuit/paper.db。CLI 提供 portfolio（查看当前持仓）、positions（查看持仓详情）和 leaderboard（回测排行榜）三个命令，方便交易员在历史数据上系统性地回测不同策略的表现。

图4：交易员节点输出结构化提案，包含完整的入场区间、止损、止盈和置信度信息

部署方式：pip 安装 or Docker 一键启动

项目提供了两种部署路径。pip 安装适合有 Python 环境的用户：克隆代码库后执行 pip install -e ".[dev]"，复制 .env.example 到 .env 并填入 LLM API Key，然后运行 tradingagents crypto analyze BTC 即可开始分析。Docker 部署适合不想配置 Python 环境的用户：docker compose run --rm tradingagents 一键启动，Ollama 本地模型 profile 也可通过 docker compose --profile ollama up 启动。需要注意的是，整个系统依赖外部 LLM API（OpenAI 或 Anthropic 是最推荐的），没有 API Key 时系统只能运行单元测试，无法执行实际分析。

图5：多头与空头研究员的辩论流程 — 通过 LangGraph 状态机协调执行

局限性与风险提示

必须清醒认识到几个现实约束。首先，LLM 输出不构成投资建议，模型可能产生错误的分析结论，尤其是在市场剧烈波动期间。其次，纸艺盘成交模型（中间价 ± 滑点）是理论估算，不代表真实交易所的撮合结果，回测收益率仅供参考。第三，代码中明确标注了"不调用 Hyperliquid 交易所接口，不请求钱包凭证"，所以即使代码被恶意篡改，也不会直接导致资产损失——但仍需警惕依赖链上数据的潜在风险。第四，系统目前仅支持 Hyperliquid 这一个合约交易所，数据覆盖范围有限。

行业意义与增长趋势

Circuit Framework 的出现代表了 2025-2026 年间一个明确趋势：将多智能体协作引入金融量化研究。相比传统的单 LLM 金融分析，多角色辩论机制通过引入对抗性视角，理论上能更好地发现分析盲点。结合确定性风险引擎的硬约束设计，这套系统在保持 AI 灵活性的同时，引入了量化交易中不可或缺的纪律性。作为一个发布仅两周便获 399 星的项目，它验证了"AI + 加密货币 + 多智能体"这个交叉方向的高度社区兴趣。