QuantHarness：面向高频交易的价驱多智能体LLM
采用LangChain和LangGraph构建的多智能体交易分析系统，结合技术指标、模式识别和趋势分析，提供基于LLM的即时市场洞察。
证据显示：仓库未提供任何权限管理、用户确认、数据流透明、敏感数据处理、依赖安全、外部影响、回滚或来源归属的机制。README 仅提及 API 密钥管理，但未说明如何安全存储或最小权限。因此所有信任标准得分为 0。
证据显示：README 和测试文件在配置和 API 密钥处理上基本一致，但存在不一致之处，如 README 中提到的 'langchain-qwq' 在 requirements.txt 中未列出，且测试文件 mock 了多个依赖，可能掩盖真实行为。依赖可用性方面，requirements.txt 列出了所有依赖，但未固定版本，且 TA-Lib 安装可能有问题。失败消息方面，README 提供了故障排除部分，但未提供详细的错误处理机制。因此自一致性得 1，依赖可用性得 1，失败消息得 1。
证据显示：README 明确了目标受众（研究人员和交易者）和使用场景（技术分析、多智能体分析），但未明确能力边界，例如对数据质量或市场条件的限制。触发精度方面，README 描述了如何调用 TradingGraph，但未详细说明触发条件。环境适配方面，提供了安装说明，但未说明对操作系统或 Python 版本的兼容性。因此受众和场景得 2，能力边界得 1，触发精度得 1，环境适配得 1。
证据显示：README 提供了清晰的信息架构，包括功能、安装、使用、实现细节等。安装说明详细，包括 conda 和 pip 步骤。命名稳定性方面，未提供版本历史或命名约定。示例和 FAQ 部分提供了使用示例和故障排除。已知限制方面，README 提到了 TA-Lib 安装问题，但未全面列出。许可证为 MIT，但未提供版本控制或变更日志。维护责任方面，提供了联系邮箱，但未明确维护者。因此信息架构得 2，安装说明得 2，命名稳定性得 1，示例和 FAQ 得 2，已知限制得 1，许可证得 2，版本控制/变更日志得 0，维护责任得 1。
证据显示：输出可用性方面，README 描述了输出包括交易决策和报告，但未提供输出格式的详细说明。边际价值方面，该工具提供了多智能体分析，但可能与其他工具重复。成本效益方面，需要多个 LLM API 密钥，可能成本较高，但未提供成本估算。因此输出可用性得 2，边际价值得 1，成本效益得 1。
证据显示：声明可追溯性方面，README 引用了 arXiv 论文，但未提供具体实现细节的链接。跨来源佐证方面，测试文件提供了部分验证，但未独立验证。事实与推断分离方面，README 区分了功能描述和免责声明，但未明确区分事实和推断。因此声明可追溯性得 1，跨来源佐证得 1，事实与推断分离得 1。
- API 密钥管理缺乏安全存储和最小权限说明，可能泄露敏感信息。
- 依赖未固定版本，存在供应链风险。
- 测试大量使用 mock，可能掩盖真实集成问题。
- 未提供版本控制和变更日志，难以追踪更新。
这个 Agent 能做什么，适合哪些场景？
QuantHarness是Stony Brook University等机构的研究团队发布的开源多智能体交易分析框架。它利用LangGraph编排四个专业智能体（指标、模式、趋势、决策），将K线数据转换成可执行的交易指令。系统提供Flask Web界面和Python编程接口，支持实时市场数据（通过yfinance），并兼容OpenAI、Anthropic、Qwen及MiniMax等主流LLM提供商。该项目的技术细节与基准结果见arXiv论文2509.09995。
QuantHarness通过LangGraph编排四个智能体：指标智能体计算RSI、MACD和随机振荡等技术指标；模式智能体绘制价格图表并识别形态；趋势智能体拟合带注释的趋势通道以量化市场方向；决策智能体综合各智能体输出，生成明确的LONG/SHORT交易指令，包含入场、出场及止损水平。系统可通过Python脚本（TradingGraph类）或Flask Web界面调用，界面支持选择资产、时间周期和日期范围，并管理API密钥。
- 量化研究者需要基于LLM的多智能体框架来探索高频交易策略，可利用内置智能体快速获取技术信号。
- 交易员希望结合技术分析和AI决策支持，可通过Web界面选择股票、加密货币或商品，实时分析并获取交易建议。
- 开发人员需要可编程的模块化交易分析库，可在Python项目中导入TradingGraph并集成到自有数据流程。
- 教育场景中，教授金融AI课程，可用QuantHarness演示多智能体协作和可视化分析。
- 对多提供商LLM感兴趣的用户，可测试OpenAI、Claude、Qwen或MiniMax在交易分析中的表现。
这个 Agent 有哪些优点和局限？
- 独特的多智能体分工设计，覆盖指标、模式、趋势和决策，提供全面的分析。
- 支持多种LLM提供商（OpenAI、Anthropic、Qwen、MiniMax），降低单一供应商依赖。
- 提供Web界面和编程接口，用户友好且可集成到自动化流程。
- 实时数据获取（yfinance）和可视化图表增强了可解释性。
- 需要LLM API密钥，调用可能产生费用，依赖外部服务。
- TA-Lib安装可能遇到平台兼容性问题，增加部署难度。
- 性能依赖所选LLM的响应速度和准确性，高频率使用可能延迟。
- 数据源限于Yahoo Finance，某些符号或历史数据可能不可用。
- 系统用于研究教育目的，不提供财务建议，实用性受限。
如何安装或部署这个 Agent？
- 创建并激活Conda环境：conda create -n quantharness python=3.11 && conda activate quantharness。
- 安装依赖：pip install -r requirements.txt。
若TA-Lib安装失败，尝试 conda install -c conda-forge ta-lib。
- 设置LLM API密钥：可通过Web界面设置或设置环境变量（如export OPENAI_API_KEY="your_key"）。
如何使用这个 Agent？
启动Web界面：python web_interface.py，访问 http://127.0.0.1:5000。
或编程使用：
from trading_graph import TradingGraph
tg = TradingGraph()
initial_state = {"kline_data": your_dataframe_dict, "analysis_results": None, "messages": [], "time_frame": "4hour", "stock_name": "BTC"}
final_state = tg.graph.invoke(initial_state)
print(final_state.get("final_trade_decision"))可在web_interface.py中修改默认配置（如模型选择）。