第 9 章 多智能体协作

重要学习目标
  1. 解释 多智能体系统的组织架构与通信拓扑结构
  2. 说明 智能体路由在任务分流中的作用与触发条件
  3. 定义 子智能体角色边界与职责分工
  4. 运用 Claude Code 的 Task 工具实现子智能体工作流
  5. 设计 智能体间协作的层级结构或网络结构
  6. 评估 不同协作模式在金融场景中的适用性与成本权衡

多智能体协作概览

在经济金融领域，复杂决策往往需要多方协作。投资银行的研报团队、对冲基金的分析师小组、风控委员会的多层审批，都是多角色协同的典型场景。本章介绍如何将这种协作模式迁移到 AI 智能体系统，构建能够分工协作的多智能体架构。

9.1 智能体路由

智能体路由（Agent Routing）是多智能体系统的任务调度中枢。它决定用户请求应该由哪个智能体处理，就像公司前台将来访者引导到正确的部门。

9.1.1 路由决策原理

路由的核心是关注点分离。每个智能体专注于自己擅长的领域，路由层负责将任务导向正确的处理者。

重要核心概念

智能体路由 = 任务分类 + 智能体匹配 + 请求分发

好的路由设计能带来三个效益：

  • 专业化水平提升：每个智能体深耕特定领域，积累专业知识
  • 系统复杂度降低：避免单一智能体承担过多功能
  • 可维护性增强：各智能体独立开发、测试和优化

Anthropic 在 Building Effective Agents 中强调，智能体系统应记录每一步决策过程。对于路由而言，这意味着记录路由决策依据、保留决策上下文、提供降级和回退机制的透明说明。

9.1.2 分流规则设计

路由分类可以基于三个维度：意图、风险和复杂度。

基于意图的分类

将用户输入映射到预定义的意图类别。金融客服场景示例：

意图类型 路由目标 示例请求
账户查询 账户服务智能体 我的余额是多少
资金转账 转账支付智能体 帮我转 1000 元给张三
理财咨询 理财顾问智能体 推荐适合我的基金
投诉建议 客户投诉智能体 我要投诉上次的服务

路由系统设计中需要注意三点：使用 LLM 或传统分类模型识别用户意图，为每个意图定义明确的触发特征，处理模糊或多意图请求的情况。

基于风险的分类

在金融等高风险领域，根据任务风险等级进行路由决策：

风险等级 判断条件 路由策略
低风险 查询余额、查看账单 自动化智能体处理
中风险 小额转账（<5000 元） AI 智能体 + 详细日志
高风险 大额交易、修改密码 人在回路智能体

关键考量：定义清晰的风险评估标准，高风险操作必须包含人工审核环节，实施多层验证机制。

基于复杂度的分类

根据任务复杂度选择合适的处理模型，平衡成本与性能：

  • 简单任务（事实查询、状态检查）→ 轻量级模型（Claude Haiku）
  • 中等任务（简单计算、单一数据源）→ 标准模型（Claude Sonnet）
  • 复杂任务（多步推理、多数据源整合）→ 强力模型（Claude Opus）
提示教学提示

对经济金融专业学生来说，这就像银行的分级授权：柜员处理小额业务，主管审批中额业务，大额业务需要行长签字。

9.1.3 路由提示模板设计

路由器本质上是一个分类器，性能高度依赖于提示词设计。

基础路由提示模板

你是金融服务智能体路由系统。根据用户请求，选择最合适的处理智能体。

可用智能体：
1. 账户服务智能体 - 处理余额查询、交易记录、账户信息修改
2. 转账支付智能体 - 处理转账、支付、汇款等资金流动操作
3. 理财顾问智能体 - 提供投资建议、产品推荐、风险评估
4. 客户投诉智能体 - 处理投诉、建议、服务质量反馈

用户请求：{user_query}

分析步骤：
1. 识别请求的主要意图
2. 判断所需的专业领域
3. 考虑任务的复杂度和风险

选择的智能体：[在上述列表中选择一个]
选择理由：[简要说明为什么选择该智能体]

增强型路由提示（包含上下文）

当需要考虑用户画像和历史交互时：

你是金融服务多智能体系统的路由协调器。

当前用户画像：
- 客户等级：{customer_tier}
- 历史交互：{interaction_history}
- 当前会话上下文：{conversation_context}

可用智能体及其专长：
{agent_descriptions}

路由决策准则：
1. VIP 客户的复杂请求优先分配给高级智能体
2. 涉及资金安全的操作必须路由到有安全审核能力的智能体
3. 重复问题可以路由到快速响应智能体

用户请求：{user_query}

请输出：
- 选中的智能体
- 置信度
- 决策依据

9.1.4 静态路由与动态路由

静态路由与动态路由对比

静态路由

预先定义好任务类型与智能体的映射关系，通过规则或分类模型直接匹配。

适用场景： - 任务类型明确且有限 - 业务逻辑相对稳定 - 需要高度可预测性和可审计性

优势：响应速度快（无需 LLM 推理）、成本低、行为可预测。

劣势：难以处理复杂或模糊的请求、规则维护成本高、缺乏灵活性。

动态路由

使用 LLM 实时分析请求内容和上下文，动态决定路由目标。

适用场景： - 任务类型多样且难以穷举 - 需要考虑上下文和用户历史 - 对灵活性要求高于延迟

优势：能够处理复杂、多意图请求，考虑上下文和历史信息，适应性强。

劣势：增加延迟（需要 LLM 推理）、成本较高、行为不确定性增加。

混合路由策略

实践中推荐结合两者优势：先尝试静态规则，如果静态路由有明确结果且置信度高，直接返回；否则使用动态路由。

注记知识卡片

Anthropic 推荐的路由设计原则是「从简单到复杂」：先尝试基于规则的路由，再考虑 LLM 路由。

降级与升级策略

当智能体无法处理任务时，系统应该有清晰的降级路径：

  1. 第一层：专业智能体
  2. 第二层：通用智能体
  3. 第三层：人工客服

升级触发条件包括：高风险操作、多次失败、VIP 客户的复杂请求、涉及法律或合规问题、用户明确要求人工服务。

序号 知识点 重要度
9.1.1 路由决策原理 ★★★
9.1.2 意图/风险/复杂度分流规则 ★★★
9.1.3 路由提示模板设计 ★★
9.1.4 动态路由与静态路由对比 ★★

9.2 子智能体

子智能体（Subagent）是主智能体创建的专门化智能体，拥有独立的上下文空间、专属工具集和明确的职责边界。它们像是主智能体的「专家分身」，各自在独立的会话空间中执行特定任务。

9.2.1 角色定义原则

每个子智能体应专注于特定领域或任务。角色定义要回答三个问题：

  1. 谁：这个子智能体扮演什么角色（如：金融分析师、数据研究员）
  2. 做什么：它的核心职责是什么（如：财报分析、市场调研）
  3. 怎么做：它遵循什么方法论和质量标准（如：严格的数据验证流程）
重要核心概念

子智能体 = 专业角色 + 独立上下文 + 受限工具 + 明确职责

金融领域子智能体角色示例

财报分析师（Financial Statement Analyzer）

角色定位：资深财务报表分析专家，擅长解读上市公司年报、季报中的财务数据

核心职责：
1. 提取三大财务报表关键指标（资产负债表、利润表、现金流量表）
2. 计算财务比率（ROE、资产负债率、流动比率等）
3. 进行同比/环比分析，识别异常波动
4. 评估财务健康状况和盈利能力

分析流程：
- Phase 1 数据提取：定位财务报表位置，提取关键科目数值，验证数据完整性
- Phase 2 指标计算：计算盈利能力、偿债能力、运营能力指标
- Phase 3 趋势分析：对比多期数据，识别显著变化，分析异常原因

质量标准：
- 所有数值已交叉验证（如：资产 = 负债 + 所有者权益）
- 计算公式准确无误
- 异常波动已标注并给出合理解释
- 结论基于数据，避免主观臆断

市场舆情研究员（Market Sentiment Researcher）

角色定位：市场舆情分析专家，擅长从多源信息中提炼市场情绪和投资者预期

核心职责：
1. 收集特定主题（公司/行业/事件）的新闻和社交媒体讨论
2. 分类信息为正面/中性/负面
3. 识别关键舆论引导者（券商研报、KOL 观点）
4. 评估舆情对市场的潜在影响

信息来源优先级：
1. 官方公告（公司公告、监管文件）
2. 券商研报（头部券商分析师）
3. 财经媒体报道（Bloomberg、财新、21 世纪经济报道）
4. 社交媒体讨论（雪球、Twitter 财经话题）

情感分类标准：
- 强烈正面：重大利好消息（并购、业绩超预期）
- 正面：积极进展（新产品发布、市场份额提升）
- 中性：常规信息（日常运营更新）
- 负面：不利因素（监管处罚、业绩不及预期）
- 强烈负面：重大风险（财务造假、高管离职）

9.2.2 输入输出规范设计

好的子智能体输入应该像「订单」一样明确。

标准输入模板

## 子智能体任务输入

### 任务目标
[一句话描述任务核心目标]

### 输入数据
- 数据源 1：[类型]，路径/URL
- 数据源 2：[类型]，路径/URL
- 背景信息：[相关上下文]

### 约束条件
- 时间限制：[X 分钟]
- 范围限制：[只分析某个方面]
- 工具限制：[只使用特定工具]

### 输出要求
- 格式：[Markdown/JSON/CSV]
- 结构：[包含哪些章节/字段]
- 长度：[字数/条目数限制]

### 质量标准
- [ ] 检查点 1
- [ ] 检查点 2

结构化输出示例（JSON）

{
  "task_id": "fin-analysis-001",
  "status": "completed",
  "timestamp": "2026-01-18T15:30:00Z",
  "summary": "贵州茅台 2025 年财报分析完成，营收增长 12.3%",
  "data": {
    "revenue": {"value": 145.2, "unit": "亿元", "yoy_growth": 12.3},
    "net_profit": {"value": 73.5, "unit": "亿元", "yoy_growth": 15.6}
  },
  "insights": [
    "毛利率提升 2.1 个百分点，产品结构优化显著",
    "应收账款周转天数减少 5 天，运营效率提升"
  ],
  "risks": ["存货周转率下降 8%，需关注库存积压风险"],
  "references": ["贵州茅台 2025 年年度报告.pdf，第 35-42 页"]
}

输出过滤原则

汇总智能体应过滤冗余信息，只保留关键结论：

  1. 结果导向：只传递最终结论，不传递推理过程
  2. 结构化优先：传递 JSON/表格，而非长文本
  3. 异常放大：如果发现重要风险，即使不在预期输出中也要传递

9.2.3 工具权限分配

每个子智能体只应获得完成其任务所需的最小工具集。这遵循「最小权限原则」，避免越权风险、意外副作用和安全隔离问题。

工具权限分级

权限级别 工具类型 适用场景 示例工具
只读 信息获取 数据分析、研究任务 Read, Grep, Glob
受限写 本地文件操作 生成报告、保存结果 Write（仅特定目录）
计算执行 脚本运行 数据处理、指标计算 Bash（禁止网络命令）
网络访问 外部信息检索 市场调研、新闻抓取 WebSearch
高风险 系统级操作 部署、配置变更 Bash（完整权限），需人工审批

金融场景工具权限配置示例

财报分析师（低风险）： - 工具：Read, Grep, Bash（仅允许 Python 数据处理脚本） - 限制：禁止网络访问、禁止写文件

市场舆情研究员（中风险）： - 工具：WebSearch, Read, Write - 限制：allowed_domains（仅允许访问特定网站）、write_path（只能写入特定目录）

自动交易执行器（高风险）： - 工具：Read, Bash - 限制：human_in_the_loop（必须人工确认）、max_order_size（单笔订单金额上限）

警告安全提示

自动交易执行器等高风险子智能体必须启用人在回路机制。任何涉及资金操作的智能体都应设置金额上限和双重确认流程。

9.2.4 上下文隔离策略

为什么需要上下文隔离

问题场景： - 主智能体的 context window 包含大量历史对话，新任务的信息被「稀释」 - 多个子任务共享上下文时，信息交叉污染 - 敏感信息泄露（财务数据在不相关的子任务中可见）

隔离的价值： - 专注力：子智能体只看到与当前任务相关的信息 - 并行性：多个子智能体可在独立空间中同时工作，互不干扰 - 安全性：敏感数据不会跨任务边界传播 - 可恢复性：单个子智能体失败不会污染主智能体上下文

注记金融场景示例

在分析师团队协作中，财务分析师智能体不应看到技术分析师的图表数据。这种隔离避免基本面分析受到价格走势的心理锚定效应影响，保持分析的独立性。

上下文隔离的实现层次

Level 1 消息级隔离：每个子智能体启动时只接收必要的任务描述和输入数据，不共享主智能体的完整对话历史。

Level 2 工具调用隔离：子智能体的工具调用历史不会污染主智能体的上下文。主智能体只看到压缩后的结果摘要，不看到详细的执行过程。

Level 3 内存隔离：在复杂的多智能体系统中，每个子智能体有独立的「工作记忆」，只有显式传递的信息才能跨智能体共享。

序号 知识点 重要度
9.2.1 子智能体角色定义 ★★★
9.2.2 输入输出规范设计 ★★★
9.2.3 工具权限分配 ★★
9.2.4 上下文隔离策略 ★★

9.3 智能体并行化

并行化（Parallelization）是多智能体系统提高效率的关键技术。通过将独立任务分配给多个智能体同时执行，可以显著缩短整体处理时间。在金融场景中，这种能力尤为重要，比如同时收集多个市场的数据、并行分析不同资产的表现。

9.3.1 任务分解与并行策略

将一个大任务拆分为多个独立或弱依赖的子任务，是并行化的前提。

任务分解原则

  • 独立性原则：子任务之间应尽量减少数据依赖。如果任务 A 必须等待任务 B 完成才能开始，那么它们无法真正并行。
  • 粒度平衡：任务不能拆得太细，否则协调开销会抵消并行带来的收益。也不能太粗，否则无法充分利用并行能力。
  • 负载均衡：各个子任务的工作量应该相对均衡，避免出现部分智能体空闲而部分智能体过载的情况。

并行执行策略

扇出-收集模式

这是最常见的并行模式。主智能体将任务扇出给多个子智能体并行执行，然后收集所有结果进行汇总。

扇出-收集并行模式

典型应用场景：多市场数据采集、多维度风险分析、多策略回测。

流水线并行

将任务分解为多个阶段，每个阶段由专门的智能体处理。虽然单个数据项要经过多个阶段，但多个数据项可以同时处于不同阶段。

数据项 1 → 阶段A → 阶段B → 阶段C → 输出
数据项 2 →         阶段A → 阶段B → 阶段C → 输出
数据项 3 →                 阶段A → 阶段B → 阶段C

典型应用场景：数据预处理→特征提取→模型预测的流水线处理。

数据并行

对同质化的数据集进行分片，每个智能体处理一个分片，最后合并结果。这种模式类似于 MapReduce。

典型应用场景：大规模股票筛选、历史数据批量分析。

注记知识卡片

MapReduce 是 Google 提出的分布式计算模型。Map 阶段将任务分发给多个节点并行处理，Reduce 阶段汇总所有节点的结果。金融领域的多智能体并行化与此思想一脉相承。

9.3.2 结果聚合机制

聚合方式

简单合并：将各智能体的结果直接拼接或求和。适用于结果互不冲突的场景。

智能体1 → [股票A, 股票B]
智能体2 → [股票C, 股票D]
智能体3 → [股票E, 股票F]
    ↓
合并结果 = [股票A, 股票B, 股票C, 股票D, 股票E, 股票F]

加权平均：根据智能体的可靠性或数据质量赋予不同权重。

智能体1 评分 85 (权重0.4)
智能体2 评分 90 (权重0.3)
智能体3 评分 75 (权重0.3)
    ↓
最终评分 = 85×0.4 + 90×0.3 + 75×0.3 = 83.5

投票机制：对于分类或决策问题，采用多数投票或加权投票。

买入信号：智能体1, 智能体2, 智能体5
持有信号：智能体3, 智能体4
    ↓
最终决策 = 买入 (3票 vs 2票)

时序聚合

对于有时间维度的数据，需要考虑时序一致性：

  • 时间戳对齐：各智能体返回的数据可能有轻微时间差，需要对齐到统一时刻
  • 增量更新：在实时场景中，各智能体持续产生增量数据，汇总智能体需要维护全局状态

9.3.3 一致性检查与冲突处理

数据一致性验证

交叉验证：如果多个智能体提供了相同维度的数据，需要检查一致性。

智能体A 报告：某股票价格 = 100.5
智能体B 报告：某股票价格 = 100.2
    ↓
差异 = |100.5 - 100.2| = 0.3
差异率 = 0.3/100.35 = 0.3%
    ↓
如果差异率 < 阈值(1%)，取平均值 100.35
如果差异率 > 阈值，标记为异常需人工介入

来源追溯：当检测到数据异常时，应能追溯到具体的智能体和数据来源。

冲突解决策略

  • 最新优先：基于时间戳，采用最新的数据。适用于快速变化的市场数据。
  • 可靠性优先：根据智能体的历史表现选择最可靠的来源。
  • 人工介入：对于高风险决策，当智能体结果差异较大时，应标记并等待人工审核。

9.3.4 效率与成本权衡

并行度选择

并行智能体数量不是越多越好，需要考虑边际收益递减和协调开销。

1个智能体 → 2个智能体：时间减半，成本翻倍，性价比 = 1
2个智能体 → 4个智能体：时间再减半，成本再翻倍，性价比 = 1
4个智能体 → 8个智能体：时间减少有限（受最慢智能体制约），性价比 < 1

协调开销包括：任务分发时间、结果汇总时间、冲突检测与解决时间、通信开销。

成本模型

如果每个智能体调用外部 API（如 LLM），成本会线性增加。以 Anthropic API 为例（2026 年 1 月价格）：

  • Haiku 模型：输入 $0.25/MTok，输出 $1.25/MTok
  • Sonnet 模型：输入 $3/MTok，输出 $15/MTok
  • Opus 模型：输入 $15/MTok，输出 $75/MTok

假设三个子智能体各处理 10K tokens： - 全部使用 Haiku：成本约 $0.08 - 全部使用 Sonnet：成本约 $0.90（11 倍） - 全部使用 Opus：成本约 $4.50（56 倍）

混合策略更经济：简单任务用 Haiku，复杂任务用 Sonnet，关键决策用 Opus。

不同应用场景的延迟容忍度不同：

  • 实时交易决策：延迟敏感，愿意为低延迟付更高成本
  • 每日报表生成：延迟不敏感，优先考虑成本优化
  • 风险监控：需要平衡延迟和成本
警告重要限制

Claude Code 的 Task 工具是顺序执行的，而非真正的并行执行。 这意味着：

  1. 多个 Task 调用会按创建顺序依次执行
  2. 不会出现多个子智能体同时运行的情况
  3. 总执行时间仍然是各任务时间的总和，而非最大值

尽管是顺序执行，Task 工具依然有重要价值：代码组织清晰、上下文隔离、可维护性好。如果需要真正的并行，可以使用 Git Worktree 方案或外部调度系统。

序号 知识点 重要度
9.3.1 任务分解与并行策略 ★★★
9.3.2 结果聚合机制 ★★★
9.3.3 一致性检查与冲突处理 ★★
9.3.4 并行效率与成本权衡 ★★

9.4 智能体间协作

多智能体系统通过将复杂任务分解为可管理的专门化组件，克服了单智能体的能力局限。协作架构可以分为两大类：中心化协调模式和去中心化对等模式。

9.4.1 协调者-执行者架构

这是最常见的多智能体架构，采用「管理者-执行者」结构。一个中心智能体负责任务分解和调度，多个专门化智能体负责执行子任务。

协调者-执行者架构

金融研报生成团队示例

  • 研究主管（Supervisor）：负责理解用户需求、分配任务、协调进度、质量把控
  • 数据分析师（Data Analyst）：收集市场数据、计算财务指标、生成图表
  • 行业研究员（Industry Researcher）：分析行业趋势、竞争格局、政策影响
  • 报告撰写员（Report Writer）：整合信息、撰写分析文本、格式化输出

当用户请求「生成某公司 Q3 财报分析报告」时：

  1. 研究主管将任务拆解为「数据收集」「行业分析」「报告撰写」三个子任务
  2. 数据分析师获取财务数据并计算关键指标
  3. 行业研究员分析宏观环境和竞争态势
  4. 报告撰写员整合两方信息形成结构化报告
  5. 研究主管审核并返回最终成果

优势： - 控制流程清晰，便于调试和监控 - 任务分配由中心统一决策，避免冲突 - 易于实现质量检查点和人工介入 - 便于审计和复现完整的任务分配日志

适用场景： - 任务结构相对固定，可预先定义分解策略 - 需要严格的质量管控和审批流程 - 子任务间依赖关系明确

9.4.2 对等协作模式

去中心化架构中，智能体地位平等，可以直接相互通信和协商。没有中央控制者，各智能体通过消息传递和协商机制达成协作。

工作原理

     智能体 A ←→ 智能体 B
         ↕  ╳  ↕
     智能体 C ←→ 智能体 D

每个智能体： - 具有自主决策能力 - 可以主动向其他智能体发起请求 - 维护本地状态和任务队列 - 遵循共同的通信协议

协作式投资研究示例

场景设计：三个分析师智能体协作完成股票研究

  • 基本面分析师：关注财务数据、估值模型
  • 技术面分析师：关注价格走势、交易信号
  • 宏观分析师：关注政策环境、市场情绪

协作流程： 1. 基本面分析师发现某股票估值偏低，向其他两位发起讨论 2. 技术面分析师检查图表，发现突破信号，表示认同 3. 宏观分析师评估政策环境，提出需关注的风险点 4. 三方协商达成一致：给出「谨慎买入」建议

优势： - 更强的灵活性和适应性 - 无单点故障风险 - 更接近真实团队协作模式 - 可处理动态变化的任务

挑战： - 需要明确的通信协议和消息格式 - 可能产生协调冲突 - 缺乏集中质量把控 - 调试和监控较为复杂

9.4.3 协作协议与消息格式

智能体间高效通信依赖于标准化的消息格式。

基础消息格式（JSON）

{
  "msg_id": "uuid-v4",
  "sender": "fundamental_analyst",
  "receiver": "portfolio_manager",
  "msg_type": "task_response",
  "timestamp": 1717036800,
  "content": {
    "task": "分析某公司财务数据",
    "status": "completed",
    "result": {
      "revenue_growth": 12.3,
      "roe": 22.5,
      "recommendation": "buy"
    }
  },
  "metadata": {
    "confidence": 0.85,
    "processing_time": 45
  }
}

字段说明： - msg_id：全局唯一标识，用于追踪和去重 - sender/receiver：发送方和接收方智能体 ID - msg_type：消息类型（task_request/task_response/notification/error） - timestamp：时间戳，用于排序和超时判断 - content：消息主体内容，结构根据类型变化 - metadata：元数据，如置信度、处理时间等

9.4.4 状态同步与结果交接

Handoff 机制

Handoff（交接）是智能体间转移控制权的关键机制。一次完整的交接包含：

  1. 触发条件：什么情况下交接（任务完成、专业边界、用户请求）
  2. 目标智能体：交接给谁
  3. 上下文传递：传递哪些信息
  4. 状态更新：如何更新系统状态
  5. 确认机制：目标智能体是否成功接收

交接时的状态保存

关键是保存足够的上下文让下游智能体继续工作：

基础上下文（始终传递）：
- conversation_history：对话历史
- original_request：原始请求
- timestamp：时间戳

根据目标智能体补充特定信息：
- 如果交接给分析师：附带 financial_data, data_sources
- 如果交接给撰写员：附带 analysis_results, key_findings
提示教学提示

可以将 Handoff 类比为接力赛跑的交接棒传递：前一位选手必须把接力棒稳稳交到下一位手中，传递过程要有明确的交接区域。智能体的上下文就是接力棒，协议规范就是交接区域。

序号 知识点 重要度
9.4.1 协调者-执行者架构 ★★★
9.4.2 对等协作模式 ★★
9.4.3 协作协议与消息格式 ★★★
9.4.4 状态同步与结果交接 ★★

9.5 Claude Code 多智能体协作实践

本节介绍如何在 Claude Code 中配置和使用多智能体系统。

9.5.1 智能体路由实现

在 Claude Code 中，路由通常通过系统提示词实现。主智能体根据用户输入判断应该调用哪个子智能体。

路由提示模板示例

你是金融服务协调智能体。根据用户请求，决定调用哪个专业子智能体。

可用子智能体：
1. fundamental-analyst：财务数据分析，适用于财报解读、财务指标计算
2. technical-analyst：技术面分析，适用于价格走势、交易信号
3. sentiment-analyst：市场情绪分析，适用于新闻舆情、社交媒体

用户请求：{user_query}

请分析用户意图，选择最合适的子智能体，并说明理由。

基于意图的路由逻辑

当用户说「帮我分析茅台的财报」，主智能体识别出「财报分析」意图，调用 fundamental-analyst。

当用户说「茅台股价最近走势如何」，主智能体识别出「技术分析」意图，调用 technical-analyst。

9.5.2 子智能体配置

子智能体是带有 YAML frontmatter 的 Markdown 文件。

存储位置

项目级子智能体（推荐用于团队协作）：

.claude/agents/fundamental-analyst.md
.claude/agents/technical-analyst.md

用户级子智能体（适合个人跨项目使用）：

~/.claude/agents/debugging-specialist.md

配置文件结构

# .claude/agents/fundamental-analyst.md
---
name: fundamental-analyst
description: 当需要分析公司财务数据、解读财报时使用
tools: Read, Grep, Bash
model: sonnet
---

你是一位资深财务分析专家。

# 核心职责
1. 提取财务报表关键指标
2. 计算财务比率（ROE、资产负债率等）
3. 进行同比/环比分析
4. 评估财务健康状况

# 输出格式
## 财务健康度评分（1-10 分）
- 盈利能力：X 分
- 成长性：Y 分
- 财务安全：Z 分

## 关键发现
- [列举 2-3 个核心洞察]

## 估值判断
[低估/合理/高估]

配置字段说明

字段 必需 说明 示例
name 是 唯一标识符，使用小写字母和连字符 fundamental-analyst
description 是 描述何时应该调用此子智能体 当需要分析财务数据时使用
tools 否 逗号分隔的工具列表 Read, Grep, Bash
model 否 指定使用的模型 sonnet/haiku/opus
提示教学提示

description 字段是主智能体判断是否调用子智能体的关键。好的描述要清晰、具体、触发式。

好的示例：「当代码发生变更后，立即进行代码审查」

模糊的示例：「处理安全相关任务」

9.5.3 并行化实践

使用 Task 工具调用子智能体

Task 工具是 Claude Code 多智能体架构的核心入口点。

Task 工具参数： - description：任务的简短描述（3-5 个词） - prompt：子智能体需要执行的具体任务内容

执行流程： 1. 主智能体识别任务需要委派 2. 调用 Task 工具，传入任务描述和提示词 3. 系统创建子智能体实例（在独立上下文中运行） 4. 子智能体执行任务，返回结果给主智能体 5. 主智能体整合结果，继续主线对话

示例：多分析师协作选股

用户：请分析贵州茅台是否值得投资

Claude（主智能体）：
我将组织分析师团队进行全方位评估。

[Task 1] fundamental-analyst 分析茅台财务数据
[Task 2] technical-analyst 分析茅台技术走势
[Task 3] sentiment-analyst 分析市场情绪

[等待三个子智能体完成]

[汇总分析结果]
基于三位分析师的报告，综合评估如下...

真正的并行方案：Git Worktree

由于 Claude Code 的 Task 工具是顺序执行的，如果需要真正的并行，可以使用 Git Worktree：

# 创建两个独立的工作树
git worktree add ../project-analysis-A -b task/analysis-A
git worktree add ../project-analysis-B -b task/analysis-B

# 在第一个终端
cd ../project-analysis-A
claude
# 执行 A 股分析任务

# 在第二个终端
cd ../project-analysis-B
claude
# 执行港股分析任务

两个 Claude Code 实例在完全隔离的环境中工作，不会相互干扰。

9.5.4 智能体间协作配置

基于文件的通信模式

在多智能体协作中，智能体之间不能直接「对话」，但可以通过文件传递信息。

任务状态文件

# tasks.md

## 待办任务
- [ ] 分析茅台财务数据（分配给：fundamental-analyst）
- [ ] 分析茅台技术走势（分配给：technical-analyst）

## 进行中
- [x] 收集基础数据（data-collector 完成）

## 已完成
- [x] 数据库表设计

接口契约文件

# api-contract.md

## 子智能体输出格式

### fundamental-analyst 输出
{
  "financial_score": 8.5,
  "growth_rate": 12.3,
  "recommendation": "buy/hold/sell"
}

### technical-analyst 输出
{
  "trend": "up/down/sideways",
  "signal": "buy/hold/sell",
  "support_level": 1750,
  "resistance_level": 2000
}

审查反馈文件

# review-feedback.md

## 分析报告审查结果（2026-01-22）

### 需要修正
1. 财务数据缺少 2025 Q4 季报数据
2. 技术分析缺少成交量分析

### 建议改进
1. 增加同行业对比分析
注记知识卡片

通过 CLAUDE.md 共享持久化信息。项目级的关键信息应该写入 CLAUDE.md，而不是依赖对话历史。所有 Claude Code 实例都会读取 CLAUDE.md，获得项目的全局知识。

上下文管理最佳实践

  1. 主对话保持高层次：主对话应该聚焦在高层次的规划和决策，把具体执行委派给子智能体

  2. 使用 /clear 和 /compact 管理上下文：当主对话上下文积累过多时，/clear 清空所有上下文重新开始，/compact 让 Claude 总结当前会话压缩上下文

  3. 通过 –continue 恢复会话：claude --continue 继续最近的对话，claude --resume 选择恢复哪个历史会话

案例 9A：多市场并行数据采集

业务背景

全球金融市场 24 小时不间断运转，A 股、港股、美股处于不同时区。投资者需要同时监控多个市场的实时动态。传统的串行数据采集方式耗时长，可能错过关键的交易时机。

问题：如何在短时间内同时获取多个市场的行情数据、重要新闻和舆情信息？

案例简述

要素 说明
演示模式 智能体并行化（Parallelization）
案例简述 同时采集 A 股、港股、美股三个市场的数据。使用多个子智能体分派任务，体验并行执行与结果聚合。
经济学映射 并行分工——同时执行提升整体效率
应用衔接 第 11 章金融舆情分析系统的多源数据采集采用相同模式

系统架构

采用扇出-收集模式，将数据采集任务分配给三个专门智能体。

多市场并行数据采集架构

Claude Code 实现步骤

步骤 1：定义 A 股数据采集子智能体

创建文件 .claude/agents/china-market-collector.md：

---
name: china-market-collector
description: 专门负责采集 A 股市场实时数据和重要新闻
tools: Bash, WebSearch, Read
model: haiku
---

你是 A 股市场数据采集专家。

# 采集任务
1. 获取上证指数、深证成指最新行情
2. 抓取沪深 300 成分股涨跌幅前 10 名
3. 搜集近 1 小时内的重要市场新闻

# 输出格式
以 JSON 格式返回：
{
  "market": "A股",
  "timestamp": "2026-01-22T10:00:00",
  "indices": {"上证指数": 3200.5, "深证成指": 11500.2},
  "top_gainers": [...],
  "top_losers": [...],
  "news": [...]
}

步骤 2：定义港股数据采集子智能体

创建文件 .claude/agents/hk-market-collector.md：

---
name: hk-market-collector
description: 专门负责采集港股市场实时数据
tools: Bash, WebSearch, Read
model: haiku
---

你是港股市场数据采集专家。

# 采集任务
1. 获取恒生指数、恒生科技指数最新行情
2. 抓取港股通北向资金流向
3. 搜集港股重要新闻

# 输出格式
以 JSON 格式返回，结构同 A 股智能体

步骤 3：定义美股数据采集子智能体

创建文件 .claude/agents/us-market-collector.md：

---
name: us-market-collector
description: 专门负责采集美股市场实时数据
tools: Bash, WebSearch, Read
model: haiku
---

你是美股市场数据采集专家。

# 采集任务
1. 获取道琼斯、标普 500、纳斯达克指数
2. 抓取科技股七巨头（FAANG + 微软、英伟达）表现
3. 搜集美股重要新闻和美联储动态

# 输出格式
以 JSON 格式返回，结构同 A 股智能体

步骤 4：定义汇总智能体

创建文件 .claude/agents/market-aggregator.md：

---
name: market-aggregator
description: 整合多市场数据，生成全球市场概览报告
tools: Read, Write
model: sonnet
---

你是全球市场数据分析师。

# 任务流程
1. 读取三个市场数据采集智能体的输出文件
2. 识别全球市场的联动效应
3. 标注重大异动（指数波动超过 2%）
4. 生成结构化市场概览报告

# 报告结构
## 全球市场概览
- A 股市场：[指数表现、热点板块]
- 港股市场：[恒指走势、南向资金流向]
- 美股市场：[三大指数、科技股表现]

## 联动分析
- 跨市场相关性
- 潜在套利机会

## 风险提示
- 重大异动警示

步骤 5：主智能体编排任务

在 Claude Code 对话中执行：

用户：请同时采集 A 股、港股、美股的最新数据，并生成全球市场概览报告

Claude（主智能体）：
我将启动三个市场数据采集智能体，然后汇总分析。

[Task 1] 调用 china-market-collector 采集 A 股数据...
完成：上证指数 3200.5，深证成指 11500.2

[Task 2] 调用 hk-market-collector 采集港股数据...
完成：恒生指数 18500.3，北向资金净流入 25 亿

[Task 3] 调用 us-market-collector 采集美股数据...
完成：道指 42000.5，标普 5800.2，纳指 18500.8

[Task 4] 调用 market-aggregator 汇总分析...
完成：全球市场概览报告已生成

报告已保存至 reports/global-market-snapshot.md

效率对比分析

串行执行： - A 股采集 3 分钟 + 港股采集 2.5 分钟 + 美股采集 3.5 分钟 = 总计 9 分钟

并行执行（如果使用 Git Worktree 方案）： - 三个智能体同时运行，总耗时 = max(3, 2.5, 3.5) = 3.5 分钟 - 效率提升 61%

警告重要限制

在 Claude Code 中，Task 工具是顺序执行的。上述示例中，三个 Task 实际上是依次执行。

提示真正的并行方案

如果需要真正的并行加速，可以使用 Git Worktree 在不同终端同时启动多个 Claude Code 实例（参见 9.5.3 节）。

数据一致性保障

时间戳对齐：各市场数据获取时间可能有几秒差异，汇总智能体需对齐时间基准。

智能体 A：数据时间戳 10:00:02
智能体 B：数据时间戳 10:00:05
智能体 C：数据时间戳 10:00:03

对齐策略：统一标记为 10:00:00（取整到分钟）

数据校验：如果两个智能体报告了相同指标但数值不同，取最新时间戳的数据或标记异常。

扩展场景

  • 实时监控系统：配置定时任务每 5 分钟执行一次数据采集，当检测到异常波动时触发告警
  • 跨资产数据采集：扩展为股票、债券、外汇、商品期货的全市场监控系统

案例 9B：分析师团队协作选股

业务背景

投资决策需要综合基本面、技术面、宏观面、市场情绪等多维度信息。单一分析师难以兼顾所有领域，容易产生片面判断。

目标：模拟投资公司的分析师团队，从不同专业视角评估某只股票，最后由投资经理整合意见做出决策。

案例简述

要素 说明
演示模式 智能体间协作（Inter-Agent Collaboration）
案例简述 主智能体先路由任务到「基本面分析师」和「技术面分析师」子智能体，再汇总输出投资建议。体验路由分派、子智能体协作与结果整合。
经济学映射 专业化分工——不同角色智能体协同工作
应用衔接 第 12 章交易信号分析系统的四智能体团队、第 16 章多智能体实验均扩展此模式

团队结构

采用协调者-执行者（Coordinator-Executor）模式：

分析师团队协作架构

Claude Code 实现步骤

步骤 1：创建基本面分析师

创建文件 .claude/agents/fundamental-analyst.md：

---
name: fundamental-analyst
description: 分析公司财务报表，评估盈利能力、成长性和估值水平
tools: WebSearch, Bash, Read
model: sonnet
---

你是资深基本面分析师，擅长解读财务数据。

# 分析流程
1. 搜索公司最新财报（季报或年报）
2. 提取关键财务指标：
   - 营收、净利润、同比增长率
   - ROE、ROA、毛利率、净利率
   - 资产负债率、流动比率
3. 计算估值指标：P/E、P/B、PEG
4. 对比行业平均水平

# 输出格式
## 财务健康度评分（1-10 分）
- 盈利能力：X 分
- 成长性：Y 分
- 财务安全：Z 分

## 关键发现
- [列举 2-3 个核心洞察]

## 估值判断
[低估/合理/高估]

步骤 2：创建技术分析师

创建文件 .claude/agents/technical-analyst.md：

---
name: technical-analyst
description: 基于价格走势和技术指标提供买卖时机建议
tools: Bash, WebSearch
model: sonnet
---

你是技术分析专家。

# 分析任务
1. 获取近 3 个月的日线数据
2. 计算技术指标：
   - 移动平均线：MA5、MA20、MA60
   - MACD、RSI、布林带
3. 识别价格形态（头肩顶、双底等）
4. 确定支撑位和阻力位

# 输出格式
## 趋势判断
[上升趋势/下降趋势/震荡整理]

## 技术信号
- MACD：[金叉/死叉/中性]
- RSI：[超买/超卖/正常]

## 操作建议
[买入/卖出/观望]，建议买入价位：XXX

步骤 3：创建宏观分析师

创建文件 .claude/agents/macro-analyst.md：

---
name: macro-analyst
description: 分析宏观经济、行业政策对公司的影响
tools: WebSearch, Read
model: sonnet
---

你是宏观经济和行业研究专家。

# 分析维度
1. 宏观经济环境
   - 利率政策（央行动态）
   - 经济增长预期（GDP、PMI）
2. 行业政策
   - 产业政策支持或限制
   - 监管变化
3. 供应链和原材料
   - 上游原材料价格
   - 供应链稳定性

# 输出格式
## 宏观环境评分（1-10 分）
利好程度：X 分

## 关键风险
- [列举 1-2 个主要风险]

## 政策机会
- [列举可能的政策红利]

步骤 4：创建情绪分析师

创建文件 .claude/agents/sentiment-analyst.md：

---
name: sentiment-analyst
description: 分析社交媒体、新闻的市场情绪
tools: WebSearch, Bash
model: haiku
---

你是市场情绪分析师。

# 分析任务
1. 搜索近一周的公司新闻
2. 统计正面/负面/中性新闻比例
3. 抓取社交媒体（如雪球、同花顺）的讨论
4. 计算散户情绪指数

# 输出格式
## 情绪得分（-5 到 +5）
当前得分：+X（偏乐观/偏悲观/中性）

## 新闻摘要
- 正面新闻 X%
- 负面新闻 Y%
- 中性新闻 Z%

## 关键事件
[列举重大事件，如产品发布、高管变动]

步骤 5：创建投资经理（协调者）

创建文件 .claude/agents/portfolio-manager.md：

---
name: portfolio-manager
description: 整合分析师意见，做出最终投资决策
tools: Read, Write
model: opus
---

你是投资经理，负责最终决策。

# 决策流程
1. 接收四位分析师的报告
2. 识别一致性意见和分歧点
3. 权衡各方面因素：
   - 基本面质量（权重 40%）
   - 技术面信号（权重 25%）
   - 宏观环境（权重 20%）
   - 市场情绪（权重 15%）
4. 考虑风险收益比
5. 给出明确的操作建议

# 输出格式
## 综合评分（1-10 分）
投资价值：X 分

## 最终决策
[强烈买入/买入/持有/减仓/卖出]

## 决策依据
[解释决策的核心逻辑]

## 风险提示
[列举主要风险点]

## 操作计划
建议买入价位、仓位比例、止损位

步骤 6：主智能体编排工作流

在 Claude Code 对话中执行：

用户：请分析贵州茅台（600519.SH）是否值得投资

Claude（主智能体）：
我将组织分析师团队进行全方位评估。

[Task 1] fundamental-analyst 分析茅台财务数据...
完成：财务健康度 9 分，估值合理偏高

[Task 2] technical-analyst 分析茅台技术走势...
完成：上升趋势，MACD 金叉，RSI 接近超买

[Task 3] macro-analyst 分析行业和政策环境...
完成：宏观环境 6 分，消费复苏利好但需关注估值压力

[Task 4] sentiment-analyst 分析市场情绪...
完成：情绪得分 +2，市场偏乐观

[Task 5] portfolio-manager 综合决策...
完成：综合评分 7 分，建议「持有」

# 最终投资建议
- 投资价值：7 分
- 决策：持有（已持有者继续持有，未持有者等待回调买入）
- 核心逻辑：基本面优秀但估值偏高，技术面短期超买
- 操作计划：等待回调至 1750-1800 元区间分批买入

报告已保存至 reports/600519-analysis.md

执行结果示例

基本面分析师报告：

## 财务健康度评分
- 盈利能力：9 分（ROE 22%，毛利率 91%）
- 成长性：7 分（营收同比增长 15%）
- 财务安全：10 分（零负债，现金充沛）

## 关键发现
- 品牌护城河深厚，提价能力强
- 库存周转放缓，需关注渠道库存

## 估值判断
P/E 35 倍，略高于行业平均，估值合理偏高

技术分析师报告：

## 趋势判断
上升趋势，当前价格接近前高

## 技术信号
- MACD：金叉，买入信号
- RSI：68（接近超买区）

## 操作建议
观望，等待回调至 1800 元支撑位再买入

投资经理最终决策：

## 综合评分
投资价值：7 分

## 最终决策
持有

## 决策依据
1. 基本面优秀，品牌价值和盈利能力强
2. 技术面显示短期进入超买，可能回调
3. 宏观环境中性偏利好
4. 市场情绪乐观但不过热

## 风险提示
- 估值偏高，短期上涨空间有限
- 消费疲软可能拖累业绩增长

## 操作计划
- 未持有者：等待回调至 1750-1800 元区间分批买入
- 已持有者：继续持有，设置止盈位 2100 元
- 建议仓位：不超过投资组合的 15%

协作机制优化

Bullish vs Bearish 对立辩论

可以增加两个研究员智能体，模拟多空对决：

# .claude/agents/bullish-researcher.md
职责：挖掘所有利好因素，构建看涨逻辑

# .claude/agents/bearish-researcher.md
职责：揭示所有风险点，提出看跌观点

投资经理在听取双方辩论后，做出更全面的决策。

人在回路审批

在投资经理给出决策后，暂停工作流，等待人工审批：

Claude：投资经理建议「买入」，是否批准执行？
用户：批准 / 拒绝并说明理由
提示教学提示

对于经济金融专业学生，这个案例展示了如何将投资公司的分析师团队协作模式数字化。学生可以思考：如何调整各分析师的权重？如何加入风险偏好设置？如何处理分析师意见冲突？

本章小结

本章介绍了多智能体协作的核心概念和 Claude Code 实践方法。主要内容包括：

  1. 智能体路由是任务分配的核心机制，通过意图、风险、复杂度三个维度进行分流，支持静态路由和动态路由两种模式。

  2. 子智能体是专门化的执行单元，需要明确定义角色、输入输出规范、工具权限和上下文隔离策略。

  3. 并行化模式包括扇出-收集、流水线并行和数据并行，需要设计结果聚合和一致性检查机制。Claude Code 的 Task 工具是顺序执行的，真正的并行需要使用 Git Worktree 方案。

  4. 协作架构分为中心化的协调者-执行者模式和去中心化的对等协作模式，需要设计标准化的通信协议和 Handoff 机制。

  5. Claude Code 实践通过子智能体配置文件、Task 工具调用和基于文件的通信模式实现多智能体协作。

通过本章学习，你已经掌握了构建多智能体系统的基本方法。在后续的应用篇中，我们将把这些原理应用到金融舆情分析、交易信号分析、研报生成等实战场景。