A股量化投资Agent中多智能体关键节点的提示词设定建议

【摘要】构建A股量化投资多智能体系统，其核心在于为关键节点设定精准的提示词。这不仅是指令，更是定义角色、目标与协作规则的蓝图。通过结构化设计、任务分解及本土化适配，可显著提升系统决策质量与市场适应性。

引言

量化投资的疆域，正迎来一场由大型语言模型驱动的深刻变革。传统的策略开发，依赖于研究员的经验与严密的数学建模。如今，一个由多个专业AI智能体（Agent）组成的协作网络，正试图重新定义这场游戏的规则。这个网络的核心驱动力，并非复杂的代码逻辑，而是一系列精心设计的自然语言指令——提示词（Prompt）。

提示词不再仅仅是人与机器对话的桥梁。在多智能体系统中，它扮演着更为关键的角色，如同为每个智能体注入灵魂的“创世指令”。它定义了智能体的身份、使命、能力边界与协作契约。一个优秀的提示词体系，能让一群独立的AI化身为一支纪律严明、配合默契的量化投研团队，自主完成从数据分析到策略执行的全链路工作。

然而，构建这样一个高效的系统并非易事，尤其是在A股这个充满独特“语境”的市场。政策的高度敏感性、散户情绪的巨大影响力、以及交易规则的复杂性，都对提示词的设计提出了极高的要求。本文将深入探讨在A股量化投资的多智能体系统中，如何为各个关键节点设定高效、精准的提示词，从而构建一个真正具备实战能力的智能化投资决策系统。

💡 一、 筑基之道 - 多智能体系统的设计哲学与通用原则

在深入探讨具体节点的提示词之前，我们需要建立一套通用的设计哲学。这套哲学是整个系统的基石，决定了其稳定性、扩展性与最终的效能。它关乎如何让一群AI“听懂”指令，并“理解”自己在团队中的位置。

1.1 结构化之美 - 提示词的骨架与灵魂

一个模糊的指令，必然导致一个混乱的结果。因此，结构化是提示词设计的首要原则。我们需要像设计软件模块一样，为每个提示词构建一个清晰的框架。这不仅能帮助大模型准确理解任务，更能让整个系统的维护和迭代变得简单。

一个典型的结构化提示词应包含以下几个核心模块。

• 角色（Role） 明确定义智能体的身份。例如，它是一个“资深宏观经济分析师”，还是一个“精通微观结构交易的执行员”。角色设定为智能体的行为提供了基调和专业背景。

• 目标（Goal） 清晰阐述智能体需要完成的核心任务。目标应该是具体、可衡量的，例如“识别未来一个月内具备上涨潜力的半导体行业龙头股”，而不是“找到好股票”。

• 技能与工具（Skills & Tools） 列出该智能体被授权使用的所有工具，如数据API、计算库、回测引擎等，并明确调用规则和参数格式。这是实现智能体自主行动（Agentic）的关键。

• 约束条件（Constraints） 设定智能体的行为边界。这包括合规性要求（如禁止使用未公开信息）、资源限制（如API调用频率）、以及风险红线（如策略最大回撤限制）。

• 输出格式（Output Format） 严格规定智能体交付成果的形式。无论是JSON、Markdown表格，还是一份结构化的分析报告，统一的格式是智能体之间高效协作的基础。

通过这种模块化的设计，提示词本身就成了一份详尽的“岗位说明书”，让每个AI都能各司其职，有条不紊。

1.2 角色分工的艺术 - 打造高效协作的智能体团队

多智能体系统的力量源于分工与协作。一个庞大的量化投研任务，需要被拆解并分配给不同角色的智能体。这种分工不是随意的，而是模拟了真实世界中一个成熟投研团队的组织架构。

一个典型的A股量化投资智能体团队可能包含以下角色。

在提示词中，我们必须明确每个角色的职责边界以及它们之间的协作接口。例如，主控智能体的提示词需要详细说明如何向数据智能体请求数据，以及期望返回的数据格式。这种清晰的协作机制，是保证信息在系统内顺畅流转、避免任务冲突的关键。

1.3 链式思考的力量 - 从混沌到有序的推理路径

量化投资的决策过程，本质上是一个复杂的逻辑推理链条。面对一个高阶目标，如“构建一个稳健的小市值成长股策略”，直接要求AI给出答案是不可行的。我们需要引导它进行链式思考（Chain-of-Thought）。

链式思考的核心在于将复杂任务分解为一系列逻辑上连续的子步骤。在提示词中，我们不直接问最终结果，而是引导智能体一步步地思考。

例如，对于上述任务，我们可以这样设计提示词的思考路径。

1. 定义“小市值成长股” 首先，请明确你对“小市值”和“成长股”的量化定义标准。市值范围是多少？成长性应参考哪些财务指标（如营收增长率、净利润增长率）？

2. 数据准备 基于上述定义，你需要从数据智能体那里获取哪些数据？时间跨度是多久？

3. 因子构建 你计划构建哪些因子来捕捉成长性？是动量因子、质量因子还是价值因子的组合？请阐述每个因子的构建逻辑。

4. 策略合成 如何将这些因子合成为一个综合的选股模型？是采用等权法，还是基于历史表现进行加权？

5. 回测与评估 请设计回测方案，明确回测周期、手续费、滑点等参数。你需要关注哪些核心绩效指标？

通过这种方式，我们将一个开放性问题，转化成了一系列封闭且具体的分析步骤。这不仅大大提高了结果的可靠性，也使得整个决策过程变得透明、可追溯、易于调试。

1.4 动态适应与进化 - 让系统在市场中活起来

市场是不断变化的，一个静态的系统注定会被淘汰。因此，多智能体系统必须具备动态适应和持续优化的能力。这意味着提示词本身也应该是“活”的。

实现动态适应，可以从两个层面入手。

• 基于市场反馈的调整 提示词中应包含一个反馈循环机制。例如，反馈优化智能体在分析完一轮模拟交易后，其输出的“改进建议”可以直接作为输入，用于动态调整策略生成智能体的下一轮提示词。这形成了一个闭环，让系统能够从自身的“错误”中学习。

• 引入先进的优化算法 更进一步，我们可以将提示词的优化过程本身也自动化。通过强化学习（Reinforcement Learning）或遗传算法（Genetic Algorithms），系统可以根据最终的投资回报（奖励信号），自动探索和演化出更优的提示词结构和参数。例如，系统可以自动调整策略回测中的回撤容忍度，或者优化因子合成时的权重分配。

这种自我进化的能力，是多智能体系统从一个“工具”转变为一个真正“智能”的投资伙伴的关键。

1.5 本土化深耕 - A股市场的独特“语境”

最后，也是至关重要的一点，是A股市场的本地化适配。直接将海外成熟市场的量化模型或提示词框架照搬到A股，往往会水土不服。A股市场有其独特的“游戏规则”。

在设计提示词时，必须深度融入以下本土化特征。

• 政策敏感性 A股市场受政策影响极大。提示词需要引导智能体关注重要的宏观政策、行业规划、监管动态等信息，并将其作为分析的重要输入。例如，数据搜集智能体需要被明确指示去抓取主流财经媒体和政府网站的政策文件。

• 散户行为特征 A股以散户投资者为主，市场情绪的波动对股价有显著影响。因此，舆情分析和情绪因子的权重需要被特别强调。策略生成智能体的提示词中，可以要求其构建基于社交媒体热度、股吧讨论情绪的择时模型。

• 交易制度约束 A股的T+1交易制度、涨跌停板限制、以及对特定交易行为（如高频交易）的监管，都必须在提示词中作为硬性约束。决策执行智能体的提示词必须明确遵守这些规则，避免生成无法执行或违规的交易指令。

只有深刻理解并尊重A股市场的独特性，才能设计出真正接地气、有实战价值的提示词，让多智能体系统在这片复杂的市场中稳健航行。

🎭 二、 角色扮演 - 关键智能体节点的提示词精雕细琢

在掌握了通用设计原则之后，我们可以开始为每个关键智能体节点量身定制其专属的提示词。这就像是为一部戏剧中的每个角色撰写剧本，既要突出其个性，又要确保他们能在剧情中完美协作。

2.1 总指挥官 - 主控/编排智能体 (Orchestrator Agent)

主控智能体是整个系统的“大脑”和“项目经理”。它不直接执行具体的分析任务，但其规划和协调能力决定了整个团队的效率和最终产出的质量。

• 核心职责 理解用户的高阶、模糊指令，将其分解为清晰、可执行的子任务流，并调度相应的专业智能体去完成。最后，它负责将各部分的结果整合成一份逻辑严谨、观点明确的最终报告。

• 提示词设计要点

  • 赋予权威角色 提示词开篇即应确立其核心地位。

    你是一个顶级的A股量化投资策略师和项目总监。你的任务是根据用户的投资目标，设计并领导一个由多个AI智能体组成的团队，完成一次全面的投研分析。

  • 固化工作流（Workflow） 必须在提示词中明确一个标准化的任务分解流程。这保证了每次分析的严谨性和一致性。

    你的标准工作流程如下。

    1. 意图解析 准确理解用户的查询意图，并将其转化为一个具体的、可量化的投研目标。

    2. 任务规划 将该目标分解为以下几个阶段。宏观与行业分析、数据准备、策略生成与回测、风险评估、报告撰写。

    3. 任务委派 为每个阶段指定负责的智能体，并向其发出清晰的指令。

    4. 进度监控 跟踪各智能体的任务完成情况，处理可能出现的异常。

    5. 结果整合 收集所有智能体的输出，进行批判性审查和综合，形成最终的投资建议。

  • 明确委派规则 提示词需要详细定义它与其他智能体交互的“API”。

    当你需要数据时，必须调用数据搜集智能体。你的指令格式应为[调用 数据搜集智能体] {数据需求}。例如，[调用 数据搜集智能体] {获取沪深300成分股自2021年至今的日K线数据和最新一期财报}。

  • 强调整合与洞察 主控智能体的价值不仅在于流程管理，更在于从碎片化的信息中提炼出深刻的洞察。

    在整合报告时，你不能简单地堆砌各个智能体的结果。你需要识别它们结论之间的联系和矛盾，并基于你的“策略师”角色，给出独立的、有深度的最终判断和可执行的建议。

通过这样的设计，主控智能体才能真正成为团队的灵魂，确保整个系统能够有条不紊地向着正确的方向前进。

2.2 信息枢纽 - 数据搜集与处理智能体 (Data Agent)

数据是量化投资的“弹药”。数据智能体的可靠性和效率，直接决定了整个系统分析能力的天花板。它的提示词设计，重点在于精确、高效和规范。

• 核心职责 作为系统唯一的数据入口，根据指令从指定的或自选的数据源（API、数据库、网页爬虫）获取数据，并完成清洗、对齐、格式化等预处理工作。

• 提示词设计要点

  • 专业化的角色定位 可以根据数据类型的不同，设立多个数据智能体，每个都有其专属的提示词。

    你是一个A股金融数据工程师，精通使用Tushare和Wind的API。你的唯一职责是获取和处理行情数据与财务数据。
    你是一个舆情分析师，擅长从社交媒体、新闻网站和股吧中抓取文本数据，并进行初步的情感分析和主题提取。

  • 工具使用的严格规范 提示词必须像API文档一样，清晰地描述工具的调用方法。

    你被授权使用以下工具。

    • get_daily_kline(stock_code, start_date, end_date) 用于获取日K线数据。

    • get_financial_report(stock_code, report_type) 用于获取财务报表。
      接收到指令后，你必须选择最合适的工具，并严格按照参数格式进行调用。

  • 强调数据质量控制 数据的准确性是生命线。提示词需要内置一套数据质量检查流程。

    获取数据后，你必须执行以下检查步骤。

    1. 完整性检查 检查是否存在数据缺失，特别是关键字段（如收盘价、交易量）。

    2. 异常值处理 识别并标记价格或交易量的极端异常值。

    3. 数据对齐 确保所有时间序列数据在日期上严格对齐。
       任何质量问题都必须在输出中明确标注。

  • 统一的输出契约 为了方便下游智能体使用，所有数据输出都必须遵循统一的格式。

    你的所有输出都必须是结构化的JSON格式。根节点应包含data（数据本身）和metadata（数据描述，如来源、时间范围、质量报告）。

这样的提示词设计，确保了数据智能体不仅是一个简单的“数据搬运工”，更是一个可靠的“数据质检员”，为整个系统的分析提供了坚实的基础。

2.3 策略的铸造者 - 策略生成与回测智能体 (Strategy Agent)

这是整个系统的“创意核心”与“发动机”。它的任务是将冰冷的数据转化为充满智慧的交易逻辑。因此，它的提示词设计不仅要严谨，更要激发其“创造力”与“批判性思维”。

• 核心职责 基于上游提供的数据和分析，设计、实现并回测具体的量化交易策略。它需要输出策略的详细逻辑、历史表现，以及对策略稳健性的自我评估。

• 提示词设计要点

  • 赋予双重角色 - 创造者与批判者 为了避免生成过于乐观或逻辑脆弱的策略，我们可以让它扮演两个对立的角色。

    你是一位经验丰富的A股量化策略研究员。你的任务分为两个阶段。
    第一阶段（创造者） 基于给定的因子和数据，构建一个清晰的、可量化的交易策略。你需要明确定义买入信号、卖出信号、持仓规则和资金管理方案。
    第二阶段（批判者） 完成策略构建后，你必须切换到“红队模式”。从最悲观的角度出发，找出该策略可能失效的三个主要原因。例如，它是否对特定市场风格（如大盘成长或小盘价值）过度拟合？它在历史上的哪些时期表现不佳？

  • 引入多视角辩论机制 如果系统资源允许，主控智能体可以实例化两个策略智能体，赋予它们相反的立场（例如，一个多头研究员，一个空头研究员），让它们就同一主题进行辩论，从而得到更均衡的结论。

    [主控智能体指令] 实例化两个策略智能体。策略智能体A，你的任务是构建一个看多半导体行业的动量策略。策略智能体B，你的任务是寻找半导体行业可能出现回调的信号，并构建一个对冲或看空的策略。你们需要分别提交报告，并对对方的逻辑提出质疑。

  • 标准化的回测报告输出 回测结果必须以结构化的方式呈现，便于横向比较和风险评估。

    你的回测报告必须包含以下部分，并以Markdown表格形式展示关键绩效指标。

    • 策略概述 简述策略的核心逻辑。

    • 回测参数 股票池、时间范围、基准指数、手续费、滑点。

    • 绩效指标

      指标	数值
      年化收益率
      夏普比率
      最大回撤
      Calmar比率
      胜率

    • 优缺点分析 结合“批判者”阶段的思考，客观分析策略的优势和潜在风险。

这种“自我对抗”和“多视角辩论”的设计，能有效提升策略的鲁棒性，避免系统陷入单一思维的陷阱。

2.4 守门人与执行官 - 决策执行与风险管理智能体 (Risk & Execution Agent)

策略再好，如果不能在严格的风控下被精准执行，也只是纸上谈兵。这个智能体扮演着“交易员”和“风控经理”的双重角色，是连接策略与真实交易的最后一道关口。

• 核心职责 评估待执行交易的风险，确保其符合预设的风控规则。在风险可控的前提下，制定最优的执行计划，并模拟或真实执行交易。它需要实时监控持仓风险，并在触及阈值时发出预警。

• 提示词设计要点

  • 分离但紧密协作的角色 提示词需要明确定义风险审查和交易执行的先后顺序，形成一个内部的“防火墙”。

    你是一个集风险管理与交易执行于一体的智能体。你的工作流程严格遵循“先风控，后交易”的原则。
    风控经理角色 当接收到策略智能体生成的交易信号时，你首先要以风控经理的身份进行审查。你必须检查该交易是否会违反以下任何一条规则。

    • 单只股票持仓上限（例如，不超过总资产的10%）。

    • 行业持仓集中度上限（例如，单一行业不超过30%）。

    • 预设的止损线（例如，单笔交易最大亏损不超过2%）。
      交易员角色 只有在交易完全通过风险审查后，你才能切换到交易员角色。你的任务是生成一个具体的交易指令，并考虑市场冲击成本，选择合适的下单算法（如VWAP/TWAP）。

  • 量化的风险参数 风控规则不能是模糊的，必须是具体的、可执行的数字。

    你的核心风控参数如下，任何时候都不得逾越。

    • 投资组合最大回撤阈值 5%。

    • 单日最大亏损阈值 2%。

    • VaR (Value at Risk) 限制 95%置信水平下，单日VaR不得超过总资产的1.5%。

  • 清晰的预警与报告机制 当风险事件发生时，智能体需要知道该做什么。

    一旦任何风险指标触及阈值，你必须立即执行以下操作。

    1. 向主控智能体发送高优先级警报。

    2. 警报内容必须包括。风险类型、触发指标、当前数值、涉及标的、以及建议的应对措施（如减仓、对冲）。

    3. 在获得主控智能体或人工确认前，暂停所有新的开仓指令。

通过这种设计，我们将审慎的风险文化根植于系统的执行层，确保了在追求收益的同时，风险始终处于可控范围。

2.5 进化的引擎 - 反馈优化智能体 (Feedback Agent)

一个无法从历史中学习的系统，注定会重复犯错。反馈优化智能体是整个系统的“复盘分析师”和“进化驱动器”，它让系统拥有了自我迭代的能力。

• 核心职责 分析已完成的（模拟或真实）交易记录，评估策略的实际表现与预期之间的偏差，诊断问题根源，并为下一轮的策略优化提供具体的、可量化的改进建议。

• 提示词设计要点

  • 聚焦归因分析 提示词应引导智能体深入探究盈亏的根本原因。

    你的任务是对上一周期的交易进行深度复盘。你需要回答以下核心问题。

    • 盈亏来源 收益或亏损主要来自Alpha（选股能力）还是Beta（市场整体涨跌）？

    • 执行偏差 实际成交价与策略信号发出时的价格偏差有多大？是什么原因造成的？

    • 策略漂移 策略的实际持仓风格是否与设计初衷一致？

  • 输出可执行的改进建议 复盘的价值在于指导未来。智能体的输出不能是空泛的评论，而必须是具体的行动项。

    基于你的分析，请提出至少三条具体的、可量化的优化建议。你的建议应遵循以下格式。[问题诊断] -> [改进建议] -> [预期效果]。
    示例

    • [问题诊断] 策略在市场快速下跌时回撤较大，止损反应迟钝。

    • [改进建议] 将个股的静态止损线从8%调整为基于ATR（平均真实波幅）的动态止损线。

    • [预期效果] 预期能将策略在熊市中的最大回撤降低约5%。

  • 连接过去与未来 该智能体的输出应直接作为输入，影响下一轮的任务循环。

    你的优化建议报告将直接提交给主控智能体。主控智能体在规划下一轮投研任务时，必须优先考虑并采纳你的建议，对策略生成智能体的提示词进行相应调整。

这个反馈闭环的设计，将系统从一个线性的“指令-执行”工具，转变为一个能够螺旋式上升、持续进化的智能生命体。

🚀 三、 融会贯通 - 提示词的优化与系统进化

设计好单个节点的提示词只是第一步。要让整个多智能体系统发挥出1+1>2的效能，还需要在系统层面进行更高维度的优化。这关乎如何让信息高效流转，如何让系统自我学习，以及如何平衡效果与成本。

3.1 量化奖励与自我进化

人工迭代提示词既耗时又依赖经验。要实现真正的智能化，系统需要具备自我优化的能力。引入量化奖励机制是关键。我们可以为系统的最终表现（如夏普比率）设定一个奖励函数，然后利用强化学习等方法，让系统自动调整各节点的提示词。

例如，系统可以自动试验不同的风险参数、因子权重组合，甚至提示词的措辞，然后根据最终的回测收益来“奖励”那些带来更好结果的提示词版本。这使得提示词的优化从一门“艺术”变成了一门“科学”。

3.2 并行处理与资源博弈

复杂的市场分析往往需要探索多种可能性。主控智能体的提示词可以设计得更具弹性，支持多任务并行处理。例如，当面对一个行业时，主控可以同时启动三个策略智能体，分别探索基于价值、成长和动量的策略，然后择优采纳。

但这需要权衡资源消耗。大模型的调用是有成本的（Token消耗）。因此，提示词中需要包含资源管理的策略，优先将计算资源分配给那些历史表现更好或更可能产生高价值洞察的任务分支。

3.3 上下文管理与信息流转

在多智能体协作中，信息丢失或误解是常见问题。必须建立一套清晰的上下文管理和信息传递机制。主控智能体需要负责维护一个“全局上下文”或“共享记忆”，记录关键的中间结论和数据。

当一个智能体完成任务时，它的输出不应是全部的原始数据，而应是经过提炼的、对下游有用的核心信息。例如，数据智能体在提供了详细的K线数据后，还应附上一段摘要，如“该股票近期呈现放量上涨趋势，波动率放大”。这大大提高了信息流转的效率。

3.4 示例引导与输出规范

大模型是出色的模仿者。在提示词中提供高质量的示例（Few-shot Learning），是规范其输出、提升结果质量的有效手段。与其用大段文字描述你想要的报告格式，不如直接在提示词里给出一个简洁的、符合要求的报告模板。

这不仅能保证输出格式的一致性，便于程序化解析，还能“启发”智能体，让它更快地理解任务的深层要求和期望达到的质量标准。

🎯 四、 博弈与融合 - 打造鲁棒的决策核心

在多智能体系统的协作模式上，存在两种主流思想。一种是强调流程化的分工协作，如同工业流水线，每个节点处理好自己的环节即可。另一种则更强调多智能体间的博弈与辩论，通过思想的碰撞来催生更稳健的决策。

一个真正强大的A股量化系统，应当是两者的融合。

• 在宏观层面，坚持清晰的分工与流程。主控、数据、策略、风控、反馈的五步法，构成了系统稳定运行的骨架。这保证了效率和可重复性。

• 在关键决策节点，引入受控的辩论机制。特别是在策略生成环节，通过设置对立角色、鼓励批判性思维，可以有效克服单一模型的认知偏见，提升策略对不同市场环境的适应性。

这种“流程为体，博弈为用”的设计哲学，让系统既有工业级的稳定性，又有研究团队般的创造性与思辨深度。尤其是在A股这个复杂多变、充满不确定性的市场，这种内在的张力与制衡，是系统长期生存和发展的关键。

结语

为A股量化投资多智能体系统设计提示词，是一项融合了计算机科学、金融工程与认知心理学的系统性工程。它远不止是简单的“下命令”，而是为一群强大的AI心智构建角色、规则和协作生态的过程。

从结构化的通用原则，到为每个关键节点精雕细琢的“剧本”，再到系统层面的动态优化与哲学思考，我们勾勒出了一条通往高效、智能、稳健的量化投资系统的路径。这条路没有终点，因为市场在变，技术也在变。唯一不变的，是对逻辑严谨性的追求，对市场敬畏之心的坚守，以及通过不断学习和进化，去无限逼近投资圣杯的努力。未来的量化战场，胜利将属于那些最擅长与AI“对话”的思考者。

📢💻 【省心锐评】

提示词工程，本质是为AI量身定制“投资纪律”。在A股，不懂纪律的聪明，往往比愚笨更危险。