AI Renaissance

以多智能体架构，让AI时代的财富平权成为可能

财富不该是信息差的专利。

Medallion Fund 三十年年化 66%，但它只服务于最少数人——门槛 1000 万美元，还长期封盘。华尔街最锋利的武器，从来不会递到普通人手里。不是因为技术做不到，而是因为利润来自信息差，信息差一旦平权，alpha 就消失了。

但 AI 改变了这件事的逻辑。

当大模型把信息获取的边际成本压到接近零，当多智能体系统把机构级的研究能力封装成可复用的基础设施，信息差不再是一道墙——它变成了一条通道。能产生连接的人，就可以穿过这条通道。

AI Renaissance 要做的，不是再造一座封闭的量化圣殿。而是把圣殿的门打开。

---

愿景：财富平权，认知先行

我们相信三件事：

一、趋势是最顶级的杠杆。

短期波动是噪音，长期趋势是信号。一个人如果能在 2009 年看清移动互联网的趋势，在 2023 年看清 AI 算力的趋势，根本不需要做任何复杂交易——只需要在趋势起点买入，然后耐心等待。最大的 alpha 不是来自某个因子的微弱优势，而是来自对大趋势的早期识别和坚定持有。

二、信号是趋势的脉搏。

趋势不是猜出来的，是验证出来的。合同负债暴增 200% 是信号，经营现金流反超利润是信号，资本开支放量是信号，产业链预付款激增是信号——每一个信号都是趋势在财务报表上留下的脚印。读懂这些脚印，就能在趋势被所有人看到之前，提前站上去。

三、认知才是真正的财富。

给你一个代码和给你一套验证逻辑，后者值一万倍。因为代码会过期，逻辑可以复用。AI Renaissance 产出的不只是冷冰冰的买卖信号，更是一次完整的认知升级——为什么这笔交易值得做，背后的逻辑链是什么，风险在哪、确定性在哪。当你理解了这些，你就不再需要任何人告诉你该买什么。

---

核心命题

投资决策的复杂度已经超出了单智能体的能力边界。但投资决策的本质，从未改变——在趋势的早期，用信号验证它，然后坐上去。

一个人类投资者能同时追踪多少变量？五十？一百？而市场每天产生的有效信号维度是万级的。传统量化的做法是用统计压缩维度——主成分分析、因子正交化、信息比率筛选——本质是在做减法。减法意味着信息损失，信息损失意味着与趋势失之交臂。

我们的做法完全相反：不是压缩维度，而是扩充认知。

用一组专业化智能体，每个 Agent 只做一件事——但做到极致。有的只盯资金流向，有的只读财报原文，有的只解析产业趋势拐点，有的只监测情绪极端值。它们各自产出信号，在中央仲裁层碰撞、博弈、达成共识或对冲。这不是一个模型在做决策，而是一个认知生态系统在做决策。

而这个生态系统的产出，不仅是交易指令，更是一份可理解、可验证、可学习的决策推理链——让你不仅知道 what，更理解 why。

---

架构：8 Agent + N Skill + 数据层

┌──────────────────────────────────────────────────────────────────┐
│                  Orchestrator Agent（编排 Agent）                  │
│     信号收集 → 权重聚合 → 方向判定 → 风险约束 → 推理链生成        │
│                        开发2组负责                                  │
└───────┬──────┬───────┬───────┬───────┬───────┬───────┬──────────┘
        │      │       │       │       │       │       │
   ┌────┴─┐ ┌──┴──┐ ┌──┴──┐ ┌──┴──┐ ┌──┴──┐ ┌──┴──┐ ┌──┴──┐
   │财务  │ │技术  │ │资金  │ │宏观  │ │行业  │ │舆情  │ │风险  │
   │Agent │ │Agent │ │Agent │ │Agent │ │Agent │ │Agent │ │Agent │
   │专家1 │ │专家2 │ │专家3 │ │专家4 │ │专家5 │ │专家6 │ │专家7 │
   ├──────┤ ├──────┤ ├──────┤ ├──────┤ ├──────┤ ├──────┤ ├──────┤
   │financial│technical│fundflow│ macro │industry│ news │ risk │
   │Skill    │Skill    │Skill   │Skill  │Skill   │Skill │Skill │
   └──┬───┘ └──┬───┘ └──┬───┘ └──┬───┘ └──┬───┘ └──┬───┘ └──┬───┘
      │        │        │        │        │        │        │
      └────────┴────────┴────────┴────────┴────────┴────────┘
                               │
                               ▼
   ┌──────────────────────────────────────────────────────────────┐
   │ 每个专家 Agent 的运行关系                                      │
   │ 读取 skills/{domain}/：专家判断规则、证据规则、Signal 输出规则  │
   │ 读取 skills/data/：数据怎么调用、返回什么、失败怎么表示          │
   │ 调用 data_sources/：真实抓取、解析清洗、标准化返回               │
   │ 输出标准 Signal：direction / confidence / reasoning / meta      │
   └──────────────────────────────────────────────────────────────┘

8 个 Agent + N 个 Skill + 数据说明/执行分层，从信号到认知：

🎯 Orchestrator Agent（编排）— 开发2组

不加载 Skill，负责：信号收集 → 权重聚合 → 方向判定 → 风险约束 → 推理链生成 → 最终报告。

📊 财务分析 Agent — 专家1组

📈 技术指标 Agent — 专家2组

💰 资金流向 Agent — 专家3组

🌍 宏观周期 Agent — 专家4组

🏭 行业景气 Agent — 专家5组

📰 舆情情感 Agent — 专家6组

⚠️ 风险预警 Agent — 专家7组

---

当前状态（2026-05-23）

项目还在早期建设阶段，README 前面的内容是目标架构，不代表所有能力都已经完成。

下一阶段重点是：在保持统一运行契约稳定的前提下，继续补齐各专家 Agent 的业务逻辑、实时数据源和信号有效性验证。

---

与传统量化的根本区别

---

哲学：慢慢变富

巴菲特说过，没有人愿意慢慢变富。但事实是——慢慢变富是最确定的变富方式。

我们不信短线暴利，不信高频厮杀，不信零和博弈里能持续赢。我们信的是：

在趋势的早期站上去，用信号反复验证它，然后耐心持有。

Medallion 的秘密从来不是某个公式，而是一个组织——一群顶尖大脑各自做自己最擅长的事，在一个框架下协作。AI Renaissance 做的是同一件事，但有一个根本不同：

Medallion 的门是关着的。我们的门是开着的。

我们给你的不是鱼，也不是渔，而是整片海的认知地图。

---

快速开始

不同角色先看什么

• 新成员：先看 docs/GIT_WORKFLOW.md、docs/CODING_AGENT_GUIDE.md 和 samples/README.md
• 专家组：先看 docs/ANALYSIS_SKILL_TEMPLATE.md、skills/examples/cash_flow_quality_check/SKILL.md、skills/expert_skill_authoring/SKILL.md
• 财务专家组：迭代优先级和阶段验收见 docs/FINANCIAL_AGENT_ROADMAP.md
• 开发1组：关注 Agent 基类、Signal 规范、AgentScope 消息边界、Skill 注册机制、目录规范
• 开发2组：关注 Orchestrator Agent、仲裁引擎、信号汇总、主流程调度
• 开发3组：先看 docs/DATA_SKILL_TEMPLATE.md，关注 data_sources/ 数据源封装和 skills/data/ 数据接口说明

核心术语

• Skill：专家写的分析规则说明书，放在 skills/{domain}/{skill_name}/SKILL.md
• Agent：每个专家组的执行者，动态加载自己领域的 Skill，输出标准 Signal
• Signal：系统统一读取的标准信号单，包含 direction/confidence/reasoning/signals/meta
• Orchestrator：编排 Agent，收集7个专家信号，执行仲裁，生成最终报告
• 数据层：data_sources/ 放真实数据获取代码，skills/data/ 说明调用参数、返回字段和失败格式；Agent 按说明调用数据源

1. 安装依赖

pip install -r requirements.txt

2. 运行测试

python -m pytest -q

测试包含专家 Agent 契约检查、Orchestrator 仲裁契约检查、AgentScope 消息桥检查和 BaseAgent 原生调用检查。它们只确认注册的专家 Agent 可以离线跑通、返回标准 Signal，基础仲裁结果保持结构稳定，并且专家 Agent 可以通过 AgentScope Msg 边界传递 Signal；不验证业务判断是否正确。

3. 运行主流程

python main.py --stock 000001

主流程会将股票任务包装成 AgentScope Msg，通过专家 Agent 继承自 BaseAgent 的 AgentScope __call__() 收集 Signal，再交给 Orchestrator 仲裁。

4. 检查 Agent 接入状态

python samples/agent_run_check_sample.py --stock 600519

这个样例逐个运行专家 Agent，打印运行状态和 Signal 摘要。详细说明见 samples/README.md。

5. Skill 编写

专家组交付专业 Skill 内容；各 Agent 自动加载自己领域的 Skill。开发1组负责 Skill 模板、输出规范、目录规范和联调标准。

参考 docs/ANALYSIS_SKILL_TEMPLATE.md，新专家分析 Skill 放在：

skills/{domain}/{skill_name}/SKILL.md

---

项目结构

AIRenaissance/
├── agents/                        # 8 Agent 扁平结构
│   ├── base.py                    # Agent 基类（AgentScope-native）
│   ├── signal.py                  # 统一 Signal
│   ├── registry.py                # 专家 Agent 注册表
│   ├── orchestrator/              # 编排 Agent 和仲裁逻辑
│   └── {financial,technical,fundflow,macro,industry,news_agent,risk}/
│
├── data_sources/                  # 数据执行层
│
├── skills/                        # Skill 目录（专家分析 + 数据接口说明）
│   ├── data/                      # 数据接口说明 Skill
│   ├── {financial,technical,fundflow,macro,industry,news,risk}/
│   ├── examples/                  # 示例 Skill
│   └── expert_skill_authoring/    # 写 Skill 的 Skill
│
├── docs/                          # 文档
│   ├── GIT_WORKFLOW.md
│   ├── CODING_AGENT_GUIDE.md
│   ├── ANALYSIS_SKILL_TEMPLATE.md
│   ├── DATA_SKILL_TEMPLATE.md
│   ├── AGENT_MATRIX.md
│   ├── FINANCIAL_AGENT_ROADMAP.md
│   ├── AGENT_GUIDE.md
│   ├── ARCHITECTURE.md
│   └── TEAM.md
│
├── samples/                       # 本地开发和联调用样例
│   ├── README.md
│   └── agent_run_check_sample.py
│
├── tests/                         # pytest 测试目录
│   ├── test_*.py                  # 跨 Agent 契约、Orchestrator、AgentScope 和共享基础设施测试
│   ├── technical/                 # 技术领域 Agent / Skill runtime / 模型测试
│   └── data_sources/              # 数据源测试
│
├── .github/                       # PR 模板和 CI 工作流
│   ├── PULL_REQUEST_TEMPLATE.md
│   └── workflows/
│       └── ci.yml
│
├── main.py                        # 入口
├── requirements.txt
└── README.md

测试目录约定：tests/ 根目录只放跨 Agent 契约、Orchestrator、AgentScope 和共享基础设施测试；单个领域的 Agent / Skill runtime / 模型测试放到 tests/{domain}/；数据源测试放到 tests/data_sources/；不要把 CI 需要执行的正式测试放到 skills/**/tests/。

---

团队协作

组职责（一句话版）

协作规则

• 框架归开发1组 — 其他人不要改 base.py、signal.py、registry.py
• 数据归开发3组 — 真实抓取逻辑进入 data_sources/；skills/data/ 只说明调用参数、返回字段和失败格式，Agent 不散落硬编码外部 API
• Skill 各组自维护 — 每个专家组维护自己领域目录下的 Skill
• Agent 各组自维护 — 每个专家组维护自己的 Agent 实现
• Orchestrator 归开发2组 — 仲裁逻辑、推理链、主流程调度
• PR 必须 Review — 任何人提交，至少一人看过再合并

---

License

Apache License 2.0

---

第一步

不是交易。是观察与理解。

先让7个专家 Agent 跑起来，持续产出信号，但只记录、不执行。积累信号与实际市场走势的对照数据，验证每个 Agent 的独立预测能力，校准编排 Agent 的博弈参数。同时，推理链开始生成——每一条信号背后，都有一条完整的"为什么"。

只有当你理解了"为什么"，这笔交易才值得做。

我们信仰信号，但更信仰理解。信号让你这次做对，理解让你次次做对。

---

AI Renaissance — Trend as Leverage, Signal as Pulse, Cognition as Wealth.