Director Agent
按性能指标与适配度编排任务分配。
三类智能体预测 / 文档 / 策略
调度Smart Scheduler
推理Financial CoT
依据README（2026-09）
智能体类型
三类金融 AI 智能体对照表
每类智能体对应一类金融任务，用 CoT 拆解问题。
| 智能体 | 任务 | 输出 |
|---|---|---|
| 市场预测智能体（Forecaster） | 结合历史行情与文本信号做走势研究 | 走势预测（研究，非投资建议） |
| 文档分析智能体 | 解析年报、公告、金融文档 | 结构化摘要 / 关系抽取 |
| 交易策略智能体 | 研究策略（如移动平均交叉优化） | 策略思路 / 参数研究 |
Smart Scheduler
Smart Scheduler 如何调度智能体
它保证「每个任务用最合适的模型」，是 LLMOps 层的关键。
Agent Registration
登记并跟踪智能体可用性。
Agent Adaptor
为具体任务定制智能体能力。
Task Manager
管理并周期性更新各类 LLM 智能体。
链式推理
Financial CoT 是什么
金融链式推理（Chain-of-Thought）让智能体把复杂金融问题拆成逻辑步骤，而非一次性给答案。
拆解问题
把「某公司值不值得研究」拆成数据、财务、估值、风险等子问题。
逐步推理
智能体按 CoT 依次推理每个子问题，形成结构化中间结论。
汇总输出
把步骤合并成研究报告或预测，提升可解释性与一致性。
常见问题
FinRobot 智能体常见问题
FinRobot 有几个智能体？
核心三类：市场预测、文档分析、交易策略智能体；FinRobot Desktop/Pro 版本扩展为 1 个 Lead Agent + 5 个角色子智能体 + 3 个辩论智能体。
智能体和普通 LLM 有什么区别？
智能体会「感知→推理→调用工具→行动」的闭环，能自主规划并逐步达成目标；普通 LLM 只做单次推理。
智能体输出可信吗？
输出是研究结果，含 CoT 中间步骤便于核查；但不构成投资建议，需自行验证。
能自定义智能体吗？
仓库把智能体逻辑放在 finrobot/agents 下，有 Python 基础的开发者可基于 agent_library.py 扩展。