Director Agent
编排任务分配，按性能指标与适配度把任务分给智能体。
四层架构智能体 / 算法 / LLMOps / 基座
工作流感知 → 大脑 → 行动
调度Director / Adaptor / Task Manager
依据README 文件结构（2026-09）
四层架构
FinRobot 四层架构对照表
每层各司其职，从底层的模型接入一路向上到智能体完成任务。
| 层 | 职责 | 关键内容 |
|---|---|---|
| 金融 AI 智能体层 | 承接具体金融任务 | 市场预测智能体、文档分析智能体、交易策略智能体，引入金融链式推理（Financial CoT） |
| 金融 LLM 算法层 | 领域模型配置 | 针对特定领域与全球市场分析调优的模型 |
| LLMOps 与 DataOps 层 | 多源模型调度 | 多源整合策略，为每个任务选最合适的 LLM |
| 多源 LLM 基座层 | 即插即用模型 | 通用与专用 LLM 的 plug-and-play 支持 |
Agent 工作流
感知 → 大脑 → 行动：智能体三模块
这是 FinRobot 单个智能体的运行闭环。
感知 Perception
捕获并解析多模态金融数据（行情、新闻、经济指标），把数据结构化供分析。
大脑 Brain
用 LLM 处理感知数据，配合金融链式推理（CoT）生成结构化指令。
行动 Action
执行大脑指令，调用工具完成交易、组合调整、生成报告或发送提醒。
Smart Scheduler
Smart Scheduler 四个组件
Smart Scheduler 负责「为每个任务选最合适的模型/智能体」，保证模型多样性。
Agent Registration
管理智能体注册与可用性，支撑高效任务分配。
Agent Adaptor
针对具体任务定制智能体能力，提升集成表现。
Task Manager
管理不同通用/微调 LLM 智能体，周期性更新保持有效。
代码结构
FinRobot 核心目录结构
主包 finrobot 下分 agents / data_source / functional 三个子目录。
| 目录 | 内容 | 作用 |
|---|---|---|
| finrobot/agents | agent_library.py、workflow.py | 智能体库与工作流 |
| finrobot/data_source | finnhub_utils.py、fmp_utils.py、sec_utils.py、yfinance_utils.py、finnlp_utils.py | 多数据源接入 |
| finrobot/functional | analyzer.py、charting.py、coding.py、quantitative.py、reportlab.py、text.py | 分析 / 绘图 / 报告等功能组件 |
| tutorials_beginner / advanced | agent_annual_report.ipynb 等 notebook | 入门与进阶示例 |
常见问题
FinRobot 架构常见问题
FinRobot 是「训练模型」还是「用模型」？
更偏「用模型」：底层即插即用接入通用/专用 LLM，上层用智能体编排任务，核心是把模型组织成可执行的金融工作流。
感知/大脑/行动分别对应什么？
感知=数据采集与结构化；大脑=LLM + 金融 CoT 推理出指令；行动=调用工具执行（交易/报告/提醒）。
Smart Scheduler 有什么用？
它做「模型调度」：为每个任务挑选最合适的 LLM/智能体，保证模型多样性，是 LLMOps 层的核心。
FinRobot 需要哪些运行条件？
Python 3.10 + conda 环境，OpenAI API key，以及 FinnHub/FMP/SEC 等数据源 key，详见安装页。