金融版本的Manus，多智能体驱动的AI量化。年化336.17%，回撤7.78，夏普4.77

原创内容第1097篇，专注AGI+，AGI量化投资、个人成长与财富自由。

将军赶路，不追野兔。

这些是用户自己创建的策略，大部分都是可以查看参数的。

策略参数截图

（策略地址：https://app.ailabx.com/#/pages/strategy/detail?id=254）

昨天有同学问我，ETF策略还进化么？当然，不过，我选择训练智能体来做这件事。

智能时代已经来了。其实无论是蒸汽还是电，信息，本质都是工具升级。人使用工具，制造更好的工具，来提升效率。智能革命不是。智能本身会制造工具，改进工具。这个潜能是无穷的。

下面的智能体，prompt完全没写，只是告诉他是量化分析师。并且只给他一个额外的技能就是“执行python代码”。这应该已经远远超出一个量化新手的技能了。

智能体对话截图

下面是AgentScope的基本应用，开发一个量化智能体。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39


from agentscope.agent import ReActAgent, AgentBase, UserAgent
from agentscope.formatter import DashScopeChatFormatter, OpenAIChatFormatter
from agentscope.memory import InMemoryMemory
from agentscope.message import Msg
import asyncio
import os
from agentscope.tool import Toolkit, execute_python_code
from utils.utils_model import model

async def creating_react_agent() -> None:
    """创建一个 ReAct 智能体并运行一个简单任务。"""
    # 准备工具
    toolkit = Toolkit()
    toolkit.register_tool_function(execute_python_code)

    agent = ReActAgent(
        name="量化分析师",
        sys_prompt="你是一个名为 Warren 的量化分析师",
        model=model,
        formatter=OpenAIChatFormatter(),
        toolkit=toolkit,
        memory=InMemoryMemory(),
    )
    user = UserAgent(name="用户")
    msg = Msg(
        "用户",
        "介绍一下你自己",
        "user",
    )
    while True:
        msg = await agent(msg)
        msg = await user(msg)
        if msg.get_text_content() == "exit":
            break
    await agent(msg)

import agentscope
agentscope.init(studio_url="http://localhost:3000")
asyncio.run(creating_react_agent())