Architecture Journal

AlphaCouncil

如果可以同時請教 Warren Buffett、Ben Graham 和 Nassim Taleb，讓他們針對同一支股票各自發表意見、互相辯論，最後給出分析結論——這件事在 AI agent 時代變得可行。

AlphaCouncil 就是這個想法的實作。

起點：兩個讓我想動手做的開源專案

2025 年底，我接觸到兩個讓我印象深刻的開源研究：

  • ai-hedge-fund by @virattt：用 LLM 模擬投資大師人格代理人
  • TradingAgents by Tauric Research：以多代理人辯論架構做投資決策（附論文）

這兩個專案都在問同一個問題：能不能讓多個 AI agent 模擬不同的投資哲學，透過辯論產生更有深度的分析？

但當時我正在深入學習 Google ADK（Agent Development Kit），想找一個真實的場景來實踐它的多代理人編排能力。投資分析這個領域恰好符合幾個條件：

  1. 需要整合多個異質觀點（不同大師哲學）
  2. 有明確的輸入（股票代號）與輸出（分析報告）
  3. 流程可以被結構化，不需要完全依賴 LLM 動態決策

於是 AlphaCouncil 誕生了。

核心設計：固定編排，而非動態路由

多代理人框架有兩種主要設計方向：

  • 動態路由：讓一個 orchestrator LLM 決定下一步要呼叫哪個 agent
  • 固定編排：用確定性的流程圖定義 agent 的執行順序與組合

AlphaCouncil 選擇後者。

原因很直接：投資分析的流程是可預測的——先收集市場資料、再讓各大師分析、最後綜合辯論得出結論。這個流程不需要 LLM 來決定，反而應該由工程師明確定義，讓 LLM 專注在各自擅長的分析推理上。

Google ADK 提供了三種 agent 組合原語，AlphaCouncil 把它們串接成一條完整的 pipeline：

SequentialAgent → ParallelAgent → LoopAgent
  • SequentialAgent：依序執行資料收集、前處理等步驟
  • ParallelAgent：同時啟動 13 位大師代理人，各自獨立分析
  • LoopAgent：讓大師們進行多輪辯論，逐步收斂到共識

這種架構的好處是行為可預期、debug 容易、且每個環節的失敗都可以被精確定位。

13 位投資大師

AlphaCouncil 內建了 13 位投資人的人格代理人，每位都有獨立的系統提示和分析框架：

代理人核心哲學
Warren Buffett以合理價格買優質公司，長期持有
Ben Graham安全邊際，尋找低於內在價值的標的
Charlie Munger心智模型，只買最優質的企業
Aswath Damodaran嚴謹的故事敘述與數字驅動估值
Bill Ackman激進主義，推動企業變革
Cathie Wood顛覆性創新，長期成長
Michael Burry逆向投資，尋找深度被低估標的
Peter Lynch投資你了解的，尋找十倍股
Phil Fisher深度調研（Scuttlebutt），質化成長分析
Mohnish PabraiDhandho——低風險高報酬的翻倍機會
Stanley Druckenmiller宏觀驅動，不對稱風險機會
Rakesh Jhunjhunwala成長與價值並重，長期持有高信念部位
Nassim Taleb尾部風險防護，槓鈴策略

每位大師有兩個版本：US 版以英文輸出並聚焦美市指標，TW 版以繁體中文輸出並納入台股特有脈絡。系統根據 ticker 自動偵測市場並切換。

雙市場支援

台股市場的資料源、新聞來源、財務指標和監管環境都和美股有顯著差異。AlphaCouncil 透過 ticker 自動偵測市場（例如 2330 自動對應台股、AAPL 對應美股），切換對應的資料源和大師分析語境。

這個設計讓同一套框架可以無縫支援兩個市場，而不需要使用者手動指定（當然也可以透過 --market 參數強制指定）。

三種使用介面

AlphaCouncil 支援三種操作方式，適合不同使用場景：

互動式 Web UI（開發 / Debug 用）

make web
# 或
uv run adk web

CLI 一次執行（自動化 / 批次用）

make run-cli
# 或
uv run alpha-council run --ticker 2330 --market tw --masters warren_buffett,nassim_taleb --report-format md

REST API（整合其他系統用）

make api-server
# 或
uv run adk api_server

CLI 支援的主要參數：

  • --ticker：股票代號（必要）
  • --market：us|tw（未提供時自動推斷）
  • --masters：指定大師（編號或名稱，例如 1,3,5 或 warren_buffett,ben_graham）
  • --report-format：json|md
  • --debug：顯示事件流與原始回應

部署架構

AlphaCouncil 採用 Cloud Run + Terraform 的部署方式，並拆分成兩條路徑：

  • Agent Service：長時間運行的 REST API 服務，部署在 Cloud Run
  • CLI Batch：一次性執行的 Cloud Run Job，適合排程或 CI/CD 觸發

兩者共用同一個 Artifact Registry，但透過獨立的 Terraform 模組管理，讓部署邊界清晰。

make build-agent-image   # 建置 Agent Service image
make deploy-agent        # 套用 Terraform 部署 Agent Service

make build-cli-image     # 建置 CLI Batch image

這個拆分決策記錄在 docs/adr/0001-split-agent-and-cli-deployment.md。

這個專案教會我的事

固定編排比想像中更適合生產環境。 動態路由雖然靈活，但在這類有明確流程的任務上，確定性架構的可觀測性和可維護性優勢非常明顯。每個 agent 的行為都是可預測的，失敗時也能精確定位問題。

LLM 人格模擬需要精心設計系統提示。 讓 Nassim Taleb 真的「像 Nassim Taleb 一樣思考」，而不是給出泛泛的風險提示，需要在系統提示中注入大量的背景知識、哲學框架和具體例子。這部分的工程量遠超預期。

台股和美股的資料整合難度差距很大。 美股有成熟的公開 API，台股的資料源分散且格式不一。這是這個專案目前最需要改善的地方之一。

連結

免責聲明：AlphaCouncil 僅供教育與研究用途，不構成任何投資建議。