企业官网建设流程全解析

1. PanWatch 项目整体设计与思路拆解

1.1 这个项目到底在解决什么问题

PanWatch 这个名字拆开看就很直白——“Pan”对应的是广域监控、全景式观察的意思，“Watch”就是盯盘、监控、值守。合在一起，它要干的事情就是给交易场景做一套全天候、自动化的智能监控与决策辅助系统。传统做法里，一个人盯几个币种、几只股票就已经手忙脚乱了，更别说同时跟踪几十个标的的价格波动、成交量异动、资金费率变化。PanWatch 的核心价值就在于把这些重复性的盯盘工作交给 AI Agent 去完成，人只需要在关键节点做决策。

我最初接触这个项目的时候，市面上已经有不少行情监控工具了，但大多数停留在“价格到了就弹个通知”的层面。PanWatch 不一样的地方在于它引入了 TradingAgents 这套多智能体协作框架，让不同的 Agent 分别扮演分析师、风控员、执行员等角色，互相校验、互相制衡。这就好比原来你只有一个哨兵，现在你有了一整支训练有素的小队，每个人负责不同的观察维度，最后汇总成一份可执行的建议。

适合谁来参考这套方案？如果你是有一定编程基础、对量化交易或自动化监控感兴趣的开发者，PanWatch 的架构思路可以直接借鉴。哪怕你暂时不碰交易领域，它里面关于 Docker 容器化部署、Agent 编排、消息推送链路的设计，放到其他监控场景里同样适用。

1.2 为什么选择 Docker 作为部署底座

PanWatch 整个项目是围绕 Docker 来构建部署体系的，这个选择不是拍脑袋决定的。交易监控系统有几个硬性要求：第一，它得 7×24 小时跑着，不能因为你本机重启就断了；第二，它依赖的组件比较多，数据库、消息队列、Agent 运行时环境，版本冲突是家常便饭；第三，你可能会在本地开发调试，然后部署到云服务器上，环境一致性必须保证。

Docker 恰好把这三点全解决了。容器化之后，PanWatch 的每个模块——数据采集、Agent 推理、信号推送——都可以拆成独立的容器，各自升级互不影响。我实测下来，用 Docker Compose 编排的话，从零到跑起来大概也就十几分钟的事情，比手动装 Python 环境、配数据库、调依赖版本要省心太多了。

注意：Windows 用户如果之前没装过 Docker Desktop，需要先确认 BIOS 里开启了虚拟化支持。很多人卡在“Virtualization support not detected”这个报错上，其实就是主板设置里 VT-x 或 AMD-V 没打开。

1.3 TradingAgents 框架的引入逻辑

TradingAgents 是 PanWatch 的智能决策核心。它不是一个单一的 AI 模型，而是一套多 Agent 协作框架。你可以把它想象成一家小型交易公司：有负责看宏观面的分析师，有盯着 K 线图的技术派，有专门算仓位的风控专员，最后还有一个拍板的组合经理。每个角色都是一个独立的 Agent，它们共享同一份市场数据，但各自用不同的提示词和推理逻辑去分析，最后投票或者加权得出一个综合判断。

这种设计的好处是显而易见的。单一模型很容易陷入“过度自信”的陷阱，给出一个方向性判断但忽略反面证据。多 Agent 互相挑刺之后，输出的信号会稳健很多。我在测试阶段对比过，单 Agent 模式下假信号率大概在四成左右，引入 TradingAgents 的三 Agent 交叉验证后，假信号率降到了两成以下。当然代价是推理时间变长了，但对中低频监控场景来说完全可以接受。

2. 核心细节解析与实操要点

2.1 Docker 环境搭建的完整流程

PanWatch 的部署第一步就是把 Docker 环境搞利索。Linux 服务器上直接用官方脚本安装是最省事的，但生产环境我建议走包管理器安装，方便后续版本管理。Ubuntu 下的操作大概是这样的：

sudo apt update sudo apt install -y ca-certificates curl gnupg sudo install -m 0755 -d /etc/apt/keyrings curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg sudo chmod a+r /etc/apt/keyrings/docker.gpg echo "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.gpg] https://download.docker.com/linux/ubuntu $(. /etc/os-release && echo $VERSION_CODENAME) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null sudo apt update sudo apt install -y docker-ce docker-ce-cli containerd.io docker-compose-plugin

装完之后记得把当前用户加到 docker 组里，不然每次敲 docker 命令都要 sudo，烦得很：

sudo usermod -aG docker $USER newgrp docker

Windows 这边就简单一些，直接去官网下 Docker Desktop 安装包，一路下一步就行。但有个坑要注意：安装过程中如果提示 WSL2 需要更新，一定要先更新完再继续，否则 Docker Desktop 启动时会卡在“Docker Engine starting”界面转圈圈。

2.2 PanWatch 的容器编排结构

PanWatch 跑起来之后，至少涉及三个核心容器：数据采集器、Agent 推理服务、以及消息推送网关。数据采集器负责从交易所或行情源拉取实时数据，写入本地的 Redis 或 MySQL；Agent 推理服务订阅这些数据，跑 TradingAgents 的分析流程；推送网关则把生成的信号通过你配置的渠道发出来。

用 Docker Compose 编排的话，docker-compose.yml大概长这样：

version: '3.8' services: redis: image: redis:7-alpine ports: - "6379:6379" volumes: - redis_data:/data restart: unless-stopped mysql: image: mysql:8.0 environment: MYSQL_ROOT_PASSWORD: panwatch_root MYSQL_DATABASE: panwatch ports: - "3306:3306" volumes: - mysql_data:/var/lib/mysql restart: unless-stopped panwatch-agent: build: ./agent depends_on: - redis - mysql environment: REDIS_HOST: redis MYSQL_HOST: mysql MYSQL_PASSWORD: panwatch_root restart: unless-stopped volumes: redis_data: mysql_data:

这里我把 Redis 和 MySQL 都放进来了，实际用的时候你可以根据需求裁剪。Redis 主要用来做行情数据的缓存和 Agent 之间的消息传递，MySQL 则用来持久化历史信号和交易记录。两个都设了restart: unless-stopped，保证服务器重启后容器能自动拉起来。

2.3 Agent 提示词的设计要点

TradingAgents 的效果好坏，八成取决于提示词怎么写。我踩过的最大坑就是一开始把提示词写得太“开放”，让 Agent“自由发挥”，结果它经常跑偏去分析一些跟当前监控标的无关的宏观新闻。后来我把提示词收窄成固定模板，每个 Agent 只允许在指定维度内输出结论，效果立刻稳定了。

一个典型的技术分析 Agent 提示词结构大概是：先给它当前标的的 K 线数据摘要，然后限定它只能从均线、成交量、RSI 三个指标里选两个来支撑判断，最后强制它输出“看多/看空/观望”三选一的结论，外加一句不超过五十字的理由。这种强约束下，Agent 的输出格式非常规整，后续程序解析起来也方便。

实操心得：提示词里一定要加一句“如果你不确定，就输出观望”。不加这句话的话，Agent 会倾向于强行给一个方向性判断，哪怕数据根本不支持。

3. 实操过程与核心环节实现

3.1 从零启动 PanWatch 的完整步骤

假设你已经在服务器上装好了 Docker 和 Docker Compose，接下来就是拉代码、配环境、启动。第一步先把项目克隆下来：

git clone https://github.com/your-repo/panwatch.git cd panwatch

然后复制一份环境变量模板，填入你自己的配置：

cp .env.example .env

.env文件里需要改的主要是这几项：行情数据源的 API Key、消息推送渠道的 Webhook 地址、以及 Agent 推理服务的模型端点。如果你用的是本地部署的大模型，模型端点就填http://host.docker.internal:11434这种；如果用云端 API，就填对应的地址和 Key。

配好之后直接一键启动：

docker compose up -d

等个十几秒，用docker compose ps看一下容器状态，全是running就说明起来了。这时候你可以打开浏览器访问http://你的服务器IP:8080，应该能看到 PanWatch 的监控面板。

3.2 行情数据接入的配置细节

PanWatch 默认支持接入主流交易所的公开行情接口。配置的时候需要注意，不同交易所的接口频率限制不一样。比如某些交易所的 REST 接口每分钟只允许 1200 次请求，你如果监控了 50 个标的，每个标的每秒拉一次数据，那肯定超限。解决办法是改用 WebSocket 订阅模式，让交易所主动推数据给你，而不是你反复去问。

在 PanWatch 的配置文件里，数据采集模块有一个mode参数，可以选rest或websocket。我强烈建议选websocket，延迟更低，也不容易触发限流。配置大概是这样：

datasource: exchange: binance mode: websocket symbols: - BTCUSDT - ETHUSDT - SOLUSDT kline_interval: 1m

kline_interval控制 K 线粒度，做短线监控就设1m，做趋势跟踪设1h或4h都行。设得太细的话，Agent 推理频率会很高，对算力要求也水涨船高。

3.3 Agent 推理服务的调优记录

Agent 推理是整个 PanWatch 里最吃资源的部分。我一开始在一台 2 核 4G 的轻量服务器上跑，三个 Agent 并发推理的时候 CPU 直接飙到 100%，响应延迟从正常的 2 秒涨到了 15 秒以上。后来做了两件事才把性能拉回来：一是把推理服务单独拆到一个容器里，给它限制 CPU 配额但保证内存充足；二是引入了请求队列，同一时间只允许一个标的的 Agent 推理在跑，其他的排队等。

队列机制的实现不复杂，用 Redis 的 List 结构就能做。数据采集器把需要分析的标的 push 进队列，Agent 服务用BRPOP阻塞式地从队列里取任务，取一个处理一个。这样虽然吞吐量下来了，但每个任务的响应时间稳定了，不会出现雪崩。

import redis import json r = redis.Redis(host='redis', port=6379, db=0) def worker(): while True: _, task = r.brpop('panwatch:analysis_queue') symbol = json.loads(task)['symbol'] result = run_trading_agents(symbol) publish_signal(result)

这段代码就是 Agent 服务的核心循环，简单但有效。brpop在没有任务的时候会阻塞住，不消耗 CPU，有新任务进来立刻唤醒。

3.4 信号推送链路的搭建

Agent 分析出结果之后，得让人能收到。PanWatch 支持多种推送渠道，我常用的是 Telegram Bot 和钉钉机器人。Telegram 的配置最简单，找 BotFather 创建一个机器人，拿到 Token，然后在 PanWatch 里填上你的 Chat ID 就行。

钉钉稍微麻烦一点，需要在群里添加一个自定义机器人，拿到 Webhook 地址，然后设置关键词过滤。PanWatch 推送的消息里默认会带“PanWatch信号”这个关键词，你在钉钉机器人设置里把这个词加进白名单，消息才能正常发出来。

推送消息的格式我建议精简，不要一股脑把 Agent 的完整分析过程都发出来。我的做法是只推三行：标的名称、信号方向、以及一句话理由。详细的分析报告存到数据库里，需要的时候去面板上查。这样手机通知栏不会爆炸，关键信息也一眼能看清。

4. 常见问题与排查技巧实录

4.1 Docker 网络不通的排查思路

PanWatch 跑起来之后，最常见的报错就是容器之间网络不通。表现是 Agent 服务日志里一直刷“Connection refused”或者“Timeout”，连不上 Redis 或 MySQL。这个问题九成出在 Docker 网络配置上。

首先确认所有容器是不是在同一个自定义网络里。默认情况下，docker compose会创建一个以项目名命名的 bridge 网络，所有服务自动加入。但如果你手动docker run启动过某个容器，它可能跑在默认的 bridge 网络上，跟 compose 的网络隔离了。解决办法很简单，在docker-compose.yml里显式声明网络：

networks: panwatch-net: driver: bridge

然后在每个服务的配置里加上networks: - panwatch-net。这样所有容器都在同一个网络里，互相用服务名就能访问，不用记 IP。

注意：容器之间通信用的是服务名，不是localhost。在 Agent 服务的配置里，Redis 的地址要写redis://redis:6379，而不是redis://localhost:6379。这个坑我见过太多人踩了。

4.2 Agent 执行中断的常见原因

“Agent execution terminated due to error”这个报错在日志里出现的频率不低。我总结下来主要有三个原因：一是模型 API 超时，尤其是用云端大模型的时候，网络抖动导致请求失败；二是输入数据格式不对，比如行情数据里出现了null值，Agent 解析不了直接崩了；三是内存不足，Agent 推理过程中 OOM 被系统杀掉了。

针对第一种情况，加个重试机制就行。在调用模型 API 的地方包一层try-except，失败后等两秒重试，最多重试三次。第二种情况需要在数据采集端做清洗，所有null值统一替换成 0 或者上一个有效值。第三种情况就得看服务器配置了，如果内存确实紧张，要么加内存，要么把 Agent 的并发数降下来。

4.3 行情数据延迟的优化手段

做监控最怕数据延迟。我有一次发现 PanWatch 推送的信号比实际行情慢了将近一分钟，查了半天才发现是数据采集器用的 REST 轮询模式，而且轮询间隔设成了 30 秒。改成 WebSocket 之后延迟直接降到了毫秒级。

另外，如果你用的是云服务器，服务器本身跟交易所服务器的物理距离也会影响延迟。尽量选离交易所机房近的区域部署，比如交易所服务器在东京，你就选东京的云节点，延迟能从 100ms 降到 10ms 以内。

4.4 常见问题速查表

4.5 几个我踩过的坑和对应的解法

第一个坑是 MySQL 容器启动特别慢，导致 Agent 服务启动时连不上数据库直接报错退出。后来我在docker-compose.yml里加了healthcheck，让 Agent 服务等 MySQL 健康检查通过之后再启动：

mysql: healthcheck: test: ["CMD", "mysqladmin", "ping", "-h", "localhost"] interval: 5s retries: 10 panwatch-agent: depends_on: mysql: condition: service_healthy

第二个坑是 Redis 的数据没做持久化，服务器重启之后队列里的任务全丢了。虽然 PanWatch 的场景下丢几个分析任务问题不大，但如果你在做实盘信号跟踪，最好还是把 Redis 的 AOF 持久化打开，在启动命令里加--appendonly yes。

第三个坑是日志文件把磁盘写满了。Docker 容器的日志默认是无限增长的，跑几天就能吃掉几十个 G。解决办法是在docker-compose.yml里给每个服务加上日志轮转配置：

logging: driver: "json-file" options: max-size: "10m" max-file: "3"

这样每个容器的日志最多占 30M，超出就自动删旧的，磁盘再也不会被撑爆。

4.6 关于 Agent 记忆机制的一点补充

TradingAgents 框架里有一个容易被忽略但很重要的设计，就是 Agent 的记忆机制。每个 Agent 在做出判断之后，会把这次的分析逻辑和结论存到记忆库里。下次遇到类似行情的时候，它会先检索记忆，看看历史上类似情况下自己的判断准不准，然后调整这次的置信度。

这个机制的好处是 Agent 会“吃一堑长一智”。我观察下来，跑了大概一周之后，Agent 对某些反复出现的假突破形态的识别率明显提高了。但记忆库也需要定期清理，不然越积越多，检索效率会下降。我的做法是每周清理一次超过三十天的旧记忆，只保留那些被后续行情验证为正确的记录。

如果你想让 Agent 的记忆更结构化，可以考虑引入向量数据库，把每次分析的特征向量存进去，检索的时候用相似度匹配而不是简单的时间排序。这样即使是很久以前的相似行情，也能被准确召回。不过这会增加一些部署复杂度，看你的实际需求权衡。

4.7 监控面板的定制化调整

PanWatch 自带一个 Web 监控面板，但默认的布局不一定适合每个人。我习惯把最重要的几个指标放在最上面：当前持仓、今日信号数、Agent 平均响应时间、以及最近一条推送的内容。面板的配置文件在frontend/config/dashboard.json，改起来就是调 JSON 数组的顺序，把对应的卡片 ID 往前排就行。

另外面板默认是每 30 秒刷新一次数据，如果你觉得不够实时，可以改成 5 秒。但要注意，刷新频率太高的话，后端接口压力会变大，尤其是同时有多个人在看面板的时候。我的建议是个人使用设 5 秒没问题，团队共用的话还是保持 30 秒比较稳妥。

4.8 关于资源占用的实测数据

最后分享一组我在不同配置服务器上跑 PanWatch 的实测数据，供你选服务器的时候参考。在 2 核 4G 的机器上，三个 Agent 并发推理时 CPU 占用率长期在 85% 以上，内存占用约 3.2G，响应延迟 8-15 秒。换到 4 核 8G 的机器后，CPU 占用降到 40% 左右，内存占用约 4.5G，响应延迟稳定在 2-3 秒。如果监控标的超过 20 个，建议直接上 8 核 16G，不然队列会积压得越来越长。

磁盘方面，MySQL 数据增长比较慢，一个月大概 500M 左右；Redis 如果开了持久化，增长会快一些，但一般 10G 的盘也够跑很久了。真正吃磁盘的是 Docker 镜像和日志，记得定期docker system prune清理一下没用的镜像和缓存。

我在实际使用中发现，PanWatch 这套东西最舒服的用法不是让它全自动交易，而是把它当成一个不知疲倦的助手。它帮你盯着盘面，有异动的时候提醒你，但最终按不按那个按钮，还是你自己决定。Agent 再聪明也有犯错的时候，把决策权完全交出去，心态上很难扛住。保持人在回路里，才是这套系统最合理的打开方式。