企业官网建设流程全解析

1. 为什么要把 A 股分析拆成多角色协同

很多人第一次用大模型做 A 股分析，都是同一个套路：打开对话框，输入「帮我看看今天大盘怎么样」，然后等一段洋洋洒洒的回复。用几天就会发现三个问题——信息是碎的，今天问的和昨天问的接不上；视角是单一的，一个模型既当宏观分析师又当交易员，结论经常自相矛盾；节奏是被动的，你不问它就不动，盘中该提醒的时候它沉默。

OpenClaw 这类 Agent 框架的价值，恰好在于把「一问一答」升级成「有分工的流水线」。所谓多角色协同，说白了就是给同一个模型戴上不同的帽子：一顶帽子专门盯宏观和政策，一顶帽子专门做个股基本面和技术面，还有一顶帽子只干一件事——挑毛病、算风险。三个角色各写各的分析，最后由调度层汇总成一份可执行的报告。

这套流程适合谁？适合有一定 Python 基础、想把自己的分析框架沉淀成代码的散户和量化爱好者；也适合做投研工具的产品同学，想验证多 Agent 协作在金融场景里到底能跑出什么效果。它不适合指望「输入代码就躺赚」的人，因为最终决策仍然要你自己拍板。

我这次要复现的，是一条完整链路：行情抓取角色负责拉数据，策略生成角色负责出观点，风险复核角色负责唱反调，三者通过统一的模型 API 通道调用大模型，最后跑一次历史回测验证流程是否自洽。关键点在于，所有角色共用一套 Key 和 endpoint，这样切换模型、统计成本、排查报错都只在一个地方改。下面从环境准备开始，一步步把这条链路搭起来。

2. TaoToken 统一 Key 接入的前置准备

多角色协同最怕的就是配置散落各处：抓取角色用一个 Key，策略角色用另一个，风控角色又换一个 base_url，结果某个角色报 401 你都不知道是哪份配置的问题。所以第一步不是写 Agent，而是先把模型接入层统一掉。

我采用的是 TaoToken 的 API 通道，官网入口是 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，API 基址固定为 https://taotoken.net/api 。它的作用是把不同厂商的模型收敛到一套 OpenAI 兼容协议下，你只需要维护一个 Base URL、一个 Key、一组 Model ID，三个角色都从这里取。

先拿 Key。登录后进入控制台，地址是 https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，在 API Keys 页面创建一个新 Key，复制出来存到环境变量里，别硬编码进脚本。创建 Key 的具体页面在 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 。

拿到 Key 之后，建议先别急着写 Agent，用最朴素的方式验证通道是否通。我习惯先跑一个最小请求，确认 Base URL、Key、Model ID 三件套没问题，再去搭复杂的多角色逻辑。这一步能省掉后面大量「到底是网络问题还是代码问题」的扯皮。

环境变量这样设置，Linux/macOS 用 export，Windows 用 set 或写进 .env：

export TAOTOKEN_API_KEY="sk-你的Key" export TAOTOKEN_BASE_URL="https://taotoken.net/api"

模型 ID 建议先选一个通用对话模型做联调，等流程跑通再按角色换更合适的模型。比如宏观角色可以用长上下文模型读政策文件，策略角色用推理强的模型，风控角色用响应快的模型。这些都在同一套 Key 下切换，不用改接入代码。

有一点要提醒：Key 属于敏感信息，别写进 Git 仓库，也别贴到公开的 issue 里。我一般用 .env 加 python-dotenv 加载，.env 写进 .gitignore。多角色系统里每个角色都读同一个环境变量，这样轮换 Key 时只改一处。

3. 可复制的多角色配置与调度脚本

这一节是核心，给出可以直接抄的配置和代码。整体结构分三层：配置层（settings）、角色层（三个 Agent 的 prompt 和工具）、调度层（按时间或事件触发）。

先看配置。我用一个 settings.json 管理模型接入和角色参数，路径放在项目根目录的 config/settings.json：

{ "llm": { "base_url": "https://taotoken.net/api", "api_key_env": "TAOTOKEN_API_KEY", "default_model": "gpt-4o-mini", "timeout": 60 }, "roles": { "macro": { "model": "gpt-4o-mini", "temperature": 0.3, "system_prompt": "你是宏观政策分析师，只负责解读国际形势、国内政策、宏观数据对A股的影响，输出要点不超过5条，每条必须给出逻辑链。" }, "strategy": { "model": "gpt-4o-mini", "temperature": 0.5, "system_prompt": "你是选股与策略专家，基于给定的行情和基本面数据，输出2-3个候选方向，每个方向说明基本面依据、技术面位置、预期差来源。" }, "risk": { "model": "gpt-4o-mini", "temperature": 0.2, "system_prompt": "你是风控官，只做一件事：对策略角色给出的每个方向提出反驳，指出最可能失效的场景，并给出仓位上限建议。" } }, "schedule": { "morning": "09:00", "afternoon": "14:00" } }

注意 base_url 写的是 https://taotoken.net/api ，不带任何多余路径。api_key_env 指向环境变量名，而不是 Key 本身，这样配置可以进版本库。

接下来是调度脚本。我用 Python 写一个最小可跑的版本，依赖 openai 和 apscheduler：

import os import json from openai import OpenAI from apscheduler.schedulers.blocking import BlockingScheduler with open("config/settings.json", "r", encoding="utf-8") as f: cfg = json.load(f) client = OpenAI( base_url=cfg["llm"]["base_url"], api_key=os.environ[cfg["llm"]["api_key_env"]], ) def call_role(role_name, user_content): role = cfg["roles"][role_name] resp = client.chat.completions.create( model=role["model"], temperature=role["temperature"], messages=[ {"role": "system", "content": role["system_prompt"]}, {"role": "user", "content": user_content}, ], ) return resp.choices[0].message.content def run_pipeline(market_snapshot): macro = call_role("macro", market_snapshot) strategy = call_role("strategy", f"宏观结论：{macro}\n行情快照：{market_snapshot}") risk = call_role("risk", f"策略方向：{strategy}") report = f"【宏观】\n{macro}\n\n【策略】\n{strategy}\n\n【风控】\n{risk}" with open("reports/latest.md", "w", encoding="utf-8") as f: f.write(report) return report if __name__ == "__main__": scheduler = BlockingScheduler() scheduler.add_job(lambda: run_pipeline("隔夜外盘与今日政策摘要"), "cron", hour=9, minute=0) scheduler.add_job(lambda: run_pipeline("盘中资金流向与技术结构"), "cron", hour=14, minute=0) scheduler.start()

这段代码里，三个角色共用同一个 client，只是 system_prompt 和 temperature 不同。行情抓取角色我暂时用字符串代替，实际项目里可以接 Tushare 或行情接口，把返回的 JSON 塞进 market_snapshot。

如果你用的是 Claude Code 或 Cline 这类工具做开发，配置方式略有不同。以 Claude Code 为例，需要在 settings 里指定 Base URL 和 Key，模型 ID 填 TaoToken 支持的名称。三件套缺一不可：Base URL 是 https://taotoken.net/api ，Key 从控制台拿，Model ID 按角色选。Cline 的 MCP 配置同理，把 endpoint 指向 TaoToken，Key 填环境变量引用。

调度层还有一个细节：角色之间要有依赖顺序，宏观先跑，策略基于宏观结论，风控基于策略结论。不要三个角色并行，否则风控拿不到策略输出，反驳就无从谈起。串行虽然慢一点，但逻辑链完整。

4. 验证请求与一次完整回测

配置写完，先别急着上定时任务，手动跑一次验证请求，确认每个角色都能正常返回。最直接的方式是写一个测试脚本，逐个角色调用：

if __name__ == "__main__": snapshot = "隔夜美股下跌1.2%，油价上涨3%，国内发布新能源补贴细则" print(call_role("macro", snapshot))

跑通后你会看到宏观角色输出几条带逻辑链的要点。如果这里报错，先看错误类型，下一节专门讲排查。

三个角色都通了之后，做一次完整回测。回测的目的不是验证策略赚钱，而是验证流程自洽：给定一段历史行情，三个角色能否依次产出结论，风控能否真的提出有效反驳。

我选一段有明确政策事件的历史区间，把当时的行情快照和政策文本喂进去，记录三个角色的输出。重点看两件事：策略角色的方向是否有基本面和技术面依据，风控角色的反驳是否具体到场景而不是空话。如果风控只会说「注意风险」，说明 prompt 需要加约束，要求它必须指出失效场景和仓位上限。

回测脚本可以这样组织：

def backtest(events): results = [] for ev in events: macro = call_role("macro", ev["snapshot"]) strategy = call_role("strategy", f"{macro}\n{ev['snapshot']}") risk = call_role("risk", strategy) results.append({"date": ev["date"], "macro": macro, "strategy": strategy, "risk": risk}) return results

跑完把结果存成 JSON，人工过一遍。我实测下来，第一版 prompt 里风控角色经常输出「建议谨慎」，加了「必须给出具体失效场景和仓位百分比」之后，输出质量明显提升。这就是多角色协同的调优方式：不是改模型，而是改角色约束。

验证成功的标志是：三个角色的输出能串成一条完整逻辑链，从宏观判断到策略方向再到风险边界，中间没有断裂。到这一步，endpoint 改到 TaoToken 的联调就算完成了。

5. 本篇常见报错排查

多角色系统跑起来，报错基本集中在接入层。下面按真实遇到的错误对照排查。

401 Unauthorized。最常见的原因是 Key 没读到或读错。检查环境变量名是否和 settings.json 里的 api_key_env 一致，检查 Key 有没有多余空格。还有一种情况是 Key 被禁用或额度耗尽，去控制台确认状态。注意 base_url 必须是 https://taotoken.net/api ，多写或少写路径都可能触发 401。

local proxy failed 或连接超时。这类错误通常是本地网络环境或代理配置导致的。检查你的运行环境是否能正常访问外网，如果公司网络有出口限制，换一个网络环境再试。不要在任何脚本里硬编码代理地址，保持接入层干净。

reading choices 相关报错，比如 KeyError: 'choices'。这说明返回体结构和你预期的不一样，通常是请求根本没成功，返回的是错误 JSON。打印完整 response 看内容，多半是模型 ID 写错或参数不合法。确认 Model ID 是 TaoToken 支持的名称，temperature 在合理范围内。

OAuth 或鉴权类报错。如果你用的是 Claude Code 这类工具，报 OAuth 错误通常是工具自身的登录态和 API Key 模式冲突。切到 API Key 模式，把 Base URL、Key、Model ID 三件套填全。CC Switch 切换配置时也要确认这三项都指向 TaoToken，别只改了 Base URL 忘了 Model ID。

角色输出为空或截断。检查 max_tokens 设置，多角色串行时如果上下文太长，后面的角色可能拿不到完整输入。适当精简上游输出，或者给每个角色单独设 token 上限。

排查顺序建议：先单独测接入层（一个最小请求），再测单个角色，最后测整条流水线。这样能快速定位是接入问题还是逻辑问题。

6. 把这条链路用起来

跑通之后，你可以按自己的节奏扩展。比如给行情抓取角色接真实数据源，把 market_snapshot 换成接口返回的 JSON；给策略角色加技术指标计算工具，让它基于真实数据出方向；给风控角色加持仓数据，让它算具体仓位。

模型对话入口在 https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，可以先用它手动验证 prompt 效果，再写进配置。接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，参数细节都在里面。如果你打算长期跑这套多角色系统，Coding Plan 在 https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，适合需要稳定调用和成本可控的场景。

最后说一个我踩过的坑：别一上来就追求五个角色、十个工具。先把三个角色跑顺，确认逻辑链完整，再逐个加。角色越多，调度和排查的复杂度是指数上升的。三个角色能跑出稳定输出，比五个角色互相打架有价值得多。