一.agent功能学习
- 这周发布了新的agent功能，赶紧打开了pandaai平台，发现跟我想象中的agent功能还是不一样。主要还是通过各种功能模块组件，通过搭建工作流来实现agent交易。先自己尝试搭建，发现还是有些工作流的搭建逻辑不清楚，平台也发布了相关的教学视频，还是有老师跟着学重要，跟着视频开始搭建;
二.搭建交易agent
- 学习之后搭建的难度其实不时很大，经过几轮AI助手的代码修复，项目很快就跑通了;
- 主agent是负责分配任务，综合子agent反馈的信息做最终决策和风控管理的职责，4个子agent分别是数据处理agent、特征处理agent、市场环境检测agent和机器学习agent，除了给每个agent设定角色，再跟每个角色的agent配置相应的技能，技能可以通过AI助手对话生成代码实现，没用到RAG检索模块和MCP调用模块流程跑通后可以开启右下角的agent对话框，进行策略构建和执行。
!
- 先把我的想执行的策略描述出来，然后主agent会把任务根据不同的子agent角色来分配任务并按照我设定的规则去输出，最后又综合汇总到主agent来判断是否是执行交易，这个逻辑框架是通了。因为我是个中高频策略，每隔15分执行一次，所以我让agent分别在10个品种标的，用最近1年的数据用来测试，分了训练集、测试集和验证集，输出了sharp，最大回撤、胜率等这些结果，策略整体还是问题很大，agent不推荐我进行实盘，让我继续优化策略。
三.agent功能体验心得
- 因为最近自己也在看很多agent项目，聊一聊我的体会，整个agent使用起来对于纯小白的话，还是有一定的门框，现在主流agent都是通过对话框交互，整个执行流程全部交给agent。pandaAI的智能体搭建逻辑还是比较简单，但是功能模块的介绍太少，像RAG、MCP、Skill这些模块，我明白通过这些模块可以扩展agent的能力，但是对于纯新手可能完全不知道怎么用，平台可以多做一些相关功能使用的教程。对话过程中智能体有明显出现记忆混乱的情况，一些同意问题会反复的问我。然后完全由agent去执行交易虽然可行，一个是受大模型自身稳定性的影响，还有云平台服务器的影响，策略构建也偏黑箱。我的想法是目前看由agent帮助我们提升开发策略的效率，优化我们的策略，而执行层可以用平台已经搭建好的python代码去执行，这样稳定性更高。我相信agnet trade肯定能够做到盈利，在这之前还有很多路要走，也希望平台越做越好。
