用 LangGraph 编排金融多智能体：StateGraph 实战解析
多智能体系统的难点不在"多"，而在"编排"。本文以 EconSwarm 的 12 阶段金融分析流水线为例， 说明如何用 LangGraph 的 StateGraph 把 34 个专业 Agent 组织成一张可控、可审计、可恢复的图， 以及状态设计、条件路由、质量门控与断点续跑在金融场景里的具体做法。
一、为什么金融流水线适合状态机
投研工作本身就是一套 SOP：先取数、再校验、再形成观点、最后过风控与合规。 用一次性的长 prompt 让单个模型"一口气写完"，中间过程不可见、错误无法定位、失败只能整体重跑。 LangGraph 的 StateGraph 把每一步显式建模为节点，把流转条件建模为边， 于是每一层都可以单独替换、单独重试、单独复核 —— 这正是金融场景对可解释性与可审计性的硬要求。
二、状态设计：把证据与结论分层
状态对象是整张图的唯一真相来源。实践中把它分成三层最稳：
- 输入契约 —— 标的、分析日期、研究深度、目标市场，全流程只读。
- 证据层 —— 各取证节点以追加方式写入，带来源、时间戳与质量评级； 用累加型 reducer 避免并行节点互相覆盖。
- 结论层 —— 辩论记录、研究计划、风控意见与最终决策， 每项都引用证据 ID，而不是复制文本。
并行取证节点写同一个 key 是最常见的踩坑点：只要该字段没有定义合并规则，最后写入者会覆盖其他分支的结果。
三、节点划分：34 个 Agent 如何落到图上
并非每个 Agent 都要成为一个顶层节点。EconSwarm 的做法是按职责聚类： 取证类 Agent 归入并行分支、辩论类 Agent 归入循环子图、风控与合规 Agent 归入决策前置关卡， 垂直领域技能则作为工具挂载在对应 Agent 上，而不是新增图节点。 这样图的拓扑保持可读，扩展 Agent 或技能时不需要重画流水线。
| 阶段 | 图上的角色 | 说明 |
|---|---|---|
| 01–03 | 任务定义 · 多源取数 · 证据归集 | 入参校验后由行情、基本面、舆情、政策、资金流等取证节点并行执行。 |
| 04–05 | 质量门控 · 证据分级 | 缺失、过期、互相矛盾的数据被打回重取，低质证据不进入推理。 |
| 06–07 | 多空辩论 · 观点收敛 | 看多与看空节点交替发言，由 Research Manager 汇总分歧并标注依据强弱。 |
| 08–09 | 研究计划 · 交易计划 | 结论转成结构化研究计划，再落到可执行的交易/仓位建议草案。 |
| 10–11 | 三方风控辩论 · 合规审议 | 激进、保守、中性风控视角各自评估，合规口径前置检查。 |
| 12 | 最终决策 · 报告生成 | 输出结构化决策对象与 Markdown / PDF 报告初稿，全过程留痕。 |
四、条件边与质量门控回退
质量门控是条件边最有价值的用法：门控节点读取证据层的评级， 不合格就把控制流指回对应取证节点重取，合格才继续向下。 同理，辩论子图用条件边判断是否收敛 —— 分歧收敛或达到最大轮次才退出循环， 避免两个 Agent 无限对话。给每个循环设置显式的轮次上限，是把状态机投产的前提。
五、流式输出与实时进度
金融分析任务动辄数分钟，用户需要看到"正在发生什么"。 按 token 流式返回文本用于报告撰写节点，按节点事件推送进度用于整张图 —— 前者让阅读体验连续，后者让长任务的每一步都可观测。 两条通道共用同一份状态，前端只是它的投影。
六、断点续跑与长任务恢复
持久化检查点让每个节点结束后的状态都可落盘，于是网络抖动、数据源限流或模型超时 都只影响单个节点，恢复时从最近检查点继续，而不是整轮重跑。 这对批量标的池尤其重要：几十只标的的长周期重算，失败成本从"整体"降到"单点"。
七、可审计留痕与错误处理
每个节点的输入、工具调用与输出独立留痕，配合引用证据 ID 的结论层， 就能按角色回放宏观、基本面、资金流与风险各条链路，满足内部质控与合规复核。 错误处理同样落在图上：取数失败切换备用数据源，模型异常降级到更保守的路径， 所有降级动作本身也是状态的一部分，出现在最终报告的方法论说明里。
八、结论与选型建议
如果任务是单轮问答，普通的 Agent 循环足够； 一旦流程有明确阶段、需要并行取证、需要门控与回退、需要审计与恢复， 状态机编排的收益就会迅速超过它的建模成本。 金融研究几乎踩满了后一类特征 —— 这也是 EconSwarm 选择把整条投研 SOP 写成 StateGraph 的原因。