tools-only Design: 新闻分析师 Agent 技术设计
Context
本设计基于 TradingAgents 多智能体交易框架中的新闻分析师角色，为 A 股赛博操盘手平台添加新闻分析能力。
参考实现:
- TradingAgents - MIT 多智能体交易框架
- FinanceNews-MCP - 财经新闻 MCP 服务
约束:
- 复用现有 LangGraph Agent 架构
- 优先使用已有的 Tushare 数据源
- 避免引入过多外部依赖
Goals / Non-Goals
Goals
- 提供 A 股市场新闻获取能力
- 支持新闻情绪分析（利好/利空/中性）
- 支持股票关联新闻查询
- 无缝集成到现有 Agent 编排系统
Non-Goals
- 实时新闻推送（WebSocket）
- 社交媒体舆情分析（微博、雪球）
- 新闻向量化检索（Embedding）
- 历史新闻大规模存储
Architecture Overview
┌─────────────────────────────────────────────────────────────────┐
│ OrchestratorAgent │
│ "查看茅台最近的新闻" → 路由到 NewsAnalystAgent │
└─────────────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────────┐
│ NewsAnalystAgent │
│ ┌─────────────────────────────────────────────────────────┐ │
│ │ Tools: │ │
│ │ - get_news_by_stock 获取股票相关新闻 │ │
│ │ - get_market_news 获取市场整体新闻 │ │
│ │ - analyze_sentiment 分析新闻情绪 │ │
│ │ - get_hot_topics 获取市场热点 │ │
│ │ - summarize_news 生成新闻摘要 │ │
│ └─────────────────────────────────────────────────────────┘ │
└─────────────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────────┐
│ NewsService │
│ ┌───────────────┐ ┌───────────────┐ ┌───────────────┐ │
│ │ Announcement │ │ SinaNews │ │ HotTopics │ │
│ │ Service │ │ Service │ │ Service │ │
│ └───────────────┘ └───────────────┘ └───────────────┘ │
└─────────────────────────────────────────────────────────────────┘
│
┌─────────────────────┼─────────────────────┐
▼ ▼ ▼
┌───────────────┐ ┌───────────────┐ ┌───────────────┐
│ Tushare │ │ Sina API │ │ Redis │
│ 公告数据 │ │ 财经新闻 │ │ 缓存 │
└───────────────┘ └───────────────┘ └───────────────┘
Decisions
Decision 1: 数据源选择
选择: 优先使用 Tushare 公告 + Sina 财经新闻
Alternatives considered:
- FinnHub API - 需要额外 API Key，增加配置复杂度
- 东方财富爬虫 - 法律风险，维护成本高
- 付费新闻服务 - 成本过高
Rationale:
- Tushare 已有 Token，公告数据权威可靠
- Sina 财经免费且数据丰富，接口相对稳定
- 两者结合覆盖公告和市场新闻两个维度
Decision 2: 情绪分析方案
选择: 使用 LLM（GPT-4）进行情绪分析
Alternatives considered:
- 规则匹配 - 准确率低，维护成本高
- 专用情绪分类模型 - 需要训练数据和额外部署
- 第三方 NLP 服务 - 增加外部依赖
Rationale:
- 项目已集成 OpenAI API，复用现有基础设施
- LLM 理解能力强，无需额外训练
- 可以同时生成情绪标签和分析理由
Decision 3: Agent 架构设计
选择: 继承 LangGraphAgent 基类，遵循现有 Agent 模式
Rationale:
- 与 MarketAgent、ReportAgent 等保持一致
- 自动获得 Langfuse 可观测性
- 无缝集成到 OrchestratorAgent
Data Models
# 新闻数据结构
class NewsItem(BaseModel):
"""新闻条目"""
id: str # 新闻唯一标识
title: str # 标题
content: str # 内容/摘要
source: str # 来源（tushare/sina/etc）
publish_time: datetime # 发布时间
stock_codes: List[str] = [] # 关联股票代码
category: str = "" # 分类（公告/快讯/分析）
url: Optional[str] = None # 原文链接
class NewsSentiment(BaseModel):
"""情绪分析结果"""
news_id: str
sentiment: Literal["positive", "negative", "neutral"]
score: float # -1.0 到 1.0
reasoning: str # 分析理由
impact_level: Literal["high", "medium", "low"]
class HotTopic(BaseModel):
"""热点话题"""
topic: str # 话题名称
keywords: List[str] # 关键词
heat_score: float # 热度分数
related_stocks: List[str] # 相关股票
news_count: int # 相关新闻数量
Agent Tools Specification
# Tool 1: 获取股票相关新闻
def get_news_by_stock(
stock_code: str, # 股票代码，如 600519.SH
days: int = 7, # 查询天数
limit: int = 20 # 返回数量
) -> List[NewsItem]:
"""获取指定股票的相关新闻和公告"""
pass
# Tool 2: 获取市场新闻
def get_market_news(
category: str = "all", # 分类: all/announcement/flash/analysis
limit: int = 20
) -> List[NewsItem]:
"""获取市场整体财经新闻"""
pass
# Tool 3: 分析新闻情绪
def analyze_news_sentiment(
news_items: List[NewsItem],
stock_context: Optional[str] = None # 股票背景信息
) -> List[NewsSentiment]:
"""分析新闻列表的情绪倾向"""
pass
# Tool 4: 获取市场热点
def get_hot_topics(
limit: int = 10
) -> List[HotTopic]:
"""获取当前市场热点话题"""
pass
# Tool 5: 生成新闻摘要
def summarize_news(
news_items: List[NewsItem],
focus: Optional[str] = None # 关注重点
) -> str:
"""AI 生成新闻摘要和要点"""
pass
Risks / Trade-offs
Risk 1: Sina API 稳定性
- 风险: Sina 财经 API 可能变更或限流
- 缓解: 实现重试机制和降级策略，缓存热门数据
Risk 2: LLM 情绪分析成本
- 风险: 大量新闻情绪分析消耗 Token
- 缓解: 批量分析、缓存结果、限制分析数量
Risk 3: 新闻时效性
- 风险: 缓存可能导致新闻不够及时
- 缓解: 设置合理的缓存 TTL（快讯 5 分钟，公告 1 小时）
Migration Plan
- Phase 1: 实现基础新闻获取（Tushare 公告）
- Phase 2: 添加 Sina 新闻源
- Phase 3: 实现情绪分析功能
- Phase 4: 集成到 Orchestrator
- Phase 5: 前端展示（后续迭代）
无需数据迁移，纯增量功能。
Open Questions
- 缓存策略细节: Redis key 命名规范？缓存过期时间？
- 情绪分析 Prompt: 是否需要针对 A 股市场特点定制？
- 前端集成优先级: 是否在本次迭代中实现前端组件？