Agentic Trading: Multi-Agent Trading System

6 Kandungan · Prakata 8 · Cara Menggunakan Buku Ini 11 B A H A G I A N I — D a r i p a d a S i n g l e A g e n t K e p a d a M u l t i - A g e n t S y s t e m 01 Evolusi Agentic Trading 19 02 Kenapa Satu AI Agent Tidak Semestinya Cukup? 30 03 Architecture Sebuah Multi-Agent System 39 04 Agent Orchestration vs Deterministic Automation 48 B A H A G I A N I I — M e m b i n a P a s u k a n A I A g e n t S p e c i a l i s t 05 Hermes Profiles, Bot Mode & Subagent Delegation 59 06 Design Agent Soul, Memory, Skills & Permissions 69 07 Membina Chief Orchestrator 79 08 Membina Market Intelligence & Bursa Agents 89 09 Membina Quant & Futures Research Agents 99 10 Membina Risk, Execution, Journal & Ops Agents 109 B A H A G I A N I I I — K o m u n i k a s i A g e n t & S h a r e d I n t e l l i g e n c e 11 Bagaimana AI Agents Berkomunikasi? 120 12 Shared Memory, Knowledge Base & Research History 130 13 MCP: Memberi Tools Yang Betul Kepada Agent Yang Betul 140 14 Event-Driven Architecture Menggunakan Redis & n8n 150 15 Multi-Agent Consensus, Debate & Independent Review 160 B A H A G I A N I V — M u l t i - M a r k e t T r a d i n g I n t e l l i g e n c e 16 Unified Market Intelligence Pipeline 171 17 Multi-Agent Morning Market Brief 181 18 Catalyst Detection & Cross-Agent Research 191 19 Multi-Agent Strategy Research Pipeline 201 20 Portfolio Intelligence & Correlation Analysis 211

7 B A H A G I A N V — M e n y a m b u n g T r a d i n g A u t o m a t i o n 21 Integrating Series 02 Broker Infrastructure 222 22 The Signal-to-Execution Governance Pipeline 232 23 Human-in-the-Loop & Approval Governance 242 24 Independent Portfolio Risk Engine 252 25 Coordinating Multiple Strategies 262 B A H A G I A N V I — M e m b i n a T r a d i n g C o m m a n d C e n t r e 26 Application Architecture & Database Design 273 27 Agent Command Centre Dashboard 283 28 Telegram & Discord Multi-Agent Control Room 294 29 Observability, Model Routing & Cost Optimisation 304 B A H A G I A N V I I — K e s e l a m a t a n , K e b o l e h p e r c a y a a n & P e n i l a i a n 30 Securing a Multi-Agent Financial System 315 31 Failure Recovery & Disaster Scenarios 326 32 Evaluation: Adakah Multi-Agent System Kita Benar-Benar Lebih Baik? 336 B A H A G I A N V I I I — P r o j e k A k h i r 33 Deploying the Complete System 347 34 End-to-End Multi-Agent Trading Simulation 358 35 The 14-Day AI Trading Command Centre Challenge 368 36 The Future of Agentic Trading 381 A Cheat Sheet Command 390 B Templat Agent 396 C Glosari Trilogi 405 D Peta Architecture Trilogi 414 E Matriks Ujian Keselamatan & Sistem 418 F Nota Regulatori Malaysia untuk Sistem Multi-Agent 426 G Panduan Deployment 431 · Rujukan 437

01 01 B A H A G I A N I Daripada Single Agent Kepada Multi-Agent System Kita bermula dengan model mental yang betul: kenapa satu agent tidak semestinya cukup, corak architecture multi- agent, dan sempadan antara penaakulan LLM dengan perisian deterministik. BAB 01 Evolusi Agentic Trading BAB 02 Kenapa Satu AI Agent Tidak Semestinya Cukup? BAB 03 Architecture Sebuah Multi-Agent System BAB 04 Agent Orchestration vs Deterministic Automation

B A B 0 1 Evolusi Agentic Trading 19 A P A Y A N G A N D A A K A N B E L A J A R B A B 0 1 01 01 Evolusi Agentic Trading Dalam Siri 01 anda membina satu agent yang boleh membaca, mengingat dan melapor. Dalam Siri 02 anda membina enjin yang boleh menghantar order, dikawal oleh risk engine dan kill switch. Siri 03 bermula dengan soalan seterusnya — apa yang berlaku apabila kerja research menjadi terlalu luas untuk seorang pembantu sahaja? H A S I L Anda memahami lima peringkat evolusi daripada chatbot kepada multi- agent trading system, mengenali sepuluh agent dan architecture rujukan Agentic Trading Command Centre, dan telah menjalankan keseluruhan sistem simulasi sekali di komputer anda. Masa: 1.5–2 jam Tahap: Pertengahan Prasyarat: Siri 01 dan Siri 02 (atau pengetahuan setara); Python 3.12 ke atas (diuji pada 3.13.1) Menerangkan lima peringkat evolusi: Chatbot, AI Agent, Agentic Workflow, Trading Automation dan Multi-Agent Trading System. 01 Menghubungkan apa yang anda bina dalam Siri 01 dan Siri 02 dengan sistem yang akan dibina dalam buku ini. 02 Mengenali sepuluh agent Command Centre dan sempadan kuasa setiap satu. 03 Membaca architecture rujukan dari arahan manusia hingga audit log, dan tahu bahagian mana yang konseptual. 04 Menjalankan ujian unit dan satu hari dagangan simulasi lengkap, lalu membaca output sebenar. 05

B A B 0 1 Evolusi Agentic Trading 20 Jilid terakhir trilogi ini bukan tentang menambah lebih banyak AI, tetapi menyusun kerja: siapa membuat research, siapa menyemak, siapa mengira, dan siapa yang benar-benar berkuasa. 1.1 Lima Peringkat: Daripada Chatbot Kepada Sistem Chatbot menjawab soalan lalu perbualan tamat; tanpa tool dan data anda, ia tidak boleh dipercayai untuk angka semasa. AI Agent ialah model dengan Soul, Memory, Skills dan tool yang boleh membaca fail, memanggil API dan melapor melalui Telegram — yang anda bina dalam Siri 01 dengan Hermes Agent v0.22.2 di VPS Ubuntu. Agentic workflow dicetuskan oleh jadual (cron) atau peristiwa (webhook) dan disusun oleh n8n, contohnya ringkasan berita pagi ke Telegram sebelum Bursa dibuka. Trading automation ialah fokus Siri 02: moomoo OpenD dan Tradovate, strategy EMA9 dan ORB, RiskEngine, OMS dengan reconciliation, kill switch dan dashboard. ExecutionGateway satu-satunya laluan ke broker, dan prinsipnya simulation-first: semua order melalui LocalMockBroker sehingga anda sendiri memutuskan sebaliknya. AI agent hanya membaca status enjin melalui MCP. Multi-agent trading system ialah beberapa agent specialist dengan peranan yang ditetapkan, tool yang dibenarkan, tugasan berstruktur, output yang boleh disahkan, serta laluan eskalasi dan pemulihan. Ini bukan "beberapa chatbot dalam satu group chat"; setiap output agent ialah cadangan yang disemak oleh kod dan, akhirnya, oleh manusia. Enjin Siri 02 disertakan tanpa perubahan di command-centre/packages/trading-engine/ .

B A B 0 1 Evolusi Agentic Trading 21 1 Chatbot soal jawab, tiada tool 2 AI Agent Soul · Memory · Skills · tools (Hermes v0.22.2) 3 Agentic Workflow cron · webhook · n8n · Telegram 4 Trading Automation Strategy → RiskEngine → OMS → ExecutionGateway → MockBroker · kill switch 5 Multi-Agent Trading System Alfred + specialist · ToolGateway · evidence · approval manusia SIRI 01 BUILD THE AGENT SIRI 02 BUILD THE AUTOMATION SIRI 03 BUILD THE SYSTEM sebelum trilogi Kuasa akhir: manusia Rajah 1.1 — Lima peringkat evolusi agentic trading dan kedudukan setiap jilid trilogi; kuasa akhir kekal pada manusia di setiap peringkat. 1.2 Bila Research Menjadi Terlalu Besar Untuk Satu Agent Dapur restoran yang sibuk mempunyai stesen berasingan, ketua yang menyusun giliran, dan juruwang yang memegang wang. Research trading sama: pagi Selasa anda mungkin perlu membaca Wall Street, menyemak luput MESZ6, membaca pengumuman suku tahunan Bursa, menilai strategy dan menyemak tumpuan portfolio. Satu agent untuk semua ini menghadapi konteks terlalu panjang, objektif bersaing, dan tiada penyemak. Penyelesaiannya pembahagian kerja, bukan agent yang lebih besar — walaupun pembahagian kerja juga ada kosnya (Bab 02). 1.3 Sepuluh Agent, Satu Pasukan Setiap agent ditakrifkan oleh agents/<nama>/agent.yaml yang dikuatkuasakan oleh kod, dan SOUL.md yang menerangkan persona kepada model. Jika kedua- duanya bercanggah, fail YAML yang menang. Lajur terakhir jadual di bawah menyenaraikan larangan, tetapi larangan dalam teks bukan kawalan; kawalan sebenar ialah agent itu tiada tool untuk melakukannya (Bab 04).

B A B 0 1 Evolusi Agentic Trading 22 Agent ID dalam kod Peranan ringkas Yang tidak boleh dilakukan Alfred orchestra tor Chief Orchestrator: merancang, mengagih, menyatukan Mengarahkan agent di luar playbook; menyentuh order Selena market- intelligen ce Pasaran global, makro, komoditi, FX Memberi cadangan beli/jual Bursa bursa- research Pengumuman korporat, keputusan suku tahunan, catalyst Menyamakan catalyst dengan entry Atlas quant- research Hipotesis, backtest boleh diulang, overfitting Melaporkan eksperimen yang tidak dijalankan Futures futures- research Spesifikasi, sesi, luput dan roll niaga hadapan Mencipta tarikh atau angka Sentinel risk- analyst Analisis risiko portfolio (nasihat sahaja) Meluluskan atau menolak order Execution Watch execution -watch Ringkasan status order (baca sahaja) Menghantar semula order UNKNOWN Archivist archivist Arkib research dan jurnal simulasi Mempromosikan pendapat kepada fakta Guardian guardian Kesihatan servis, kos, insiden Shell production tanpa had Auditor auditor Pengkritik bebas Bersetuju kerana majoriti bersetuju ◆ A G E N T I C I N S I G H T AI agent boleh mencadang. Sistem mesti mengesahkan. Manusia mengekalkan kuasa. Pengiraan, keadaan order, had risiko dan execution ialah kod deterministik; model bahasa membaca, meringkas dan mentafsir, dan outputnya sentiasa input yang belum dipercayai.

B A B 0 1 Evolusi Agentic Trading 23 1.4 Architecture Rujukan Command Centre Dalam Rajah 1.2, manusia (Human Commander) memberi arahan melalui API, dashboard atau chat command. Alfred memilih playbook yang diluluskan dan mengagih tugasan melalui queue tahan lasak kepada agent research, quant dan semakan, yang memulangkan hasil berstruktur ke evidence store. Di bawah garis itu semuanya deterministik: strategy, risk engine, approval policy, execution gateway, mock broker, OMS, audit log dan dashboard. Docstring pakej merakam susunan yang sama dan menamakan sempadannya: Human Commander lulus · had · kebenaran KONSEP — aplikasi kita, bukan ciri asli Hermes Command Centre FastAPI api/app.py Dashboard Chat commands n8n Alfred · orchestrator/core.py playbooks (DAG) durable queue RESEARCH Selena · Bursa · Futures · Atlas SEMAKAN Sentinel · Auditor OPERASI Execution Watch · Archivist · Guardian ToolGateway — allowlist per agent Structured results research_reports · evidence store · knowledge base Sempadan lapisan agent — tiada import ke bawah (ujian seni bina) tiada laluan Deterministic strategy EMA9/ORB · registry RiskEngine Siri 02 PortfolioRiskEngine Siri 03 ApprovalService TOTP · manusia ExecutionGateway Siri 02 LocalMockBroker paper adapters OMS · Reconciler Siri 02 Audit log hash chain Dashboard alerts Rajah 1.2 — Architecture rujukan Command Centre: lapisan agent di atas sempadan, rantaian deterministik di bawah, dan manusia sebagai pihak berkuasa akhir. src/command_centre/__init__.py TEXT Petikan: docstring pakej — perenggan sempadan lapisan. No module in the agent layer (``agents``, ``orchestrator``, ``llm``, ``tools``, ``memory``, ``consensus``, ``contracts``) imports the execution layer. ``tests/unit/test_misc_units.py::test_agent_layer_cannot_import_executi on`` enforces that (static imports only — see Bab 04 for its limits).

B A B 0 1 Evolusi Agentic Trading 24 1.5 Dua Puluh Ciri Command Centre Status setiap ciri teras dinyatakan dengan jujur, termasuk yang hanya separa. # Ciri Status dalam binaan ini Bab 1 Pelbagai AI agent specialist Sembilan specialist + Alfred 06, 08–10 2 Satu orchestrator penyelaras Alfred, playbook DAG 07 3 Storan research bersama Evidence store + knowledge base berprovenance 08, 12 4 Mesej antara agent yang berstruktur AMP v1 bertandatangan HMAC 11 5 Research pasaran secara selari Gelombang DAG selari 03, 17 6 Analisis tesis bullish dan bearish Adjudikasi berasaskan bukti, bukan undian 15 7 Research strategi kuantitatif Backtest deterministik IS/OOS 09, 19 8 Penilaian risiko peringkat portfolio Deterministik, berbilang mata wang 20, 24 9 Aliran kerja kelulusan manusia TOTP, terikat payload, sekali guna 23 10 Integrasi moomoo Adapter Siri 02 digunakan semula; tidak disambung secara lalai 21 11 Integrasi Tradovate Adapter Siri 02 digunakan semula; tidak disambung secara lalai 21 12 Risk engine deterministik yang bebas Dua lapisan, disemak semula selepas kelulusan 22, 24 ! A M A R A N Architecture ini reka bentuk aplikasi kita, bukan ciri asli Hermes. Hermes v0.22.2 menyediakan profiles, Bot Mode, delegate_task , Kanban, cron dan API server (Bab 05); Alfred, AMP v1, ToolGateway, playbook, chat command dan approval token ialah kod command-centre/ .

B A B 0 1 Evolusi Agentic Trading 25 # Ciri Status dalam binaan ini Bab 13 Persekitaran simulasi dan paper trading Simulasi penuh; paper perlukan adapter disambung 21, 33 14 Penjadualan dan integrasi n8n Disahkan secara statik, belum diimport ke n8n sebenar 14, 17 15 Antara muka Telegram dan Discord Command aplikasi kita; Discord untuk amaran 28 16 Dashboard arahan masa nyata Next.js, token di sisi server sahaja 27 17 Sejarah tugasan dan audit log Rantaian hash 26, 30 18 Pemantauan kos LLM Bajet tugasan/workflow/hari; harga ilustrasi 29 19 Pengesanan kegagalan dan pemulihan Fault injection + ujian regresi 31 20 Pemantauan kesihatan operasi Semakan deterministik; agent hanya meringkaskan 10, 29 Harness penilaian (Bab 32) dan hari dagangan simulasi lengkap (Bab 34) mengikat semuanya. 1.6 Hands-on: Lihat Seluruh Sistem Sekali Tujuannya melihat sistem bergerak sekali, bukan memahami setiap baris. Semuanya luar talian: tiada akaun broker, API key model atau internet. 1 Sediakan projek Ekstrak folder command-centre/ daripada arkib kod sumber buku (contoh: C:\agentic-trading\command-centre atau ~/agentic-trading/command-centre ), buat virtual environment dan pasang dependency (Python 3.12 ke atas; tiada sudo ). Di Linux/macOS aktifkan dengan source .venv/bin/activate ; di PowerShell .venv\Scripts\Activate.ps1 . Pulih: padam .venv dan ulang.

B A B 0 1 Evolusi Agentic Trading 26 Git Bash — ~/agentic-trading/command-centre STEP 1 BASH 2 Jalankan ujian unit Ujian unit menyemak kontrak, queue, kalendar, gateway tool, memory, risiko, approval dan sempadan architecture, tanpa rangkaian. Git Bash — ~/agentic-trading/command-centre STEP 2 BASH 3 Jalankan satu hari dagangan simulasi Skrip ini menjalankan morning brief, strategy research, sesi AS dengan data MES simulasi, ujian negatif, kegagalan broker, restart dan reconciliation. Folder --var dipadam dan dicipta semula setiap larian (kecuali dengan --keep ). Git Bash — ~/agentic-trading/command-centre STEP 3 BASH Terminal SUCCESS $ python --version Python 3.13.1 $ python -m venv .venv $ . .venv/Scripts/activate $ pip install -r requirements.txt $ python -m pytest tests/unit -q ....................................................................... . [ 81%] ................ [100%] 88 passed in 1.24s $ python -X utf8 scripts/run_trading_day.py --var var/w1 06:30 MYT Jadual: morning brief bermula (Alfred merancang 8 tugasan) 06:30 MYT Briefing COMPLETED: audit=pass_with_objections, debat=SUPPORTED_BEAR, kos=0.2299 USD … 21:50 MYT Isyarat LONG MES @ 5155.25 (stop 5134.00) — risk lulus; menunggu kelulusan apr-8cb423e50570

B A B 0 1 Evolusi Agentic Trading 27 Output sebenar (dipendekkan), Python 3.13.1, Windows 11, 19 Oktober 2026. DATA SIMULASI. TESTED. 1.7 Membaca Output Dengan Mata Trader Masa di kiri ialah jam simulasi (Selasa, 20 Oktober 2026, MYT); larian sebenar kira-kira 16 saat. "Model" ialah SimulatedModel — peraturan deterministik dalam simulation/analysts.py , bukan LLM — dan kos 0.2299 USD datang daripada harga ilustrasi config/pricing.yaml . ID kelulusan ( apr-… ) rawak; angka lain sepatutnya sama. Kod keluar 0 hanya jika audit log sah dan reconciliation bersih. 21:50 MYT Diluluskan (dashboard + TOTP) → submitted AT-INT- 5b8c0f4aa7bfbecd 21:50 MYT UJIAN NEGATIF: guna semula token → rejected (approval already used (replay)) … 21:55 MYT UJIAN NEGATIF: MNQ long semasa MES long → rejected @ portfolio_risk: REJECTED: max_correlated_exposure (correlated cluster ['MES', 'MNQ'] 248.8% > 200.0%) 21:55 MYT UJIAN NEGATIF: lulus oleh human:trader via telegram → ditolak (channel 'telegram' cannot approve (notification only)) … 21:55 MYT UJIAN KEGAGALAN: broker terputus → rejected (broker unavailable: mock broker not connected); insiden dibuka … 21:55 MYT Broker disambung semula; reconcile: RECONCILED: internal state matches broker 21:55 MYT Kill switch kekal NEW_ORDERS_BLOCKED — reconcile tidak resume sendiri 21:55 MYT Manusia resume (dashboard + TOTP, reconcile bersih) → RUNNING … 21:55 MYT Selepas restart: posisi 1 → 1; RECONCILED: internal state matches broker; recover={'requeued_leases': 0, 'dispatched': 0} … 04:10 MYT Kesihatan: degraded {'market_data': 'snapshot 21.9h old'} 04:10 MYT Audit log: rantaian hash SAH (39 rekod) 04:10 MYT P&L simulasi: -33.74 USD · 4 order · DATA SIMULASI

B A B 0 1 Evolusi Agentic Trading 28 Dua baris pertama ialah lapisan agent: Auditor memberi pass_with_objections , dan debat bull/bear diputuskan SUPPORTED_BEAR oleh adjudikator berasaskan bukti, bukan undian. Briefing itu research, bukan signal. Signal LONG MES pada 21:50 datang daripada strategy EMA9 Siri 02 — kod deterministik — dan order hanya dihantar selepas kelulusan manusia dengan TOTP. Token yang diguna semula ditolak, kelulusan melalui Telegram ditolak (saluran notifikasi sahaja), dan MNQ ditolak kerana gugusan MES–MNQ melebihi had korelasi. Selepas broker terputus, order baharu ditolak dan insiden dibuka; walaupun reconciliation kemudian bersih, kill switch kekal NEW_ORDERS_BLOCKED sehingga manusia berperanan approver, dengan TOTP, mengembalikannya kepada RUNNING . Baris degraded melaporkan dengan jujur snapshot fixture berusia 21.9 jam. P&L -33.74 USD tidak bermakna apa-apa tentang EMA9; nilai output ini ialah jejak proses — setiap pintu, setiap penolakan dan sebabnya. T R O U B L E S H O O T Aksara pelik atau UnicodeEncodeError dalam output SIMPTOM Output terhenti dengan UnicodeEncodeError: 'charmap' codec can't encode character '\u2192' in position 41 . PUNCA Konsol Windows lama menggunakan code page bukan UTF-8, manakala log menggunakan aksara seperti → dan — . DIAGNOSIS Ralat muncul hanya tanpa -X utf8 . PENYELESAIAN Guna python -X utf8 ... , atau tetapkan PYTHONUTF8=1 . PENGESAHAN Baris RINGKASAN: dan Audit log: rantaian hash SAH kelihatan. × C O M M O N E R R O R Virtual environment tidak aktif. Di Windows, ralat pertama biasanya ZoneInfoNotFoundError: 'No time zone found with key Asia/Kuala_Lumpur' — pakej tzdata dalam requirements.txt membekalkan zon waktu IANA. can't open file ... scripts/run_trading_day.py bermakna anda di luar command-centre/ . Betulkan: cd ke folder yang mengandungi pyproject.toml , aktifkan .venv , pip install -r requirements.txt , ulang.

B A B 0 1 Evolusi Agentic Trading 29 C H A P T E R C H E C K P O I N T Tandakan semua sebelum ke bab seterusnya L A T I H A N P R A K T I K A L Peta Peribadi Anda Buka agents/sentinel/agent.yaml . Cari baris forbidden tentang kelulusan order, kemudian semak senarai tools : adakah wujud tool yang boleh meluluskan order? Kemudian jalankan run_trading_day.py dengan --var var/latihan --no-drills — ujian apakah yang hilang? R U M U S A N B A B Daripada chatbot hingga trading automation, kita sampai ke multi-agent system: sepuluh agent di atas enjin Siri 02 yang tidak diubah, dengan sempadan jelas antara lapisan agent dan rantaian deterministik. 88 ujian unit dan satu hari simulasi telah berjalan; setiap angka ialah DATA SIMULASI — proses, bukan prestasi. ◆ ◆ ◆ ! S E C U R I T Y C H E C K Sempadan yang anda lihat hari ini 1. Enum Environment hanya simulation dan paper — tiada LIVE, jadi mesej tidak boleh pun menyatakan persekitaran live. 2. approval_signing.key dicipta dalam folder --var ( var/ dalam .gitignore ); jangan alihkan atau kongsi isinya. 3. Rahsia TOTP demo dalam config/users.example.yaml hanya untuk simulasi; untuk paper, rahsia mesti daripada environment variable. Saya boleh menamakan lima peringkat evolusi dan jilid trilogi yang membina setiap satu. Saya boleh menamakan sepuluh agent dan satu perkara yang setiap satu tidak boleh lakukan. 88 passed untuk ujian unit, dan hari simulasi berakhir dengan audit log sah serta reconciliation bersih.

B A B 0 2 Satu agent vs pasukan 30 A P A Y A N G A N D A A K A N B E L A J A R Sebelum membina pasukan sepuluh agent, kita perlu bertanya soalan yang tidak popular: adakah ia berbaloi? Jawapannya bergantung pada tugasan, bajet dan tahap risiko. B A B 0 2 02 02 Kenapa Satu AI Agent Tidak Semestinya Cukup? Lebih banyak agent tidak bermakna lebih baik. Satu agent yang diberi semua kerja akan lemas dalam konteks, tetapi sepuluh agent tanpa disiplin akan membakar token dan membiak kesilapan. Bab ini menimbang kedua-duanya dengan angka yang boleh anda jalankan sendiri. H A S I L Anda boleh menerangkan sebelas sebab pasukan agent membantu atau merugikan, tahu bila satu agent lebih sesuai, dan telah membandingkan baseline single agent dengan pasukan pada input yang sama. Masa: 1.5–2 jam Tahap: Pertengahan Prasyarat: Bab 01; projek command-centre berjalan Menerangkan had konteks, objektif bersaing, agent overload dan kejelasan peranan dalam satu agent. 01 Menilai manfaat specialisation, pemprosesan selari, semakan bebas dan pengendalian pendapat bercanggah. 02 Mengira harga pasukan: kos AI, overhead koordinasi dan amplifikasi kegagalan. 03 Menyatakan dengan jujur bila satu agent lebih wajar. 04 Menjalankan perbandingan baseline lawan pasukan dan membaca hasilnya tanpa salah tafsir. 05

B A B 0 2 Satu agent vs pasukan 31 2.1 Had Satu Agent Konteks yang terhad. Setiap model mempunyai context window — jumlah teks maksimum dalam satu panggilan. Konteks panjang dibayar setiap token, dan maklumat penting mudah tenggelam; sebab itu subagent Hermes bermula dengan perbualan baharu dan hanya ringkasan akhir kembali kepada parent. Objektif yang bersaing. Agent yang diminta membina tesis bullish terkuat, kemudian mengkritiknya, kemudian menyemak risiko portfolio akan cenderung konsisten dengan apa yang ditulisnya — jadi kritikan terhadap kerja sendiri biasanya lemah. Agent overload. Baseline generalist dalam projek kita memegang enam tool dan dibenarkan sepuluh pusingan, lebih daripada mana-mana specialist. Semakin banyak tool, semakin besar ruang tersilap pilih dan semakin sukar diaudit. Kejelasan peranan. Dalam satu agent, yang bertanggungjawab sentiasa "agent itu". Dalam pasukan, setiap specialist mempunyai accepts , tools dan forbidden sendiri dalam agent.yaml , jadi kegagalan boleh dikesan kepada satu peranan. 2.2 Apa Yang Pasukan Beri Specialisation memberi setiap agent prompt, tool dan had yang sesuai; model lebih kecil boleh digunakan untuk kerja sempit — agent.yaml Futures menggunakan tier small , Atlas large . Pemprosesan selari memendekkan masa: enam langkah morning brief tidak bergantung antara satu sama lain dan boleh berjalan serentak. Semakan bebas paling penting untuk trading. Auditor tidak menulis laporan; ia mencari sumber hilang, percanggahan dan keyakinan berlebihan, dan tidak terikat untuk mempertahankan kesimpulan. Pendapat pasaran yang bercanggah pula menjadi maklumat: jika Selena melihat risk-off tetapi Bursa melihat catalyst positif, pasukan memaparkan percanggahan itu, manakala satu agent biasanya "meratakannya" menjadi satu naratif yang yakin.

B A B 0 2 Satu agent vs pasukan 32 Single agent playbook single_agent_baseline Pasukan playbook eval_team_research Generalist (baseline) 6 tool get_market_snapshot get_economic_calendar list_recent_news list_recent_announcements get_contract_specs get_watchlist 1 laporan tiada semakan risiko · tiada audit 1 kegagalan = tiada output Alfred Selena market_intel Futures futures_brief Bursa bursa_research gagal Sentinel risk_review Auditor audit_review briefing + bantahan + percanggahan kegagalan diasingkan — required: false Token: 1× vs ~3× Masa: berurutan vs selari Semakan: tiada vs bebas Baseline vs pasukan · DATA SIMULASI — UNTUK TUJUAN PENDIDIKAN SAHAJA Rajah 2.1 — Satu agent generalist berbanding pasukan specialist pada skop yang sama: pasukan menambah semakan dan pengasingan kegagalan, dengan harga token kira-kira tiga kali ganda (DATA SIMULASI). 2.3 Harga Sebuah Pasukan Kos AI. Dokumentasi delegation Hermes menyatakan anak subagent ialah tempat kebanyakan token dibelanjakan, kerana setiap anak membayar semula system prompt. Pasukan kita menggunakan kira-kira tiga kali ganda token baseline, kebanyakannya token input (41,107 lawan 13,338 dalam kes bersih): Sentinel dan Auditor membaca laporan yang dimajukan Alfred. Semakan bebas bermakna membaca semula kerja orang lain — dan membaca juga dibayar. Overhead koordinasi. Orchestrator, queue, mesej bertandatangan, pengesahan payload dan penyatuan hasil ialah kod yang perlu diuji dan diselenggara; untuk tugasan kecil, ia boleh melebihi kerja sebenar. Amplifikasi kegagalan. Jika laporan Futures gagal dan langkah risiko bergantung padanya, risiko disekat, dan Auditor turut disekat. Ujian test_malformed_json_always_fails_required_step membuktikan rantaian ini: Futures failed selepas satu retry, risk menjadi blocked , dan workflow degraded . Tanpa pengesahan, tuntutan palsu satu agent boleh menjadi "fakta" agent seterusnya. Pengasingan kegagalan ialah pilihan reka bentuk: dalam playbook penilaian setiap langkah ditanda required: false , dan setiap citation disemak semula oleh orchestrator sebelum laporan diterima.

B A B 0 2 Satu agent vs pasukan 33 2.4 Bila Satu Agent Lebih Baik Jujurnya, banyak tugasan harian tidak memerlukan pasukan — agent tunggal Siri 01 sudah memadai untuk ringkasan pagi. Satu agent lebih wajar untuk tugasan ringkas satu domain, bajet terhad, kependaman penting atau idea yang masih diteroka. Pasukan berbaloi apabila research merentas pasaran, kesilapan membawa akibat kewangan, dan anda perlu jejak audit siapa mendakwa apa berdasarkan bukti apa. Situasi Satu agent Pasukan Ringkaskan satu pengumuman Bursa Sesuai Berlebihan Morning brief merentas AS, niaga hadapan dan Bursa Mungkin terlepas semakan Sesuai Bajet harian sangat kecil Sesuai Mahal Laporan yang mempengaruhi keputusan risiko Tiada semakan bebas Sesuai Penerokaan idea strategy awal Sesuai Overhead tinggi 2.5 Hands-on: Baseline Lawan Pasukan Agent baseline-generalist (fail agent.yaml -nya bertanda EVALUATION BASELINE ONLY; enam tool-nya dalam Rajah 2.1) dan playbook eval_team_research meliputi skop yang sama (global + Bursa + futures); pasukan menambah semakan risiko dan audit. load_team() melangkau folder baseline-* kecuali dengan include_evaluation=True (harness penilaian sahaja), dan ujian test_evaluation_agents_not_in_production_team memastikan pasukan production tepat sepuluh agent. Dalam workflows/playbooks/eval_team_research.yaml , setiap langkah ditanda required: false — termasuk langkah risk yang depends_on: [macro, futures, bursa] — supaya satu kegagalan tidak menyekat yang lain. 1 Cipta fail latihan Dalam command-centre/ , cipta folder latihan/ (di luar src/ ) dan salin ke dalamnya fail examples/latihan/ch02_satu_vs_pasukan.py daripada arkib kod sumber buku (bersebelahan command-centre/ ). Ia memuatkan

B A B 0 2 Satu agent vs pasukan 34 fixtures/evaluation/cases.yaml dan memanggil run_trial yang sama digunakan oleh harness penilaian Bab 32, dalam pangkalan data memori, tanpa mengubah projek. latihan/ch02_satu_vs_pasukan.py PYTHON Petikan: gelung utama fail latihan (salinan examples/latihan/ch02_satu_vs_pasukan.py). 2 Jalankan perbandingan Kes clean tanpa kegagalan; kes hallucination menyuntik satu agent (Bursa dalam pasukan, generalist dalam baseline) yang sentiasa memetik evidence id yang tidak wujud. Git Bash — ~/agentic-trading/command-centre STEP 2 BASH for case_id in ("clean", "hallucination"): 1 for mode in ("baseline", "team"): 2 r = run_trial(Path("."), cases[case_id], mode, spec["ground_truth"]) 3 tokens = r.input_tokens + r.output_tokens 4 print(f"{case_id:13} {mode:8} {r.status:9} panggilan= {r.model_calls:2} " 5 f"token={tokens:6,} kos={r.cost_usd:.4f} USD fakta= {len(r.gt_found)}/{r.gt_total}") 6 for note in r.notes: 7 if "failed" in note: 8 print(f"{'':23}↳ {note[:78]}") 9 $ python -X utf8 latihan/ch02_satu_vs_pasukan.py

B A B 0 2 Satu agent vs pasukan 35 Terminal SUCCESS Output sebenar, Python 3.13.1, Windows 11, 19 Oktober 2026. SimulatedModel; kos daripada harga ILUSTRASI. DATA SIMULASI. TESTED. A P A C O M M A N D I N I B U A T ? fakta ialah bilangan fakta ground truth (daripada fixture) dalam output akhir. Dalam kes bersih kedua-dua mod menemui 6/6, tetapi pasukan menggunakan 43,648 token berbanding 13,868 — kira-kira 3.15 kali ganda, kos 2.74 kali ganda. Dalam kes halusinasi, baseline menghabiskan 14 panggilan (repair dan retry) tanpa output boleh guna. Pasukan menolak laporan Bursa yang gagal semakan citation, tetapi agent lain terus bekerja: completed dengan 4/6 fakta. Dua fakta Bursa (SIM1 dan SIM2) hilang — pengasingan kegagalan mengurangkan kerosakan, bukan menghapuskannya. 2.6 Apa Yang Hanya Pasukan Nampak Empat kes lagi dalam harness penilaian (laporan di reports/evaluation/report.md ) menunjukkan nilai semakan bebas. Rajah 2.2 meringkaskan token bagi semua kes. clean baseline completed panggilan= 6 token=13,868 kos=0.0480 USD fakta=6/6 clean team completed panggilan=18 token=43,648 kos=0.1314 USD fakta=6/6 hallucination baseline degraded panggilan=14 token=36,374 kos=0.1321 USD fakta=0/6 ↳ research: failed CITATION_INVALID: ev- deadbeef0000 does not exist in the evide hallucination team completed panggilan=24 token=60,369 kos=0.2152 USD fakta=4/6 ↳ bursa: failed CITATION_INVALID: ev- deadbeef0000 does not exist in the evidence D I S A H K A N D E N G A N D O K U M E N T A S I SimulatedModel ialah peraturan deterministik, jadi angka ini menguji pipeline — kontrak, pengesahan citation, audit, pengasingan kegagalan — bukan kualiti mana-mana LLM. TESTED 19 Oktober 2026. Jadual penuh enam kes dijana oleh scripts/run_evaluation.py (Bab 32).

B A B 0 2 Satu agent vs pasukan 36 DATA SIMULASI — UNTUK TUJUAN PENDIDIKAN SAHAJA pasukan baseline 0 20,000 40,000 60,000 Token (input + output) clean 13,868 · completed 43,648 · completed hallucination 36,374 · tiada output boleh guna 60,369 · completed overconfidence 13,869 · completed 43,708 · completed contradiction 13,868 · completed 43,826 · completed injection 9,269 · tiada output boleh guna 40,674 · completed transient_provider 13,868 · completed 43,648 · completed SimulatedModel — menguji pipeline, bukan kualiti LLM. DATA SIMULASI — Untuk Tujuan Pendidikan Sahaja · sumber: reports/evaluation/results.json Rajah 2.2 — Token setiap percubaan: pasukan menggunakan kira-kira tiga kali ganda token baseline, tetapi baseline gagal menghasilkan output dalam dua kes kegagalan (DATA SIMULASI, harness penilaian Bab 32). Kes Mod Status Fakta GT Overconf. dikesan Percanggahan dikesan Tool ditolak overconfidence baseline completed 6/6 tidak — 0 overconfidence team completed 6/6 ya — 0 contradiction baseline completed 6/6 — tidak 0 contradiction team completed 6/6 — ya 0 injection baseline degraded 0/6 — — 2 injection team completed 3/6 — — 2 DATA SIMULASI — Untuk Tujuan Pendidikan Sahaja. Sumber: run_trial() dalam evaluation/benchmark.py (SimulatedModel), dijalankan 19 Oktober 2026; lajur yang sama terdapat dalam reports/evaluation/report.md . Dalam kes overconfidence dan percanggahan, kedua-dua mod menemui semua fakta, tetapi hanya pasukan (Auditor) mengesan keyakinan yang dinaikkan dan stance yang bercanggah dengan data. Dalam kes injection, place_order dicuba dua kali dalam kedua-dua mod dan ToolGateway menolak kedua- duanya; baseline kehilangan seluruh output, pasukan hanya laporan Selena. Pasukan menambah pengesanan; gateway dan kod deterministik menambah keselamatan.

B A B 0 2 Satu agent vs pasukan 37 T R O U B L E S H O O T Angka token berbeza daripada buku SIMPTOM Token atau kos berlainan daripada output di atas. PUNCA Fixture, config/pricing.yaml atau agent.yaml diubah, atau provider sebenar digunakan. DIAGNOSIS python -m pytest tests/evaluation -q ; test_deterministic memastikan larian yang sama memberi token yang sama. PENYELESAIAN Kembalikan fail asal daripada arkib, atau terima bahawa angka anda mengukur konfigurasi anda sendiri. PENGESAHAN Kes clean/baseline memberi token=13,868 . × C O M M O N E R R O R Membaca 6/6 sebagai "kedua-duanya sama baik". Dalam kes bersih, fixture kecil dan tiada kegagalan; perbezaan sebenar hanya kelihatan apabila sesuatu salah. Betulkan tafsiran: bandingkan pada kes kegagalan juga, dan laporkan kos bersama ketepatan. ! S E C U R I T Y C H E C K Kos ialah risiko operasi 1. Projek kita menyemak bajet sebelum setiap panggilan model (per tugasan, workflow, hari) — Bab 29. 2. delegate_task Hermes tiada had bajet, dan menurut dokumentasi Kanban budgets dan governance gates kekal di "user-space". 3. Retry juga dibayar: baseline yang gagal dalam kes halusinasi menelan 14 panggilan.

B A B 0 2 Satu agent vs pasukan 38 C H A P T E R C H E C K P O I N T Tandakan semua sebelum ke bab seterusnya L A T I H A N P R A K T I K A L Uji Kes Lain Tukar tuple ("clean", "hallucination") dalam fail latihan kepada ("contradiction", "injection") dan jalankan semula. Dalam kes mana baseline gagal sepenuhnya — dan untuk research harian anda, adakah tiga kali ganda kos berbaloi? R U M U S A N B A B Pasukan memberi specialisation, kerja selari, semakan bebas dan percanggahan yang kelihatan, dengan harga kos (kira-kira 3.15 kali ganda token dalam ujian kita), overhead koordinasi dan kegagalan berganda yang mesti dikawal dengan reka bentuk. Untuk tugasan ringkas atau bajet kecil, satu agent selalunya lebih wajar. Semua angka ialah DATA SIMULASI yang menguji pipeline, bukan model atau prestasi trading. ◆ ◆ ◆ Saya boleh menerangkan tiga sebab satu agent bergelut dan tiga harga yang dibayar oleh pasukan. Saya boleh menamakan dua situasi di mana satu agent lebih wajar. Saya boleh menerangkan kenapa pasukan completed dengan 4/6 fakta dalam kes halusinasi.