Hermes 多角色实战：我做了一个智能投研系统

Hermes 多角色实战：我做了一个智能投研系统

最近花了一段时间研究 Hermes Agent，给自己搭了一套期货智能投研系统。

整体效果出乎我的意料------一句"分析甲醇"指令，十来分钟后我收到一份带置信度评分、仓位建议、5 个观测阈值的机构级投研报告。不是一个 Agent 写的，是 6 个 AI 角色在隔离环境里各自挖完之后由"首席投资官"综合的，全程我没敲第二行命令。

这套系统还在持续进化。下一步我打算做两件事：① 把它从期货扩到股票智能投研 ，多角色分工的逻辑直接复用；② 接入主动推送------AI 自己定时跑、自己判断哪些品种值得提醒，结论直接推到我手机的 IM 上，不用我主动问。

这篇就是这趟搭建的复盘------讲清楚我用 Hermes 搭了个什么、用到了哪些 Hermes 特性、最后留下三份对照清单。Profile 和 Skill 的内部细节 （system prompt、脚本、知识库）本文不展开，后续找机会单独整理。

TL;DR ：这是一份作品记录 ------我用 Hermes 搭了个智能投研系统，从一句"分析甲醇"指令到一份带置信度评分、仓位建议、5 个观测阈值的机构级报告，全程十来分钟 （其中纯 Agent 运行不到 10 分钟，剩下是我和它确认拆解方案的交互时间）。本文做三件事：① 介绍这个系统用到的 6 个 Hermes 特性 （Profile / Skills / Kanban / Dispatcher / Scratch Workspace / Heartbeat-Reclaim）；② 用一次甲醇期货分析展示它怎么跑、产出长什么样；③ 给出三份对照清单 ------7 个 Profile、2 个 Skill、10 条命令。本文聚焦架构与清单 ，Profile / Skill 的内部细节 （system prompt、脚本、知识库）不展开------后续找机会单独整理成文。

---

先讲清楚 4 个概念（熟悉 Hermes 的读者可跳过）

后文会反复出现 Hermes、Profile、Kanban、Skill 这几个词。先用一段话把它们摊开，避免读到一半看不懂。

Hermes Agent ：Nous Research 出的一个 AI Agent 框架，定位类似 Claude Code / Cursor 但有几个独到能力------持久记忆 （关机后不会忘记你）、技能系统 （领域知识沉淀成可复用包）、多 Profile 协作（一个工具能跑多个 AI 角色协同）。本文集中在最后一个能力上。

Profile ：一份独立的 Agent 配置 ------通俗说就是"一个 AI 角色"。每个 Profile 有自己的模型选择、人设规则（system prompt）、记忆、技能集。7 个 Profile 启动后是 7 个独立进程，看不见彼此的中间产物。我这套系统里有 7 个 Profile：CIO、多头研究员、空头研究员、技术分析师、市场研究员、风控、记忆反思器，外加 default（我自己的对话入口）。

Kanban ：SQLite 持久化的任务图 。所有任务、依赖、状态、事件流都存在 ~/.hermes/kanban/kanban.db 这一个本地数据库文件里。Hermes 内置了一个 dispatcher 调度器 ------每秒扫一次：哪些任务的依赖都满足了就升为 ready，哪些 Profile 有空闲槽就 spawn 一个 worker 过去 claim 任务。Profile 之间不直接对话，全部通过 Kanban 传递产物。

Skill ：可复用的领域包 。不是一段 prompt------是一个完整目录，含 SKILL.md（描述能力）、scripts/（可执行脚本）、references/（知识库）。Agent 加载技能用渐进披露------先看目录，按需展开内容。本文用到 2 个 Skill：kanban-orchestrator（总调度技能）和 commodity-supply-chain-intelligence（商品供应链情报包）。

把这 4 个概念在脑子里挂住------后面所有内容都是它们的组合。

---

一句话判断

单 Agent 的瓶颈不是模型能力，是它一个人扛不下专业分工 。Hermes 把多 Agent 真正落地需要的几件事------角色隔离、任务图持久化、依赖调度、产物隔离、容错------都做成了原生特性，不需要额外造轮子。这篇就是把这几件事摊开来看。

---

出场：7 个档案，是团队不是会话

下面就以这次"分析甲醇"为例，把整个流程过一遍。

跑 hermes profile list，能看到我配置过的 7 个 Profile：

| 档案                     | 状态     | 模型              |
|--------------------------|----------|-------------------|
| default                  | 运行中   | deepseek-v4-flash |
| bear_researcher          | 停止     | deepseek-v4-flash |
| bull_researcher          | 停止     | deepseek-v4-flash |
| chief_investment_officer | 停止     | deepseek-v4-flash |
| market_researcher        | 停止     | deepseek-v4-flash |
| memory_reflector         | 停止     | deepseek-v4-flash |
| risk_manager             | 停止     | deepseek-v4-flash |
| technical_analyst        | 停止     | deepseek-v4-flash |

前面说了 Profile 是"一份独立的 Agent 配置"------具体落到磁盘上，每个 Profile 是一个目录。下面只挑重点（缓存、临时文件略过）：

~/.hermes/profiles/bull_researcher/
├── profile.yaml         # Profile 元信息（名字、描述、属哪个集合）
├── config.yaml          # 模型、温度、token 上限等运行参数
├── SOUL.md              # 这个角色的"灵魂"------人设规则、判断框架、输出约束
├── memories/
│   └── MEMORY.md        # 这个角色的持久记忆（关机不丢）
├── skills/              # 挂到这个角色的技能目录树，按分类组织
│   ├── data-science/
│   ├── devops/
│   ├── research/c
│   └── ...              # 26 个技能分类
├── sessions/            # 历史会话存档（这个角色每次对话都留痕）
├── checkpoints/store/   # 改代码 / 关键操作前的回滚快照
├── cron/                # 这个角色专属的定时任务
├── hooks/               # 事件钩子（比如 worker 完成后触发）
├── workspace/           # 角色的工作目录
└── state.db             # SQLite，存这个角色的运行时状态

最关键的是 SOUL.md ------它是这个角色的人设和判断规则。我的 bull_researcher 的 SOUL.md 写着：

# Bull Researcher Agent Persona
You are a biased long-only hedge fund analyst.

Mission:
Construct the strongest bullish case.

Rules:
- Focus only on upside catalysts
- Ignore bearish arguments unless refuting them
- Think in asymmetric upside scenarios

Output:
Bullish drivers, catalysts, acceleration conditions

bear_researcher 是镜像版本的 SOUL.md，只看空。risk_manager 的 SOUL.md 让它不站队、专做最大回撤情景。chief_investment_officer 的 SOUL.md 让它最后看完所有人的报告再下结论。7 个 Profile 的差异本质是 8 份 SOUL.md 的差异------其他都是 Hermes 给每个 Profile 标配的基础设施。

这种"角色化"在单 Agent 里其实也能做------你在 prompt 里写"现在你是多头分析师"。但有两个问题：

1. 上下文污染。多头看完空头的论据，下意识就会被影响。我做过实验，同一个 Agent 先看空再看多，多头论据明显比先看多再看空时弱。
2. 专业偏置丢失。技术分析需要的是图表敏感度，基本面需要的是数据宽度，风控需要的是悲观主义。一个 prompt 切来切去，每个角色都不像。

Profile 的隔离把这两个问题一次解决------每个角色在自己的进程里跑，看不见别人的中间产物，只看到 Kanban 任务图里被显式喂给它的 parent 输出。

---

Skill 上场：kanban-orchestrator

我没去手工分配任务，我先调了一个技能：

/kanban-orchestrator

这是 Hermes Skills System 里 devops 分类下的一个总调度技能。它干一件事------把一句模糊需求拆成 Kanban 任务图。技能加载完，它先问我两个问题：

1. 你的目标是什么
2. 你有哪些可用的 Profile

第二个它自己 hermes profile list 跑了一下就知道了。

我说"分析甲醇"，它给我吐了张方案表：

任务	负责档案	内容
T1 数据采集	market_researcher	跑 commodity_intel.py 获取 10 维数据 + 新浪搜索补充供应链
T2 技术面	technical_analyst	MA 均线 / 支撑阻力 / 量价 / 形态 / MACD-RSI
T3 多头逻辑	bull_researcher	MTO 修复 / 伊朗风险 / 季节性 / 政策 / 估值 / 成本
T4 空头逻辑	bear_researcher	产能过剩 / 需求疲软 / 煤炭塌陷 / 进口高位 / 宏观弱
T5 风险评估	risk_manager	整合 T1+T3+T4，给最大回撤、风险事件、仓位建议
T6 投资结论	chief_investment_officer	综合所有人，给方向 / 入场 / 止损 / 时间维度

依赖关系：

T1 (market_researcher) ──┐
T2 (technical_analyst)  ──┤
T3 (bull_researcher)    ──┤──▶ T5 (risk_manager) ──▶ T6 (CIO)
T4 (bear_researcher)    ──┘                        ▲
                                                    │
                                          T5 的输出也流入 T6

这张图有几件事值得注意：

T1-T4 完全并行 。多头看不见空头，空头看不见多头，技术面看不见基本面。这不是低效，是故意的隔离------只有这样每个人才能挖到底。等他们都挖完，T5 才把数据揉到一起做风控。

T5 不依赖 T2。技术面不参与风控决策，只参与 CIO 的最终综合。这是金融逻辑：风控是"最坏情况下我亏多少"，技术形态在极端行情里没有意义。

T6 依赖所有人。CIO 是综合者，他要看到所有原始观点，自己判断谁更可信。

这张图不是模板，是 kanban-orchestrator 这个技能根据"分析一支期货品种"的语义现场拆出来的。我换成"分析腾讯股票"，它会给出不同的任务图------可能加一个 bond_analyst 看可转债套利，去掉 commodity-supply-chain-intelligence 技能依赖。

---

创建任务：依赖关系直接编码进命令

我说"合理，继续"。它开始批量创建 Kanban 任务，下面是 6 条命令的真实形态（删了部分 body 简化展示）：

# T1：数据采集（带技能注入）
hermes kanban create "data: 甲醇(MA)全维度数据采集" \
  --body "运行 commodity_intel.py ... 参考 references/methanol-ma-fundamentals.md" \
  --assignee market_researcher \
  --skill commodity-supply-chain-intelligence \
  --max-runtime 30m \
  --priority 1

# T2-T4：技术面 / 多头 / 空头（无依赖）
hermes kanban create "tech: 甲醇(MA)技术面分析" \
  --assignee technical_analyst --max-runtime 20m --priority 1

hermes kanban create "bull: 甲醇(MA)多头逻辑分析" \
  --assignee bull_researcher --max-runtime 20m --priority 1

hermes kanban create "bear: 甲醇(MA)空头逻辑分析" \
  --assignee bear_researcher --max-runtime 20m --priority 1

# T5：风控（依赖 T1/T3/T4）
hermes kanban create "risk: 甲醇(MA)风险评估" \
  --assignee risk_manager \
  --parent t_be63214a \
  --parent t_e3fef572 \
  --parent t_4d675132 \
  --max-runtime 15m --priority 2

# T6：CIO（依赖全部）
hermes kanban create "cio: 甲醇(MA)投资结论与操作建议" \
  --assignee chief_investment_officer \
  --parent t_be63214a --parent t_f0afecfd \
  --parent t_e3fef572 --parent t_4d675132 \
  --parent t_671e0b13 \
  --max-runtime 20m --priority 2

注意三件事：

--assignee 把任务绑到一个 Profile 。不是用谁的模型跑，是用这个 Profile 的整套配置------它的 SOUL.md（人设）、它的 memories/、它的 skills/ 目录树------去跑这个任务。bull_researcher 这条命令一旦被 dispatcher 拿走，启动的就是一个 bull_researcher 进程，跟我这个 default 会话完全无关。

--skill 显式注入技能 。T1 加了 commodity-supply-chain-intelligence，意思是 worker 启动时这个技能在 skills_list 的 Level 0 目录里直接出现，Agent 会主动 skill_view 进去看。其他几个任务没加技能------多头研究员不需要"商品供应链情报"这个总技能，它需要的是自己 Profile 配置里挂的那些。

--parent 编码依赖。T5 写了三个 parent，T6 写了五个。Kanban 内部就是个 DAG，dispatcher 每秒扫一遍：找 status=todo 但所有 parent 都 done 的任务，把它升为 ready，然后让对应 Profile 去 claim。

整张图编码完，本地有个 SQLite 文件 ~/.hermes/kanban/kanban.db 存着所有任务、依赖、状态、事件流。这是 Hermes 多 Agent 真正的核心------任务图是持久化的，跨进程跨平台跨 Profile 共享。 你 CLI 创建的任务，接入的 IM 客户端那边也能看到；market_researcher 的产出，一旦 commit 进 done，CIO 那边自动可见。

---

Dispatcher 跑起来：3 个 worker 同时干活

任务建完，我跑了一句 hermes kanban list：

● t_be63214a  running   market_researcher          data: 甲醇(MA)全维度数据采集
● t_f0afecfd  running   technical_analyst          tech: 甲醇(MA)技术面分析
● t_e3fef572  running   bull_researcher            bull: 甲醇(MA)多头逻辑分析
▶ t_4d675132  ready     bear_researcher            bear: 甲醇(MA)空头逻辑分析
◻ t_671e0b13  todo      risk_manager               risk: 甲醇(MA)风险评估
◻ t_369bddb9  todo      chief_investment_officer   cio: 甲醇(MA)投资结论与操作建议

三个 worker 同时在跑。bear 在 ready 队列里排队，因为我本机的并发 worker 上限是 3。T5/T6 在 todo------它们的 parent 还没全 done。

我点开一个看正在干什么：

$ hermes kanban show t_be63214a

Task t_be63214a: data: 甲醇(MA)全维度数据采集
  status:    running
  assignee:  market_researcher
  workspace: scratch @ /Users/hxy/.hermes/kanban/workspaces/t_be63214a
  skills:    commodity-supply-chain-intelligence
  started:   2026-06-10 17:03

Events (8):
  [17:03] created       {assignee: market_researcher, status: ready, ...}
  [17:03] [run 1] claimed  {lock: bogon:977, expires: 1781083105, run_id: 1}
  [17:03] tip_scratch_workspace  {message: scratch workspaces are ephemeral}
  [17:03] [run 1] spawned  {pid: 7010}
  [17:03] [run 1] heartbeat
  [17:04] [run 1] heartbeat
  [17:05] [run 1] heartbeat
  [17:06] [run 1] heartbeat

每个 worker 在 ~/.hermes/kanban/workspaces/<task_id>/ 里有一个独立的临时工作目录 （scratch），互相看不见。如果想要持久化的产物，可以建任务时加 --workspace dir:/abs/path 或 --workspace worktree: 用 git worktree。

每分钟一次 heartbeat 是 worker 给 dispatcher 报"我还活着"的信号。如果连续几个心跳缺席，dispatcher 会认为这个 worker 挂了，自动 reclaim 锁，让任务重新进入 ready 队列等下一个 worker 接手。这套调度从设计上就预设了 worker 会挂------这是分布式系统该有的姿态，单 Agent 没有这个保险。

---

第一份产出：6 分钟，一份原始数据交上来

我 hermes kanban tail t_be63214a 监听事件流，等了 6 分钟。第一行 completed 出现：

[17:09] completed {
  result_len: 0,
  summary: '甲醇(MA)全维度数据采集完成。
    通过 akshare 获取 6 个合约报价(BACKWARDATION 结构, MA2609 主力 2972)、
    2776 行主力连续日线(2026 年内 +34.18%)、
    15 日 OHLCV 详情、
    技术指标(MA5/10/20 多头排列, MA60=2992 压力)、
    仓单数据(仅 2920 手历史低位)。
    通过新浪搜索获取关键新闻:
      伊朗 7 套装置复产、
      沿海库存 56.55 万吨(同比 -16.96%)、
      MTO 开工率 80.1%(环比 -6.6%)。
    所有原始数据汇总输出到 ma_comprehensive_data.txt。'
}

这一行 summary 信息密度极高。我拆一下：

维度	数据点	这意味着
期限结构	BACKWARDATION（近月升水远月）	现货紧张，多头友好
主力价格	MA2609 = 2972 元/吨	当前位置
年内涨幅	+34.18%	已经在牛市中段
均线系统	MA5/10/20 多头排列，MA60=2992 是压力	短期强势但接近重要均线
仓单	2920 手历史低位	仓单极少 = 现货不愿交割 = 现货坚挺
供应	伊朗 7 套装置复产	3-4 周后进口冲击
库存	沿海 56.55 万吨，同比 -16.96%	显著去库
需求	MTO 开工率 80.1%，环比 -6.6%	主力下游在走弱

这是一个矛盾的画面：价格强、库存低、仓单低、伊朗要来、MTO 要走弱。多头有现货支撑，空头有进口预期 + 需求转弱。

但 market_researcher 不下结论 。它的角色定义就是只采集，不判断------多空判断要分别交给 bull_researcher 和 bear_researcher，它们看到的是同一份原始数据，但站在不同的位置上挖。

T1 done 之后，dispatcher 自动检查：

• T2 不依赖 T1，已经在自己跑
• T3/T4 不依赖 T1，已经在自己跑（它们用 default profile 的市场常识在写宏观逻辑，等数据交上来后会被 CIO 综合）
• T5 依赖 T1/T3/T4，等 T3/T4 也 done 才能 ready
• T6 依赖全部，最远的等待者

我又跑了一次 list：

● t_671e0b13  running   risk_manager               risk: 甲醇(MA)风险评估
◻ t_369bddb9  todo      chief_investment_officer   cio: 甲醇(MA)投资结论与操作建议
✓ t_be63214a  done      market_researcher          data: 甲醇(MA)全维度数据采集
✓ t_f0afecfd  done      technical_analyst          tech: 甲醇(MA)技术面分析
✓ t_e3fef572  done      bull_researcher            bull: 甲醇(MA)多头逻辑分析
✓ t_4d675132  done      bear_researcher            bear: 甲醇(MA)空头逻辑分析

T1-T4 全部 done，T5 自动升为 running。我什么都没干。

---

用到的 6 个 Hermes 特性

把上面这套智能投研拆开看，它依赖 Hermes 的 6 个原生特性。这 6 个不是我"发明"的设计模式，是 Hermes 文档里就有的内建能力------我只是把它们装在了一起。

特性 1：Profile --- 角色化 Agent 配置

它是什么 ：每个 Profile 是一份独立的 Agent 配置------config.yaml 选模型和运行参数，SOUL.md 定行为边界（人设规则），memories/MEMORY.md 装这个角色的持久记忆，skills/ 挂专属技能。它跟 default 会话同等地位，启动后是个独立进程。

这个系统怎么用它：7 个角色（CIO / 多头 / 空头 / 技术 / 风控 / 数据 / 记忆反思 / default）每个都是独立 Profile。它们在各自进程里跑，看不见对方的中间产物。

为什么必要：单 Agent 切换"现在你是多头"这种 prompt 切换会有上下文污染------多头看完空头的论据，下意识就被影响。Profile 的进程级隔离把这个问题一次解决。生产环境可以给不同角色配不同模型------CIO 用更贵的推理模型，数据采集用便宜的快模型，目前我都用 deepseek-v4-flash 是为了控本机预算。

特性 2：Skills --- 渐进披露的领域包

它是什么 ：Hermes 的 Skills 不是一段 prompt，是一个目录结构 ------SKILL.md 描述能力，scripts/ 放可执行脚本，references/ 放知识库。加载机制是渐进披露：

Level 0: skills_list()       → [{name, desc}, ...]   ~3k tokens（看目录）
Level 1: skill_view(name)    → 完整 SKILL.md         按需展开
Level 2: skill_view(name, x) → 子文件 references/... 更深按需

50 个技能全量加载会爆系统提示，渐进披露让 token 不随技能数量线性增长。

这个系统怎么用它：用了两个 Skill------

• kanban-orchestrator（devops 分类）：总调度技能，把"分析甲醇"一句话拆成 6 个任务图。
• commodity-supply-chain-intelligence（data-science 分类）：包含 commodity_intel.py 脚本和 methanol-ma-fundamentals.md 知识库，给 market_researcher 用。

为什么必要：没有 Skill 系统，"把模糊需求拆成任务图"和"按品种采集 10 维数据"这两件事都得每次让 Agent 现想------慢、不稳定、不可复现。Skill 把它们沉淀成可复用的领域包。

特性 3：Kanban --- SQLite 持久化任务图

它是什么 ：~/.hermes/kanban/kanban.db 是一个 SQLite 文件，所有任务、依赖、状态、事件流、产物路径都在这里。任何 Profile 启动一个 worker，输入是 task body + parent 的 result，输出 commit 回 task 表的 result 字段。

SQLite 这个选择很关键：

• 单文件，备份/迁移/审计都简单
• 跨进程并发安全（WAL 模式）
• 不需要起服务，cli 直接 sqlite3 就能查
• worker 死了重启，状态不丢

这个系统怎么用它 ：6 个任务、5 条依赖边都编码在 Kanban 里。--parent 字段直接把依赖写进任务定义，声明依赖、不声明顺序------这是分布式调度的基本功。

为什么必要 ：多 Agent 真正的核心问题不是"开几个 Agent 互相对话"，是一个 Agent 的产物怎么干净地交给下一个 Agent。Kanban 是这个问题的协议层。比 Redis Pub/Sub 那种消息队列方案强一档------事件流是 append-only 的永久可查，不是发完就没。

特性 4：Dispatcher --- gateway 内置调度

它是什么 ：旧版本的 hermes kanban daemon 已经 deprecate，调度器跟 IM 接入网关（gateway）那个服务合并了：

daemon                DEPRECATED --- dispatcher now runs in the gateway.
                      Use `hermes gateway start`.

每秒一次 dispatcher 扫描的逻辑：

1. 找 expired claim 的 running 任务 → reclaim
2. 找 status=todo && all_parents=done 的任务 → 升为 ready
3. 找 status=ready 且对应 Profile 有空闲 worker 槽 → spawn worker
4. 检查 running 任务的 heartbeat → 长时间无心跳的 reclaim

这个系统怎么用它 ：我点完 6 个 hermes kanban create 之后没敲第二行命令------T1-T4 自动并行起来，T5 等 T1/T3/T4 done 自动升 ready，T6 等全部 done 自动升 ready。dispatcher 全程在背景里推。

为什么必要 ：调度是数据库 + 几条 SQL 的事，不需要让一个 Agent 来"管理"其他 Agent。让 Agent 管 Agent 是把简单事情复杂化的开始。

特性 5：Scratch Workspace --- 临时隔离工作区

它是什么 ：每个任务在 ~/.hermes/kanban/workspaces/<task_id>/ 有自己的临时目录。worker 在里面写文件、跑脚本、缓存中间数据，互不干扰。scratch 是 ephemeral 的------任务 done 后自动清理：

tip_scratch_workspace: scratch workspaces are ephemeral ---
they're deleted when the task completes.
Use --workspace worktree: (git worktree) or
--workspace dir:/abs/path (existing dir) to preserve worker output.

这个系统怎么用它 ：6 个 worker 各自有独立 scratch，bull_researcher 看不到 bear_researcher 写的草稿。要持久化产物（比如 market_researcher 的 ma_comprehensive_data.txt），就显式选 --workspace dir:/abs/path。

为什么必要：

• 信息隔离：多空研究员若能看到对方草稿，逻辑会互相污染（"哎对面这么想，那我换个角度"）。隔离 workspace 强制信息流通过 Kanban 的 result 字段走，不允许走文件系统的暗道。
• 清理隔离：默认让你"借完就还"，要保留得显式声明------这是一种好的违反路径设计：你不会因为忘了清理而把磁盘塞满。

特性 6：Heartbeat & Reclaim --- worker 容错

它是什么：每个 running worker 每分钟向 Kanban 发一条 heartbeat 事件。如果连续几个心跳缺席，dispatcher 认为这个 worker 挂了，自动 reclaim 锁，让任务重新进入 ready 队列等下一个 worker 接手。

[17:03] [run 1] claimed  {lock: bogon:977, expires: 1781083105, run_id: 1}
[17:03] [run 1] spawned  {pid: 7010}
[17:03] [run 1] heartbeat
[17:04] [run 1] heartbeat
[17:05] [run 1] heartbeat
...
[17:09] completed

每个任务还有 max-retries（默认 2）和 max-runtime（我建任务时设 15-30 分钟）。

这个系统怎么用它：本机环境我没遇到 worker 挂的情况，但建任务时都设了 max-runtime------如果某个 worker 卡死，最多浪费 30 分钟，不会无限挂着。

为什么必要 ：这套调度从设计上就预设了 worker 会挂------这是分布式系统该有的姿态。单 Agent 没这个保险，挂了就全盘重来。

---

本文不展开的细节：Profile 和 Skill 内部

提前说清楚------这篇只讲到"架构 + 清单"这一层 ，下面这些细节本文不展开：

1. 每个 Profile 的 SOUL.md 全文 。多头 / 空头 / 风控 / CIO 的人设规则、判断框架、输出格式约束，每个都几百到上千字，展开会把文章撑爆。这部分还在持续迭代------等 SOUL 稳定后会单独写一篇，专门拆"怎么写一份能让 bull_researcher 挖到底的 SOUL.md"。
2. commodity_intel.py 脚本和 methanol-ma-fundamentals.md 知识库 。脚本里有 akshare 接入、新浪搜索抓取、10 维数据汇总的逻辑；知识库是一份甲醇基本面笔记。两个加起来又是一篇文章的体量------会单独写一篇，专门拆"怎么把一个商品品种沉淀成 Skill"。
3. 多品种泛化验证。目前只在甲醇上跑通了端到端，PTA / 沥青 / 燃料油这些化工品适不适用还要再试。等多跑几个品种，会有第三篇------专门讲"多 Agent 投研系统的迁移成本和踩坑"。

为什么先发这一篇而不是直接写细节？因为架构和清单是稳定的------Hermes 的 6 个特性、7 个 Profile 角色定位、Kanban 的依赖编码方式，这套骨架我跑了几次就确信了。Profile 内部和 Skill 内部还在调，过早写细节就是早衰文。

读到这儿的你如果也在用 Hermes，照着 6 个特性 + 三份清单的样子，自己搭一个验证版完全够------剩下的内部填充交给你自己的领域知识就好。

---

几分钟后：CIO 把报告交了

倒了杯水回来，再跑一句 hermes kanban list：

✓ t_be63214a  done  market_researcher          data
✓ t_f0afecfd  done  technical_analyst          tech
✓ t_e3fef572  done  bull_researcher            bull
✓ t_4d675132  done  bear_researcher            bear
✓ t_671e0b13  done  risk_manager               risk
✓ t_369bddb9  done  chief_investment_officer   cio

全部 done。整个流水线从我点回车到 CIO 出报告，十来分钟------纯 Agent 跑的时间不到 10 分钟，加上我和它确认拆解方案、回看任务状态那几次交互，凑够 10 分钟出头。下面是这份报告的关键骨架------不是我自己写的，是 CIO Profile 看完前面 5 个 Profile 的全部产出之后综合的。

一、基础数据（market_researcher 给的桩）

指标	数据
主力合约	MA2609
最新收盘	2,972
2026 年内涨幅	+34.18%
合约结构	BACKWARDATION（近月升水，远月贴水 200+ 点）
港口库存	华东 56.55 万吨（同比 -16.96%）
注册仓单	仅 2,920 手（历史低位）
MTO 开工率	80.1%（环比 -6.6%）
关键供应	伊朗 7 套装置复产

二、技术面（technical_analyst 给的桩）

短期信号 (1-2周):         ⬆ 偏多
  均线:    MA5 > MA10 > MA20 (多头排列)
  MACD:   金叉，红柱放量
  持仓:   持续增加（多空分歧加大）
  量价:   价涨量增

中期风险:
  MA60 = 2,992 压力 ────┐
  3,000 整数关口        ├── 双重阻力
  OBV 量价背离          ┘

结论：短期看多但需突破 MA60-3000 阻力区，否则反弹即是做空机会。

三、多空对决（bull vs bear）

维度	🟢 多头	🔴 空头
方向	强烈看多 → 3,200-3,500-3,800	强烈看空 → 2,700-2,750（极端 2,450）
核心逻辑	伊朗地缘（占进口 40%）+ 近月升水 16% + 成本支撑 1,800-2,200	产能 1.15 亿吨过剩 + 远月深贴 + MTO 检修叠甲醛淡季
辅助逻辑	MTO 利润修复 + 金九银十 + 冬季限气	进口放量 + 煤炭塌陷 + 3,049 双顶
硬止损	2,750	---

注意，这两个 Profile 看到的是同一份原始数据，但走出了完全相反的方向。这就是我前面讲的"故意隔离"------多头不知道空头在写什么，反之亦然。它们不是给"中庸答案"妥协，是各自把自己那一边挖到底。

四、风险评估（risk_manager 的打分）

维度	分数
多头评分	19 / 30
空头评分	23 / 30 ← 占优
整体风险等级	⚠️ 高危

风控的核心结论一句话：伊朗地缘是单一主导变量 ------若霍尔木兹海峡封锁，甲醇暴涨，空头逻辑瞬间作废；若局势正常，偏空格局不变。所以建议控制仓位：做多 ≤10%，做空 ≤5%，对冲 ≤20%。黑天鹅区间下限 1,950，上限 4,000。

五、CIO 最终裁决

裁决：偏空 | 置信度：60 / 100

操作策略：

参数	数值
方向	🐻 逢高做空
入场区间	2,980 -- 3,020（等反弹入场，不追空）
第一目标	2,860
第二目标	2,790 -- 2,800
硬止损	3,100
仓位	≤5%（伊朗尾部风险限制）

时间维度：

周期	判断
短期 1-2 周	震荡偏空，2,980-3,020 是反弹做空机会
中期 1-3 月	MTO 检修 + 甲醛淡季 → 累库，目标 2,790-2,800
长期 6 月+	金九银十 + 秋检 + 伊朗冬季限气，可能反弹，需重评

关键观测清单（5 个杠杆变量）：

1. 🇮🇷 伊朗地缘 --- 霍尔木兹海峡 / 制裁新闻（最大单一变量）
2. 🏭 MTO 开工率 --- 跌破 75% 确认需求塌陷，回升 85%+ 利空减弱
3. 📦 港口库存 --- 华东突破 70 万吨则确认累库
4. 📄 仓单 --- 从 2,920 低位回升 = 交割压力增大
5. ⛏️ 煤炭 --- 跌破 700 元/吨则成本支撑进一步削弱

⚠️ 免责声明：以上分析基于多 Agent 协作产出，仅供参考，不构成投资建议。

---

这份报告的"含金量"在哪

我看完报告的第一反应是------这不是单 Agent 能写出来的东西。具体三个细节我必须拎出来说。

第一，置信度 60/100 这个数字很难写 。一个 Agent 自己写报告，要么自信满满（"强烈看空"），要么和稀泥（"建议保持观望"）。但 CIO 看到的是空头 23/30 比多头 19/30 占优------优势存在但不悬殊------所以给出"60 分置信度"，并明确写仓位 ≤5% 来匹配这个不确定性。置信度和仓位匹配，是机构投研的基本功，单 Agent 在自己一个 prompt 里很难自然写出这种克制。

第二，"反弹做空、不追空"这一笔很贵 。空头 23 分占优，技术面又显示短期偏多------这两条放在一起，结论就不是"立刻做空"，是"等反弹到 2,980-3,020 再做空"。这个判断需要同时持有"中期偏空"和"短期偏多"两个看似矛盾的信号，并把它们综合成一个具体动作。多视角并存才能产出这种判断。

第三，关键观测清单是真正可执行的 。它不是"持续关注市场动态"这种废话，是 5 个有具体阈值的指标------MTO 跌破 75% 触发什么、库存破 70 万吨触发什么、煤炭破 700 元/吨触发什么。这是一份"能挂在墙上"的清单，每周扫一眼就知道判断要不要更新。

这三个细节合起来才是这份报告的真正价值------不是它告诉我"做空"，是它告诉我"在什么条件下做空、做多少、什么时候改主意"。

---

三份清单

这套智能投研落到地上就是三份东西。下面把它们摊开。

清单 1：Profile 清单（7 个角色）

Profile	模型	职责定位	在本次流程中
default	deepseek-v4-flash	我自己的对话入口，负责接需求、调度、收报告	接"分析甲醇"、跑 kanban-orchestrator、查任务
chief_investment_officer	deepseek-v4-flash	综合所有专家产出，给方向 / 仓位 / 时间维度 / 观测清单	T6（最终裁决）
market_researcher	deepseek-v4-flash	只采集，不判断------10 维数据 + 新浪搜索补充	T1（数据采集）
technical_analyst	deepseek-v4-flash	技术面专精------均线 / 支撑阻力 / 形态 / 量价 / MACD-RSI	T2（技术分析）
bull_researcher	deepseek-v4-flash	只看多------把多头逻辑挖到见底，不接受感觉	T3（多头逻辑）
bear_researcher	deepseek-v4-flash	只看空------镜像版本的 bull_researcher	T4（空头逻辑）
risk_manager	deepseek-v4-flash	不站队------做最大回撤、风险事件、仓位建议	T5（风险评估）
memory_reflector	deepseek-v4-flash	跨次复盘 / 教训沉淀	本次未触发，留作后续跑批用

关键设计 ：market_researcher 和 risk_manager 都是不站队角色 ，前者只给数据、后者只算风险。多头空头的活留给 bull_researcher / bear_researcher 在隔离环境下各挖各的。

清单 2：Skill 清单（2 个技能）

Skill	分类	给谁用	内容
kanban-orchestrator	devops	default	总调度技能。把"分析甲醇"这种模糊指令拆成 Kanban 任务图 + 依赖关系，自动 spawn 到对应 Profile
commodity-supply-chain-intelligence	data-science	market_researcher	商品供应链情报包：含 commodity_intel.py（akshare + 新浪搜索数据采集脚本）+ references/methanol-ma-fundamentals.md（甲醇基本面知识库）

关键设计 ：Skill 在创建任务时通过 --skill <name> 显式注入，worker 启动时这个 Skill 出现在 skills_list 的 Level 0 目录里，Agent 会主动 skill_view 进去看。其他几个角色没注入 Skill------它们靠自己 Profile 的 SOUL.md 和 memories/MEMORY.md 工作就够了。

清单 3：命令清单（10 条）

用途	命令
列出所有 Profile 状态	hermes profile list
启动调度网关（dispatcher 跑这里）	hermes gateway start
加载总调度技能	/kanban-orchestrator（在 Hermes 会话内）
创建任务	hermes kanban create "标题" --assignee <profile> [--skill <skill>] [--parent <task_id>] --max-runtime 30m
列出所有任务	hermes kanban list
查看任务详情 + 事件流	hermes kanban show <task_id>
实时跟踪事件流	hermes kanban tail <task_id>
查看 worker 日志	hermes kanban log <task_id>
看可用 Profile + 任务计数	hermes kanban assignees
Worker 看自己的完整上下文	hermes kanban context <task_id>

整套流程跑下来，人工敲命令的次数 = 6 条 create + 几次 list/show 查状态。不到 10 个动作。

---

收尾：从 3 小时到 10 分钟

这份报告我自己一个人写，至少要花 3-4 小时。大部分时间不是花在"想"上，是花在切换视角 上------一会儿当多头挖论据，一会儿当空头挖论据，一会儿当风控数仓位，一会儿当 CIO 综合权衡。每次切换，前一个角色的偏置都会渗透到下一个角色，最后写出来的报告其实是"一个我在 4 个角色间妥协的产物"，不是 4 个独立角色的真实分歧。

多 Agent 把视角切换的成本外部化了------每个角色由它自己的 Profile 扛着 ，互相看不见，最后只交一份各自挖到底的产物。CIO 拿到的不是一个"妥协后的我"，是 5 份真实分歧。这一份甲醇报告我倒杯水的功夫就拿到了，纯 Agent 跑的时间不到 10 分钟 ，3-4 小时压成十几分钟，20+ 倍的杠杆。

回到一开始那句话：

单 Agent 的瓶颈不是模型能力，是它一个人扛不下专业分工。

这个判断我现在更确定了。开头说的两个下一步进化方向------

股票智能投研：7 个 Profile 的角色框架（CIO / 多空 / 技术 / 风控 / 数据 / 反思）几乎不用动，换掉数据采集 Skill（A 股要接 Tushare / 同花顺数据源），重写部分 SOUL.md（股票要看财报、估值、行业景气度），整套 pipeline 直接复用。预计两周能跑通。

主动推送 ：用 Hermes 的 cron 特性定时跑------每天盘前给我推一份昨日异动品种的快报、每周末给我推一份持仓品种的全维度更新。AI 自己判断哪些值得提醒，结论直接推到我手机的 IM 上。从"我问 AI 投研"变成"AI 自己判断要不要找我"------这才是杠杆放大的极致形态。

这两件事单 Agent 也能做一部分，但每次都需要我手工切视角、手工对比、手工触发。多 Agent + 定时任务把这些手工动作全消掉。

这才是 AI 工具的真正杠杆------不是让你用得更快，是让你不用做你本来就不该做的事。

---

关注 coft，用技术人的视角理解 AI 工程化与复杂系统。