Photon 是一个基于 Rust 构建的 AI 驱动型 高性能量化交易系统。
它融合了传统高频交易系统的 低延迟与并发安全（基于 Rust 零成本抽象），以及现代大模型（LLM）的 逻辑推理与泛化分析能力。通过 "Manager Agent" 编排的多智能体网络，Photon 能够在毫秒级执行交易的同时，进行秒级的深度市场分析与舆情监控。
Photon 采用 "Fast Path / Slow Path" 的异步解耦架构，确保 AI 的推理延迟不会阻塞核心交易循环。
sequenceDiagram
participant Market as 市场(Exchange)
participant Feed as Feed(眼睛)
participant DB as Database/Cache
participant Agent as AI Agent(大脑)
participant Risk as Risk(安全阀)
participant Exec as Execution(手)
%% 1. 数据摄入 (Feed 模块的工作)
Market->>Feed: WebSocket 推送海量数据
Feed->>DB: 清洗并存储 (K线/指标)
%% 2. 思考与决策 (Agent 模块的工作)
loop 定时分析
Agent->>DB: 查询: "过去4小时成交量是多少?" (Tool)
DB-->>Agent: 返回: 聚合后的数据
Agent->>Agent: LLM 推理: "看涨，建议买入"
end
%% 3. 执行指令 (风险控制与执行)
Agent->>Risk: 请求: "买入 1.0 BTC"
alt 风控通过
Risk->>Exec: 转发指令
Exec->>Market: API 下单 (签名/重试)
Market-->>Exec: 订单确认
Exec-->>Agent: 执行成功
else 风控拒绝
Risk-->>Agent: 拒绝: "超过最大持仓限制!"
end
Photon 引入了 crates/agent 模块，实现了基于 Function Calling 和 Semantic Routing (语义路由) 的多 Agent 协作系统。
核心是一个 Manager Agent (Coordinator)。它不直接干活，而是作为系统的“大脑”：
- 任务感知：接收来自系统的非结构化需求（如“分析当前 ETH 市场情绪”）。
- 智能路由：根据注册表中各个 Agent 的
System Prompt和能力描述，将任务动态分发给最合适的专家。
专精于特定领域的 Agent，由 Manager 调度：
- 🕵️ Researcher (研究员)：擅长信息搜集。
- 能力：调用
Google Search API搜索突发新闻、Twitter 舆情。
- 能力：调用
- 📊 Analyst (分析师)：擅长数据挖掘。
- 能力：调用
Market DB Tool查询历史 K 线、计算技术指标。
- 能力：调用
- 🛡️ Risk Guardian (风控官)：擅长风险评估。
- 能力：评估当前仓位风险敞口，否决高风险信号。
封装了原子能力的 Rust Trait，供 Agent 调用外部世界：
- Web Tools: Google Search, News API.
- Data Tools: SQLx Database Query, Redis Cache Access.
- Compute Tools: TA-Lib Indicator Calculation.
Photon/
├── Cargo.toml # Workspace 配置
├── services/
│ └── engine/ # [主程序] 负责启动 Fast Path 和 Smart Path
├── crates/
│ ├── agent/ # [NEW] AI Agent 核心库
│ │ ├── src/
│ │ │ ├── llm/ # 底层 LLM 接口 (OpenAI/DeepSeek)
│ │ │ ├── tools/ # 工具箱 (GoogleSearchTool, MarketDbTool)
│ │ │ ├── personas/ # 专家 Agent 定义 (Researcher, Analyst)
│ │ │ └── manager.rs # 智能路由器实现
│ ├── core/ # 基础数据结构 (Order, Trade, Symbol)
│ ├── feed/ # 行情接入 (Binance, OKX WebSocket)
│ ├── strategy/ # 传统策略引擎 (RSI, Grid, Maker)
│ ├── execution/ # 订单执行与 OMS
│ ├── storage/ # 数据库持久化 (TimescaleDB/Redis)
│ └── risk/ # 预设风控规则
└── .config/
└── nextest.toml # 测试配置
- Rust 异步运行时：基于
Tokio构建，充分利用多核性能。 - 无锁编程：关键路径使用
Channels通信，避免锁竞争。 - 精确计算：全链路使用
rust_decimal，杜绝浮点数精度误差。
- 语义路由：Manager Agent 能够理解自然语言指令，动态协调多个 Agent 协同工作。
- 外部感知：集成了 Google Search 等工具，让交易策略能感知链下世界的突发新闻。
- 可解释性：所有 AI 决策均保留完整的 "思考链 (Chain of Thought)" 日志。
- Workspace 管理：清晰的模块化分层。
- 测试驱动：集成
cargo-nextest，支持单元测试与集成测试生成 JUnit 报告。 - 数据库集成：
SQLx+Postgres处理时序数据，Redis处理热缓存。
- Rust (Latest Stable)
- PostgreSQL & Redis
- OpenAI / DeepSeek API Key (用于 AI Agent)
- Google Custom Search API Key (用于 Researcher Agent)
在项目根目录创建 .env：
DATABASE_URL=postgres://user:pass@localhost/photon
REDIS_URL=redis://localhost:6379
OPENAI_API_KEY=sk-xxxxxx
GOOGLE_API_KEY=xxxxxx
GOOGLE_CX_ID=xxxxxx# 运行全量测试并生成报告
cargo nextest run --workspace --profile ci# 启动主引擎
cargo run -p quant-engine如何向系统添加一个新的 "Twitter 情绪分析师"？
1. 定义工具 (crates/agent/src/tools/twitter.rs):
实现 Tool Trait，封装 Twitter API 调用逻辑。
2. 定义专家 (crates/agent/src/personas/social_analyst.rs):
创建一个包含 Twitter 工具的 Agent，设定 System Prompt 为 "你是一个专注于社交媒体情绪分析的专家..."。
3. 注册到 Manager (services/engine/src/main.rs):
let twitter_tool = TwitterTool::new(...);
let social_agent = Agent::new("SocialAnalyst", "分析推特舆情...").with_tool(twitter_tool);
// 注册给 Manager，Manager 会自动根据你的描述进行路由
manager.register_agent(social_agent);4. 触发:
当系统通过定时器发送任务 "看看现在推特上关于 DOGE 的讨论热度" 时，Manager 会自动将任务路由给 SocialAnalyst。
MIT License