加密小猪

好的！我们用 全 JavaScript/TypeScript 技术栈 来搭建这个多 Agent 系统的 最小可行性原型（MVP）。我们会从最核心的功能开始，逐步迭代，让你快速看到效果。

一、MVP 核心范围与技术选型

MVP 核心目标（先做这3件事）

数据采集：获取 BTC/USDT 现货行情数据（K线、成交量）
双 Agent 协同：实现「技术面分析 Agent」+「决策融合 Agent」的基础协同
极简交互：一个简单的 Web 界面，输入标的，输出分析报告

全 JS 技术栈

模块	技术选型	说明
运行环境	Node.js 20+	后端/Agent 运行环境
Agent 编排	LangChain.js (LangGraph)	核心：JS 版的多 Agent 状态管理与流程控制
大模型	OpenAI GPT-4o (API) / Ollama (本地 Llama 3)	闭源/开源二选一，都有完善的 JS SDK
数据采集	CCXT (JS版)	对接全球交易所的统一 API
链上数据	Viem / Ethers.js v6	轻量级以太坊/链上数据交互
数据库	SQLite (better-sqlite3)	轻量级，无需额外安装服务，Node.js 原生支持
缓存	ioredis (可选)	缓存行情数据，减少 API 调用
后端框架	Express.js	Node.js 生态最成熟的轻量级 Web 框架
前端框架	VitePress（在 docs/ 目录，通过 API 调用后端）
可视化	ECharts / TradingView Lightweight Charts	行情图表展示

二、第一步：环境搭建与项目初始化

1. 基础环境准备

确保你已安装：

Node.js 20+ (推荐使用 nvm 管理)
代码编辑器 (VS Code)
Git (可选，用于版本管理)

2. 创建项目目录

bash

# 创建并进入项目文件夹
mkdir crypto-agent-express-mvp
cd crypto-agent-express-mvp

# 初始化 Node.js 项目
npm init -y

# 安装 TypeScript (可选但推荐，保持类型安全)
npm install -D typescript @types/node tsx
npx tsc --init

3. 安装核心依赖

bash

# 后端框架与中间件
npm install express cors dotenv

# Agent 与 AI 相关
npm install langchain @langchain/langgraph @langchain/openai

# 数据与工具
npm install ccxt better-sqlite3 viem

4. 配置环境变量

在项目根目录创建 .env.local 文件：

txt

# 大模型 API (二选一，推荐先用 OpenAI 快速验证)
OPENAI_API_KEY=你的_OpenAI_API_Key

# 如果用本地 Ollama (无需 API Key)
# OLLAMA_BASE_URL=http://localhost:11434
# OLLAMA_MODEL=llama3:70b

# 数据库路径 (默认即可)
DATABASE_URL=./crypto_data.db

三、第二步：数据层开发（行情数据采集）

先实现最基础的行情数据采集，用 CCXT 获取 Binance 的 BTC/USDT 数据。

1. 创建数据采集模块

在 app/lib/ 目录下创建 marketData.ts：

typescript

// app/lib/marketData.ts
import ccxt from 'ccxt';

// 初始化 Binance 交易所 (仅读取行情，无需 API Key)
const exchange = new ccxt.binance({
  enableRateLimit: true, // 开启限流，避免被封
});

// 获取 K线数据
export async function fetchKlineData(
  symbol: string = 'BTC/USDT',
  timeframe: string = '1h',
  limit: number = 100
) {
  try {
    const ohlcv = await exchange.fetchOHLCV(symbol, timeframe, undefined, limit);
    // 格式化数据，方便后续处理
    return ohlcv.map(kline => ({
      timestamp: kline[0],
      open: kline[1],
      high: kline[2],
      low: kline[3],
      close: kline[4],
      volume: kline[5],
    }));
  } catch (error) {
    console.error('获取行情数据失败:', error);
    throw error;
  }
}

2. 简单测试数据采集

在 app/api/test-data/route.ts 创建一个测试接口：

typescript

// app/api/test-data/route.ts
import { NextResponse } from 'next/server';
import { fetchKlineData } from '@/lib/marketData';

export async function GET() {
  const data = await fetchKlineData('BTC/USDT', '1h', 50);
  return NextResponse.json({ data });
}

启动项目 npm run dev，访问 http://localhost:3000/api/test-data，如果能看到 K线数据，说明数据层通了！

四、第三步：核心 Agent 开发（用 LangChain.js）

我们先实现两个核心 Agent：技术面分析 Agent 和 决策融合 Agent。

1. 初始化 LangChain 与大模型

在 app/lib/agents/ 下创建 llm.ts：

typescript

// app/lib/agents/llm.ts
import { ChatOpenAI } from '@langchain/openai';

// 初始化 GPT-4o (如果用 Ollama，换成 ChatOllama)
export const llm = new ChatOpenAI({
  model: 'gpt-4o',
  temperature: 0.1, // 温度低一点，分析更严谨
  apiKey: process.env.OPENAI_API_KEY,
});

2. 技术面分析 Agent

这个 Agent 的职责是：接收 K线数据，用大模型分析技术面，输出多空观点。创建 app/lib/agents/technicalAnalysisAgent.ts：

typescript

// app/lib/agents/technicalAnalysisAgent.ts
import { llm } from './llm';
import { z } from 'zod';
import { StructuredOutputParser } from 'langchain/output_parsers';

// 定义输出格式（用 Zod 结构化，避免大模型瞎输出）
const TechnicalAnalysisOutput = z.object({
  trend: z.enum(['bullish', 'bearish', 'neutral']).describe('趋势判断：看涨/看跌/震荡'),
  keySupport: z.number().describe('关键支撑位'),
  keyResistance: z.number().describe('关键阻力位'),
  reasoning: z.string().describe('分析逻辑，100字以内'),
});

const parser = StructuredOutputParser.fromZodSchema(TechnicalAnalysisOutput);

// 技术面分析 Agent 主函数
export async function technicalAnalysisAgent(klineData: any[]) {
  // 1. 准备 Prompt
  const formatInstructions = parser.getFormatInstructions();
  const prompt = `
你是一个资深加密货币技术面分析师。请分析以下 BTC/USDT 1小时 K线数据，给出技术面判断。

K线数据（最近20根）：
${JSON.stringify(klineData.slice(-20), null, 2)}

要求：
1. 判断当前趋势（看涨/看跌/震荡）
2. 给出关键支撑位和阻力位
3. 简要说明分析逻辑

${formatInstructions}
  `;

  // 2. 调用大模型
  const response = await llm.invoke(prompt);
  
  // 3. 解析结构化输出
  try {
    return parser.parse(response.content as string);
  } catch (e) {
    console.error('解析技术面分析失败:', e);
    return {
      trend: 'neutral',
      keySupport: klineData[klineData.length - 1].low * 0.98,
      keyResistance: klineData[klineData.length - 1].high * 1.02,
      reasoning: '数据解析失败，给出中性判断',
    };
  }
}

3. 决策融合 Agent

这个 Agent 负责汇总所有分析（目前只有技术面），生成最终报告。创建 app/lib/agents/decisionAgent.ts：

typescript

// app/lib/agents/decisionAgent.ts
import { llm } from './llm';

export async function decisionAgent(technicalAnalysis: any) {
  const prompt = `
你是一个加密货币交易决策助手。请根据以下技术面分析，生成一份简洁的行情分析报告。

技术面分析结果：
${JSON.stringify(technicalAnalysis, null, 2)}

报告要求：
1. 标题：BTC/USDT 1小时行情分析
2. 核心观点：一句话总结
3. 技术面解读：翻译成人话，不要太技术
4. 操作建议：轻仓尝试方向，止损止盈参考支撑阻力
5. 风险提示：必写，提示市场高风险

请用 Markdown 格式输出，控制在300字以内。
  `;

  const response = await llm.invoke(prompt);
  return response.content as string;
}

五、第四步：多 Agent 编排（用 LangGraph）

现在我们用 LangGraph 把这两个 Agent 串起来，形成一个简单的工作流。

创建 app/lib/workflow.ts：

typescript

// app/lib/workflow.ts
import { StateGraph, END } from '@langchain/langgraph';
import { technicalAnalysisAgent } from './agents/technicalAnalysisAgent';
import { decisionAgent } from './agents/decisionAgent';
import { fetchKlineData } from './marketData';

// 1. 定义状态（State）：工作流中流转的数据
interface AgentState {
  klineData?: any[];
  technicalAnalysis?: any;
  finalReport?: string;
}

// 2. 定义工作流节点
const workflow = new StateGraph<AgentState>({
  channels: {
    klineData: null,
    technicalAnalysis: null,
    finalReport: null,
  },
})
  // 节点1：获取行情数据
  .addNode('fetchData', async (state: AgentState) => {
    console.log('正在获取行情数据...');
    const klineData = await fetchKlineData('BTC/USDT', '1h', 100);
    return { klineData };
  })
  // 节点2：技术面分析
  .addNode('technicalAnalysis', async (state: AgentState) => {
    console.log('正在进行技术面分析...');
    const analysis = await technicalAnalysisAgent(state.klineData!);
    return { technicalAnalysis: analysis };
  })
  // 节点3：生成最终报告
  .addNode('generateReport', async (state: AgentState) => {
    console.log('正在生成分析报告...');
    const report = await decisionAgent(state.technicalAnalysis!);
    return { finalReport: report };
  });

// 3. 定义边（流程顺序）
workflow
  .setEntryPoint('fetchData') // 入口
  .addEdge('fetchData', 'technicalAnalysis')
  .addEdge('technicalAnalysis', 'generateReport')
  .addEdge('generateReport', END); // 结束

// 4. 编译工作流
export const app = workflow.compile();

六、第四步：Express 后端服务搭建

1. API 路由 (`src/routes/analyze.ts`)

创建分析接口，触发工作流：

typescript

// src/routes/analyze.ts
import express from 'express';
import { app as workflow } from '../lib/workflow';

const router = express.Router();

// POST /api/analyze
router.post('/', async (req, res) => {
  try {
    console.log('收到分析请求，启动工作流...');
    
    // 触发 LangGraph 工作流
    const result = await workflow.invoke({});
    
    res.json({
      success: true,
      data: {
        report: result.finalReport,
        technicalAnalysis: result.technicalAnalysis,
      }
    });
  } catch (error) {
    console.error('工作流执行失败:', error);
    res.status(500).json({
      success: false,
      message: '分析失败，请稍后重试',
    });
  }
});

export default router;

2. 后端入口文件 (`src/index.ts`)

启动 Express 服务，托管前端静态文件：

typescript

// src/index.ts
import express from 'express';
import cors from 'cors';
import dotenv from 'dotenv';
import path from 'path';
import analyzeRouter from './routes/analyze';

dotenv.config();
const app = express();
const PORT = process.env.PORT || 3001;

// 中间件
app.use(cors()); // 允许跨域
app.use(express.json());

// 托管前端静态文件 (public 目录)
app.use(express.static(path.join(__dirname, 'public')));

// API 路由
app.use('/api/analyze', analyzeRouter);

// 启动服务
app.listen(PORT, () => {
  console.log(`
    🚀 服务已启动！
    📡 后端 API: http://localhost:${PORT}/api/analyze
    🌐 前端页面: http://localhost:${PORT}
  `);
});

关键注意事项

先跑通 MVP，再谈优化：不要一开始就想做全，先让两个 Agent 跑起来，有正向反馈再迭代
善用开源库：CCXT、LangChain.js 帮你省了几年的开发量，不要重复造轮子
数据安全第一：永远不要把 API Key 上传到 GitHub，本地测试用环境变量
敬畏市场：这只是一个技术原型，不要直接用于实盘交易！实盘前必须经过严格的回测和模拟盘验证

需要我帮你深入实现其中某个具体模块（比如链上分析 Agent 或 LangGraph 并行工作流）吗？

一、MVP 核心范围与技术选型 ​

MVP 核心目标（先做这3件事） ​

全 JS 技术栈 ​

二、第一步：环境搭建与项目初始化 ​

1. 基础环境准备 ​

2. 创建项目目录 ​

3. 安装核心依赖 ​

4. 配置环境变量 ​

三、第二步：数据层开发（行情数据采集） ​

1. 创建数据采集模块 ​

2. 简单测试数据采集 ​

四、第三步：核心 Agent 开发（用 LangChain.js） ​

1. 初始化 LangChain 与大模型 ​

2. 技术面分析 Agent ​

3. 决策融合 Agent ​

五、第四步：多 Agent 编排（用 LangGraph） ​

六、第四步：Express 后端服务搭建 ​

1. API 路由 (src/routes/analyze.ts) ​

2. 后端入口文件 (src/index.ts) ​

关键注意事项 ​

一、MVP 核心范围与技术选型

MVP 核心目标（先做这3件事）

全 JS 技术栈

二、第一步：环境搭建与项目初始化

1. 基础环境准备

2. 创建项目目录

3. 安装核心依赖

4. 配置环境变量

三、第二步：数据层开发（行情数据采集）

1. 创建数据采集模块

2. 简单测试数据采集

四、第三步：核心 Agent 开发（用 LangChain.js）

1. 初始化 LangChain 与大模型

2. 技术面分析 Agent

3. 决策融合 Agent

五、第四步：多 Agent 编排（用 LangGraph）

六、第四步：Express 后端服务搭建

1. API 路由 (`src/routes/analyze.ts`)

2. 后端入口文件 (`src/index.ts`)

关键注意事项