昇腾 NPU × LangGraph：5 大 Agent 协作打造金融投研全流程自动化

本文分享"华为昇腾 × AtomGit AI 社区 金融行业应用 Agent 黑客松"参赛项目 SmartInvestAgent 的设计与落地。系统基于 LangGraph 多智能体编排，在华为昇腾 910B4 NPU 上原生运行 MindSpore 推理，通过 5 大专业 Agent 协作，将一份可交付的投研报告产出时间从 2–3 天压缩到 10 分钟。

一、为什么金融一线需要"投研 Agent 编排引擎"

机构投研分析师的日常作业高度碎片化：

• 行情监控：盯盘、异动检测、量价预警，依赖多终端切换；
• 研报分析：PDF 解析、观点提取、多报告交叉对比；
• 投资推理：基本面 / 技术面 / 资金面 / 情绪面多维融合；
• 风险评估：VaR、最大回撤、Beta、组合风险分级预警；
• 知识图谱：产业链追溯、关联实体推理、隐含线索发现。

这 5 类能力分散在不同系统中，分析师每天重复"整理数据 → 拼接观点 → 撰写报告"，单份深度报告耗时 2–3 天。真正的痛点不是缺工具，而是缺一个能把专家推理链固化为可编排 Agent 的底座——这正是 SmartInvestAgent 要解决的问题。

二、整体架构：LangGraph 状态图 + Agent 注册表

                    ┌─────────────────────────────────────────┐
                    │           用户 / 金融一线员工            │
                    │      (Web UI / SSE 流式对话 / API)       │
                    └──────────────────┬──────────────────────┘
                                       │
                    ┌──────────────────▼──────────────────────┐
                    │       LangGraph 编排引擎 (意图识别)      │
                    │  状态图 + 任务分解 + 故障隔离 + SSE推送   │
                    └──────────────────┬──────────────────────┘
                                       │
        ┌──────────────┬───────────────┼───────────────┬──────────────┐
        ▼              ▼               ▼               ▼              ▼
  ┌──────────┐  ┌──────────┐   ┌──────────┐   ┌──────────┐   ┌──────────┐
  │ 行情监控  │  │ 研报分析  │   │ 投资推理  │   │ 风险评估  │   │ 知识图谱  │
  │  Agent   │  │  Agent   │   │  Agent   │   │  Agent   │   │  Agent   │
  └────┬─────┘  └────┬─────┘   └────┬─────┘   └────┬─────┘   └────┬─────┘
       │             │              │              │              │
       ▼             ▼              ▼              ▼              ▼
  ┌──────────────────────────────────────────────────────────────────────┐
  │                          基础设施层                                   │
  │  AKShare行情 │ RAG(Milvus+BGE-M3) │ Neo4j图谱 │ PostgreSQL │ Redis  │
  └──────────────────────────────────────────────────────────────────────┘
                                       │
                    ┌──────────────────▼──────────────────────┐
                    │       LLM 后端 (factory 自动切换)        │
                    │   Mock │ GPU (vLLM) │ 昇腾NPU(MindSpore) │
                    └─────────────────────────────────────────┘

2.1 编排引擎的核心节点

编排引擎基于 LangGraph 状态图实现，核心节点如下（节选自 backend/app/core/orchestrator/graph.py）：

关键设计是 _group_by_dependency_layers：把任务按依赖关系分层，同一层内的 Agent 用 asyncio.gather 并行执行，层与层之间串行等待。这使得"行情监控 → 研报检索 → 知识图谱 → 多源推理 → 风险评估 → 报告生成"6 步链路中可并行的部分自动并行，端到端延迟显著下降。

2.2 故障隔离

金融场景对可用性要求高，单个 Agent 异常不能拖垮整条编排链。FaultIsolator 在 _safe_execute 包裹的 Agent 调用中捕获异常，把失败任务标记为 skipped 并记录降级原因，编排引擎继续推进其余任务。Demo 模式下所有依赖自动降级为 Mock，保证 python start_demo.py 在零外部依赖下端到端跑通。

三、5 大专业 Agent 能力矩阵

每个 Agent 都遵循 BaseAgent 抽象：输入 AgentState，输出结构化结果 + 思考过程元数据。思考过程通过 SSE 实时推送到前端，让分析师能看到 Agent 的推理链而不是黑盒结果——这对金融合规与可解释性至关重要。

四、昇腾 NPU 原生适配：从 vLLM 到 MindSpore 的工程落地

这是本项目最硬核的部分。LLM 后端通过 factory.py 的注册表模式实现三路切换：

_REGISTRY: dict[str, type[LLMInferenceBackend]] = {
    "gpu": GPUBackend,
    "ascend_npu": AscendNPUBackend,
    "mock": MockLLMBackend,
}

4.1 MindSpore 推理引擎

MindSporeEngine 是昇腾 NPU 推理的核心封装（backend/app/infra/llm/mindspore_engine.py），关键实现：

def _init_context(self) -> None:
    """配置 MindSpore 运行上下文 (Ascend device + 混合精度 + 快速编译)。"""
    ms = _try_import_mindspore()
    if ms is None:
        return
    ms.set_context(
        mode=ms.GRAPH_MODE,
        device_target="Ascend",
        device_id=self._device_id,
        save_graphs=False,
        enable_auto_mixed_precision=True,
    )
    try:
        ms.set_context(op_compile_mode="fast")  # CANN 算子快速编译
    except (KeyError, ValueError):
        pass  # 某些 MindSpore 版本不支持该参数

设计上有几个关键决策：

1. 延迟导入 mindspore：_try_import_mindspore() 只在真正推理时才 import mindspore，避免在开发机（无 CANN 环境）上 import 本模块就报错。_MS_AVAILABLE 标记位避免重复尝试导入。

2. mindformers 优先，原生回退：load_model 先尝试 mindformers.AutoModel（高层 API，推荐路径），失败再回退到原生 load_checkpoint + load_param_into_net。这覆盖了从预置大模型到自训 checkpoint 的两种典型场景。

3. 流式推理的 token-by-token 实现：MindSpore 不原生支持流式生成，这里通过增量推理实现——每步用当前已生成序列前向一次，取最后一个位置的 logits 做 top-p 采样，yield 每个 token 的解码文本。配合前端 SSE 通道，分析师能实时看到推理链展开。

4.2 NPU 设备监控与自动分配

NPUMonitor（backend/app/infra/llm/npu_monitor.py）通过 npu-smi 命令解析设备状态：

def auto_assign_device(self) -> int:
    """自动分配可用 NPU 设备（显存充足）。策略：选择空闲显存最大的设备。"""
    device_count = self.get_device_count()
    if device_count == 0:
        logger.warning("No NPU device available, falling back to device 0")
        return 0
    min_free_mb = int(os.environ.get("NPU_MIN_FREE_MEMORY_MB", "4096"))
    best_device, best_free = 0, -1
    for dev_id in range(device_count):
        free = self.get_device_memory(dev_id).get("free_mb", 0)
        if free > best_free:
            best_free, best_device = free, dev_id
    if best_free < min_free_mb:
        logger.warning("All NPU devices have insufficient free memory ...")
    return best_device

这套机制让多卡昇腾环境（如 2 × Ascend 910B4）下的推理任务能自动均衡到空闲显存最大的卡，避免单卡 OOM。get_device_info 还会解析 ASCEND_HOME_PATH 环境变量推断 CANN 版本，方便 Prometheus 采集 NPU 利用率指标做容量规划。

五、4 大工作流模板：从投研到异动响应

系统预置 4 个开箱即用的工作流模板（backend/app/core/workflows/templates.py），覆盖金融一线 80% 高频场景：

以"深度投研分析"为例，6 步 SSE 流全 success：行情监控 → 研报检索 → 知识图谱 → 多源推理 → 风险评估 → 报告生成。每一步的中间结果都通过 SSE 推送，分析师可以随时打断、追问、调整参数。

六、商业化与跨场景可扩展

6.1 商业模式

1. SaaS 订阅：按席位收费，投研 Agent 平台托管（云端昇腾算力）；
2. 私有化部署：券商 / 基金内网部署，按年 license + 算力支持；
3. Agent 模板市场：投研 / 风控 / 异动等工作流模板按需购买；
4. 专家经验沉淀：把资深分析师推理链固化为 Agent 模板，按调用计费。

6.2 跨场景可扩展

底座 LangGraph 编排 + Agent 注册表设计，从投研可平滑拓展到：

• 合规：监管文件核对 Agent（可解释 / 可追溯 / 可申诉）；
• 客服：客户经理表单录入 Agent；
• 跨境支付：7–8 环节容错编排 Agent。

七、总结与展望

SmartInvestAgent 的工程实践验证了三个关键结论：

1. LangGraph 状态图 + 依赖分层并行是金融多 Agent 编排的可行范式，比纯线性 chain 显著降低端到端延迟；
2. 昇腾 NPU 通过 MindSpore + mindformers 路径已能支撑金融 LLM 推理，enable_auto_mixed_precision + op_compile_mode="fast" 是性能调优的两个关键开关；
3. Demo 模式零依赖降级是黑客松 / 投评审场景的杀手锏——同一套代码既能 DEMO_MODE=True 跑通端到端，又能切到真实昇腾算力跑生产。

下一步规划：

• 接入更多数据源（Tushare、Wind）并做缓存层优化；
• 探索 MindSpore 2.9 + MindFormers 1.9 的 KV-Cache 复用，进一步压低流式推理首 token 延迟；
• 把 Agent 推理链固化为可导出的 “投研剧本”，支撑跨机构复制。

项目地址：SmartInvestAgent（华为昇腾 × AtomGit AI 社区 金融行业应用 Agent 黑客松参赛作品）

演示视频：SmartInvestAgent 端到端 Demo（昇腾 NPU 真跑通）

License：MIT（参赛作品已授权主办方非商业展示，知识产权归参赛者所有）

欢迎在评论区交流昇腾 NPU 适配、LangGraph 编排、金融 Agent 落地的任何问题，我会逐条回复。