核心用法
龙虾量化研究公司是一套开箱即用的 multi-agent 量化投研架构，用户以「董事长」身份通过总管（总经理）调度四大部门共17名专家 Agent。核心交互模式包括：①按需召唤特定角色（如「让A股专家分析研报」）；②触发标准化流程（如「量化任务：XX」自动走研报→合规→风险评估→开发→测试链路）；③查看组织架构与全员状态。
显著优点
1. 角色体系完整：覆盖量化投研全链条——直属团队（合规、风控、行政）、研究团队（A股/加密/博彩三大策略方向+数据工程）、执行团队（PM/PO/前后端/量化开发/测试/运维）、内容团队（写手+去AI化+审核），避免单一大模型角色混淆的局限。
2. 流程标准化：内置「量化策略研发」与「内容创作」双流程，降低团队协作成本，适合复杂任务拆解与多人协作场景。
3. 合规与风险前置：强制要求策略上线前经合规顾问审查，且设有总风险评估师，对金融场景风险有一定意识。
4. 去AI化内容生产：内容团队专门配置「去AI化助手」，针对投研报告、市场分析等内容的可读性与人类风格优化。
潜在缺点与局限性
1. 博彩策略的合规敏感性：研究团队包含「博彩量化研究专家」，该领域在多数司法管辖区存在严格法律限制，可能引发合规争议。
2. 模型配置依赖外部文件：核心 Agent 配置存放于 references/agents-config.json，用户无法直接审查各角色的具体模型参数与系统提示，透明度有限。
3. 「真实数据」声明的执行风险：文档要求 A股回测「必须使用 sxsc-tushare 真实数据」「严禁模拟数据」，但未说明数据质量校验机制，用户仍需自行验证数据可靠性。
4. 去AI化助手的伦理边界：「去AI化」功能若用于学术投稿、监管申报等场景，可能涉及披露义务与诚信风险。
适合人群
- 量化私募/个人投研团队的策略原型开发
- 财经自媒体、投研机构的内容生产工作流搭建
- 对 multi-agent 协作架构感兴趣的 AI 应用探索者
常规风险
- 合规风险：博彩策略研究、去AI化内容使用需严格遵循所在地法律法规与平台政策。
- 模型幻觉：策略回测建议仍需人工复核，不可直接用于实盘交易。
- 数据安全：涉及金融数据与策略逻辑，需注意环境隔离与敏感信息保护。