传统量化交易系统依赖人工编写的规则和统计模型：技术指标交叉、均线策略、布林带突破……这些方法的共同问题是无法理解非结构化信息（新闻、财报、社交媒体情绪），更无法像人类分析师那样综合多维度信息进行推理判断。

TradingAgents 的答案是：用多个专业化 LLM Agent 模拟一个真实的交易分析团队。

架构总览

TradingAgents 采用 分层 + 管道 的混合架构，核心编排引擎是 LangGraph：

在上一篇文章中，我们了解了 OpenCode 的整体架构。现在，让我们深入到最核心的部分：Agent Loop（会话循环）。

这是 AI Agent 的"心脏"，理解它，就理解了 Agent 为什么能自主完成任务。

什么是 Agent Loop？

传统的 Chat 应用是单轮交互：

用户发消息 → AI 回复 → 结束

在前面的文章中，我们了解了 OpenCode 如何与 LLM 交互、如何管理工具、如何通过 MCP 扩展能力。但有一个问题我们还没有深入讨论：

OpenCode 是如何支持这么多不同的 LLM 提供商的？

从 OpenAI 到 Anthropic，从 GitHub Copilot 到 AWS Bedrock，从 Google Vertex 到本地 Ollama——每个提供商都有不同的 API 格式、认证方式、参数规范。OpenCode 是如何优雅地处理这些差异的？

答案就在 Provider 抽象层。