ETF Agent详解隔离上下文的Subagent协作体系
ETF Agent以统一的Child执行机制承载通用研究任务、内置Web/PDF/Python角色、六种投资研究方法、账户自定义Profile、Research Reviewer及有界Bull/Bear质询。其架构隔离局部工作，同时保留来源权限和最终回答责任，并披露了材料遗漏、消息身份误判及执行中断等失败案例。文章将这些能力界定为已有工程行为，同时指出增加专家能否改善投资结果仍需对照验证。
这篇报告为构建多智能体研究系统提供了具体参考，展示了如何分离上下文、方法、权限与责任，也说明可靠交接和来源追踪远比单纯增加专家数量复杂。
ETF Agent 的 Subagent 已经不止 Web、PDF、Python 三种“工具专家”。 目前我们有通用 Child、内置专业角色、六种投资研究方法、账户自定义专家，以及按需参与的 Research Reviewer 和有界 Bull/Bear 质询。它们复用同一套执行机制，却不共享一团对话历史；专业方法可以不同，访问权限和最终回答责任并不会随角色名称转移。
这套体系最初只是为了减轻 Main 的上下文压力。一次 PDF 深读可能反复定位页码，一段 Python 研究可能多次修错。把局部过程隔离后，我们却碰到了更难的问题：专家真的看到了原始资料吗？成果真的进入了 Main 吗？多一个视角究竟改变了哪条研究结论？
本文想回答三个问题：我们现在具体支持哪些 Subagent，它们怎样在一项基金研究中工作；这些选择与业界框架有什么异同；哪些经验已经有工程证据，哪些收益仍值得继续验证。Web、PDF 和 Python 的具体实现留给专题文章，这里重点讲协作体系本身。
#ETF Agent#Anthropic#Microsoft Agent Framework#CrewAI#Deep Agents#LangChain