第十二天 09/26
在建置多代理（Multi-Agent）金融決策系統時，前述的基本面、技術面、產業事件與主要風險代理（CRO Agent）必須透過強大的編排架構進行協調。使用 Vertex AI Agent Builder（搭配 AutoGen / LangGraph 概念或 Vertex AI Reasoning Engine）進行工作流程編排，能將非結構化的自然語言思考流轉化為結構化的多代理對話與決策運算。
然而，在實作編排與訊息傳遞（Message Passing）的過程中，許多開發者容易忽略底層的狀態管理與資料流細節，導致決策品質下滑甚至發生系統邏輯混亂。以下整理出四個最容易被忽略的關鍵細節與優化策略：
一、 訊息傳遞與架構編排中的四大關鍵細節

┌─────────────────────────────────────────────────────────────┐
│ Vertex AI Agent Builder Orchestrator │
├─────────────────────────────────────────────────────────────┤
│ 1. Context Window Truncation (動態上下文剪裁/結構化狀態鏈) │
├─────────────────────────────────────────────────────────────┤
│ 2. Schema Enforcement & Strict Handshake (強型別交握機制) │
└──────────────────────────────┬──────────────────────────────┘
│
┌───────────────────────┼───────────────────────┐
▼ ▼ ▼
┌──────────────┐ ┌──────────────┐ ┌──────────────┐
│ Fundamental │ │ Technical │ │ Event/Market │
│ Agent │ │ Agent │ │ Agent │
└──────┬───────┘ └──────┬───────┘ └──────┬───────┘
│ (DCF 估值) │ (視覺/指標) │ (即時新聞/RAG)
└───────────────────────┼───────────────────────┘
│
▼
┌────────────────────────────────────┐
│ CRO Risk Agent (最終否決與仲裁) │
│ 3. Multi-Turn Reasoning Loop Protection
│ 4. Deterministic State Verification│
└─────────────────┬──────────────────┘
│
▼
【最終買進 / 否決決策輸出】

1. 避免「上下文污染」與訊息遞增膨脹（Context Window Pollution）
   • 常見忽略點：在多代理鏈式調用（Sequential Passing）中，若直接將上游代理所有的思維鏈（Chain-of-Thought, CoT）推理過程完整傳給下一個代理，會導致上下文視窗迅速被無關的文字佔滿。這不僅會增加 API Token 成本，還會干擾下游代理（如 CRO Agent）的 Attention，造成決策飄移。
   • 優化做法：實作結構化狀態（State Summary Payload）隔離。代理之間傳遞的訊息應經過壓縮，僅傳遞「最終判定 JSON」與「核心數據點」，而將詳細的 CoT 推理日誌記錄於後端運算狀態庫（State Store）中，維持訊息傳遞的高純度。
2. 強制代理間的「強型別交握機制」（Strict Handshake Protocols）
   • 常見忽略點：將 Vertex AI Agent Builder 中的 Agent 視為純聊天機器人，讓代理間使用自由文本溝通（例如：「基本面代理說這檔股票很便宜，你可以買」）。這會導致技術或風控代理解析困難。
   • 優化做法：定義明確的 JSON Schema 介面契約。上游基本面代理傳給 CRO Agent 的訊息必須精確包含：{ "dcf_intrinsic_value": 950, "margin_of_safety": 0.18, "confidence": 0.85 }。在 Agent Builder 的工具調用與轉接節點（Transition Nodes）上強制掛載 Schema 檢驗器，格式不符立即拒絕傳遞。
3. 多輪推理對話的「無窮迴圈與狀態停滯」（State Deadlock Protection）
   • 常見忽略點：當 CRO Agent 否決買進並要求技術代理重新分析時，代理之間可能陷入「否決 $\to$ 重新分析 $\to$ 再次否決」的死迴圈（Infinite Loop）。
   • 優化做法：在編排器中設定最大遞迴深度（Max Iteration Depth = 2）與強制終止條件。一旦達到上限，系統預設觸發安全機制（Fallback to REJECT），避免無限消耗運算資源並確保回應時效性。
4. 關鍵變數的「狀態一致性」防範（State Drift Prevention）
   • 常見忽略點：基本面代理使用的現價是 $10:00$ 的 $950，而技術代理在 $10:05$ 評估圖態時價格已變為 $980，導致傳給 CRO Agent 的資料出現基準不一致。
   • 優化做法：在編排器啟動時，建立全域單一事實來源（Single Source of Truth, SSOT）快照（Snapshot），將 current_price、market_timestamp 等關鍵數據鎖定在狀態物件（State Object）中，確保全體代理在同一決策週期內使用完全一致的基準資料。
   二、 結論
   使用 Vertex AI Agent Builder 進行多代理編排時，系統的穩定性取決於「訊息傳遞的嚴謹度」。透過動態上下文剪裁、強型別 JSON 交握、狀態快照鎖定與迴圈防範機制，工程團隊能確保代理之間傳遞的資訊精確無噪聲，進而提升 CRO Agent 最終決策的品質與商業可靠度。