AlphaCouncil：用 Google ADK ＋ 開源模型打造多代理人辯論式台股分析系統——資料在地化 × 模型在地化

近年有兩個在開源社群引發熱潮的投資分析實作，讓「用 LLM 分析股票」從概念變成人人都能研究與延伸的工程問題。然而，這類系統多半以英文資料、美國市場與美股分析習慣為主要設計背景；當我們把它們帶進台灣市場，資料來源、投資語境與決策流程都必須重新思考。

本議程以 AlphaCouncil 為例，分享如何運用 Google ADK（Agent Development Kit）的 SequentialAgent、ParallelAgent 與 LoopAgent 三種原生編排原語，打造一套以台灣股市為第一公民的在地化多代理人分析系統。系統將不同專業分析角色並行蒐集資料，再交由投資大師角色提出觀點，接續進行看多與看空研究辯論，由研究管理人裁決後交給交易員形成執行方案，最後透過多方風險辯論，由投資組合管理人做出最終決策。

在地化首先發生在資料層。AlphaCouncil 依市場切換資料來源：台股部分以 TWSE、TPEX、MOPS、TAIFEX 等免費公開資料為基礎，整合法人與籌碼資訊、月營收、估值指標、選擇權與市場心理訊號，並搭配台灣財經新聞，讓分析不只是把股票代號換成台灣公司，而是能真正理解台股的市場脈絡。這樣的選擇也代表一項工程取捨：承擔分散資料源的清洗與格式整合成本，換來不需要 API 金鑰、沒有訂閱門檻的使用體驗。

在模型層，系統支援透過 Ollama 在本機執行開源模型。模型可以依照硬體條件、繁體中文能力、工具呼叫支援與部署需求替換，讓資料不必離開本機，也讓開發者能在金融場景中更彈性地處理隱私與成本問題；若需求不同，也可以替換為商業模型。

本議程聚焦三項工程實作：Google ADK 原生編排如何控制多代理人流程、免費台股資料如何接入並轉換為可供 Agent 使用的結構化資訊，以及如何讓可替換的開源模型以繁體中文產出具備台股語境的人格分析報告。分享也會透過實際 DEMO 與回測結果，討論當 Agent 忠實執行某種投資哲學、卻在特定市場環境中落後基準時，工程師應該如何理解與評估這個結果。

無論你想用開源模型打造垂直領域 Agent，或想把熱門英文語境的 Agent 系統在地化為繁體中文版本，本議程將提供一個可拆解、可替換、可延伸的參考實作。

AlphaCouncil 僅供教育與研究用途，不構成任何投資建議。