企业官网建设流程全解析

用 AgentRearrange 编排五位金融专家：一份 SAFE 与 Term Sheet 文档分析报告的多智能体生成实录

【免费下载链接】swarmsThe Enterprise-Grade Multi-Agent Orchestration Framework. Website: https://swarms.ai项目地址: https://gitcode.com/GitHub_Trending/swar/swarms

导读

本文以 swarms 仓库中真实产出的一份风险投资文档分析报告 vc_document_analysis.md 为主线，完整还原其背后的多智能体编排系统 term_sheet_swarm.py：由首席投资分析师、SAFE 协议专家、Term Sheet 分析师、法律合规分析师与市场比较分析师五位 Agent，通过AgentRearrange的 flow 语法按序接力，对一份含 $10,000,000 估值上限、20% 折价率、$500,000 投资额的 SAFE 协议进行逐层拆解。读完本文，你将掌握如何用AgentRearrange定义角色化分析流水线、理解 flow 字符串的编排语义，以及如何把多智能体结论落盘为可交付的报告文件。

一、这份文档从何而来：一份由五位 Agent 接力产出的 VC 分析报告

vc_document_analysis.md是term_sheet_swarm.py运行后的输出结果，落盘在reports/vc_document_analysis.md。其内容不是单一模型的单次回答，而是一条分析流水线的累积产物：每个 Agent 负责一个专业视角，前一 Agent 的输出作为后一 Agent 的输入，最终汇总成一份结构完整、覆盖 SAFE 协议、Venture Capital Term Sheet、法律合规与市场定位的分析报告。

从源码 term_sheet_swarm.py 可以看到，整个系统基于两个核心构件：

from swarms import Agent, AgentRearrange, create_file_in_folder

• Agent：定义单个专家角色（系统提示词 + 模型 + 循环次数）；
• AgentRearrange：把一组 Agent 按 flow 字符串编排成执行流水线；
• create_file_in_folder：把聚合后的分析结果写入reports目录。

整条流水线的 flow 定义为（源码第 201 行）：

flow = f"""{lead_analyst.agent_name} -> {safe_specialist.agent_name} -> {term_sheet_analyst.agent_name} -> {legal_analyst.agent_name} -> {market_analyst.agent_name}"""

即Lead Investment Analyst -> SAFE Specialist -> Term Sheet Analyst -> Legal Compliance Analyst -> Market Comparison Analyst，五个角色严格按序接力。

二、五位专家的角色分工与系统提示词设计

多智能体分析质量的关键在提示词的角色化设计。源码中每个 Agent 都通过system_prompt注入了职责、分析框架与输出格式，这正是最终报告章节结构（Executive Summary、Key Terms、Risk Factors、Negotiation Points……）的来源。

2.1 Lead Investment Analyst（首席投资分析师）

作为流水线起点，它负责整体协调与文档初判，其分析框架定义了五个步骤：初始文档分类与概览、关键条款识别、风险评估、市场背景评估、建议制定。输出格式要求包含：

• Executive Summary
• Key Terms Analysis
• Risk Factors
• Negotiation Points
• Recommended Actions
• Areas Requiring Specialist Review

对照最终报告，这些章节标题被完整继承，说明报告骨架正是由该 Agent 的输出格式约束所决定的。

2.2 SAFE Specialist（SAFE 协议专家）

聚焦 Simple Agreement for Future Equity，专攻估值上限（valuation cap）、折价率（discount rate）、转换机制与触发条件、按比例认购权（pro-rata rights）、最惠国条款（MFN provision）以及稀释与反稀释条款。其要求的输出包括逐条分析（term-by-term analysis）、转换机制说明、非标准条款风险评估与谈判建议——对应报告中的Detailed Analysis of SAFE Agreement章节。

2.3 Term Sheet Analyst（Term Sheet 分析师）

覆盖融资条款清单的四个维度：经济条款（pre/post-money 估值、股价计算、资本化分析、期权池规模）、控制条款（董事会构成、投票权、保护性条款、信息权）、投资者权利评估（pro-rata、反稀释、注册权、优先购买权）以及治理结构与退出流动性条款。对应报告中的Detailed Analysis of Venture Capital Term Sheet章节。

2.4 Legal Compliance Analyst（法律合规分析师）

负责证券法合规、公司治理要求、监管限制与法律风险评估。其分析框架包含监管合规（证券法规、披露要求、投资公司法考量、蓝天法）、文档审查（法律定义准确性、可执行性、管辖权、修订条款）与风险评估（法律先例、监管暴露、执行机制、争议解决）。对应报告中的Compliance Checklist、Risk Assessment Summary、Required Disclosures List等章节。

2.5 Market Comparison Analyst（市场比较分析师）

负责把协议条款与市场基准对标，输出市场定位摘要、比较分析、趋势影响、谈判筹码点与建议修改项。对应报告结尾的Market Positioning Summary、Comparative Analysis、Trend Implications与Recommended Modifications。

五位 Agent 均使用model_name="gpt-5.4"、max_loops=1，即每个角色单轮输出，避免内部自我循环导致的分析发散（源码第 30–32、65–67 行等）。

三、AgentRearrange：flow 编排语法与核心参数

AgentRearrange是本例的编排引擎，实现在 swarms/structs/agent_rearrange.py（类定义见第 61 行）。其核心能力是"按 flow 字符串调度 Agent 的执行顺序与并发关系"。

3.1 flow 语法语义

从类文档字符串（第 78–81 行）可以确认 flow 语法：

• ->：顺序执行，前一个 Agent 的输出传递给下一个；
• ,：并发执行；
• 二者可混合，例如"agent1 -> agent2, agent3 -> agent4"。

本例的lead -> safe -> term_sheet -> legal -> market即纯顺序流水线，保证分析结果层层递进、后一个角色基于前一个角色的产出继续深化。

3.2 构造参数与默认值

AgentRearrange.__init__（第 122–196 行）的关键参数：

初始化时reliability_check()（第 206–240 行）会做四类校验：agents 列表非空、max_loops非 0、flow 非空、output_type合法。output_type的合法取值由 swarms/utils/output_types.py 中的HistoryOutputTypeLiteral 约束（"list"、"dict"、"all"、"final"等），本例使用"all"表示返回全部 Agent 的输出，最终报告因此包含了五个角色的完整分析段落。

四、报告主体：SAFE 协议分析（继承原文核心内容）

以下内容为vc_document_analysis.md对样例 SAFE 协议（$10,000,000估值上限、20%折价率、$500,000投资额）的完整分析，可直接作为风控与谈判的输入。

4.1 执行摘要

被审文档是一份 SAFE（Simple Agreement for Future Equity）协议，约定投资者在满足特定条件下可将投资转换为股权。核心财务条款包括：估值上限 $10,000,000、折价率 20%、投资额 $500,000，同时包含自动转换与可选转换条款，以及未来融资轮次的 pro-rata 权利。

4.2 关键条款速览

1. Valuation Cap：$10,000,000—— 设定投资转换为股权时的最高估值，转换估值超过该上限时投资者获得更低的有效转换价格；
2. Discount Rate：20%—— 转换时投资者按每股价格的折价购买，相对后续轮新投资者享有价格优势；
3. Investment Amount：$500,000—— 本协议项下投入的本金；
4. 转换条款：
   • 自动转换：当后续股权融资轮次达到至少 $1,000,000 时触发；
   • 可选转换：发生流动性事件时可选择转换；
   • 最惠国条款（MFN）：确保投资者获得不劣于后续投资者的条款；
5. Pro-rata Rights：允许投资者在未来融资轮次中维持其持股比例。

4.3 风险因素

• 估值上限风险：若转换时公司估值超过 $10,000,000，投资者获益于更低转换价；但若估值低于上限，上限带来的优势有限；
• 转换时机风险：自动转换依赖未来的股权融资事件，引入时间与市场不确定性；
• MFN 条款复杂性：MFN 可能使未来融资谈判复杂化，甚至劝退其他潜在投资者。

4.4 谈判要点与推荐行动

谈判要点：下调估值上限以获得更好的上行保护；探讨提高折价率改善转换条件；明确 MFN 条款避免后续轮争议；细化 pro-rata 权利的行权条件、限制与例外。

推荐行动：评估市场可比标的，确保估值上限与折价率符合行业标准；聘请法律顾问审查 MFN 条款；开展情景分析，理解不同转换事件对股权结构的影响。

需专家复核的领域：MFN 与转换条款的可执行性及潜在冲突（法律）、不同转换情景的财务建模（财务分析）、估值上限与折价率的市场竞争力（市场专家）。

4.5 逐条深度分析

• Valuation Cap（$10M）：为转换目的设定公司估值天花板。若未来融资轮次的公司投前估值超过 $10M，投资者将以更低的每股有效价格转换，潜在提升持股比例；建议结合市场条件评估是否下调上限；
• Discount Rate（20%）：作为对高估值的对冲，确保转换价格折扣；建议对照市场标准判断是否可争取更高折价；
• Investment Amount（$500K）：转换时将影响公司 cap table，稀释现有股东；需与公司资本需求与战略目标对齐；
• 转换机制：自动转换在融资达到 $1,000,000 阈值时触发，按估值上限或折价率中更有利者转换；可选转换在收购、IPO 等流动性事件中为投资者提供灵活性；建议明确定义"流动性事件"以免歧义；
• MFN 条款：保证投资者获得不劣于后续投资者的条件，但也可能因新投资者要求同等或更优条款而复杂化后续轮次；
• Pro-rata Rights：允许投资者购买额外股份以维持持股比例，需明确行权条件与限制。

转换情景建模：应对不同估值与融资事件建模，评估对投资者的收益和对公司 cap table、现有股东稀释的影响。同时应明确本 SAFE 是 pre-money 还是 post-money 结构——二者直接影响持股比例与稀释的计算方式。

五、报告主体：Venture Capital Term Sheet 分析（继承原文核心内容）

5.1 经济条款分析

• Pre/Post-money 估值：pre-money 为投资前估值，决定每股价格与投资者持股比例；post-money = pre-money + 新增投资额。早期创业公司 pre-money 通常在 $3M–$10M 区间（视行业与 traction 而定）；更高的 pre-money 减少创始人稀释，但可能抬高后续轮次的估值门槛；
• 股价计算：pre-money 估值除以投资前总股数；股价越高通常意味着创始人稀释越少；
• 资本化分析：需理解完全稀释资本结构（含全部股份、期权、认股权证与可转换证券）；
• 期权池规模：通常预留 post-money 股份的 10%–20% 用于未来员工授予，早期轮 15% 较常见；更大的期权池增加创始人的投前稀释。

5.2 控制条款审查

• 董事会构成：定义席位数量与委派方，投资者通常寻求至少一个席位；3–5 人董事会较常见，其中含一个投资者席位；投资者席位越多，创始人控制力越弱；
• 投票权：投资者通常要求与其持股比例相当的投票权，标准实践为一股一票；
• 保护性条款：赋予投资者对关键决策（出售公司、增发新股等）的否决权；
• 信息权：通常要求定期财务与运营更新（季报为典型），保障透明度但增加行政负担。

5.3 投资者权利评估

• Pro-rata Rights：早期投资者常见，但会限制新投资者的可获股份；
• 反稀释保护：下行轮中保护投资者，常见 full ratchet 与 weighted average 两种方法；加权平均更偏向创始人，full ratchet 可能导致创始人显著稀释；
• 注册权：包括 demand 与 piggyback 权利，通常对 IPO 有影响；
• 优先购买权（ROFR）：允许投资者在股份出售给第三方前优先购买。

5.4 治理结构与退出流动性条款

• 治理结构：早期公司通常采用创始人保留较大控制权的简单治理结构，复杂结构可能稀释创始人控制；
• 清算优先权：决定流动性事件中投资者先于普通股股东获得分配的次序与金额；1x non-participating 较常见，participating 清算优先权会显著降低普通股股东回报；
• 随售权（Drag-along）：允许多数股东在收购中强制少数股东出售股份，促进退出但降低少数股东控制力。

谈判建议：选择反映公司潜力的估值与合理的期权池以最小化创始人稀释；在董事会构成与保护性条款上平衡投资者监督与创始人控制；优先选择加权平均反稀释与非参与型清算优先权。

六、法律合规与风险审计（继承原文核心内容）

合规检查清单：

1. 监管合规：确保符合 1933 年《证券法》与 1934 年《证券交易法》；满足披露要求（财务报表、重大风险）；评估公司是否构成 1940 年《投资公司法》下的投资公司；核对证券发行与销售的州蓝天法合规；
2. 文档审查：核查条款清单中法律定义的准确性；评估保护性条款与反稀释权利的可执行性；确认管辖法律条款符合战略需求；审查修订条款的灵活性与保护性；
3. 风险评估：分析相似条款的法律先例；评估投资者权利与控制条款的监管暴露；审查保护性条款的执行机制与争议解决条款。

风险评级摘要：证券法合规风险（披露与注册不完全时为中等）；公司治理风险（董事会构成与保护性条款过度偏向投资者、导致创始人被架空时为高）；监管暴露（低至中等，取决于行业与地域）；争议解决风险（含仲裁/调解条款且管辖地有利时为低）。

必备披露清单：财务报表与预测；业务与投资的重大风险；现有及潜在法律诉讼信息；资本化细节（含期权池与可转换证券）。

建议的法律修改：调整董事会构成以平衡创始人/投资者代表；采用加权平均反稀释条款；明确有利的争议解决管辖地；简化治理结构以保持创始人控制同时保留必要监督。

七、市场定位与趋势分析（继承原文核心内容）

该条款清单与市场基准基本对齐，但在创始人友好度上仍有优化空间，反映了投资者控制与创始人保护之间的平衡。

比较分析要点：条款适合早期投资（保护性条款与反稀释权利为标准配置），但董事会构成与控制权更偏后期轮次；加权平均反稀释符合行业标准；蓝天法与州法规合规至关重要；行业趋势正朝向更创始人友好的条款（增强投票权、简化治理）发展，尤其在硅谷等科技枢纽地区。

谈判筹码与建议修改：强调行业标准的反稀释条款作为投资者保护；以改进的创始人控制吸引优质创业者；将地理合规作为对关注监管暴露投资者的卖点。建议的四个修改方向：董事会构成引入独立董事实现平衡、保留并澄清加权平均反稀释、简化治理结构、明确有利的争议解决管辖地。

八、从零运行：如何生成这份报告

运行入口位于示例脚本的__main__块（term_sheet_swarm.py 第 213–243 行）：

if __name__ == "__main__": try: document_text = """ SAFE AGREEMENT Valuation Cap: $10,000,000 Discount Rate: 20% Investment Amount: $500,000 Conversion Provisions: - Automatic conversion upon Equity Financing of at least $1,000,000 - Optional conversion upon Liquidity Event - Most Favored Nation provision included Pro-rata Rights: Included for future rounds """ analysis_request = f"Timestamp: {datetime.now()}\nDocument for Analysis: {document_text}" analysis = vc_analysis_system.run(analysis_request) create_file_in_folder("reports", "vc_document_analysis.md", analysis) except Exception as e: print(f"An error occurred: {e}")

执行流程：把待分析文档文本与时间戳拼接为请求 → 调用vc_analysis_system.run()触发五 Agent 流水线 → 用create_file_in_folder将聚合结果写入reports/vc_document_analysis.md。

create_file_in_folder实现在 swarms/utils/file_processing.py（第 105 行起）：若目标文件夹不存在则自动创建，随后将内容写入指定文件并返回文件路径。这意味着可以替换任意文档文本复用这套"五角色流水线"完成新的 SAFE / Term Sheet 分析，产出文件自动落入reports目录。

九、延伸：AgentRearrange 的并发编排能力

本例展示的是纯顺序流水线，但AgentRearrange同一份机制也支持并发拓扑：在 flow 中使用,即可让多个 Agent 并行执行后再汇合，例如"analyst1, analyst2, analyst3 -> aggregator"（详见 agent_rearrange.py 第 78–81 行的语法说明）。对于 SAFE / Term Sheet 这类适合分而治之的文档，可以进一步把 SAFE 专家、Term Sheet 分析师、法律合规分析师设为并发角色，由首席分析师统一汇总，从而在保持各角色专业分工的同时缩短端到端分析时间。仓库中 agent_rearrange_examples 提供了 fan-out、fan-in、多阶段流水线等更多编排示例，可与本示例对照学习。

十、要点回顾

• 文档即系统提示词的映射：vc_document_analysis.md的章节结构与五个 Agent 的 system_prompt 输出格式一一对应，验证了"提示词约束结构、流水线沉淀内容"的编排思路；
• flow 字符串是编排核心：->顺序、,并发，可组合表达复杂团队拓扑；
• 参数控制粒度：max_loops=1保证单轮接力、output_type="all"聚合全部角色输出、autosave默认开启落盘；
• 可复制、可替换：替换document_text即可复用同一条 VC 文档分析流水线，结论经create_file_in_folder自动归档至reports/目录。

这份报告既是金融领域的专业输出，也是理解 swarms 多智能体编排范式的完整教学案例：从角色提示词设计、flow 编排、参数配置到结果落盘，一条链路清晰可见，可直接迁移到尽职调查、合同审查、条款谈判等其它文档密集型分析场景。

【免费下载链接】swarmsThe Enterprise-Grade Multi-Agent Orchestration Framework. Website: https://swarms.ai项目地址: https://gitcode.com/GitHub_Trending/swar/swarms