> 一个在 GitHub 收获 6.9 万星标、由 Tauric Research 团队开源的多智能体金融交易框架。它不是一个简单的"AI 选股工具"，而是用 LLM 模拟了一整个真实交易公司的决策流程。

项目地址：<https://github.com/TauricResearch/TradingAgents>
论文地址：<https://arxiv.org/abs/2412.20138>

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-10809644/902a5f261e638fec515a0e9fb7e2eda8.png)


---

## 一、为什么 TradingAgents 值得你认真读？

如果你最近关注 AI Agent，你大概率刷到过这样的项目：让 GPT 分析一只股票、输出一份研报。这类"单智能体 + Prompt 工程"的方案很常见，但它有一个本质问题——**真实世界的交易决策从来不是一个人拍脑袋做出来的**。

一家真实的对冲基金或券商自营盘里，至少有这么几类角色：

- 基本面分析师盯财报、看现金流；
- 技术分析师画 K 线、算 MACD 和 RSI；
- 舆情分析师扫推特、看 Reddit 讨论热度；
- 宏观/新闻分析师追踪美联储、地缘政治；
- 多空研究员就同一只股票当面互怼；
- 交易员综合所有意见，决定买卖时点和仓位；
- 风控团队在交易员激进时拉一把；
- 投资组合经理拍板批准或否决。

TradingAgents 做的事情，就是用 LLM 把上面这些角色**一个一个具象化成独立的 Agent**，让它们各司其职、还要相互辩论、最终给出一个带评级的交易决策。它发表在 arXiv 上（论文编号 2412.20138），作者来自 UCLA 等机构，目前已经迭代到 v0.2.4，工程化做得相当扎实——支持十种以上的 LLM 提供商、提供 Docker 部署、有 LangGraph 检查点续跑、有持久化决策日志和反思机制。

对新手来说，这个项目的价值有三层：

第一层是**学怎么用**——你可以把它当成一个研究工具，输入股票代码和日期，看一群 AI 怎么吵架并最终给出建议。

第二层是**学怎么造**——它是目前少数真正把"多智能体协作 + LangGraph 编排 + 工具调用 + 长期记忆"完整跑通的开源项目，照着读一遍代码，胜过看十篇 Agent 教程。

第三层是**学怎么改**——框架是模块化的，你完全可以把它的"研究员辩论"模式抽出来，套用到法律研究、医学诊断、产品评审等任何需要多视角碰撞的场景里。

> ⚠️ **必须先说的话**：项目作者反复强调，这个框架是"为研究目的设计"，**不构成任何投资建议**。LLM 会幻觉、会过拟合历史新闻、会在关键节点给出错误判断。把它当工具研究可以，把它当 ATM 操作只会让你交学费。

---

## 二、它的架构到底长什么样？

整个系统的工作流大致可以拆成五个串行阶段，每个阶段内部又有并行或辩论。我用一个图把它讲清楚：

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-10809644/33fc183da638634dd0cf04958571ff04.png)


### 关键设计 1：分析师团队的"工具调用"

每位分析师都不是凭空想象，而是会真实调用数据接口。比如基本面分析师会拉取 Yahoo Finance 的财报数据，技术分析师会通过 stockstats 库计算 MACD、RSI、布林带等指标，新闻分析师会通过 Finnhub、Google News 抓最近的相关报道。这是 LangGraph 的工具节点（ToolNode）模式——LLM 决定调用什么工具、用什么参数，框架负责执行并把结果回传。

### 关键设计 2：研究员的"对抗式辩论"

这是论文里最有意思的部分。多空研究员被 Prompt 设定为立场对立的两个角色——一个**必须**找理由唱多，另一个**必须**找漏洞唱空。它们会进行多轮交锋（默认两轮，可在配置里改成更多），最后由 Research Manager 综合双方观点。这种设计强行避免了单 LLM 容易出现的"过度乐观"或"墙头草"问题。

### 关键设计 3：双 LLM 配置（Deep Think + Quick Think）

框架把任务分成"需要深度推理的"（如最终决策）和"快速响应的"（如工具调用、信息汇总），分别用两个不同的模型来处理。比如你可以让 GPT-5.4 做深度思考、GPT-5.4-mini 处理快任务——既保证质量又控制成本。这个设计在 v0.2.0 后变得非常灵活，几乎所有主流 LLM 都能混搭。

### 关键设计 4：持久化决策日志与反思机制（v0.2.4 新增）

每次跑完一支股票，决策结果会被追加写入 `~/.tradingagents/memory/trading_memory.md`。下次再分析同一支股票时，框架会**自动获取上次决策之后的真实涨跌（包括相对 SPY 的超额收益）**，让 LLM 写一段反思——"上次我看多 NVDA，但实际跑输大盘 3%，问题出在低估了利率影响"。这段反思会作为上下文注入到新一轮决策里，形成长期学习闭环。

### 关键设计 5：基于 LangGraph 的状态机

整个流程是用 LangGraph 编排的有向图（DAG），每个 Agent 是一个节点，节点之间通过共享状态对象传递信息。v0.2.4 还支持 checkpoint 续跑——如果某一步失败了，不用从头来过。

---

## 三、支持的 LLM 提供商一览
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-10809644/b556204d82865a7ff1985189d646eed1.png)


| 提供商 | 典型模型 | 特点 |
|---|---|---|
| OpenAI | GPT-5.4 / GPT-5.4-mini | 默认配置，最稳定 |
| Anthropic | Claude 4.6 / Claude Opus | 推理质量高，支持 effort 控制 |
| Google | Gemini 3.x | 长上下文友好 |
| xAI | Grok 4.x | 实时数据加成 |
| DeepSeek | DeepSeek-V3 / R1 | 国内可直连，性价比极高 |
| Qwen（阿里 DashScope） | Qwen3 系列 | 国内可用 |
| GLM（智谱） | GLM-4 系列 | 国内可用 |
| OpenRouter | 聚合所有模型 | 一个 Key 用全网模型 |
| Azure OpenAI | 企业版 GPT | 适合公司部署 |
| Ollama | 本地模型（Llama 3、Qwen 等） | **完全免费、不联网** |

**对国内新手最友好的两个选择**：

1. **DeepSeek**——国内可直接注册，价格极低（百万 token 几块钱），跑一次完整分析大约几毛钱。
2. **Ollama**——本地跑开源模型，零成本，但需要至少 16GB 内存的电脑（推荐 32GB 以上），且决策质量不如付费 API。

---

## 四、手把手部署：从零到第一次跑通

下面这一节，我假设你是**完全没用过 Python 项目**的新手。每一步都是可复制的命令，配上踩坑提醒。

### 第 0 步：先确认你电脑能跑

最低要求：

- 操作系统：macOS / Linux / Windows 10+ 都行
- Python 版本：3.13（这是项目要求的版本，3.10/3.11 也大概率可以但不保证）
- 网络：能访问 GitHub、PyPI；如果用 OpenAI 还需能访问其 API
- 磁盘：约 2GB（依赖加缓存）

### 第 1 步：安装 Miniconda（环境管理器）

为什么用 Conda？因为这个项目依赖较多，直接装到系统 Python 里很容易污染环境。Miniconda 让你给每个项目建一个独立的"沙盒"。

- macOS / Linux：访问 <https://docs.conda.io/projects/miniconda/en/latest/> 下载对应安装包
- Windows：下载 `.exe` 双击安装，安装时**勾选"Add to PATH"**

安装完成后，打开终端（Windows 用"Anaconda Prompt"），输入：

```bash
conda --version
```

如果输出版本号（如 `conda 24.x.x`），就说明装好了。

### 第 2 步：克隆项目

```bash
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
```

如果你没装 Git，去 <https://git-scm.com/downloads> 下载安装。或者直接在 GitHub 页面点 "Code → Download ZIP" 下载压缩包再解压。

### 第 3 步：创建独立的 Python 环境

```bash
conda create -n tradingagents python=3.13
conda activate tradingagents
```

创建后会看到命令行提示符前面多了个 `(tradingagents)`，说明环境激活了。**以后每次开新终端都要重新激活**。

### 第 4 步：安装依赖

确保你**还在 TradingAgents 项目目录里**（用 `pwd` 或 `cd` 确认），然后：

```bash
pip install .
```

注意末尾那个点 `.`，意思是"安装当前目录的项目"。这一步会下载几十个依赖包，包括 LangGraph、LangChain、yfinance、stockstats、Rich（CLI 美化）等等。耐心等几分钟。

> **常见踩坑**：
> - 如果报 `ModuleNotFoundError`，确认你处于激活了 `tradingagents` 环境的状态。
> - 如果某个包下载失败，多半是网络问题，可以换源：`pip install . -i https://pypi.tuna.tsinghua.edu.cn/simple`
> - macOS 上如果 `pandas` 编译失败，先 `xcode-select --install`。

### 第 5 步：配置 API Key

这是最关键的一步。项目根目录里有一个 `.env.example` 文件，复制为 `.env`：

```bash
cp .env.example .env
# Windows 用：copy .env.example .env
```

然后用任意文本编辑器打开 `.env`，填入你拿到的 Key。**至少需要填一个 LLM 的 Key**：

```bash
# 推荐新手用 DeepSeek（便宜）或 OpenAI（默认）
OPENAI_API_KEY=sk-xxxxxxxxxxxx
DEEPSEEK_API_KEY=sk-xxxxxxxxxxxx

# 数据源（可选，但强烈推荐都申请）
FINNHUB_API_KEY=xxx           # 免费，提供新闻和财报数据
ALPHA_VANTAGE_API_KEY=xxx     # 免费，提供市场数据补充
```

各个 Key 的申请地址：

- OpenAI：<https://platform.openai.com/api-keys>
- DeepSeek：<https://platform.deepseek.com/api_keys>
- Anthropic：<https://console.anthropic.com/>
- Finnhub（免费）：<https://finnhub.io/register>
- Alpha Vantage（免费）：<https://www.alphavantage.co/support/#api-key>


### 第 6 步：第一次运行（CLI 模式）

最简单的方式是命令行交互界面：

```bash
tradingagents
```

或者：

```bash
python -m cli.main
```
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-10809644/bbe7228851589c805be33f238d9efcbc.png)

你会看到一个非常漂亮的 Rich 终端界面，依次问你：

1. **Ticker（股票代码）**：输入 `NVDA`、`AAPL`、`TSLA` 这种美股代码；港股是 `0700.HK` 这样；A 股目前支持有限。
2. **Analysis Date（分析日期）**：格式 `2025-01-15`，必须是过去的日期（数据要拉得到）。
3. **Analysts（分析师选择）**：用空格切换，回车确认。新手建议四个全选。
4. **Research Depth（研究深度）**：1 / 3 / 5 轮辩论。新手建议 1 轮先跑通。
5. **LLM Provider 和 Model**：选你刚才配置好 Key 的那个。

确认之后，框架就开始跑了。屏幕上会实时显示每个 Agent 的输出——你可以亲眼看到看多看空研究员怎么互怼、风控员怎么劝交易员收手。整个过程根据深度从几分钟到二十分钟不等。

跑完后，结果会保存在项目目录的 `eval_results/` 下，是一份完整的 Markdown 报告。同时 `~/.tradingagents/memory/trading_memory.md` 里也会追加一条决策记录。

### 第 7 步：用 Python 代码方式调用

如果你想把它集成到自己的脚本里（比如批量跑一组股票），就这样写：

```python
from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "deepseek"           # 或 openai / anthropic 等
config["deep_think_llm"] = "deepseek-chat"    # 深度思考用的模型
config["quick_think_llm"] = "deepseek-chat"   # 快速任务用的模型
config["max_debate_rounds"] = 1               # 辩论轮数，越多越贵越慢
config["online_tools"] = True                 # 是否实时联网拉数据

ta = TradingAgentsGraph(debug=True, config=config)
final_state, decision = ta.propagate("NVDA", "2025-01-15")

print("最终决策：")
print(decision)
```

`final_state` 是一个完整的状态字典，里面包含每个 Agent 的中间产物——你可以提取出来做二次分析。`decision` 是结构化的最终建议（v0.2.4 起是 Pydantic 类型，包含五档评级、建议仓位、关键理由等字段）。

### 第 8 步（可选）：用 Docker 一键起

如果上面的步骤让你头大，项目从 v0.2.4 起提供了 Docker 镜像。前提是装了 Docker Desktop：

```bash
cp .env.example .env
# 编辑 .env 填好 Key
docker compose run --rm tradingagents
```

Docker 会自动处理 Python 环境、依赖安装、跨平台编码（Windows 下 UTF-8 问题）等所有麻烦事。

---

## 五、新手最容易踩的几个坑

**坑 1：API 额度跑得飞快**
默认配置开三个分析师 + 两轮辩论一次跑下来，OpenAI 大概要消耗 5-10 万 tokens。GPT-5.4 一次大概几美元，新手手一抖很容易花掉一杯咖啡钱。**先把 `max_debate_rounds` 改成 1，分析师选 2 个先试水**。

**坑 2：分析日期选了今天**
框架要拉那一天之前的数据，如果你选今天，很多数据源还没刷新会报错。**至少选前一个交易日**。

**坑 3：A 股代码不识别**
框架对美股、港股、东京证交所支持较好（如 `7203.T` 是丰田）。A 股的 `600519.SS` 这种格式支持有限，主要受限于 yfinance 等数据源。如果要研究 A 股，需要自己改 `dataflows/` 里的数据接口，对接 Tushare 或 AKShare。

**坑 4：Ollama 模式效果差**
本地 7B/13B 模型应付不来这种多轮工具调用 + 结构化输出。如果一定要本地跑，至少用 Qwen2.5-72B 或 Llama 3.3-70B 量化版，还得有 64GB+ 的内存或一张 24GB 显存的卡。

**坑 5：把决策当真**
**再说一次：这是研究工具**。LLM 在 2024 年中以前的数据上"看起来"表现不错，部分原因是这些数据已经在它训练集里了，相当于偷看答案。真要做策略回测，请配合 Backtrader、Zipline 等专业框架，并用严格的 walk-forward 验证。

---

## 六、进阶玩法：把它改造成你自己的工具

读懂代码之后，你可以做很多有意思的改造：

**改造 1：换一组 Agent 角色**
把 `tradingagents/agents/` 下的 Prompt 拆出来，改成"产品经理 / 设计师 / 工程师 / QA"的辩论流程，瞬间变成产品评审 Agent。

**改造 2：接入私有数据源**
在 `dataflows/` 下加一个新的工具，比如对接你公司的内部研报数据库、或者爬取雪球大 V 的观点，让分析师 Agent 多一个信息源。

**改造 3：增加因子分析师**
加一个 Agent 专门跑量化因子（动量、价值、低波等），把传统量化和 LLM 推理结合起来。

**改造 4：做长期回测**
写一个外层循环，每周一调用一次框架对持仓股票重新评估，把决策结果接入模拟交易引擎，几个月跑下来就能看到这套"AI 公司"的真实表现了。

---

## 七、写在最后

TradingAgents 在我看来代表了 AI Agent 项目应该有的水准——它不是炫技的 demo，而是把多智能体协作、工具调用、长期记忆、结构化输出、多模型路由这些工程问题都认真解决了一遍。哪怕你完全不关心金融，光是把它的代码读一遍，就能学到很多关于 LangGraph 编排、Pydantic 结构化输出、Prompt 角色对抗的真实工程经验。

但请记住作者反复强调的那句话：**"It is not intended as financial, investment, or trading advice."** 这个项目的真正价值，是让你看清"用 AI 做交易决策"到底能做到什么程度、又有哪些根本局限。看清之后，你自然知道该怎么用它——是当玩具，是当研究工具，还是作为你下一个 Agent 项目的起点。

祝你玩得开心，也祝你不要真的拿它去 All in。

---

**相关链接**

- 项目主页：<https://github.com/TauricResearch/TradingAgents>
- 论文（arXiv）：<https://arxiv.org/abs/2412.20138>
- 官方网站：<https://tauricresearch.github.io/TradingAgents/>
- Discord 社区：可在 GitHub README 中找到邀请链接
- 后续作品 Trading-R1：<https://github.com/TauricResearch/Trading-R1>

一个在 GitHub 收获 6.9 万星标、由 Tauric Research 团队开源的多智能体金融交易框架。它不是一个简单的"AI 选股工具"，而是用 LLM 模拟了一整个真实交易公司的决策流程。

TradingAgents 深度讲解：让 AI 智能体团队替你“开交易公司“——从原理到手把手部署

TradingAgents 是 GitHub 6.9 万星的开源多智能体交易框架，用 LLM 模拟真实交易公司的分析、辩论、风控全流程。本文深度讲解架构原理，并手把手带新手从零部署跑通。

全栈开发

人工智能

职业发展

后端

TradingAgents是GitHub上6.9万星标的多智能体金融交易框架，模拟真实交易公司决策流程。它采用LLM技术，将分析师、研究员、交易员等角色具象化为独立Agent，支持工具调用、对抗辩论、双LLM配置等功能。项目提供Docker部署，适合研究多智能体协作和金融决策场景，但不构成投资建议。

数据接口

数据库

智能体

Windows

路由

Python

GitHub

Linux

Agent

2026采购季 | AI焕新·智启新局

tencentdb-catalog

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

TradingAgents 深度讲解：让 AI 智能体团队替你“开交易公司“——从原理到手把手部署-腾讯云开发者社区-腾讯云

TradingAgents 深度讲解：让 AI 智能体团队替你“开交易公司“——从原理到手把手部署

TradingAgents 深度讲解：让 AI 智能体团队替你“开交易公司“——从原理到手把手部署

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐