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 提供商一览提供商典型模型特点OpenAIGPT-5.4 / GPT-5.4-mini默认配置最稳定AnthropicClaude 4.6 / Claude Opus推理质量高支持 effort 控制GoogleGemini 3.x长上下文友好xAIGrok 4.x实时数据加成DeepSeekDeepSeek-V3 / R1国内可直连性价比极高Qwen阿里 DashScopeQwen3 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。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gitclone https://github.com/TauricResearch/TradingAgents.gitcdTradingAgents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conda create-ntradingagentspython3.13conda 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pipinstall.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、RichCLI 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/simplemacOS 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.envcp.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# 推荐新手用 DeepSeek便宜或 OpenAI默认OPENAI_API_KEYsk-xxxxxxxxxxxxDEEPSEEK_API_KEYsk-xxxxxxxxxxxx# 数据源可选但强烈推荐都申请FINNHUB_API_KEYxxx# 免费提供新闻和财报数据ALPHA_VANTAGE_API_KEYxxx# 免费提供市场数据补充各个 Key 的申请地址OpenAIhttps://platform.openai.com/api-keysDeepSeekhttps://platform.deepseek.com/api_keysAnthropichttps://console.anthropic.com/Finnhub免费https://finnhub.io/registerAlpha 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tradingagents或者python-mcli.main你会看到一个非常漂亮的 Rich 终端界面依次问你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。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。Analysts分析师选择用空格切换回车确认。新手建议四个全选。Research Depth研究深度1 / 3 / 5 轮辩论。新手建议 1 轮先跑通。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fromtradingagents.graph.trading_graphimportTradingAgentsGraphfromtradingagents.default_configimportDEFAULT_CONFIG configDEFAULT_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taTradingAgentsGraph(debugTrue,configconfig)final_state,decisionta.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 Desktopcp.env.example .env# 编辑 .env 填好 Keydockercompose run--rmtradingagentsDocker 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 1API 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 3A 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 4Ollama 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arXivhttps://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-R1https://github.com/TauricResearch/Trading-R1