TradingAgents-CN 实践指南：如何用一支 AI 智能体团队完成股票研究分析

TradingAgents-CN 实践指南如何用一支 AI 智能体团队完成股票研究分析【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN如果你听过多智能体这个词却一直没找到落地的例子TradingAgents-CN 是个很合适的切入点。它是一个基于多智能体和大语言模型的中文股票分析框架你输入一个股票代码系统内部会拉起一支分析师团队——负责看行情、看新闻、看财务的智能体各自取证再由多头/空头研究员辩论、交易员给方案、风控团队拍板最后输出一份完整的分析报告。项目定位为学习与研究工具覆盖 A股、港股、美股数据源支持通义千问、DeepSeek、OpenAI 等多种大模型全部分析过程可复现、可追踪。1️⃣ 它解决什么问题一个人盯不住所有面做股票研究时最麻烦的不是算指标而是信息太分散K线在行情软件里、财报在披露系统里、消息在新闻里最后还要靠人脑把这些拼成一个判断。TradingAgents-CN 的思路是把拼判断这件事拆给多个各有分工的智能体每个智能体只盯一个面再由机制化的辩论流程汇总。这套分工对应到源码里非常清晰都在 tradingagents/agents/ 目录下市场分析师analysts/market_analyst.py盯价格、成交量、技术指标基本面分析师analysts/fundamentals_analyst.py盯 PE、PB、ROE 等财务指标新闻分析师analysts/news_analyst.py从新闻里找信号还带多层次过滤社交媒体分析师analysts/social_media_analyst.py盯舆情情绪A股专用市场分析师analysts/china_market_analyst.py针对 A 股规则单独适配你可以把它理解成一场结构化的投研会每个角色有固定议程。2️⃣ 一次分析里发生了什么从取证到拍板的完整链路你在终端敲下分析命令后幕后其实走的是这样一条流水线编排逻辑在 tradingagents/graph/trading_graph.py四个分析师并行取证行情、财务、新闻、舆情各出一份中文分析报告研究员双向论证多头研究员researchers/bull_researcher.py只负责找上涨理由空头研究员researchers/bear_researcher.py只负责找风险两边把证据摆上桌避免先有结论再找理由交易员给出方案交易员智能体trader/trader.py综合双方证据输出买入/卖出/持有的建议风控三方辩论激进、中立、保守三种立场的风控角色risk_mgmt/目录下的三个 debator互相质询研究经理和风险经理汇总后形成最终信号生成报告最终决策落盘到data/analysis_results/目录带股票代码和日期命名方便回看这种设计的价值在于过程透明报告里能看到每个角色说了什么、依据是什么而不只是一个买或卖的字学习多智能体协作时这一点尤其有用。3️⃣ 十分钟跑通第一次分析第一步把代码和环境准备好git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN python -m venv venv # Windows: venv\Scripts\activate Linux/macOS: source venv/bin/activate pip install -r requirements.txt第二步配置密钥在项目根目录建一个.env文件至少需要一个 LLM 供应商的密钥例如DASHSCOPE_API_KEY你的通义千问密钥 # 或 DEEPSEEK_API_KEY你的密钥 # 或 OPENAI_API_KEY你的密钥A 股数据可以再加TUSHARE_TOKEN。跑python cli/main.py config可以随时检查密钥配置状态和当前支持的模型供应商列表。第三步启动交互式分析CLI 入口是 cli/main.py核心命令就一条python cli/main.py analyze它不是让你堆参数的而是一个向导式交互依次让你选分析师组合、选研究深度15 级数字越大取证越深、耗时越长、选大模型供应商然后实时分屏展示每个智能体的输出和状态。第一次体验建议选研究深度 1 市场分析师 基本面分析师的组合几分钟就能出结果。跑完之后去data/analysis_results/目录翻报告里面按板块组织市场面、财务面、新闻面、多空辩论、风控结论、最终建议一应俱全。4️⃣ 数据和模型怎么选数据源方面项目对 A 股做了重点适配支持 Tushare、AkShare、BaoStock 等渠道港股美股另有 Finnhub 等。数据怎么拉、往哪个数据库写相关服务在 app/services/ 里如quotes_service.py、financial_data_service.py、news_data_service.py。官方提醒分析前最好先把目标股票的数据同步入库否则报告里的数据可能不完整这点在 docs/QUICK_START.md 里有专门说明。模型方面配置集中在tradingagents/llm_clients/和tradingagents/llm_adapters/两层前者负责各家 SDK 的接入后者做统一适配。国内模型通义千问、DeepSeek对中文财报的解读通常更顺OpenAI 系模型在推理链上更稳你可以按分析对象切换不用改代码。5️⃣ 跑熟之后看哪里想改分析流程从 tradingagents/graph/ 入手conditional_logic.py和reflection.py里就是智能体之间的流转与复盘规则想部署成服务根目录的docker-compose.yml可以一键起完整环境更多细节在 docs/deployment/想配缓存、日志、数据库参考 docs/configuration/ 和 config/logging.toml想看现成玩法examples/ 下有批量分析、单股分析、配置管理等完整可运行的示例脚本排障时优先看logs/目录下的运行日志常见问题的整理在 docs/troubleshooting/。写在最后TradingAgents-CN 的价值不在于它推荐买什么而在于让你第一次能完整看到一支多智能体团队是如何分工、取证、辩论、风控、落报告的。把它当成一个可运行的教学案例来拆收获会比只看论文大得多。项目明确声明仅用于学习和研究不构成投资建议正式投资决策请结合自己的判断和专业顾问的意见。【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考