TradingAgents：让多名 AI 分析师协作研究市场
一分钟看懂
TradingAgents 是一个模拟真实交易机构分工的多 Agent 研究框架。它安排基本面、新闻、情绪和技术分析 Agent 分别收集证据，再让看多与看空研究员辩论，由交易员形成方案，最后交给风险管理与投资组合角色审核。框架用 LangGraph 组织流程，支持多种云端和本地模型。
你可以用它做什么
- 对股票或数字资产生成多角度研究报告。
- 研究不同 Agent 分工、辩论轮数和模型组合的影响。
- 使用 CLI 选择标的、日期、模型和研究深度。
- 保存决策日志，在后续分析中回顾历史得失。
- 开启检查点，在中断后从上一步继续。
主要能力
分析团队覆盖财务、舆情、宏观新闻和 MACD/RSI 等技术信息；多空角色对证据进行结构化争论，交易员提出行动，风险与组合经理决定接受或拒绝。项目支持 OpenAI、Gemini、Claude、DeepSeek、Qwen、GLM、Ollama 及 OpenAI 兼容端点，并可使用 Docker 运行。
适合哪些人
- 研究金融多 Agent 系统的开发者和学生。
- 希望比较不同模型在同一决策流程中表现的量化研究者。
- 需要一个可修改的投研流程原型，而非直接交易产品的团队。
怎么开始使用
用 Python 3.12 创建隔离环境并安装项目，配置所选模型和行情数据 API Key，再通过交互式 CLI 对少量历史日期运行。先阅读每个角色引用的证据，检查是否存在未来信息，再谈结果表现。需要复现实验时固定代码、数据日期和模型设置。
使用前需要知道
项目明确用于研究，不构成投资建议。LLM 输出具有随机性，实时新闻和社交数据也会变化，同一标的与日期重复运行可能得到不同结论。回测还可能受到前视偏差、幸存者偏差、手续费、滑点和数据质量影响。
不要让它直接控制真实资金。真实使用必须加入严格的数据时间截断、组合约束、仓位与止损规则、人工审批和独立风险系统。API 调用较多，辩论轮数和高价模型也会快速增加成本。