多智能体协作做 A 股金融分析TradingAgents-CN 从零跑通手记【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如果你手头有一批 A 股标的想快速做技术面 新闻面 基本面的交叉分析又不想自己搭数据管道——TradingAgents-CN 值得看它是一个多智能体 LLM 中文金融分析框架四个分析师智能体并行取数看涨看跌研究员辩论、风控团队定档最后给出带风险评分的决策建议。这篇文章讲清楚三件事怎么把它跑起来、怎么让分析更准、以及大概率会踩到的坑。三分钟跑起来 这一节只回答一个问题怎么最快把这套框架摆到你眼前。只要你装了 Docker最短路径就是三条命令git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN docker-compose up -d一条docker-compose up -d会同时拉起四个容器FastAPI 后端、Vue 3 前端、MongoDB 和 Redis全部带健康检查。看到四个容器都是 healthy浏览器打开http://localhost:3000出现分析配置页左侧系统信息面板正常显示版本号与数据源状态就说明部署成功了。要二次开发的话本地装好 requirements.txt 里的依赖后python main.py即可源码启动完整步骤在 docs/ 里有专门章节这里不展开。数据怎么流、结论怎么出架构速览上手前你最好先知道一次开始分析背后发生了什么这样看到不合理的结论时才知道该从哪一头查。点下分析按钮后四条数据线并行开工一条拉行情、算技术指标交给市场分析师一条抓财经新闻和公告交给新闻分析师一条汇总社交媒体舆情交给社交情绪分析师一条拉财报和估值指标交给基本面分析师。四份材料汇总到研究员团队看涨方和看跌方各自列出证据来回辩论几轮再由交易员把辩论结论整理成交易提案。最后一道闸是风控团队——激进、中性、保守三种立场各摆一次观点管理者拍板后你看到的才是一条带置信度和风险评分的决策。完整执行图在 trading_graph.py 的源码里和下面这张图基本一致中文本地化也做在这一层A 股数据优先走 Tushare、AKShare、BaoStock 等国内数据源并把本地 MongoDB 缓存放在最高优先级整条链路不依赖境外接口出来的报告也是中文的。三个真实用法跑起来之后下一问题是拿来干什么。下面是最常用的三条路。给五粮液做个全维度体检打开分析配置页市场下拉框选A股股票代码填000858勾选市场、新闻、基本面三个分析师研究深度滑到 3 级——1 级是快速分析5 级是全面分析。点下分析后进度页实时刷新三级深度完整跑完大约十来分钟看到100% 已完成就意味着任务落地了。单股分析跑完别急着钻细节先看汇总结论。读出最终决策打开分析报告第一眼看到的就是投资决策摘要投资建议买入/持有/卖出、置信度、风险评分、目标价摆在一行下面展开AI 推理会用白话讲清楚为什么给出这个判断。池子里有一批股票的话用批量分析一次跑完每只股票一页摘要能快速筛出哪几只值得细看。摘要是结论但你可能想知道它是怎么论证出来的。切标签页逐维度下钻报告顶部一排标签页市场技术分析、基本面分析、新闻事件分析、风险评估、投资建议、交易团队计划、风险管理团队。每个标签页都是一个角色的完整分析文本——技术标签页里写着区间最高价、最大回撤这些具体数字新闻标签页是被过滤筛选后的事件两个团队标签页直接能看到多空辩论和风控立场。一只股票这样读下来基本等于一份迷你研报。想让分析更准改这几处 ⚙️开箱即用的分析已经能看但要更准把三个旋钮拧对地方就行。想让数据更准从数据源优先级下手。A 股数据走 data_source_manager.py 里的枚举决定取数顺序# tradingagents/dataflows/data_source_manager.py节选简化 class ChinaDataSource(Enum): MONGODB # 本地 MongoDB 缓存最高优先级 TUSHARE # 需要 API key字段最全 AKSHARE # 无需 key适合兜底 BAOSTOCK # 备用兜底MONGODB 排最前意味着本地同步过的数据优先命中取不到才出网拉取——这也是先同步股票数据再分析下文坑 2能省时间的底层原因。想换模型改 default_config.py 里的 provider 和两个模型或者直接在 Web 配置中心切换Qwen、DeepSeek 这类国产模型适合中文财报解读OpenAI、Google 这类国际模型适合跨市场对比其中deep_think_llm负责辩论和决策quick_think_llm负责数据摘要可以摘要用便宜模型、决策用强模型。想控制速度和成本还有三个旋钮缓存层MongoDB Redis 两级缓存同一只股票重复分析直接命中、辩论轮次配置里的max_debate_rounds和max_risk_discuss_rounds默认各一轮调大更充分但更慢、数据开关DEFAULT_CONFIG里的online_news、realtime_data离线环境关掉实时拉取。# tradingagents/default_config.py节选 llm_provider: openai, deep_think_llm: o4-mini, quick_think_llm: gpt-4o-mini, max_debate_rounds: 1, max_risk_discuss_rounds: 1,踩坑记录三个大概率会碰到跑起来之后最容易绊住你的三件事都在这了处理都不需要读源码。分析启动后提示数据获取失败或报错→ 别慌大概率是 API key 没更新key 写在 .env 里但后端实际从数据库读。三步解决把 key 填进.env跑python scripts/update_db_api_keys.py它会把 .env 里的 key 写进 MongoDB再到配置中心的数据源状态页确认一遍重试分析。分析跑完了但数据不对或缺失→ 股票数据还没同步进数据库分析师读到的是空表。README 里专门强调了这一点先同步股票数据再做分析。同步完成后单股同步结果页会展示主链路和回退链路确认数据真的落库了再分析更稳。分析太慢等了二十分钟没结果→ 深度 5 级 多轮辩论 缓存没命中三者叠加就会这样。把研究深度从 5 级降到 3 级确认 MongoDB 缓存层开着同一只股票重复分析直接命中缓存max_debate_rounds保持 1。必须知道的边界 ⚠️说句实话这是学习研究工具不是投资建议生成器——它输出的持有/买入/卖出是大模型基于数据做的推演不构成任何建议。行情与财务数据来自第三方接口存在延迟和误差真要做决策请以官方数据为准。还有一个容易忽略的点项目采用混合许可证tradingagents/ 框架部分是 Apache 2.0 开源app/后端和frontend/前端做商业用途需要单独取得商业授权个人学习和研究放心用。再往前一步如果你用 Web 界面用了一段时间觉得不够用了框架本身也很好扩展。想加自己的分析师比如专利分析、政策分析智能体在 tradingagents/agents/analysts/ 下加一个新文件现有的市场、新闻、社交情绪、基本面分析师都是这么写的接口伪代码就是class MyAnalyst: analyze(self, code, data) - str——实现好分析逻辑注册进图即可。想接一个新数据源按 base_provider.py 的接口规范在 tradingagents/dataflows/providers/ 下实现A 股、港股、美股各有一个子目录可以参考实现完注册进数据源管理器就能被优先级调度。想验证某个想法又不想实盘内置的模拟交易系统支持虚拟资金下单拿它试错没有资金风险。社区侧bug 修复、功能建议、文档改进都欢迎走 Issue 或 PR 提就行v2.0.0 已在开发中后续以官方渠道的发布为准。TradingAgents-CN 的价值在于把数据管道 多智能体编排 多空辩论 风险决策这一整套流程压缩进一个 Web 表单省掉的是你写数据层的功夫换来的是可以逐层下钻的分析结论以及 tradingagents/ 源码里那份多智能体编排的完整实现。仓库地址https://gitcode.com/GitHub_Trending/tr/TradingAgents-CNclone 下来就能从零开始。【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 多智能体协作做 A 股金融分析：TradingAgents-CN 从零跑通手记
多智能体协作做 A 股金融分析TradingAgents-CN 从零跑通手记【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如果你手头有一批 A 股标的想快速做技术面 新闻面 基本面的交叉分析又不想自己搭数据管道——TradingAgents-CN 值得看它是一个多智能体 LLM 中文金融分析框架四个分析师智能体并行取数看涨看跌研究员辩论、风控团队定档最后给出带风险评分的决策建议。这篇文章讲清楚三件事怎么把它跑起来、怎么让分析更准、以及大概率会踩到的坑。三分钟跑起来 这一节只回答一个问题怎么最快把这套框架摆到你眼前。只要你装了 Docker最短路径就是三条命令git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN docker-compose up -d一条docker-compose up -d会同时拉起四个容器FastAPI 后端、Vue 3 前端、MongoDB 和 Redis全部带健康检查。看到四个容器都是 healthy浏览器打开http://localhost:3000出现分析配置页左侧系统信息面板正常显示版本号与数据源状态就说明部署成功了。要二次开发的话本地装好 requirements.txt 里的依赖后python main.py即可源码启动完整步骤在 docs/ 里有专门章节这里不展开。数据怎么流、结论怎么出架构速览上手前你最好先知道一次开始分析背后发生了什么这样看到不合理的结论时才知道该从哪一头查。点下分析按钮后四条数据线并行开工一条拉行情、算技术指标交给市场分析师一条抓财经新闻和公告交给新闻分析师一条汇总社交媒体舆情交给社交情绪分析师一条拉财报和估值指标交给基本面分析师。四份材料汇总到研究员团队看涨方和看跌方各自列出证据来回辩论几轮再由交易员把辩论结论整理成交易提案。最后一道闸是风控团队——激进、中性、保守三种立场各摆一次观点管理者拍板后你看到的才是一条带置信度和风险评分的决策。完整执行图在 trading_graph.py 的源码里和下面这张图基本一致中文本地化也做在这一层A 股数据优先走 Tushare、AKShare、BaoStock 等国内数据源并把本地 MongoDB 缓存放在最高优先级整条链路不依赖境外接口出来的报告也是中文的。三个真实用法跑起来之后下一问题是拿来干什么。下面是最常用的三条路。给五粮液做个全维度体检打开分析配置页市场下拉框选A股股票代码填000858勾选市场、新闻、基本面三个分析师研究深度滑到 3 级——1 级是快速分析5 级是全面分析。点下分析后进度页实时刷新三级深度完整跑完大约十来分钟看到100% 已完成就意味着任务落地了。单股分析跑完别急着钻细节先看汇总结论。读出最终决策打开分析报告第一眼看到的就是投资决策摘要投资建议买入/持有/卖出、置信度、风险评分、目标价摆在一行下面展开AI 推理会用白话讲清楚为什么给出这个判断。池子里有一批股票的话用批量分析一次跑完每只股票一页摘要能快速筛出哪几只值得细看。摘要是结论但你可能想知道它是怎么论证出来的。切标签页逐维度下钻报告顶部一排标签页市场技术分析、基本面分析、新闻事件分析、风险评估、投资建议、交易团队计划、风险管理团队。每个标签页都是一个角色的完整分析文本——技术标签页里写着区间最高价、最大回撤这些具体数字新闻标签页是被过滤筛选后的事件两个团队标签页直接能看到多空辩论和风控立场。一只股票这样读下来基本等于一份迷你研报。想让分析更准改这几处 ⚙️开箱即用的分析已经能看但要更准把三个旋钮拧对地方就行。想让数据更准从数据源优先级下手。A 股数据走 data_source_manager.py 里的枚举决定取数顺序# tradingagents/dataflows/data_source_manager.py节选简化 class ChinaDataSource(Enum): MONGODB # 本地 MongoDB 缓存最高优先级 TUSHARE # 需要 API key字段最全 AKSHARE # 无需 key适合兜底 BAOSTOCK # 备用兜底MONGODB 排最前意味着本地同步过的数据优先命中取不到才出网拉取——这也是先同步股票数据再分析下文坑 2能省时间的底层原因。想换模型改 default_config.py 里的 provider 和两个模型或者直接在 Web 配置中心切换Qwen、DeepSeek 这类国产模型适合中文财报解读OpenAI、Google 这类国际模型适合跨市场对比其中deep_think_llm负责辩论和决策quick_think_llm负责数据摘要可以摘要用便宜模型、决策用强模型。想控制速度和成本还有三个旋钮缓存层MongoDB Redis 两级缓存同一只股票重复分析直接命中、辩论轮次配置里的max_debate_rounds和max_risk_discuss_rounds默认各一轮调大更充分但更慢、数据开关DEFAULT_CONFIG里的online_news、realtime_data离线环境关掉实时拉取。# tradingagents/default_config.py节选 llm_provider: openai, deep_think_llm: o4-mini, quick_think_llm: gpt-4o-mini, max_debate_rounds: 1, max_risk_discuss_rounds: 1,踩坑记录三个大概率会碰到跑起来之后最容易绊住你的三件事都在这了处理都不需要读源码。分析启动后提示数据获取失败或报错→ 别慌大概率是 API key 没更新key 写在 .env 里但后端实际从数据库读。三步解决把 key 填进.env跑python scripts/update_db_api_keys.py它会把 .env 里的 key 写进 MongoDB再到配置中心的数据源状态页确认一遍重试分析。分析跑完了但数据不对或缺失→ 股票数据还没同步进数据库分析师读到的是空表。README 里专门强调了这一点先同步股票数据再做分析。同步完成后单股同步结果页会展示主链路和回退链路确认数据真的落库了再分析更稳。分析太慢等了二十分钟没结果→ 深度 5 级 多轮辩论 缓存没命中三者叠加就会这样。把研究深度从 5 级降到 3 级确认 MongoDB 缓存层开着同一只股票重复分析直接命中缓存max_debate_rounds保持 1。必须知道的边界 ⚠️说句实话这是学习研究工具不是投资建议生成器——它输出的持有/买入/卖出是大模型基于数据做的推演不构成任何建议。行情与财务数据来自第三方接口存在延迟和误差真要做决策请以官方数据为准。还有一个容易忽略的点项目采用混合许可证tradingagents/ 框架部分是 Apache 2.0 开源app/后端和frontend/前端做商业用途需要单独取得商业授权个人学习和研究放心用。再往前一步如果你用 Web 界面用了一段时间觉得不够用了框架本身也很好扩展。想加自己的分析师比如专利分析、政策分析智能体在 tradingagents/agents/analysts/ 下加一个新文件现有的市场、新闻、社交情绪、基本面分析师都是这么写的接口伪代码就是class MyAnalyst: analyze(self, code, data) - str——实现好分析逻辑注册进图即可。想接一个新数据源按 base_provider.py 的接口规范在 tradingagents/dataflows/providers/ 下实现A 股、港股、美股各有一个子目录可以参考实现完注册进数据源管理器就能被优先级调度。想验证某个想法又不想实盘内置的模拟交易系统支持虚拟资金下单拿它试错没有资金风险。社区侧bug 修复、功能建议、文档改进都欢迎走 Issue 或 PR 提就行v2.0.0 已在开发中后续以官方渠道的发布为准。TradingAgents-CN 的价值在于把数据管道 多智能体编排 多空辩论 风险决策这一整套流程压缩进一个 Web 表单省掉的是你写数据层的功夫换来的是可以逐层下钻的分析结论以及 tradingagents/ 源码里那份多智能体编排的完整实现。仓库地址https://gitcode.com/GitHub_Trending/tr/TradingAgents-CNclone 下来就能从零开始。【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