【三水儿和你探前沿】AI量化交易Agent：TradingAgents-CN

文章首发公众号【破茧Plan】

前沿工作系列三水儿将带你看看CV（计算机视觉），AI Agent领域的一些比较新，比较有热度的工作或者论文。让你每周花个几分钟，了解一下该领域有哪些新的有趣的工作或者有哪些落地的方向，让你在组会和技术讨论时不再支支吾吾，做人群中最靓的仔。

好了，话不多说，我们来看看本周的一个Github 热点项目，它将Agent技术应用到了金融领域，让我们看看AI“金融大亨们”是如何炒股的：TradingAgents-CN。

---

一、 项目简介

想象一下，如果能把一支华尔街的精英投研团队“装进”你的电脑里，会是怎样一种体验？

TradingAgents-CN这个开源项目做的就是这件事。

它不是一个简单的炒股机器人，而是一个基于多智能体（Multi-Agent）架构的AI交易决策框架。简单来说，它在你的电脑里虚拟出了一家小型投研公司，团队成员分工明确 ：

• 分析师团队：这是信息搜集部门，有基本面、技术、新闻、社交媒体四位分析师，从不同维度搜集市场信息。
• 研究员团队：拿到信息后，一位看涨和一位看跌的研究员会展开一场“多空辩论”，深度挖掘和碰撞观点。
• 交易与风控团队：最后，“交易员”根据所有信息和辩论结果做出买卖决策，而“风控官”则会给出一个量化的风险评级和目标价，确保决策不“上头”。

整个流程由一位“管理层”智能体统筹，最终生成一份逻辑清晰、有理有据的专业投资报告。最关键的是，这个项目专为中文环境优化，原生支持A股和港股，还能无缝对接国产大模型，对国内的金融和技术爱好者来说非常友好 。

二、本地安装部署

上面的简介看起来很炫酷，但对于部分不是计算机相关专业的兄弟们会不会很复杂？得益于项目完善的Docker容器化方案，整个过程出奇地简单，你只需要按照三水儿下面的方法，就可以轻松搞定自己的本地安装部署。

三水儿贴心的为大家准备了Mac和Windows的详细教程。对于使用Linux的朋友，三水儿相信你们可以自食其力的。

第一步：环境配置

首先是环境准备，我们需要安装Git和Docker这两个文件。

Windows用户：

1. 访问git-scm.com/install/win… 下载并安装Git
2. 访问www.docker.com/products/do… 下载并安装Docker Deskto

MacOS用户：

1. Mac一般是默认安装git的，可以打开“终端”输入“git —version”。如果没安装，可以同样访问git-scm.com/install/win… 进行下载安装
2. 同样访问www.docker.com/products/do… 按照你的芯片型号（Apple Sillicon系列或Intel），然后拖入“应用程序文件夹”即可。

第二步：克隆代码

1. 打开终端，用Git把项目代码获取下来

git clone https://github.com/hsliuping/TradingAgents-CN.git
cd TradingAgents-CN

第三步：准备API-key

在项目文件夹中，Mac一般为/Users/用户名/TradingAgents-CN；Windows一般为C：//User//TradingAgents-CN

把.env .example文件复制一份，然后按注册下面的网站，填入你的API密钥

• 必填
  • 阿里百炼 API 密钥 (推荐，国产大模型，中文优化)
    • dashscope.aliyun.com/
  • FinnHub API 密钥 (必需，用于获取美股金融数据)
    • finnhub.io/
  • Tushare API Token (推荐，专业的中国金融数据源)
    • tushare.pro/register?re…
• 选填
  • 硅基流动 API 密钥 (国产大模型调用平台，有各类国产开源模型，中文优化)
    • www.siliconflow.cn/
  • OpenAI API 密钥
    • platform.openai.com/
  • OpenRouter API 密钥
    • openrouter.ai/
  • Google AI API 密钥
    • ai.google.dev/
  • Anthropic API 密钥
    • console.anthropic.com/
  • DeepSeek V3 API 密钥
    • platform.deepseek.com/

第四部：TradingAgents-CN，启动！

在终端运行

docker-compose up -d --build

注：目前的Docker的web镜像部分时候存在问题，三水儿暂时也没有好的解决办法（原因是环境配置的问题，有一个包找不到，后面三水儿有空再去解决）。

如果你的Docker-compose命令运行成功，但访问 http://localhost:8501 失败，且从Docker中看到TradingAgents-web的Actions一直在转圈圈，就是这个问题，可以点击Actions旁边的三个点，先把TradingAgents-web停掉，然后在本地启动web服务。

目前可以在本地启动web，数据库等内容使用Docker容器。下附方法：

1. 安装环境（确保本地安装了conda）

   # 在命令行创建conda虚拟环境
   conda create --name TradingAgents-CN python=3.10 -y
   conda activate TradingAgents-CN
   

2. 安装项目依赖

   pip install -r requirements-lock.txt
   

3. 完成后，启动应用

   python start_web.py
   # 访问http://localhost:8501
   

项目启动成功截图

到这里就可以按照官方给出的文档去体验你的AI量化助手了。

三、项目详解

好了，成功部署启动运行只是第一步，对于一个开源的项目，我们当然要深入了解他的架构和技术了。

PS：这里三水儿先浅浅的带大家看一下，更深入的拆解如果大家需要可以评论留言，三水儿会在后面安排项目的详解。

目录结构

对于一个他人的开源项目，我们首先要梳理清楚的就是他的每个目录都是干什么的。TradingAgents-CN的项目结构十分清晰，命名也很规范，所有我们在这里快速的过一下：

目录	用途
tradingagents/	项目核心。这里是所有智能体（Agent）的大脑所在地，包含了它们的角色定义、逻辑、思考链（Prompt）以及协作流程的代码 。
web/	用户界面。这是你看到的前端界面和提供API服务的后端的位置 。所有你在网页上的点击操作，最终都会由这里的代码来响应
config/	配置文件中心。项目的各种设置，比如数据库连接信息（MongoDB, Redis）、默认模型选择等，都存放在这里 。
docs/	官方说明书。包含了项目详细的中文文档，从安装部署到架构设计，内容非常详尽
data/	数据仓库。用于存放缓存的金融数据、分析过程中产生的中间文件等。
logs/	工作日志。程序运行过程中产生的日志文件会保存在这里。
Dockerfile	环境打包说明书。定义了如何将这个项目打包成一个Docker镜像，是实现一键部署的关键文件之一。
docker-compose.yml	docker编排文件。 这个文件告诉Docker需要启动哪些服务（比如后端、前端、数据库），以及它们之间如何协同工作 。
requirements.txt	Python依赖清单。列出了项目运行所需的所有Python库，确保了环境的一致性。

Agent的简介

这个项目的灵魂就在于它的多智能体（Multi-Agent）架构。这部分让我们来介绍一下他所有Agent吧。

核心成员至少有七位，可以分为四个梯队 ：

1. 分析师团队 (Analyst Team)：负责信息搜集。
   • 基本面分析师：看财报，分析公司价值。
   • 技术分析师：看K线，寻找交易模式。
   • 新闻分析师：读新闻，评估事件影响。
   • 社交媒体/情绪分析师：刷论坛，感知市场情绪。
2. 研究员团队 (Researcher Team)：负责深度思辨。
   • 看涨研究员 (Bullish Researcher)：从积极角度解读信息。
   • 看跌研究员 (Bearish Researcher)：从风险角度提出质疑。
3. 决策与风控团队 (Trader & Risk Management)：负责执行与把关。
   • 交易员 (Trader Agent)：综合所有信息，做出最终的买/卖/持有决策。
   • 风险管理智能体 (Risk Management Agent)：评估交易风险，给出风险等级和目标价。
4. 管理层 (Management/Fund Manager)：负责流程协调和最终审批 。

思维链（Chain of Thought）

每个Agent都有一个预设的“人设”和“思考模式”，这是通过精心设计的Prompt（提示词）来实现的。它们的行动框架大致如下：

• 明确目标 (Goal)：每个Agent被赋予一个清晰的目标，比如“作为技术分析师，你的目标是分析价格图表并识别趋势” 。
• 配备工具 (Tools)：根据角色不同，Agent被授予使用特定工具的权限。例如，新闻分析师可以使用网络搜索工具，而技术分析师则可以使用图表分析库 。
• 结构化思考 (Chain of Thought)：Agent被引导进行一步步的思考。例如，一个研究员的思维链可能是：“1. 阅读所有分析师的报告。2. 提炼出支持我看涨/看跌的核心论点。3. 预测对方可能会如何反驳。4. 准备我的回应。”

他们是如何交流的?

如果Agent之间只是用自然语言聊天，信息在传递过程中很容易失真，这就是所谓的“电话效应”。TradingAgents巧妙地解决了这个问题，采用了一种混合沟通协议 ：

• 主要方式：结构化报告。分析师完成工作后，不会只发一句“我觉得不错”，而是生成一份包含关键数据和结论的结构化报告。后续的Agent可以直接查询这些报告，保证了信息的准确无误 。
• 辅助方式：受控的自然语言辩论。在需要深度思想碰撞的环节，比如研究员团队，系统会允许他们进行几轮“唇枪舌战”式的自然语言辩论。这种辩论被一个“主持人”Agent管理，确保讨论不跑偏，最终形成一个更经得起推敲的结论 。

这种设计，既保证了信息传递的保真度，又保留了思想碰撞的火花。

数据源和模型的API调用

TradingAgents-CN对这些外部API的管理非常灵活和集中。

• 集中配置：所有的API密钥（Key）和令牌（Token）都统一在根目录下的 .env 文件中进行配置。你只需要在这个文件里填一次，项目里的所有Agent就能按需调用，避免了在代码中硬编码密钥带来的安全风险和管理混乱 。
• 可视化管理中心：在最新的v1.0.0版本中，项目引入了一个企业级的“配置管理中心”。这意味着你可以在网页界面上，动态地添加、修改和管理不同的大模型供应商（如OpenAI、Google AI或国内模型）和数据源（如Tushare、AkShare）。
• 智能模型选择：系统还能根据任务的复杂性，智能地选择最合适的模型。比如，对于简单的数据提取任务，它可能会调用一个速度快、成本低的“快思”模型；而对于深度的分析决策，则会调用一个能力更强的“慢思”模型 。

这种设计大大降低了使用和扩展的门槛，让用户可以专注于策略本身，而不是繁琐的API接入工作。

一次完整的分析流程

现在，让我们把所有环节串起来，看看从你输入一个股票代码到最终报告生成，都发生了什么。

1. 任务启动：用户在前端界面输入股票代码（例如：600519.SH 贵州茅台）和分析时间范围，点击“开始分析”。
2. 管理层派单：请求到达后端，管理层Agent作为总指挥，启动整个分析工作流。
3. 分析师并行工作：管理层向四位分析师Agent同时派发任务。他们分头行动，并行地从各自的数据源获取信息并完成初步分析，然后各自提交一份结构化的分析报告。
4. 多空激辩：研究员团队的两位Agent（看涨和看跌）拿到所有分析师的报告后，进入辩论环节。他们各自陈述观点，互相反驳，整个过程由一个“主持人”监督。辩论结束后，形成一份包含正反两方核心论点和最终胜出观点的综合意见。
5. 交易员决策：交易员Agent阅读分析师报告和研究员的辩论结果，结合所有信息，做出最终的投资建议（例如：买入），并阐述决策的核心理由。
6. 风险官评估：风险管理Agent对交易员的决策进行风险评估，给出一个量化的风险等级（如：中等风险）和建议的目标价格区间。
7. 报告生成与呈现：最后，管理层Agent将以上所有环节的产出——各维度分析、辩论过程、决策理由、风险评估——汇总成一份专业、详尽的PDF/Markdown投资分析报告，并通过SSE（服务器发送事件）实时推送到前端界面，展现在你的面前 。

至此，一次由AI天团协作完成的深度投研分析就完成了。整个过程逻辑清晰、有迹可循，是不是感觉非常强大？

四、算力算力，我们需要的还是算力

好了，到现在为止你已经拥有了一个强大的AI量化框架了。但很快啊，很快，你就发现了自己的大模型Token小号的飞快。同时，一些技术量化佬也会产生一个大胆的想法，如果我不想只用通用的模型API，而是想用我自己的数据，去微调一个更懂我投资策略的，专属的大模型，会怎么样？

理想很丰满，但现实却很骨感。你的算力是不够的，小的基座模型能力不够，他敢给你策略，你也不敢用啊，大的模型能力倒是够了，但你的GPU是扛不住的，你不会指望着你的那张游戏显卡能做模型微调吧？别想了，就是目前最强的游戏显卡5090的32G也无能为力啊。

唯一的选择似乎只剩下云端GPU。但随之而来的是持续烧钱的账单、上传海量数据的漫长等待，以及对于金融行业最致命的——数据安全与合规风险。你总不会想把你私有的数据上传到公有平台吧？

那么，有没有一种方案，既能提供数据中心级的算力，又能保障绝对的数据安全，还能方便地放在办公桌上呢？

有的，兄弟，有的。

这就是英伟达最近新出的工作站——NVIDIA DGX Spark。

它不是一台传统的工作站，而是一个全新的品类：“个人AI超级计算机” 。它的核心使命，就是为了打破“显存墙”。

DGX Spark的拥有128GB的高速统一内存 。传统电脑的CPU和GPU内存是分开的，数据需要来回拷贝。而统一内存架构让CPU和GPU共享一个巨大的内存池，对于AI模型来说，可用的“显存”瞬间从几十GB跃升至128GB。这意味着，在家微调70B甚至更大规模的模型，从“不可能”变成了“可能”。同时对于量化公司来说，这也是一个必备神器啊。

“但等一下，” 你可能会问，“成熟的量化公司不是都有自己的算力中心吗？还需要这个桌面设备？”

问得好！

传统的算力中心，我们需要把任务上传到中央集群，要排队等很久。这样很难快速验证一个想法。

而有了DGX Spark则可以让研究员可以在自己的办公桌上，即时访问PetaFLOP级的算力，用私有数据安全地进行模型原型设计和快速迭代。一旦策略被验证有效，再无缝地将成熟的任务迁移到公司的数据中心进行大规模训练或部署 。

如果有朋友对NVIDIA DGX Spark感兴趣可以添加三水儿微信。

好了，本期的“三水儿和你探前沿”就到这里。我们从一个有趣的开源项目聊起，一路探索到底层的硬件基石。希望这些内容能给你带来一些新的启发。我们下期再见！