TradingAgents 深度讲解：让 AI 智能体团队替你“开交易公司“——从原理到手把手部署

笃行_其道
26 阅读12分钟

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：github.com/TauricResea… 论文地址：arxiv.org/abs/2412.20…

在这里插入图片描述

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：

在这里插入图片描述

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

在这里插入图片描述

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 DashScope）Qwen3 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：

  1. 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。
  2. 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 docs.conda.io/projects/mi… 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

git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

如果你没装 Git，去 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 -n tradingagents python=3.13
conda 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：

pip install .

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、Rich（CLI 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/simple
  • macOS 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 .env：

cp .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_KEY=sk-xxxxxxxxxxxx
DEEPSEEK_API_KEY=sk-xxxxxxxxxxxx

# 数据源（可选，但强烈推荐都申请）
FINNHUB_API_KEY=xxx           # 免费，提供新闻和财报数据
ALPHA_VANTAGE_API_KEY=xxx     # 免费，提供市场数据补充

各个 Key 的申请地址：

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 -m cli.main

在这里插入图片描述

你会看到一个非常漂亮的 Rich 终端界面，依次问你：

  1. 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。
  2. 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）。
  3. Analysts（分析师选择）：用空格切换，回车确认。新手建议四个全选。
  4. Research Depth（研究深度）：1 / 3 / 5 轮辩论。新手建议 1 轮先跑通。
  5. 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：

from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

config = DEFAULT_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

ta = TradingAgentsGraph(debug=True, config=config)
final_state, decision = ta.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 Desktop：

cp .env.example .env
# 编辑 .env 填好 Key
docker compose run --rm tradingagents

Docker 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 1：API 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 3：A 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 4：Ollama 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

avatar
文章
阅读
粉丝