共计 4074 个字符，预计需要花费 11 分钟才能阅读完成。
TradingAgents 是 Tauric Research 开源的一个多智能体交易研究框架。它把一家交易公司的分工搬进大模型：几位 AI 分析师分别看行情、新闻、情绪和财报，看多和看空两位研究员辩论，交易员给出方案，风控团队挑毛病，最后由组合经理拍板。截至 10 月 27 日上午，项目在 GitHub 有 116,060 个 star，当天排在 GitHub Trending 日榜第 2，单日新增 1,376 个 star。
官方 README 写明这是研究用途的框架，结果受模型、温度、交易周期和数据质量影响，不构成金融、投资或交易建议。本文按项目 README、release 说明和源码整理，我没有用它做实盘，也没有复现论文里的收益数字。
为什么最近又上榜
TradingAgents 不是新项目。仓库创建于 2024 年 12 月，对应的论文同月挂在 arXiv（编号 2412.20138）。这次重回热榜，和 9 月底到 10 月中旬连续三次更新有关：
- v0.5.2（9 月 29 日）：几位分析师改为并行工作，分析阶段的耗时约等于最慢的那一位；命令行可以完全用参数跑，适合放进定时任务；每份报告开头记录日期、版本、模型和数据源。
- v0.6.0（10 月 4 日）：报告除了 Markdown，还会另存一个单页的
complete_report.html，手机上也能看；快、慢两档模型可以分别接不同厂商，比如经理层用 Claude，分析师用 OpenAI。 - v0.7.0（10 月 17 日）：新增
chatgpt接入方式，可以登录 ChatGPT Plus 或 Pro 订阅来跑，不再必须准备 API Key；每个 release 页面附带 wheel 安装包；回测计分改为从决策日之后的第一个收盘价算起。
以上日期按北京时间换算自 GitHub API 的发布时间。
它怎么运作
整个流程用 LangGraph 编排，分成五个环节。
分析师团队。 四个角色：基本面分析师看公司财务和风险信号；情绪分析师汇总新闻标题、StockTwits 和 Reddit 上的讨论；新闻分析师看全球新闻和宏观指标；技术分析师用 MACD、RSI 等指标看走势。选中的分析师同时开工，各自用自己的数据工具。
研究员团队。 一位看多、一位看空，拿着分析师的报告做结构化辩论，权衡收益和风险。辩论轮数由 max_debate_rounds 控制，默认 1 轮。
交易员。 综合分析师和研究员的意见，提出交易方案，包括时机和仓位大小。
风控团队。 从激进、中性、保守三个立场评估方案的波动、流动性等风险，把评估报告交给组合经理。
组合经理。 批准或否决方案。批准后订单发往模拟交易所执行，不会碰你的真实账户。
模型分两档：「快」模型服务分析师、研究员、辩手和交易员，「慢」模型服务研究经理和组合经理。默认配置分别是 OpenAI 的 gpt-6-luna 和 gpt-6-sol，可以换成任何受支持的厂商。
对中文用户有用的几处
能直接分析 A 股和港股。 TradingAgents 支持 Yahoo Finance 覆盖的市场，代码要带交易所后缀：港股如 0700.HK，上海 A 股用 .SS（例如贵州茅台 600519.SS），深圳用 .SZ。计算相对收益时，默认把港股对比恒生指数，上海对比上证综指，深圳对比深证成指。
报告可以输出中文。 命令行第三步会让你选输出语言，菜单里有「Chinese (中文)」。默认配置的注释说明，这个选项只影响分析师报告和最终决策，智能体之间的内部辩论仍用英文。
国内模型的端点都列出来了。 README 里给了 DeepSeek、通义千问（国际版 DASHSCOPE_API_KEY 和国内版 DASHSCOPE_CN_API_KEY）、智谱 GLM（国际和国内）、MiniMax（国际和国内）、Kimi（MOONSHOT_API_KEY）的环境变量。GitHub 上评论较多的早期 issue 之一就是 #68「有没有大佬能改成使用 deepseek 的适用于 A 股的版本？」，现在官方已经内置了这些接入。
可以完全本地跑模型。 设 llm_provider: "ollama" 走本地 Ollama，或者用 openai_compatible 接 vLLM、LM Studio、llama.cpp 等任何兼容 OpenAI 接口的服务。本地服务不需要 Key。
上手步骤
TradingAgents 需要 Python 3.11 或更新版本。官方 README 的安装方式如下：
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
conda create -n tradingagents python=3.13
conda activate tradingagents
pip install .
用 uv 的话，把中间两行换成 uv venv --python 3.13 和 source .venv/bin/activate，再执行 uv pip install .。
不想装 Python 环境，可以用 Docker：
cp .env.example .env # 在 .env 里填 API Key
docker compose run --rm tradingagents
接着设置你要用的模型 Key，比如用 DeepSeek：
export DEEPSEEK_API_KEY=你的Key
然后运行 tradingagents，按界面依次选股票代码、分析日期、输出语言、模型厂商和研究深度。上一次的选择会作为默认值，直接回车就沿用。
想放进定时任务，可以用参数和环境变量跳过所有提问。下面是 README 里的例子：
export TRADINGAGENTS_LLM_PROVIDER=openai TRADINGAGENTS_QUICK_THINK_LLM=gpt-6-luna TRADINGAGENTS_DEEP_THINK_LLM=gpt-6-sol
export TRADINGAGENTS_OUTPUT_LANGUAGE=English TRADINGAGENTS_MAX_DEBATE_ROUNDS=1 TRADINGAGENTS_MAX_RISK_ROUNDS=1
tradingagents --ticker NVDA --date 2026-09-23 --analysts market,news,fundamentals --save --no-show
按源码里的语言选项，把 TRADINGAGENTS_OUTPUT_LANGUAGE 设为 Chinese、--ticker 换成 600519.SS，报告会用中文写，分析对象换成贵州茅台。这个组合我没有实际跑过，模型厂商和 Key 也要换成你自己的。
在 Python 里调用的写法：
from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG
ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())
state, decision = ta.propagate("NVDA", "2026-09-01")
print(decision)
记忆日志和回测
单次运行只给一个结论，看不出这套系统判断得好不好。TradingAgents 为此提供了记忆日志和回测两个功能。
记忆日志。 每次运行结束，决策会追加到 ~/.tradingagents/memory/trading_memory.md。默认持有期是 5 个交易日。下次运行时，已经过了持有期的旧决策会被结算：取回真实收益和相对基准的超额收益（alpha），再生成一段反思。组合经理做新决策前，会读同一只股票最近的决策和其他股票的经验。
回测。 run_backtest 在一组股票和日期上重复跑同一套流程，单独记日志，不写进你自己的记忆日志：
tradingagents backtest NVDA,AAPL --start 2026-06-01 --end 2026-08-01 --every 7
v0.7.0 调整了计分口径：一次运行读取的是决策日收盘之后发布的新闻，所以决策从下一个交易日的收盘价开始计分。旧日志里已结算的记录保留旧口径，官方建议新开一轮回测再做比较。
局限和注意事项
同样的输入，结果可能不同。 README 专门写了可复现性一节：大模型采样本身不确定，推理模型差异更大；新闻和社交数据随时间变化，即使固定分析日期，输入也会变。GitHub issue #168 就有用户反映用论文里同一日期跑 AAPL 复现不出结果。官方的说法是把它当研究脚手架，不要当成收益固定的策略。
A 股和港股的基本面数据有限。 美股财报走 SEC EDGAR，可以按当时申报的原样回看。港股、A 股的财报落到 Yahoo Finance，而 Yahoo 按报告期而不是发布日期标注，所以分析日期设在过去时，这部分财报会被隐去，不提供给模型。
token 开销要自己算。 每次运行要调用多位分析师和多轮辩论，用付费 API 时费用随模型、辩论轮数和分析师数量增加。用 ChatGPT 订阅跑会计入订阅的用量额度。
它不是投资建议。 README 和官网条款都这样写。它的用途是学习多智能体协作、研究大模型在金融场景的表现。
适合谁看
如果你在研究多智能体系统怎么分工、怎么让模型互相质疑，TradingAgents 是一个代码完整、文档持续更新的参考实现。作者和文档都不建议拿它的结论直接下单。
相关链接：
- 仓库：https://github.com/TauricResearch/TradingAgents
- v0.7.0 发布说明：https://github.com/TauricResearch/TradingAgents/releases/tag/v0.7.0
- 论文：https://arxiv.org/abs/2412.20138
- 免责条款：https://tauric.ai/disclaimer/
文中 star 数、排名和版本信息截至 2026 年 10 月 27 日上午，项目更新较快，命令和参数以官方 README 为准。
