TradingAgents-CN用多智能体 LLM 搭建一支 AI 股票分析团队的完整指南【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-CNTradingAgents-CN 是一个中文增强的多智能体 LLM 股票分析框架由多个 AI 智能体分工协作自动完成数据采集、多空辩论、风控审查和决策输出的全流程帮助普通人和学习者系统化地研究 A 股、港股、美股标的。项目定位为学习与研究工具不提供实盘交易指令。项目速览TradingAgents-CN 是对 TauricResearch 团队的 TradingAgents 框架的中文增强版本当前稳定版 v1.0.1。它的思路很直白把一家投研团队的工作流程拆成一个个AI 岗位每个岗位由一个大模型驱动各干各的活再互相评审最后汇总成一份可读的分析报告。相比英文原版它在数据源、模型接入和界面语言上做了大量本土化适配接入了 Tushare、AKShare、BaoStock 等国内常用的行情数据源也支持 DeepSeek、通义千问、OpenAI、Google AI 等多家大模型部署上提供 Docker 一键启动。关键能力说明多智能体分工5 类分析师市场、新闻、社媒、基本面等 多空研究员 风控辩论方 交易员智能体多数据源Tushare、AKShare、BaoStock支持优先级切换与多级降级回退多 LLM 接入DeepSeek、DashScope、OpenAI 兼容端点、Google AI、AiHubMix 聚合厂家技术栈FastAPI Uvicorn 后端Vue 3 Element Plus 前端MongoDB Redis 双存储实用功能批量分析、股票筛选、自选股、模拟交易、报告导出Markdown/Word/PDF部署方式Docker Compose 一键启动镜像支持 amd64 与 arm64使用边界面向学习与研究不构成投资建议TradingAgents-CN 分析师智能体的多维度数据整合界面展示行情、新闻与基本面信息的汇集过程它是怎么运转的一次完整分析的数据流转链路大致像下面这条流水线采集系统先从配置的数据源拉取行情、技术指标、财务数据和新闻。多个数据源按优先级排队某个源取不到数据时自动切换下一个而不是直接报错。分头分析市场分析师、新闻分析师、社媒分析师、基本面分析师等各自基于同一份数据输出观点相当于每个岗位只对自己的维度负责。多空辩论看涨研究员和看跌研究员分别提出支持买入和反对买入的理由并交锋避免单一视角的片面结论。风控把关风险管理部门由激进、保守、中性三个辩论方组成对交易员的提案做攻防式审查最终由风险管理负责人拍板。决策与输出交易员智能体汇总各方可信结论给出操作建议系统把它连同分析过程一并落库可导出成 Markdown、Word 或 PDF 报告。整个过程在 Web 端是可见的SSE WebSocket 双通道会实时推送每个智能体的进展你不用盯着日志猜它跑到哪一步了。TradingAgents-CN 命令行界面中的技术分析环节可以看到数据从采集到分析的推进过程几个值得深挖的技术点多源数据降级链数据源挂了也不影响分析要解决什么国内免费行情接口不稳定单一数据源一旦失效整条分析链路就会断。具体怎么做数据源被抽象成可插拔的 Provider 分层见 tradingagents/dataflows/providers/内含 china、hk、us 三个市场目录各源按优先级排序。以 AKShare 为例单股实时行情支持stock_bid_ask_em - stock_zh_a_spot - stock_zh_a_spot_em - stock_zh_a_hist这样的多级降级链前面取不到就换下一个。带来什么效果部分数据源故障时核心分析功能仍可持续运行同步结果里还能看到主链路、回退链路与失败原因方便排查。多空研究员对辩用吵架降低片面结论要解决什么单个大模型分析容易顺着数据说好听的话形成确认偏误。具体怎么做tradingagents/agents/researchers/ 下实现了bull_researcher.py与bear_researcher.py两个独立智能体基于分析师阶段产出的材料分别构建看涨与看跌论据再进行对抗式辩论。带来什么效果最终报告里同时保留了正反两方最有说服力的理由决策依据更平衡也方便你自己复核推理过程。三方风控辩论激进、保守、中性互相制衡要解决什么交易决策如果只看收益一面风险容易被忽略。具体怎么做tradingagents/agents/risk_mgmt/ 里放了三类辩论方——aggressive_debator.py激进、conservative_debator.py保守、neutral_debator.py中性围绕交易员的提案从不同风险偏好出发互相攻辩再由风险经理汇总裁决。带来什么效果风控不再是一条静态阈值而是一次有记录、可回溯的多方评审。可替换的 LLM 适配层模型可以按需换要解决什么不同模型的接口格式、价格、能力差异大换个模型不该改一堆业务代码。具体怎么做tradingagents/llm_adapters/ 提供 DeepSeek、DashScope、Google 等适配器并有一个openai_compatible_base.py作为 OpenAI 兼容端点的通用基类v1.0.1 还接入了 AiHubMix 这类聚合厂家一个入口可用多家模型。带来什么效果配置页里切换模型即可模型选择会持久化保存配置页、对话框和分析页看到的模型顺序也保持一致。TradingAgents-CN 中看涨与看跌研究员的双视角辩论流程展示多空观点的生成与交锋架构一览整体编排由 tradingagents/graph/trading_graph.py 驱动把各智能体组织成一张执行图条件路由conditional_logic.py、信号处理signal_processing.py等模块负责在节点间传递状态和判断走向。TradingAgents-CN 系统架构流程图展示数据在各智能体之间的流转与协作关系模块职责tradingagents/dataflows/数据采集、多源管理与降级回退tradingagents/agents/analysts/市场、新闻、社媒、基本面等分析岗位tradingagents/agents/researchers/看涨/看跌研究员组织辩论tradingagents/agents/risk_mgmt/三方风控辩论与裁决tradingagents/agents/trader/交易员智能体生成最终操作建议app/FastAPI 后端frontend/Vue 前端Web 界面、批量分析、筛选、模拟交易、报告导出MongoDB Redis分析结果与行情数据存储 多级缓存注意app/与frontend/两个目录属于需商业授权的专有部分其余代码为 Apache 2.0 开源详见 LICENSE 与 版权声明。从克隆到跑通最小部署步骤如下Docker 方式官方标注约 5 分钟可启动# 1. 获取代码 git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN # 2. 配置大模型密钥至少配一家如 DeepSeek cp .env.example .env # 编辑 .env填入 DEEPSEEK_API_KEY 等 # 3. 一键启动 docker-compose up -d启动后在浏览器打开http://localhost:8501即可进入 Web 界面。首次使用建议在配置中心补齐大模型与数据源密钥AKShare 一般可直接用Tushare 需申请 token先完成股票数据同步再发起分析——官方特别提醒未同步数据的分析结果会出现数据错误跑一个单股分析任务观察实时进度推送再尝试批量分析。TradingAgents-CN 命令行初始化后的界面展示进入分析流程的入口更完整的说明见 docs/QUICK_START.md开发向文档在 docs/development/配置项讲解在 docs/config/。怎么玩得更深换数据源行情 Provider 按市场china/hk/us分目录理解base_provider.py后接入自有数据并不复杂。换模型与控成本通过适配层接入不同 LLM 并做模型筛选docs/llm/ 下有专门的模型与成本说明。批量与筛选用批量分析对一组标的并行跑流程配合多维度股票筛选和自选股管理做初筛。模拟交易验证内置模拟交易系统提供虚拟资金环境可以先纸上交易验证策略而不触碰真实账户。报告产出分析结果支持 Markdown/Word/PDF 导出data/reports/与data/analysis_results/下留有历史样例可参考。演进方向项目采用选择性吸收上游 TradingAgents 更新的策略见 docs/maintenance/upstream-sync.mdv2.0 已在内测中规划通过官方渠道发布。TradingAgents-CN 交易员智能体的决策环节展示研究结论如何汇总为最终操作建议结语TradingAgents-CN 把数据采集 → 多角度分析 → 多空辩论 → 风控评审 → 决策输出这条机构投研链路装进了一个可本地部署的多智能体 LLM 股票分析框架里让你能低成本地理解并实践 AI 驱动的研究流程。记住它的第一定位是学习与研究工具跑通一个标的、读透一份多空辩论记录比急着出信号更有价值。想动手试试直接从 快速开始指南 走一遍 Docker 部署5 分钟内就能让第一支AI 分析团队开工。【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
TradingAgents-CN用多智能体 LLM 搭建一支 AI 股票分析团队的完整指南【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-CNTradingAgents-CN 是一个中文增强的多智能体 LLM 股票分析框架由多个 AI 智能体分工协作自动完成数据采集、多空辩论、风控审查和决策输出的全流程帮助普通人和学习者系统化地研究 A 股、港股、美股标的。项目定位为学习与研究工具不提供实盘交易指令。项目速览TradingAgents-CN 是对 TauricResearch 团队的 TradingAgents 框架的中文增强版本当前稳定版 v1.0.1。它的思路很直白把一家投研团队的工作流程拆成一个个AI 岗位每个岗位由一个大模型驱动各干各的活再互相评审最后汇总成一份可读的分析报告。相比英文原版它在数据源、模型接入和界面语言上做了大量本土化适配接入了 Tushare、AKShare、BaoStock 等国内常用的行情数据源也支持 DeepSeek、通义千问、OpenAI、Google AI 等多家大模型部署上提供 Docker 一键启动。关键能力说明多智能体分工5 类分析师市场、新闻、社媒、基本面等 多空研究员 风控辩论方 交易员智能体多数据源Tushare、AKShare、BaoStock支持优先级切换与多级降级回退多 LLM 接入DeepSeek、DashScope、OpenAI 兼容端点、Google AI、AiHubMix 聚合厂家技术栈FastAPI Uvicorn 后端Vue 3 Element Plus 前端MongoDB Redis 双存储实用功能批量分析、股票筛选、自选股、模拟交易、报告导出Markdown/Word/PDF部署方式Docker Compose 一键启动镜像支持 amd64 与 arm64使用边界面向学习与研究不构成投资建议TradingAgents-CN 分析师智能体的多维度数据整合界面展示行情、新闻与基本面信息的汇集过程它是怎么运转的一次完整分析的数据流转链路大致像下面这条流水线采集系统先从配置的数据源拉取行情、技术指标、财务数据和新闻。多个数据源按优先级排队某个源取不到数据时自动切换下一个而不是直接报错。分头分析市场分析师、新闻分析师、社媒分析师、基本面分析师等各自基于同一份数据输出观点相当于每个岗位只对自己的维度负责。多空辩论看涨研究员和看跌研究员分别提出支持买入和反对买入的理由并交锋避免单一视角的片面结论。风控把关风险管理部门由激进、保守、中性三个辩论方组成对交易员的提案做攻防式审查最终由风险管理负责人拍板。决策与输出交易员智能体汇总各方可信结论给出操作建议系统把它连同分析过程一并落库可导出成 Markdown、Word 或 PDF 报告。整个过程在 Web 端是可见的SSE WebSocket 双通道会实时推送每个智能体的进展你不用盯着日志猜它跑到哪一步了。TradingAgents-CN 命令行界面中的技术分析环节可以看到数据从采集到分析的推进过程几个值得深挖的技术点多源数据降级链数据源挂了也不影响分析要解决什么国内免费行情接口不稳定单一数据源一旦失效整条分析链路就会断。具体怎么做数据源被抽象成可插拔的 Provider 分层见 tradingagents/dataflows/providers/内含 china、hk、us 三个市场目录各源按优先级排序。以 AKShare 为例单股实时行情支持stock_bid_ask_em - stock_zh_a_spot - stock_zh_a_spot_em - stock_zh_a_hist这样的多级降级链前面取不到就换下一个。带来什么效果部分数据源故障时核心分析功能仍可持续运行同步结果里还能看到主链路、回退链路与失败原因方便排查。多空研究员对辩用吵架降低片面结论要解决什么单个大模型分析容易顺着数据说好听的话形成确认偏误。具体怎么做tradingagents/agents/researchers/ 下实现了bull_researcher.py与bear_researcher.py两个独立智能体基于分析师阶段产出的材料分别构建看涨与看跌论据再进行对抗式辩论。带来什么效果最终报告里同时保留了正反两方最有说服力的理由决策依据更平衡也方便你自己复核推理过程。三方风控辩论激进、保守、中性互相制衡要解决什么交易决策如果只看收益一面风险容易被忽略。具体怎么做tradingagents/agents/risk_mgmt/ 里放了三类辩论方——aggressive_debator.py激进、conservative_debator.py保守、neutral_debator.py中性围绕交易员的提案从不同风险偏好出发互相攻辩再由风险经理汇总裁决。带来什么效果风控不再是一条静态阈值而是一次有记录、可回溯的多方评审。可替换的 LLM 适配层模型可以按需换要解决什么不同模型的接口格式、价格、能力差异大换个模型不该改一堆业务代码。具体怎么做tradingagents/llm_adapters/ 提供 DeepSeek、DashScope、Google 等适配器并有一个openai_compatible_base.py作为 OpenAI 兼容端点的通用基类v1.0.1 还接入了 AiHubMix 这类聚合厂家一个入口可用多家模型。带来什么效果配置页里切换模型即可模型选择会持久化保存配置页、对话框和分析页看到的模型顺序也保持一致。TradingAgents-CN 中看涨与看跌研究员的双视角辩论流程展示多空观点的生成与交锋架构一览整体编排由 tradingagents/graph/trading_graph.py 驱动把各智能体组织成一张执行图条件路由conditional_logic.py、信号处理signal_processing.py等模块负责在节点间传递状态和判断走向。TradingAgents-CN 系统架构流程图展示数据在各智能体之间的流转与协作关系模块职责tradingagents/dataflows/数据采集、多源管理与降级回退tradingagents/agents/analysts/市场、新闻、社媒、基本面等分析岗位tradingagents/agents/researchers/看涨/看跌研究员组织辩论tradingagents/agents/risk_mgmt/三方风控辩论与裁决tradingagents/agents/trader/交易员智能体生成最终操作建议app/FastAPI 后端frontend/Vue 前端Web 界面、批量分析、筛选、模拟交易、报告导出MongoDB Redis分析结果与行情数据存储 多级缓存注意app/与frontend/两个目录属于需商业授权的专有部分其余代码为 Apache 2.0 开源详见 LICENSE 与 版权声明。从克隆到跑通最小部署步骤如下Docker 方式官方标注约 5 分钟可启动# 1. 获取代码 git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN # 2. 配置大模型密钥至少配一家如 DeepSeek cp .env.example .env # 编辑 .env填入 DEEPSEEK_API_KEY 等 # 3. 一键启动 docker-compose up -d启动后在浏览器打开http://localhost:8501即可进入 Web 界面。首次使用建议在配置中心补齐大模型与数据源密钥AKShare 一般可直接用Tushare 需申请 token先完成股票数据同步再发起分析——官方特别提醒未同步数据的分析结果会出现数据错误跑一个单股分析任务观察实时进度推送再尝试批量分析。TradingAgents-CN 命令行初始化后的界面展示进入分析流程的入口更完整的说明见 docs/QUICK_START.md开发向文档在 docs/development/配置项讲解在 docs/config/。怎么玩得更深换数据源行情 Provider 按市场china/hk/us分目录理解base_provider.py后接入自有数据并不复杂。换模型与控成本通过适配层接入不同 LLM 并做模型筛选docs/llm/ 下有专门的模型与成本说明。批量与筛选用批量分析对一组标的并行跑流程配合多维度股票筛选和自选股管理做初筛。模拟交易验证内置模拟交易系统提供虚拟资金环境可以先纸上交易验证策略而不触碰真实账户。报告产出分析结果支持 Markdown/Word/PDF 导出data/reports/与data/analysis_results/下留有历史样例可参考。演进方向项目采用选择性吸收上游 TradingAgents 更新的策略见 docs/maintenance/upstream-sync.mdv2.0 已在内测中规划通过官方渠道发布。TradingAgents-CN 交易员智能体的决策环节展示研究结论如何汇总为最终操作建议结语TradingAgents-CN 把数据采集 → 多角度分析 → 多空辩论 → 风控评审 → 决策输出这条机构投研链路装进了一个可本地部署的多智能体 LLM 股票分析框架里让你能低成本地理解并实践 AI 驱动的研究流程。记住它的第一定位是学习与研究工具跑通一个标的、读透一份多空辩论记录比急着出信号更有价值。想动手试试直接从 快速开始指南 走一遍 Docker 部署5 分钟内就能让第一支AI 分析团队开工。【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
