TradingAgents-CN 保姆级实战多智能体 AI 股票分析框架的完整部署与使用指南【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 是一个基于多智能体 LLM 的中文金融交易分析框架它把看一只股票这件事拆成研究员团队多空辩论、交易员出方案、风控团队三道把关的完整流程让你用一条命令就能获得一份结构化、可追溯的 AI 股票分析——支持 A 股/港股/美股且所有界面和数据源都做了中文本地化。这篇指南按真实使用顺序写先讲它解决什么问题再讲怎么最快跑起来然后是数据同步、研究深度、多智能体工作流这些真正决定分析质量的环节最后集中处理新手最容易踩的几个坑。为什么单靠一个大模型问答不够很多人试过直接问大模型600519 现在能不能买得到的通常是一段正确的废话模型没有实时行情、没有最新财务数据更不存在有人反驳它的机制。单个 LLM 的结论天然偏自信看多的时候没有看空的视角来制衡。TradingAgents-CN 要解决的就是这个问题把一次股票分析变成一支虚拟投研团队的工作。框架源自 Tauric Research 的 TradingAgents 项目中文版在此基础上补了 A 股数据源Tushare、AkShare、BaoStock、国产 LLM 支持DeepSeek、阿里百炼、Google AI、OpenAI 等、专业报告导出和完整的 Web 管理界面。需要说明的一点这是一个学习与研究平台明确不提供实盘交易指令。另外项目采用混合许可证——个人学习研究可自由使用商业使用需要另行授权app/后端和frontend/前端为专有部分使用前建议先读一下 LICENSE 和 COPYRIGHT.md。先看清流程五个环节一次跑完在动手部署前值得先花 30 秒看懂整条流水线后面所有配置都是为这条流水线服务的整条链路是市场数据/新闻/基本面→研究员团队Bullish 与 Bearish 两方辩论分别产出买入证据和卖出证据→交易员基于辩论结果给出交易提案→风险管理团队激进、中性、保守三个视角同时评估→Manager综合输出最终决策。每个智能体背后都是一个独立的大模型调用你可以理解为每个岗位用了不同的提示词和数据再互相质疑。这也是为什么它的 Token 消耗比普通问答高一个量级——钱花在辩论上了。Docker 两行命令跑通服务Docker 是官方推荐的部署方式一套 compose 配置里已经包含 FastAPI 后端、Vue 3 前端、MongoDB、Redis 四个容器开箱即用。git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN cp .env.example .env # 然后编辑填入 LLM API 密钥 docker-compose up -d启动后验证三个入口Web 界面http://localhost:3000API 文档http://localhost:8000/docsCLI 工具终端执行python -m cli.main[](https://link.gitcode.com/i/0f8093eb5590a3fe826f5981ac24757a)小贴士scripts/smart_start.sh是官方提供的智能启动脚本它会自动判断是否需要重新构建镜像日常重启比手写docker-compose up -d省心。端口冲突时改 docker-compose.yml 里的端口映射即可前端默认 3000、后端默认 8000。.env里必填的只有几项一个 LLM 提供商的 API 密钥DeepSeek 性价比最高新用户有免费额度国产用户可选阿里百炼DASHSCOPE_API_KEY以及 A 股数据源的TUSHARE_TOKEN可选但强烈建议。MongoDB 和 Redis 的连接信息 Docker 环境里已预置不用动。不用 Docker源码部署三步走需要二次开发的用户可以走源码路线成本也不算高创建并激活虚拟环境python -m venv venv source venv/bin/activate安装依赖。注意仓库里的requirements.txt已标注弃用官方推荐pip install -e .走 pyproject.toml或者用 uvuv pip install -e .同样复制.env.example为.env填密钥并确保本机有 MongoDB 和 Redis 在运行源码版额外要自己保证数据库可用这也是它比 Docker 版多出来的主要维护成本。分析之前先把数据同步做完这是 README 里用加粗强调的一件事也是新手翻车的第一现场在分析股票之前请先将股票数据同步完成否则分析结果将会出现数据错误。框架的数据层位于 tradingagents/dataflows/统一对接 Tushare、AkShare、BaoStock 三个数据源并按市场A 股/港股/美股对应providers/下的china、hk、us子目录选择不同的拉取链路。v1.0.1 版本对 A 股单股行情做了多级降级兜底东财实时接口 → 全市场快照 → 历史接口单点数据源挂了不会直接报错。具体操作上有两条路Web 界面里有数据同步管理入口可以按股票或批量触发同步或者跑scripts/目录下的同步脚本如sync_market_news.py。同步完成后可以用scripts/check_stock_daily_data.py抽查日 K 数据是否落库。研究深度 1-5 级时间、质量、Token 成本的权衡CLI 和 Web 界面都提供研究深度选项这不是玄学配置而是直接决定辩论轮次、模型档位和耗时的五个预设档位。官方给出的耗时参考级别定位辩论轮次预期耗时1 级快速概览1 轮2-4 分钟3 级标准分析默认推荐研究员 1 轮 风控 2 轮6-10 分钟5 级全面研究研究员 3 轮 风控 3 轮15-25 分钟日常盯盘用 1-2 级足够正式研究建议从 3 级起步。完整的参数对照见 docs/guides/research-depth-guide.mdA 股专项分析建议读 docs/guides/a-share-analysis-guide.md。一次分析的产出会落在data/analysis_results/目录Markdown 格式同时写入 MongoDB 供 Web 端检索并支持导出为 Word/PDF 专业报告docs/guides/report-export-guide.md。看懂报告之前先理解三个智能体岗位拿到报告后建议按岗位顺序阅读每一段都有明确职责研究员团队Bullish 分析师给出投资价值论证Bearish 分析师给出投资风险论证双方多轮交锋。这一步的价值在于逼出你平时不会主动去查的反方证据。交易员只依据研究员产出的证据链做决策输出动作买入/卖出/持有 理由 建议而不是凭空发挥。风险管理团队激进、中性、保守三视角并行Manager 汇总后才是最终结论。如果三个风控视角意见分裂严重本身就是一条有用的信号。新手最容易踩的 4 个坑没同步数据就分析。症状是报告里基本面数据缺失或明显过期。解法先完成数据同步再发起分析或检查同步日志里该股票是否有回退链路和落库状态。.env没配好或配错提供商。启动后先跑python scripts/debug_mongodb_connection.py和python scripts/check_llm_providers.py分别验证数据库连通和模型配置比盯着界面报错猜原因快得多。同时发起太多分析任务。多智能体流程的 API 调用量是普通问答的数倍并发过多容易触发上游限流。官方建议从单只股票开始熟悉流程后再用 Web 端的批量分析功能逐步扩量。把.env提交进 Git。文件头部注释已明确警告里面是 API 密钥和数据库密码。Docker 部署时日志、配置、数据目录都做了卷映射logs/、config/、data/升级前记得先备份数据卷。排查服务问题的通用路径是docker-compose logs -f backend看后端日志 →http://localhost:8000/api/health看健康检查 → 数据类问题再查data/目录下的结果文件。更多场景参考 docs/troubleshooting/ 目录。下一步做什么本周可以完成的行动清单用 Docker 把四个容器跑起来确认 3000/8000 两个端口可访问配好一个 LLM 密钥 Tushare Token完成 2-3 只股票的数据同步对同一只股票分别跑 1 级和 3 级分析对比报告深度差异导出一次 PDF 报告熟悉报告结构分阶段学习路径第 1-2 周单股分析流程跑熟能解释报告中每个智能体板块的产出逻辑第 2-4 周玩数据源与模型配置——切换 DeepSeek/百炼/Google AI 对比结论差异尝试多只股票批量分析和模拟交易功能1-2 个月读 docs/ 下的架构与配置文档docs/architecture/、docs/configuration/尝试基于examples/目录的示例写自定义分析流程进阶关注上游同步机制docs/maintenance/upstream-sync.md向社区提 Issue 或贡献功能⚠️最后提醒TradingAgents-CN 定位于研究与学习所有分析结论都是 AI 在特定数据快照上的推理结果不构成投资建议。真实决策前请结合专业顾问意见和自己的风险承受能力。【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 保姆级实战多智能体 AI 股票分析框架的完整部署与使用指南【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 是一个基于多智能体 LLM 的中文金融交易分析框架它把看一只股票这件事拆成研究员团队多空辩论、交易员出方案、风控团队三道把关的完整流程让你用一条命令就能获得一份结构化、可追溯的 AI 股票分析——支持 A 股/港股/美股且所有界面和数据源都做了中文本地化。这篇指南按真实使用顺序写先讲它解决什么问题再讲怎么最快跑起来然后是数据同步、研究深度、多智能体工作流这些真正决定分析质量的环节最后集中处理新手最容易踩的几个坑。为什么单靠一个大模型问答不够很多人试过直接问大模型600519 现在能不能买得到的通常是一段正确的废话模型没有实时行情、没有最新财务数据更不存在有人反驳它的机制。单个 LLM 的结论天然偏自信看多的时候没有看空的视角来制衡。TradingAgents-CN 要解决的就是这个问题把一次股票分析变成一支虚拟投研团队的工作。框架源自 Tauric Research 的 TradingAgents 项目中文版在此基础上补了 A 股数据源Tushare、AkShare、BaoStock、国产 LLM 支持DeepSeek、阿里百炼、Google AI、OpenAI 等、专业报告导出和完整的 Web 管理界面。需要说明的一点这是一个学习与研究平台明确不提供实盘交易指令。另外项目采用混合许可证——个人学习研究可自由使用商业使用需要另行授权app/后端和frontend/前端为专有部分使用前建议先读一下 LICENSE 和 COPYRIGHT.md。先看清流程五个环节一次跑完在动手部署前值得先花 30 秒看懂整条流水线后面所有配置都是为这条流水线服务的整条链路是市场数据/新闻/基本面→研究员团队Bullish 与 Bearish 两方辩论分别产出买入证据和卖出证据→交易员基于辩论结果给出交易提案→风险管理团队激进、中性、保守三个视角同时评估→Manager综合输出最终决策。每个智能体背后都是一个独立的大模型调用你可以理解为每个岗位用了不同的提示词和数据再互相质疑。这也是为什么它的 Token 消耗比普通问答高一个量级——钱花在辩论上了。Docker 两行命令跑通服务Docker 是官方推荐的部署方式一套 compose 配置里已经包含 FastAPI 后端、Vue 3 前端、MongoDB、Redis 四个容器开箱即用。git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN cp .env.example .env # 然后编辑填入 LLM API 密钥 docker-compose up -d启动后验证三个入口Web 界面http://localhost:3000API 文档http://localhost:8000/docsCLI 工具终端执行python -m cli.main[](https://link.gitcode.com/i/0f8093eb5590a3fe826f5981ac24757a)小贴士scripts/smart_start.sh是官方提供的智能启动脚本它会自动判断是否需要重新构建镜像日常重启比手写docker-compose up -d省心。端口冲突时改 docker-compose.yml 里的端口映射即可前端默认 3000、后端默认 8000。.env里必填的只有几项一个 LLM 提供商的 API 密钥DeepSeek 性价比最高新用户有免费额度国产用户可选阿里百炼DASHSCOPE_API_KEY以及 A 股数据源的TUSHARE_TOKEN可选但强烈建议。MongoDB 和 Redis 的连接信息 Docker 环境里已预置不用动。不用 Docker源码部署三步走需要二次开发的用户可以走源码路线成本也不算高创建并激活虚拟环境python -m venv venv source venv/bin/activate安装依赖。注意仓库里的requirements.txt已标注弃用官方推荐pip install -e .走 pyproject.toml或者用 uvuv pip install -e .同样复制.env.example为.env填密钥并确保本机有 MongoDB 和 Redis 在运行源码版额外要自己保证数据库可用这也是它比 Docker 版多出来的主要维护成本。分析之前先把数据同步做完这是 README 里用加粗强调的一件事也是新手翻车的第一现场在分析股票之前请先将股票数据同步完成否则分析结果将会出现数据错误。框架的数据层位于 tradingagents/dataflows/统一对接 Tushare、AkShare、BaoStock 三个数据源并按市场A 股/港股/美股对应providers/下的china、hk、us子目录选择不同的拉取链路。v1.0.1 版本对 A 股单股行情做了多级降级兜底东财实时接口 → 全市场快照 → 历史接口单点数据源挂了不会直接报错。具体操作上有两条路Web 界面里有数据同步管理入口可以按股票或批量触发同步或者跑scripts/目录下的同步脚本如sync_market_news.py。同步完成后可以用scripts/check_stock_daily_data.py抽查日 K 数据是否落库。研究深度 1-5 级时间、质量、Token 成本的权衡CLI 和 Web 界面都提供研究深度选项这不是玄学配置而是直接决定辩论轮次、模型档位和耗时的五个预设档位。官方给出的耗时参考级别定位辩论轮次预期耗时1 级快速概览1 轮2-4 分钟3 级标准分析默认推荐研究员 1 轮 风控 2 轮6-10 分钟5 级全面研究研究员 3 轮 风控 3 轮15-25 分钟日常盯盘用 1-2 级足够正式研究建议从 3 级起步。完整的参数对照见 docs/guides/research-depth-guide.mdA 股专项分析建议读 docs/guides/a-share-analysis-guide.md。一次分析的产出会落在data/analysis_results/目录Markdown 格式同时写入 MongoDB 供 Web 端检索并支持导出为 Word/PDF 专业报告docs/guides/report-export-guide.md。看懂报告之前先理解三个智能体岗位拿到报告后建议按岗位顺序阅读每一段都有明确职责研究员团队Bullish 分析师给出投资价值论证Bearish 分析师给出投资风险论证双方多轮交锋。这一步的价值在于逼出你平时不会主动去查的反方证据。交易员只依据研究员产出的证据链做决策输出动作买入/卖出/持有 理由 建议而不是凭空发挥。风险管理团队激进、中性、保守三视角并行Manager 汇总后才是最终结论。如果三个风控视角意见分裂严重本身就是一条有用的信号。新手最容易踩的 4 个坑没同步数据就分析。症状是报告里基本面数据缺失或明显过期。解法先完成数据同步再发起分析或检查同步日志里该股票是否有回退链路和落库状态。.env没配好或配错提供商。启动后先跑python scripts/debug_mongodb_connection.py和python scripts/check_llm_providers.py分别验证数据库连通和模型配置比盯着界面报错猜原因快得多。同时发起太多分析任务。多智能体流程的 API 调用量是普通问答的数倍并发过多容易触发上游限流。官方建议从单只股票开始熟悉流程后再用 Web 端的批量分析功能逐步扩量。把.env提交进 Git。文件头部注释已明确警告里面是 API 密钥和数据库密码。Docker 部署时日志、配置、数据目录都做了卷映射logs/、config/、data/升级前记得先备份数据卷。排查服务问题的通用路径是docker-compose logs -f backend看后端日志 →http://localhost:8000/api/health看健康检查 → 数据类问题再查data/目录下的结果文件。更多场景参考 docs/troubleshooting/ 目录。下一步做什么本周可以完成的行动清单用 Docker 把四个容器跑起来确认 3000/8000 两个端口可访问配好一个 LLM 密钥 Tushare Token完成 2-3 只股票的数据同步对同一只股票分别跑 1 级和 3 级分析对比报告深度差异导出一次 PDF 报告熟悉报告结构分阶段学习路径第 1-2 周单股分析流程跑熟能解释报告中每个智能体板块的产出逻辑第 2-4 周玩数据源与模型配置——切换 DeepSeek/百炼/Google AI 对比结论差异尝试多只股票批量分析和模拟交易功能1-2 个月读 docs/ 下的架构与配置文档docs/architecture/、docs/configuration/尝试基于examples/目录的示例写自定义分析流程进阶关注上游同步机制docs/maintenance/upstream-sync.md向社区提 Issue 或贡献功能⚠️最后提醒TradingAgents-CN 定位于研究与学习所有分析结论都是 AI 在特定数据快照上的推理结果不构成投资建议。真实决策前请结合专业顾问意见和自己的风险承受能力。【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
