TradingAgents-CN多智能体金融分析15分钟从克隆到第一份研报【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你想用多智能体做A股金融分析TradingAgents-CN可以帮你完成。它让4个分析师、2名研究员、1名交易员和4名风控成员组成一支LLM队伍对单只股票产出结构化研报。没有它时你要自己写提示词、逐个调用模型、手工拼报告有它之后一条命令跑完全流程产出可读的markdown研报。下面直接上手。克隆仓库并跑通第一次输出本文走本地源码这一条路这是最省心的LLM金融框架部署方式纯CLI分析只需要Python 3.10不需要装数据库。想要Web控制台的话拉镜像后docker-compose up -d一行启动即可后文不展开。git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CNpython -m venv venv source venv/bin/activatepip install -r requirements.txt cp .env.example .env然后编辑 .env至少填入一个LLM密钥仓库推荐 DASHSCOPE_API_KEY。接着运行python -m cli.main。你将会看到终端出现绿色主题欢迎屏中部标注 Workflow Steps依次为分析师团队、研究员团队、交易员、风控、组合管理5步下方提示输入股票代码默认值是SPY。图1CLI初始化界面等待你输入要分析的股票代码输入代码回车后幕后发生了什么追踪一个分析请求穿过团队的全过程以分析000858为例。请求先经过数据预取然后4个分析师依次开工市场分析师拉行情和技术指标社交媒体分析师看舆情新闻分析师扫新闻基本面分析师读财报数据。四份报告交给看涨研究员和看跌研究员两人轮流辩论输出多头与空头证据。辩完交易员据此生成交易提案。提案进入风控环节激进、中性、保守3名风控分析师加1名风控经理逐层讨论最后输出买入/持有/卖出决策。整个过程像投研团队的晨会各就各位依次发言会议纪要就是那份研报。关键参数只有一个辩论轮数。它由 tradingagents/default_config.py 中的max_debate_rounds决定CLI里的研究深度1/3/5级分别映射为1、3、5轮。轮数越多辩论越充分出报告也越慢。图2整体架构从数据输入到决策执行的信息流理解了分工跑一个真实任务来验证。 跑一遍五粮液000858的A股多智能体分析这是一个可复现的任务对A股五粮液000858做研究深度3级、分析师选市场新闻基本面3人的完整分析。输入运行python -m cli.main输入000858选一个最近的交易日勾选上述3个分析师深度选3级。如果卡在这里CLI提示分析终止多半是 .env 里的LLM密钥无效运行python -m cli.main config检查状态。图3Web控制台中等效的配置项——市场、代码、日期、深度、分析师团队过程界面分4个阶段推进环境准备、数据验证、智能分析、报告生成。左侧面板显示各角色状态从 pending 变为 in_progress 再变 completed右侧面板实时滚动工具调用记录3级全程约10分钟。如果中途卡住看结果目录下的 message_tool.log每条调用都有时间戳和参数。图4分析进行中的实时画面左为团队进度右为消息与工具流输出结束后结果落在本地results/000858/分析日期/目录reports/子目录里每个角色一份.md报告根目录是 message_tool.log。如果 reports 是空的翻 message_tool.log 的最后一条报错。图5分析完成进度100%全程9.9分钟怎么读结果文件内容读法reports/market_report.md趋势、动量、波动率先看小结再核对指标reports/fundamentals_report.md财务与估值PE/PB对照最新一期财报reports/news_report.md新闻与舆情重点看负面新闻密度最终决策买入/持有/卖出结合风控否决理由判断深度不是写死的。不想每次走CLI选择可以直接改默认配置# tradingagents/default_config.py max_debate_rounds: 1, # 多空辩论轮数1最快 max_risk_discuss_rounds: 1, # 风控讨论轮数 llm_provider: dashscope, # 模型供应商 quick_think_llm: qwen-plus, # 快思考模型 deep_think_llm: qwen-max # 深思考模型第一行改成5辩论更深最后两行换成你有的模型即可。第一次跑通只是开始3个小改动能让它更顺手。⚡ 让第二次分析更快更省钱第二次分析还是慢。现象重复分析同一只股票取数阶段仍要一分多钟。改哪里确认 tradingagents/default_config.py 里的data_cache_dir指向本地缓存行情落盘后第二次直接从磁盘读。效果数据阶段缩短到几秒省下的全是LLM等待前的空转。5级深度跑不动。现象5级一次跑满约10分钟日常跟踪用不上这么深。改哪里把同一文件里的max_debate_rounds降为1或CLI里直接选1级。效果总时长压到4分钟上下报告结构不变。英文模型的中文输出发硬。现象默认海外模型写中文研报偶尔句式生硬。改哪里在 .env.example 里把供应商相关密钥换成国产供应商如DashScope再同步到 .env。效果报告与辩论全程自然中文且不用配代理。实际跑起来还会碰到几个常见的坑。你可能遇到CLI启动后立刻提示分析终止。原因是 .env 未配置或LLM密钥无效。解决补上密钥后运行python -m cli.main config核对状态。你可能遇到A股在数据验证阶段失败。原因是上游数据源限流或该股历史行情未同步。解决运行python scripts/check_stock_daily_data.py查看数据范围稍后重试。你可能遇到Docker部署时3000或8000端口被占用。原因是其他服务已占用端口。解决修改 docker-compose.yml 里的端口映射再执行docker-compose up -d。最后一条项目定位为学习与研究平台不提供实盘交易指令所有分析结果不构成投资建议。读完研报你可以再往深里走一步。下一步去哪文档入口docs/ 收录部署、配置、故障排查等40多个分类示例入口examples/ 有批量分析、token追踪等可直接运行的脚本社区入口微信公众号TradingAgents-CN以及项目Issue区下一步动作明天开盘前挑一只你实际跟踪的股票用3级深度跑一次分析打开 reports 目录把研报结论和当日行情对一遍。【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多智能体金融分析15分钟从克隆到第一份研报【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你想用多智能体做A股金融分析TradingAgents-CN可以帮你完成。它让4个分析师、2名研究员、1名交易员和4名风控成员组成一支LLM队伍对单只股票产出结构化研报。没有它时你要自己写提示词、逐个调用模型、手工拼报告有它之后一条命令跑完全流程产出可读的markdown研报。下面直接上手。克隆仓库并跑通第一次输出本文走本地源码这一条路这是最省心的LLM金融框架部署方式纯CLI分析只需要Python 3.10不需要装数据库。想要Web控制台的话拉镜像后docker-compose up -d一行启动即可后文不展开。git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CNpython -m venv venv source venv/bin/activatepip install -r requirements.txt cp .env.example .env然后编辑 .env至少填入一个LLM密钥仓库推荐 DASHSCOPE_API_KEY。接着运行python -m cli.main。你将会看到终端出现绿色主题欢迎屏中部标注 Workflow Steps依次为分析师团队、研究员团队、交易员、风控、组合管理5步下方提示输入股票代码默认值是SPY。图1CLI初始化界面等待你输入要分析的股票代码输入代码回车后幕后发生了什么追踪一个分析请求穿过团队的全过程以分析000858为例。请求先经过数据预取然后4个分析师依次开工市场分析师拉行情和技术指标社交媒体分析师看舆情新闻分析师扫新闻基本面分析师读财报数据。四份报告交给看涨研究员和看跌研究员两人轮流辩论输出多头与空头证据。辩完交易员据此生成交易提案。提案进入风控环节激进、中性、保守3名风控分析师加1名风控经理逐层讨论最后输出买入/持有/卖出决策。整个过程像投研团队的晨会各就各位依次发言会议纪要就是那份研报。关键参数只有一个辩论轮数。它由 tradingagents/default_config.py 中的max_debate_rounds决定CLI里的研究深度1/3/5级分别映射为1、3、5轮。轮数越多辩论越充分出报告也越慢。图2整体架构从数据输入到决策执行的信息流理解了分工跑一个真实任务来验证。 跑一遍五粮液000858的A股多智能体分析这是一个可复现的任务对A股五粮液000858做研究深度3级、分析师选市场新闻基本面3人的完整分析。输入运行python -m cli.main输入000858选一个最近的交易日勾选上述3个分析师深度选3级。如果卡在这里CLI提示分析终止多半是 .env 里的LLM密钥无效运行python -m cli.main config检查状态。图3Web控制台中等效的配置项——市场、代码、日期、深度、分析师团队过程界面分4个阶段推进环境准备、数据验证、智能分析、报告生成。左侧面板显示各角色状态从 pending 变为 in_progress 再变 completed右侧面板实时滚动工具调用记录3级全程约10分钟。如果中途卡住看结果目录下的 message_tool.log每条调用都有时间戳和参数。图4分析进行中的实时画面左为团队进度右为消息与工具流输出结束后结果落在本地results/000858/分析日期/目录reports/子目录里每个角色一份.md报告根目录是 message_tool.log。如果 reports 是空的翻 message_tool.log 的最后一条报错。图5分析完成进度100%全程9.9分钟怎么读结果文件内容读法reports/market_report.md趋势、动量、波动率先看小结再核对指标reports/fundamentals_report.md财务与估值PE/PB对照最新一期财报reports/news_report.md新闻与舆情重点看负面新闻密度最终决策买入/持有/卖出结合风控否决理由判断深度不是写死的。不想每次走CLI选择可以直接改默认配置# tradingagents/default_config.py max_debate_rounds: 1, # 多空辩论轮数1最快 max_risk_discuss_rounds: 1, # 风控讨论轮数 llm_provider: dashscope, # 模型供应商 quick_think_llm: qwen-plus, # 快思考模型 deep_think_llm: qwen-max # 深思考模型第一行改成5辩论更深最后两行换成你有的模型即可。第一次跑通只是开始3个小改动能让它更顺手。⚡ 让第二次分析更快更省钱第二次分析还是慢。现象重复分析同一只股票取数阶段仍要一分多钟。改哪里确认 tradingagents/default_config.py 里的data_cache_dir指向本地缓存行情落盘后第二次直接从磁盘读。效果数据阶段缩短到几秒省下的全是LLM等待前的空转。5级深度跑不动。现象5级一次跑满约10分钟日常跟踪用不上这么深。改哪里把同一文件里的max_debate_rounds降为1或CLI里直接选1级。效果总时长压到4分钟上下报告结构不变。英文模型的中文输出发硬。现象默认海外模型写中文研报偶尔句式生硬。改哪里在 .env.example 里把供应商相关密钥换成国产供应商如DashScope再同步到 .env。效果报告与辩论全程自然中文且不用配代理。实际跑起来还会碰到几个常见的坑。你可能遇到CLI启动后立刻提示分析终止。原因是 .env 未配置或LLM密钥无效。解决补上密钥后运行python -m cli.main config核对状态。你可能遇到A股在数据验证阶段失败。原因是上游数据源限流或该股历史行情未同步。解决运行python scripts/check_stock_daily_data.py查看数据范围稍后重试。你可能遇到Docker部署时3000或8000端口被占用。原因是其他服务已占用端口。解决修改 docker-compose.yml 里的端口映射再执行docker-compose up -d。最后一条项目定位为学习与研究平台不提供实盘交易指令所有分析结果不构成投资建议。读完研报你可以再往深里走一步。下一步去哪文档入口docs/ 收录部署、配置、故障排查等40多个分类示例入口examples/ 有批量分析、token追踪等可直接运行的脚本社区入口微信公众号TradingAgents-CN以及项目Issue区下一步动作明天开盘前挑一只你实际跟踪的股票用3级深度跑一次分析打开 reports 目录把研报结论和当日行情对一遍。【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
