📈 TradingAgents：72k Stars 的多智能体交易框架，扔个股票代码它帮你分析

项目地址：TauricResearch/TradingAgents | ⭐ 72,270 Stars | 🛠 Python | 📜 Apache-2.0

做投资的朋友应该都有这种感觉：你盯着 K 线图，翻着财经新闻，刷着社交媒体上的讨论，还得算财报数据——一个人干四个人的活，还经常错过最佳交易时机。

我一直在想，能不能让 AI 替我做这些？不是那种给个 prompt 就生成分析报告的玩具，而是一整套流程：有人看基本面、有人盯舆情、有人画技术指标、还有人管风控。就像真的交易团队一样。

TradingAgents 就是干这个的——它用 72k Stars 证明了这不是天方夜谭。

一、项目信息

二、核心玩法：模拟真实交易团队

TradingAgents 不是让你一个人对着屏幕发呆。它把交易流程拆成了几个角色，每个角色由不同的 LLM Agent 担任：

说白了，你扔一个股票代码进去，整个"交易公司"就帮你跑起来了。

三、实操上手

安装

先克隆项目：

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

建议用 conda 创建隔离环境：

conda create -n tradingagents python=3.13
conda activate tradingagents
pip install .

配置 API Key

TradingAgents 支持 OpenAI、Google、Anthropic、xAI、DeepSeek、Qwen、GLM 等多家模型。挑一个你常用的就行：

export OPENAI_API_KEY=sk-xxxxxx

也可以直接把 .env.example 复制成 .env 填进去：

cp .env.example .env

跑起来

一条命令启动交互式 CLI：

tradingagents

你会看到一个漂亮的界面，选股票代码、分析日期、所用的模型、研究深度，然后它就开始工作了——分析师出报告、研究员辩论、交易员决策，每一步都实时显示。

Python SDK 调用

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

ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())
_, decision = ta.propagate("NVDA", "2026-01-15")
print(decision)

还可以自定义模型和参数：

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai"
config["deep_think_llm"] = "gpt-5.4"
config["quick_think_llm"] = "gpt-5.4-mini"
config["max_debate_rounds"] = 2

ta = TradingAgentsGraph(debug=True, config=config)
_, decision = ta.propagate("AAPL", "2026-01-15")

Docker 一键运行

cp .env.example .env
docker compose run --rm tradingagents

四、持久化与断点续跑

TradingAgents 有两个贴心的设计：

tradingagents analyze --checkpoint

五、谁在用？

TradingAgents 背后有正式的学术论文（arXiv），社区活跃度极高，Discord 和 GitHub 上讨论热烈。它已经被用在量化研究、个人投资分析和金融教育场景中。

当然，开发者也在 README 里明确说了：这只是一个研究框架，不构成投资建议。用之前自己做好判断。

总结

如果你对 AI + 交易感兴趣，TradingAgents 是一个值得认真研究的项目。不需要你会量化，不需要你懂多智能体架构——装好，扔个股票代码，看它怎么帮你分析就行。

标签：#TradingAgents #TauricResearch #AI #MultiAgent #金融交易 #开源