📈 TradingAgents：72.5k Stars 的多智能体 LLM 金融交易框架，AI Agent 帮你炒股
项目地址：TauricResearch/TradingAgents | ⭐ 72,483 Stars | 🛠 Python | 作者：Tauric Research
老实说，让 AI 做金融交易这事，以前要么是量化团队的专属玩具（需要 PhD + C++ 十年经验），要么是喊单群的韭菜收割机。
TradingAgents 不一样。它是 Tauric Research 开源的多智能体 LLM 交易框架，把华尔街交易公司的角色分工搬到了 AI Agent 上——基本面分析、情绪面分析、技术分析、风险管理、投资组合管理，每个角色都是一个独立 Agent，用 LangGraph 编排协作。
72.5k Stars、arXiv 论文、v0.2.4 刚发布，社区活跃度极高。
一、Agent 团队架构
TradingAgents 的核心思路：把一笔交易决策拆成多个专业角色，Agent 之间辩论、交叉验证，最后形成决策。
| Agent 角色 | 职责 |
|---|---|
| 基本面分析师 | 评估公司财务指标、内在价值、识别隐患 |
| 情绪分析师 | 分析社交媒体和公众情绪，量化短期市场情绪 |
| 新闻分析师 | 监控全球新闻和宏观经济指标，解读事件影响 |
| 技术分析师 | 用 MACD、RSI 等技术指标检测交易模式 |
| 研究员团队 | 多头和空头研究员辩论，交叉验证分析师观点 |
| 交易员 Agent | 综合所有报告做出交易决策，决定买卖时机和规模 |
| 风险管理团队 | 评估市场波动性、流动性等风险因素，提供风险评估报告 |
| 投资组合经理 | 批准/拒绝交易提案，最终决策者 |
每个角色都使用 LLM 驱动，支持 OpenAI GPT-5.4、Google Gemini 3.1、Anthropic Claude 4.6、Grok 4.x、DeepSeek、Qwen、GLM 等多种模型。
二、性能数据
| 指标 | 数值 |
|---|---|
| Stars | 72,483 |
| Forks | — |
| 论文引用 | arXiv 2412.20138 |
| 最新版本 | v0.2.4 (2026-04) |
| 语言 | Python 3.13 |
| 协议 | 开源 |
三、安装
# 克隆
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
# 创建虚拟环境
conda create -n tradingagents python=3.13
conda activate tradingagents
# 安装
pip install .Docker 安装
cp .env.example .env # 填入 API Key
docker compose run --rm tradingagents
# 本地模型（Ollama）
docker compose --profile ollama run --rm tradingagents-ollama四、环境变量
需要配置 LLM 提供商的 API Key：
export OPENAI_API_KEY=sk-... # GPT
export GOOGLE_API_KEY=... # Gemini
export ANTHROPIC_API_KEY=sk-ant-... # Claude
export XAI_API_KEY=... # Grok
export DEEPSEEK_API_KEY=sk-... # DeepSeek
export ALPHA_VANTAGE_API_KEY=... # 行情数据五、CLI 使用
# 启动交互式 CLI
tradingagents
# 或
python -m cli.mainCLI 界面会引导你选择股票代码、分析日期、LLM 提供商、研究深度等参数，Agent 团队随后开始协作分析并输出交易决策。
六、Python API 调用
如果想在代码里直接调用：
from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG
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("NVDA", "2026-01-15")
print(decision)七、持久化与断点续跑
TradingAgents 支持两种持久化：
- 决策日志：每次运行结果追加到
~/.tradingagents/memory/trading_memory.md，下次分析同股票时自动读取历史收益和反思，形成持续学习 - 检查点恢复：通过
--checkpoint启用，LangGraph 在每一步保存状态，崩溃后从断点恢复，不用从头跑
tradingagents analyze --checkpoint # 启用断点恢复
tradingagents analyze --clear-checkpoints # 重置检查点八、技术架构
| 组件 | 说明 |
|---|---|
| LangGraph | Agent 编排框架 |
| LLM 提供商 | OpenAI、Google、Anthropic、xAI、DeepSeek、Qwen、GLM、OpenRouter、Ollama、Azure |
| 交易执行 | 模拟交易所（不涉及真实资金） |
| 数据源 | Alpha Vantage 等行情 API |
| 记忆系统 | 基于文件的交易记忆，跨 session 学习 |
九、与同类项目的对比
| 项目 | Stars | 定位 | Agent 架构 |
|---|---|---|---|
| TradingAgents | 72.5k | 多 Agent 交易框架 | 8 角色协作 + 辩论 |
| FinGPT | 14.5k | 金融 LLM 微调 | 单模型 |
| FinRL | 10k | 强化学习交易 | RL Agent |
| OpenBB | 35k | 投资研究平台 | 非 Agent 架构 |
TradingAgents 是目前 GitHub 上 Stars 最多的金融交易 AI 框架，主要差异在于多 Agent 协作架构——不是用一个 LLM 直接输出买卖建议，而是让多个专业 Agent 辩论、交叉验证后再形成决策，更接近真实交易公司的运作方式。
十、要点总结
- 72.5k Stars，Python 3.13 + LangGraph 构建
- 8 个专业 Agent 角色：基本面、情绪、新闻、技术、研究员、交易员、风控、投资组合经理
- 支持 10+ LLM 提供商（GPT-5.4、Gemini 3.1、Claude 4.6、Grok 4.x、DeepSeek 等）
- Agent 间辩论机制，多头 vs 空头交叉验证
- 持久化决策日志 + LangGraph 检查点断点续跑
- CLI 交互式界面 + Python API 两种使用方式
- Docker 一键部署，支持 Ollama 本地模型
- 纯研究用途，不涉及真实资金交易
如果你对 AI Agent + 金融交易的交叉领域感兴趣，TradingAgents 是目前最完整的开源方案——不是让你直接赚钱，而是让你理解多 Agent 系统如何在高度不确定的环境下做决策。
标签：#AI #Agent #Trading #LLM #Multi-Agent #Python #金融