TradingAgents：8.2 万星的 LLM 多智能体交易框架 — 2026 实战指南

引言 #

大多数"AI 交易 bot"项目就是一个 LLM 套一句"判断要不要买"的提示词。可一旦真要做决策——查基本面、扫新闻、多空对辩、风控签字——这种单脑结构立刻崩。真实的交易台从不靠一个大脑，而是靠一个会吵架的团队。

TradingAgents 把这件事照字面做了出来。它是个开源框架，拥有 82,254 个 GitHub star、Apache-2.0 许可，由 TauricResearch 维护，把一家交易公司建模成一队各司其职的 LLM 智能体——它们把研究沿流水线层层传递，辩论之后才给出 BUY/SELL/HOLD 决策。本文讲清楚智能体流水线怎么串、怎么安装运行（CLI 和 Python），以及与 Qlib、单智能体 bot 的诚实对比。

TradingAgents 模拟一家交易公司：分析师 → 研究员（多空）→ 交易员 → 风控团队 → 组合经理（来源：TauricResearch/TradingAgents，via dibi8 分析）

什么是 TradingAgents？ #

TradingAgents 是一个多智能体 LLM 框架，模拟真实交易公司的工作流，为给定的股票和日期产出一个经过研究的交易决策。不是让一个模型瞎猜，而是各个专职智能体各做一件事、把发现往下传、在敲定前把这个决策吵明白。

它是一个研究框架，由 Tauric Research 社区构建，用来研究 LLM 智能体如何协作做金融推理——不是开箱即用的印钞机，也明确不构成投资建议。它用 Python 编写，构建在 LangGraph 之上，由 LangGraph 编排智能体图和状态传递。

TradingAgents 如何工作 #

这个框架是一条有向的智能体团队流水线。每一阶段把原始数据收窄成一个站得住脚的决策。

1. 分析师团队 —— 四个专家收集证据：基本面分析师（财报、比率）、情绪分析师（社交/Reddit 信号）、新闻分析师（宏观 + 公司新闻）、技术面分析师（MACD、RSI 等价格指标）。
2. 研究团队 —— 一个看多研究员和一个看空研究员就分析师的发现辩论数轮，把双方最强的论据都摆出来。
3. 交易员 —— 把辩论综合成一个具体的交易方案（方向 + 理由）。
4. 风控团队 —— 激进、中性、保守三种风险偏好的智能体从不同角度压力测试这个方案。
5. 组合经理 —— 批准或否决，产出最终的 BUY / SELL / HOLD 决策。

分析师团队收集基本面、情绪、新闻和技术面（来源：TauricResearch/TradingAgents，via dibi8 分析）

每个智能体都是一次带角色专属提示词的 LLM 调用，并能访问数据工具。LangGraph 管理共享状态，让后面的智能体看得到前面智能体的输出。

安装与设置 #

TradingAgents 需要 Python 3.10+。你克隆仓库、安装依赖；它需要两个 API key——一个 LLM 供应商（默认 OpenAI）和用于金融数据的 FinnHub。

要把 TradingAgents 跑成定时的生产任务，你需要一台常开的机器——可以在 DigitalOcean 上开一台（新账户有免费试用额度），或者用 HTStack 的低延迟香港 VPS（和 dibi8.com 同一个 IDC）。

# 1. 克隆
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

# 2. 隔离环境（conda 或 venv）
conda create -n tradingagents python=3.10 -y && conda activate tradingagents

# 3. 安装依赖
pip install -r requirements.txt

更喜欢用纯 virtualenv 而非 conda？都行：

python -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt

把两个必需的 API key 设为环境变量：

export OPENAI_API_KEY=sk-your-key-here
export FINNHUB_API_KEY=your-finnhub-key   # 免费档即可测试

或者放进本地 .env，省得每个 shell 都重新 export：

# .env （绝不要提交这个文件）
OPENAI_API_KEY=sk-your-key-here
FINNHUB_API_KEY=your-finnhub-key

如果报 KeyError: 'FINNHUB_API_KEY'，是当前 shell 没 export 这个变量。如果 LLM 调用返回 429，是 OpenAI 那边限速了——放慢，或在配置里换模型（见下）。

核心用法 #

最快的路径是交互式 CLI，它会提示你输入股票代码和日期，并流式打印每个智能体的推理：

python -m cli.main

要做自动化，用 TradingAgentsGraph API 从 Python 驱动它。你传入股票代码和日期，拿回智能体状态加最终决策：

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

ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())
# 按特定日期分析 NVDA（point-in-time，无前视）
_, decision = ta.propagate("NVDA", "2024-05-10")
print(decision)   # -> BUY / SELL / HOLD + 理由

你通过配置控制成本和深度。TradingAgents 把工作拆给一个"深度思考"模型（重推理）和一个"快速思考"模型（便宜、高频调用）：

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai"
config["deep_think_llm"] = "gpt-4o"        # 用于辩论 / 硬推理
config["quick_think_llm"] = "gpt-4o-mini"  # 用于常规智能体步骤
config["max_debate_rounds"] = 2            # 轮数越多越深但越贵
config["online_tools"] = True              # 拉实时数据 vs 缓存
ta = TradingAgentsGraph(debug=True, config=config)

学习阶段把 max_debate_rounds 设低——每多一轮都会让整个智能体团队的 LLM 调用翻倍。

你也可以选择运行哪些分析师，在只关心比如基本面和新闻时省成本：

config["selected_analysts"] = ["fundamentals", "news"]  # 跳过情绪 + 技术面
ta = TradingAgentsGraph(debug=True, config=config)

要筛一个自选股清单，对同一日期循环调用多个股票代码：

watchlist = ["NVDA", "AAPL", "TSLA"]
for ticker in watchlist:
    _, decision = ta.propagate(ticker, "2024-05-10")
    print(f"{ticker}: {decision.splitlines()[0]}")   # 第一行 = 决策

返回的状态里存着完整辩论，让你能查为什么，而不只是是什么：

final_state, decision = ta.propagate("NVDA", "2024-05-10")
print(final_state["investment_debate_state"]["bull_history"])   # 看多论据
print(final_state["investment_debate_state"]["bear_history"])   # 看空论据
print(final_state["final_trade_decision"])                       # 最终理由

集成 #

因为决策这一步就是一个返回 BUY/SELL/HOLD 加理由的 Python 调用，TradingAgents 嵌进流水线的研究那一半。它不自己下单——你把它的输出接到自己的执行或日志层：

_, decision = ta.propagate("AAPL", "2024-06-01")
if "BUY" in decision:
    log_signal("AAPL", "BUY", source="tradingagents")
    # 在这里转发给你的券商 / 模拟盘层

数据层也是可插拔的：FinnHub 提供基本面和新闻，价格/指标工具提供技术面，社交源提供情绪。

要每个交易日早上重新生成决策，用 cron 包一个脚本：

# 每个工作日 08:00 跑自选股筛选
0 8 * * 1-5 cd /opt/TradingAgents && /opt/.venv/bin/python screen_watchlist.py >> /var/log/ta.log 2>&1

你不被 OpenAI 绑死——通过同样的配置把深度/快速模型指向别的供应商：

config["llm_provider"] = "anthropic"
config["deep_think_llm"] = "claude-sonnet-4-6"
config["quick_think_llm"] = "claude-haiku-4-5"

基准 & 真实用例 #

TradingAgents 被当作研究测试台用：你回放一个历史日期，让智能体只基于当时可得的数据推理（point-in-time），然后研究决策和辩论记录。它真正的价值是可解释性——不像黑盒模型，每个决策都附带分析师的证据和多空论点，这也是为什么这个项目更多是用来研究 LLM 在金融里的推理，而不是即插即用的赚钱工具。

风控团队在组合经理签字前压力测试每一个交易方案（来源：TauricResearch/TradingAgents，via dibi8 分析）

一次完整运行返回一个决策加推理链，大致如下：

FINAL TRANSACTION PROPOSAL: BUY
Rationale: 基本面分析师指出数据中心营收加速；
多方论点（利润率扩张）经 2 轮辩论压过空方论点（估值）；
风控团队：中性立场，仓位谨慎。组合经理：批准。

因为辩论记录被保存下来，你可以对比换模型或加辩论轮数时决策如何变化：

for rounds in (1, 3):
    config["max_debate_rounds"] = rounds
    ta = TradingAgentsGraph(config=config)
    _, d = ta.propagate("NVDA", "2024-05-10")
    print(rounds, "rounds ->", d.splitlines()[0])

与同类工具的对比 #

也可以看我们的 相关开源工具 报道。

TradingAgents、Qlib 和单智能体 bot 解决的是不同问题。这里讲清楚它们到底差在哪。

诚实总结：如果你要的是股票池上的统计信号，Qlib 是为此而生。如果你想研究一队 LLM 如何推理出一个带完整审计链的决策，TradingAgents 更有意思。它们互补，不是竞品。

局限 / 诚实评估 #

TradingAgents 覆盖面很广，但它不适合所有人，假装适合只会浪费你的时间。

• 不是投资建议，也不是实盘交易器。 它输出一个经过研究的观点；不下单、不做任何保证。仓库里写得很清楚。
• LLM 成本会累积。 一次带辩论轮的完整多智能体运行，对每支股票每个日期都是很多次 LLM 调用。盯着你的 OpenAI 账单。
• 决策质量取决于模型。 廉价的快速思考模型会降低分析质量；好结果的前提是有能力的深度思考模型。
• 数据覆盖有限。 FinnHub 免费档和情绪源都不完整；这些缺口会悄悄削弱分析。
• 回测要小心。 它按日期避免前视，但把智能体决策变成一个考虑手续费、可交易的策略是你的活，不是框架的。

如果你做的是 AI 驱动的加密策略，Minara（AI + 加密）走的是另一条赛道，而交易所原生的执行在 Binance。

结语 #

TradingAgents 是 2026 年研究"一队 LLM 智能体如何推理出一个交易决策"最有意思的开源项目——不是因为它印钞，而是因为它每一步都把过程摆出来给你看。审计链就是产品本身：你能精确看到哪个分析师提了哪个警示、多空双方怎么辩的、风控团队为什么那样定仓位。克隆它、用 CLI 跑一支股票、在你信任它产出的任何信号之前先读完整的辩论记录。

• 加入 dibi8 中文 Telegram 群，获取开源 AI 工具更新和量化讨论。
• 延伸阅读：dibi8 上的相关指南。
• 在 DigitalOcean 上开一台研究机，今晚就跑你的第一次分析。

资料来源与延伸阅读：

• GitHub 仓库：https://github.com/TauricResearch/TradingAgents
• 官方文档 / README：https://github.com/TauricResearch/TradingAgents#readme
• LangGraph（编排）：https://github.com/langchain-ai/langgraph

上方部分链接含联盟推广。如通过链接注册，dibi8.com 可能获得佣金，不影响你的成本。这帮助 dibi8 持续免费运营。