GitHub 6.5 萬星！TradingAgents：模擬真實交易公司的多智能體金融研究框架
整理版優先睇
TradingAgents 係一個模擬真實交易公司嘅多智能體金融研究框架，通過多個 LLM 驅動嘅專業角色協作，從基本面、情緒、新聞同技術面評估市場，產生投資決策。
呢篇文章由 Tauric Research 開發嘅 TradingAgents 框架，佢哋想解決傳統單一 LLM 模型直接回答金融問題嘅侷限，轉向多智能體協作模擬真實交易公司。整體結論係呢個框架可以更全面、更嚴謹咁分析市場，兼且有記憶同檢查點機制。
框架用 LangGraph 構建，將任務分解為分析師團隊、研究員團隊、交易員同風險管理團隊。分析師團隊涵蓋基本面、情緒、新聞、技術四個維度；研究員團隊通過看漲看跌辯論平衡偏見；交易員整合決定；風險管理最後把關。呢種模塊化設計令市場分析同交易決策有更清晰嘅邊界，方便擴展同覆盤。
TradingAgents 提供 CLI 界面，支援多種 LLM 提供商包括 OpenAI、Gemini、Claude 等，甚至可以用 Ollama 運行本地模型。佢嘅核心特性包括決策日誌持久化同檢查點恢復，令到系統可以跨運行反思，唔係一次性分析。呢個係一個值得跟進嘅開源項目。
- 多智能體協作比單一模型更適合複雜金融分析，能夠模擬真實交易公司嘅運作動態。
- 框架角色分工包括分析師團隊（基本面、情緒、新聞、技術）、研究員團隊（看漲/看跌辯論）、交易員同風險管理。
- 引入看漲/看跌辯論機制，避免單一視角偏誤，平衡潛在收益同固有風險。
- 記憶持久化同檢查點恢復令到系統可以不斷改善，每次運行都會反思之前嘅決策。
- 可以通過 CLI 快速上手，支援多種 LLM 包括本地模型，適合有興趣嘅開發者使用。
TradingAgents GitHub 倉庫
開源多智能體金融交易框架，包含源碼、文檔同使用教學
核心架構：模擬真實嘅交易生態
TradingAgents 採用 LangGraph 構建，核心邏輯係將複雜嘅交易任務分解為一系列專門嘅職能角色。呢種模塊化設計令市場分析同交易決策擁有更清晰嘅邊界，亦更便於擴展同覆盤。
整個流程從數據源輸入開始，經歷分析師團隊嘅深度挖掘、研究員團隊嘅觀點辯論，最後由交易員同風險管理團隊進行最終把關。
智能體職能分工：從數據分析到決策執行
分析師團隊係系統嘅第一道防線，由四個專業角色組成：
- 基本面分析師：評估公司財務報表同業績指標，尋找內在價值。
- 情緒分析師：通過社交媒體同公眾情緒評分，感知市場短期熱度。
- 新聞分析師：監控全球新聞同宏觀指標，解讀突發事件。
- 技術分析師：利用 MACD、RSI 等指標識別交易模式。
研究員團隊引入看漲 (Bull) 同 看跌 (Bear) 研究員，進行結構化辯論，呢種「紅藍對抗」機制能夠有效平衡潛在收益同固有風險。
交易員負責整合報告，確定交易時機同倉位規模。最後，風險管理團隊持續評估市場波動性同流動性，而投資組合經理批准或拒絕交易提案。
快速上手：從安裝到 CLI 實戰
TradingAgents 提供非常友好嘅交互式 CLI，支援主流 LLM 提供商（OpenAI, Gemini, Claude, DeepSeek, Qwen, GLM 等），甚至支援通過Ollama運行本地模型。
# 克隆倉庫
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
# 安裝依賴
pip install .
# 啟動交互式界面
tradingagents喺交互式界面中，你可以自由選擇股票代碼、分析日期、模型供應商同埋研究深度，全程監控智能體進度。
核心特性：記憶持久化與檢查點
TradingAgents 嘅精妙之處在於佢不僅係一次性分析，仲具備跨運行嘅覆盤機制：
- 決策日誌 (Decision Log)：系統會持久化每次決策。下次針對同一股票運行時，會獲取已實現嘅回報，生成反思，並將經驗注入後續提示。
- 檢查點恢復 (Checkpoint Resume)：基於 LangGraph 嘅狀態管理，如果運行中斷，可以從最後一個成功嘅節點恢復，無需重頭開始。
整體嚟講，金融 AI 嘅未來正從簡單嘅「對話助手」進化為具有嚴密邏輯嘅「數字團隊」，而 TradingAgents 係一個值得跟進嘅開源項目。
喺金融研究場景入面，越來越多複雜任務開始由「單一模型直接答」，轉向由多個專業角色一齊協作完成。
由 Tauric Research 開發嘅多智能體金融交易框架 TradingAgents，喺 GitHub 上面已經拎到 6.5 萬 Stars 。
佢唔止係一個自動化交易腳本，而係一套完整、模仿真實交易公司（Prop Firm）運作動態嘅系統。透過部署由唔同 LLM 驅動嘅專業智能體，TradingAgents 可以從基本面、情緒、新聞同技術面等多個角度一齊評估市場，最後得出投資決策。
一、 核心架構：模仿真實嘅交易生態
TradingAgents 用 LangGraph 整，核心邏輯係將複雜嘅交易任務拆做一系列專門嘅職能角色。呢種模塊化設計令市場分析同交易決策有更清晰嘅邊界，亦都更容易擴展同覆盤。
成個流程由數據源輸入開始，經過分析師團隊嘅深度挖掘、研究員團隊嘅觀點辯論，最後由交易員同風險管理團隊做最終把關。
二、 職能分工：從數據分析到決策執行
喺 TradingAgents 框架入面，每個智能體都各有職責，模仿咗金融機構入面嘅完整鏈路：
1. 分析師團隊
呢個係系統嘅第一道防線，由四個專業角色組成：
• 基本面分析師：評估公司財務報表同業績指標，尋找內在價值。
• 情緒分析師：透過社交媒體同公眾情緒評分，感知市場短期熱度。
• 新聞分析師：監控全球新聞同宏觀指標，解讀突發事件。
• 技術分析師：利用 MACD、RSI 等指標識別交易模式。
2. 研究員團隊
為咗避免單一視角嘅偏差，系統引入咗看漲 和 同 看跌研究員。佢哋會針對分析師提供嘅見解進行結構化辯論。呢種「紅藍對抗」機制可以有效平衡潛在收益同固有風險。
3. 交易員
交易員負責整合分析師同研究員嘅報告，基於全面嘅市場洞察，最終確定交易嘅時機同倉位規模。
4. 風險管理同投資組合經理
呢個係系統嘅最後一道閘門。風險管理團隊持續評估市場波動性同流動性，而投資組合經理就負責批准或拒絕交易提案。一旦獲批，訂單會發送去模擬交易所執行。
三、 快速上手：從安裝到 CLI 實戰
TradingAgents 提供咗好友善嘅交互式 CLI，支援主流 LLM 供應商（OpenAI, Gemini, Claude, DeepSeek, Qwen, GLM 等），甚至支援透過 Ollama 執行本地模型。
極速安裝部署
# 克隆倉庫
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
# 安裝依賴
pip install .
# 啓動交互式界面
tradingagentsCLI 執行流程
喺交互式介面入面，你可以自由選擇股票代碼、分析日期、模型供應商同研究深度。
四、 核心特性：記憶持久化同檢查點
TradingAgents 精妙嘅地方在於佢唔只係一次性分析，仲有跨執行嘅覆盤機制：
• 決策日誌：系統會持久化每次決策。下次對同一隻股票執行時，佢會拎返已實現嘅回報，生成反思，並將經驗注入後面嘅提示入面。
• 檢查點恢復：基於 LangGraph 嘅狀態管理，如果執行中斷，可以從最後一個成功嘅節點恢復，唔使從頭開始。
寫在最後
金融 AI 嘅未來正由簡單嘅「對話助手」進化到有嚴密邏輯嘅「數字團隊」。
如果你對多智能體協作或者 AI 金融研究有興趣，TradingAgents 係一個值得留意嘅開源項目。
📌 源碼與文檔：
https://github.com/TauricResearch/TradingAgents
在金融研究場景裏，越來越多複雜任務開始從“單模型直接回答”，轉向由多個專業角色協作完成。
由 Tauric Research 開發的多智能體金融交易框架 TradingAgents，在 GitHub 上已經獲得 6.5 萬 Stars 。
它不僅僅是一個自動化交易腳本，而是一套完整的、模擬真實交易公司（Prop Firm）運作動態的系統。通過部署由不同 LLM 驅動的專業智能體，TradingAgents 能夠從基本面、情緒、新聞和技術面等多個維度協同評估市場，最終產出投資決策。
一、 核心架構：模擬真實的交易生態
TradingAgents 採用 LangGraph 構建，其核心邏輯是將複雜的交易任務分解為一系列專門的職能角色。這種模塊化設計讓市場分析和交易決策擁有更清晰的邊界，也更便於擴展和覆盤。
整個流程從數據源輸入開始，經歷分析師團隊的深度挖掘、研究員團隊的觀點辯論，最後由交易員和風險管理團隊進行最終把關。
二、 職能分工：從數據分析到決策執行
在 TradingAgents 框架中，每個智能體都各司其職，模擬了金融機構中的完整鏈路：
1. 分析師團隊 (Analyst Team)
這是系統的第一道防線，由四個專業角色組成：
• 基本面分析師：評估公司財務報表和業績指標，尋找內在價值。
• 情緒分析師：通過社交媒體和公眾情緒評分，感知市場短期熱度。
• 新聞分析師：監控全球新聞和宏觀指標，解讀突發事件。
• 技術分析師：利用 MACD、RSI 等指標識別交易模式。
2. 研究員團隊 (Researcher Team)
為了避免單一視角的偏差，系統引入了看漲 (Bull) 和 看跌 (Bear) 研究員。他們會針對分析師提供的見解進行結構化辯論。這種“紅藍對抗”機制能夠有效平衡潛在收益與固有風險。
3. 交易員 (Trader Agent)
交易員負責整合分析師和研究員的報告，基於全面的市場洞察，最終確定交易的時機和倉位規模。
4. 風險管理與投資組合經理
這是系統的最後一道閘門。風險管理團隊持續評估市場波動性和流動性，而投資組合經理則負責批准或拒絕交易提案。一旦獲批，訂單將發送至模擬交易所執行。
三、 快速上手：從安裝到 CLI 實戰
TradingAgents 提供了非常友好的交互式 CLI，支持主流的 LLM 提供商（OpenAI, Gemini, Claude, DeepSeek, Qwen, GLM 等），甚至支持通過 Ollama 運行本地模型。
極速安裝部署
# 克隆倉庫
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
# 安裝依賴
pip install .
# 啓動交互式界面
tradingagentsCLI 運行流程
在交互式界面中，你可以自由選擇股票代碼、分析日期、模型供應商以及研究深度。
四、 核心特性：記憶持久化與檢查點
TradingAgents 的精妙之處在於它不僅是一次性的分析，還具備跨運行的覆盤機制：
• 決策日誌 (Decision Log)：系統會持久化每次決策。在下次針對同一股票運行時，它會獲取已實現的回報，生成反思，並將經驗注入到後續提示中。
• 檢查點恢復 (Checkpoint Resume)：基於 LangGraph 的狀態管理，如果運行中斷，可以從最後一個成功的節點恢復，無需重頭開始。
寫在最後
金融 AI 的未來正在從簡單的“對話助手”進化為具有嚴密邏輯的“數字團隊”。
如果你對多智能體協作或 AI 金融研究感興趣，TradingAgents 是一個值得跟進的開源項目。
📌 源碼與文檔：
https://github.com/TauricResearch/TradingAgents