企业官网建设流程全解析

TradingAgents-CN 实践指南：如何用一支 AI 智能体团队完成股票研究分析

【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

如果你听过"多智能体"这个词却一直没找到落地的例子，TradingAgents-CN 是个很合适的切入点。它是一个基于多智能体和大语言模型的中文股票分析框架：你输入一个股票代码，系统内部会拉起一支"分析师团队"——负责看行情、看新闻、看财务的智能体各自取证，再由多头/空头研究员辩论、交易员给方案、风控团队拍板，最后输出一份完整的分析报告。项目定位为学习与研究工具，覆盖 A股、港股、美股数据源，支持通义千问、DeepSeek、OpenAI 等多种大模型，全部分析过程可复现、可追踪。

1️⃣ 它解决什么问题：一个人盯不住所有面

做股票研究时，最麻烦的不是"算指标"，而是信息太分散：K线在行情软件里、财报在披露系统里、消息在新闻里，最后还要靠人脑把这些拼成一个判断。TradingAgents-CN 的思路是把"拼判断"这件事拆给多个各有分工的智能体，每个智能体只盯一个面，再由机制化的辩论流程汇总。

这套分工对应到源码里非常清晰，都在 tradingagents/agents/ 目录下：

• 市场分析师（analysts/market_analyst.py）：盯价格、成交量、技术指标
• 基本面分析师（analysts/fundamentals_analyst.py）：盯 PE、PB、ROE 等财务指标
• 新闻分析师（analysts/news_analyst.py）：从新闻里找信号，还带多层次过滤
• 社交媒体分析师（analysts/social_media_analyst.py）：盯舆情情绪
• A股专用市场分析师（analysts/china_market_analyst.py）：针对 A 股规则单独适配

你可以把它理解成一场结构化的"投研会"，每个角色有固定议程。

2️⃣ 一次分析里发生了什么：从取证到拍板的完整链路

你在终端敲下分析命令后，幕后其实走的是这样一条流水线（编排逻辑在 tradingagents/graph/trading_graph.py）：

1. 四个分析师并行取证：行情、财务、新闻、舆情各出一份中文分析报告
2. 研究员双向论证：多头研究员（researchers/bull_researcher.py）只负责找上涨理由，空头研究员（researchers/bear_researcher.py）只负责找风险，两边把证据摆上桌，避免"先有结论再找理由"
3. 交易员给出方案：交易员智能体（trader/trader.py）综合双方证据，输出买入/卖出/持有的建议
4. 风控三方辩论：激进、中立、保守三种立场的风控角色（risk_mgmt/目录下的三个 debator）互相质询，研究经理和风险经理汇总后形成最终信号
5. 生成报告：最终决策落盘到data/analysis_results/目录，带股票代码和日期命名，方便回看

这种设计的价值在于过程透明：报告里能看到每个角色说了什么、依据是什么，而不只是一个"买"或"卖"的字，学习多智能体协作时这一点尤其有用。

3️⃣ 十分钟跑通第一次分析

第一步：把代码和环境准备好

git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN python -m venv venv # Windows: venv\Scripts\activate Linux/macOS: source venv/bin/activate pip install -r requirements.txt

第二步：配置密钥

在项目根目录建一个.env文件，至少需要一个 LLM 供应商的密钥，例如：

DASHSCOPE_API_KEY=你的通义千问密钥 # 或 DEEPSEEK_API_KEY=你的密钥 # 或 OPENAI_API_KEY=你的密钥

A 股数据可以再加TUSHARE_TOKEN。跑python cli/main.py config可以随时检查密钥配置状态和当前支持的模型供应商列表。

第三步：启动交互式分析

CLI 入口是 cli/main.py，核心命令就一条：

python cli/main.py analyze

它不是让你堆参数的，而是一个向导式交互：依次让你选分析师组合、选研究深度（1～5 级，数字越大取证越深、耗时越长）、选大模型供应商，然后实时分屏展示每个智能体的输出和状态。第一次体验建议选研究深度 1 + 市场分析师 + 基本面分析师的组合，几分钟就能出结果。

跑完之后，去data/analysis_results/目录翻报告，里面按板块组织：市场面、财务面、新闻面、多空辩论、风控结论、最终建议一应俱全。

4️⃣ 数据和模型怎么选

数据源方面，项目对 A 股做了重点适配，支持 Tushare、AkShare、BaoStock 等渠道，港股美股另有 Finnhub 等。数据怎么拉、往哪个数据库写，相关服务在 app/services/ 里（如quotes_service.py、financial_data_service.py、news_data_service.py）。官方提醒：分析前最好先把目标股票的数据同步入库，否则报告里的数据可能不完整，这点在 docs/QUICK_START.md 里有专门说明。

模型方面，配置集中在tradingagents/llm_clients/和tradingagents/llm_adapters/两层：前者负责各家 SDK 的接入，后者做统一适配。国内模型（通义千问、DeepSeek）对中文财报的解读通常更顺，OpenAI 系模型在推理链上更稳，你可以按分析对象切换，不用改代码。

5️⃣ 跑熟之后看哪里

• 想改分析流程：从 tradingagents/graph/ 入手，conditional_logic.py和reflection.py里就是智能体之间的流转与复盘规则
• 想部署成服务：根目录的docker-compose.yml可以一键起完整环境，更多细节在 docs/deployment/
• 想配缓存、日志、数据库：参考 docs/configuration/ 和 config/logging.toml
• 想看现成玩法：examples/ 下有批量分析、单股分析、配置管理等完整可运行的示例脚本

排障时优先看logs/目录下的运行日志，常见问题的整理在 docs/troubleshooting/。

写在最后

TradingAgents-CN 的价值不在于它"推荐买什么"，而在于让你第一次能完整看到：一支多智能体团队是如何分工、取证、辩论、风控、落报告的。把它当成一个可运行的教学案例来拆，收获会比只看论文大得多。项目明确声明仅用于学习和研究，不构成投资建议，正式投资决策请结合自己的判断和专业顾问的意见。

【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