企业官网建设流程全解析

TradingAgents-CN：用多智能体 LLM 搭建一支 AI 股票分析团队的完整指南

【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

TradingAgents-CN 是一个中文增强的多智能体 LLM 股票分析框架：由多个 AI 智能体分工协作，自动完成数据采集、多空辩论、风控审查和决策输出的全流程，帮助普通人和学习者系统化地研究 A 股、港股、美股标的。项目定位为学习与研究工具，不提供实盘交易指令。

项目速览

TradingAgents-CN 是对 TauricResearch 团队的 TradingAgents 框架的中文增强版本（当前稳定版 v1.0.1）。它的思路很直白：把一家投研团队的工作流程拆成一个个"AI 岗位"，每个岗位由一个大模型驱动，各干各的活再互相评审，最后汇总成一份可读的分析报告。相比英文原版，它在数据源、模型接入和界面语言上做了大量本土化适配，接入了 Tushare、AKShare、BaoStock 等国内常用的行情数据源，也支持 DeepSeek、通义千问、OpenAI、Google AI 等多家大模型，部署上提供 Docker 一键启动。

TradingAgents-CN 分析师智能体的多维度数据整合界面，展示行情、新闻与基本面信息的汇集过程

它是怎么运转的

一次完整分析的数据流转链路，大致像下面这条流水线：

1. 采集：系统先从配置的数据源拉取行情、技术指标、财务数据和新闻。多个数据源按优先级排队，某个源取不到数据时自动切换下一个，而不是直接报错。
2. 分头分析：市场分析师、新闻分析师、社媒分析师、基本面分析师等各自基于同一份数据输出观点，相当于"每个岗位只对自己的维度负责"。
3. 多空辩论：看涨研究员和看跌研究员分别提出支持买入和反对买入的理由并交锋，避免单一视角的片面结论。
4. 风控把关：风险管理部门由激进、保守、中性三个辩论方组成，对交易员的提案做攻防式审查，最终由风险管理负责人拍板。
5. 决策与输出：交易员智能体汇总各方可信结论给出操作建议，系统把它连同分析过程一并落库，可导出成 Markdown、Word 或 PDF 报告。

整个过程在 Web 端是可见的：SSE + WebSocket 双通道会实时推送每个智能体的进展，你不用盯着日志猜它跑到哪一步了。

TradingAgents-CN 命令行界面中的技术分析环节，可以看到数据从采集到分析的推进过程

几个值得深挖的技术点

多源数据降级链：数据源挂了也不影响分析

• 要解决什么：国内免费行情接口不稳定，单一数据源一旦失效，整条分析链路就会断。
• 具体怎么做：数据源被抽象成可插拔的 Provider 分层（见 tradingagents/dataflows/providers/，内含 china、hk、us 三个市场目录），各源按优先级排序。以 AKShare 为例，单股实时行情支持stock_bid_ask_em -> stock_zh_a_spot -> stock_zh_a_spot_em -> stock_zh_a_hist这样的多级降级链，前面取不到就换下一个。
• 带来什么效果：部分数据源故障时核心分析功能仍可持续运行，同步结果里还能看到主链路、回退链路与失败原因，方便排查。

多空研究员对辩：用"吵架"降低片面结论

• 要解决什么：单个大模型分析容易"顺着数据说好听的话"，形成确认偏误。
• 具体怎么做：tradingagents/agents/researchers/ 下实现了bull_researcher.py与bear_researcher.py两个独立智能体，基于分析师阶段产出的材料分别构建看涨与看跌论据，再进行对抗式辩论。
• 带来什么效果：最终报告里同时保留了正反两方最有说服力的理由，决策依据更平衡，也方便你自己复核推理过程。

三方风控辩论：激进、保守、中性互相制衡

• 要解决什么：交易决策如果只看"收益"一面，风险容易被忽略。
• 具体怎么做：tradingagents/agents/risk_mgmt/ 里放了三类辩论方——aggressive_debator.py（激进）、conservative_debator.py（保守）、neutral_debator.py（中性），围绕交易员的提案从不同风险偏好出发互相攻辩，再由风险经理汇总裁决。
• 带来什么效果：风控不再是一条静态阈值，而是一次有记录、可回溯的多方评审。

可替换的 LLM 适配层：模型可以按需换

• 要解决什么：不同模型的接口格式、价格、能力差异大，换个模型不该改一堆业务代码。
• 具体怎么做：tradingagents/llm_adapters/ 提供 DeepSeek、DashScope、Google 等适配器，并有一个openai_compatible_base.py作为 OpenAI 兼容端点的通用基类；v1.0.1 还接入了 AiHubMix 这类聚合厂家，一个入口可用多家模型。
• 带来什么效果：配置页里切换模型即可，模型选择会持久化保存，配置页、对话框和分析页看到的模型顺序也保持一致。

TradingAgents-CN 中看涨与看跌研究员的双视角辩论流程，展示多空观点的生成与交锋

架构一览

整体编排由 tradingagents/graph/trading_graph.py 驱动，把各智能体组织成一张执行图；条件路由（conditional_logic.py）、信号处理（signal_processing.py）等模块负责在节点间传递状态和判断走向。

TradingAgents-CN 系统架构流程图，展示数据在各智能体之间的流转与协作关系

注意：app/与frontend/两个目录属于需商业授权的专有部分，其余代码为 Apache 2.0 开源，详见 LICENSE 与 版权声明。

从克隆到跑通

最小部署步骤如下（Docker 方式，官方标注约 5 分钟可启动）：

# 1. 获取代码 git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN # 2. 配置大模型密钥（至少配一家，如 DeepSeek） cp .env.example .env # 编辑 .env，填入 DEEPSEEK_API_KEY 等 # 3. 一键启动 docker-compose up -d

启动后在浏览器打开http://localhost:8501即可进入 Web 界面。首次使用建议：

1. 在配置中心补齐大模型与数据源密钥（AKShare 一般可直接用，Tushare 需申请 token）；
2. 先完成股票数据同步再发起分析——官方特别提醒，未同步数据的分析结果会出现数据错误；
3. 跑一个单股分析任务，观察实时进度推送，再尝试批量分析。

TradingAgents-CN 命令行初始化后的界面，展示进入分析流程的入口

更完整的说明见 docs/QUICK_START.md，开发向文档在 docs/development/，配置项讲解在 docs/config/。

怎么玩得更深

• 换数据源：行情 Provider 按市场（china/hk/us）分目录，理解base_provider.py后接入自有数据并不复杂。
• 换模型与控成本：通过适配层接入不同 LLM 并做模型筛选，docs/llm/ 下有专门的模型与成本说明。
• 批量与筛选：用批量分析对一组标的并行跑流程，配合多维度股票筛选和自选股管理做初筛。
• 模拟交易验证：内置模拟交易系统提供虚拟资金环境，可以先"纸上交易"验证策略，而不触碰真实账户。
• 报告产出：分析结果支持 Markdown/Word/PDF 导出，data/reports/与data/analysis_results/下留有历史样例可参考。
• 演进方向：项目采用选择性吸收上游 TradingAgents 更新的策略（见 docs/maintenance/upstream-sync.md），v2.0 已在内测中，规划通过官方渠道发布。

TradingAgents-CN 交易员智能体的决策环节，展示研究结论如何汇总为最终操作建议

结语

TradingAgents-CN 把"数据采集 → 多角度分析 → 多空辩论 → 风控评审 → 决策输出"这条机构投研链路装进了一个可本地部署的多智能体 LLM 股票分析框架里，让你能低成本地理解并实践 AI 驱动的研究流程。记住它的第一定位是学习与研究工具：跑通一个标的、读透一份多空辩论记录，比急着"出信号"更有价值。

想动手试试？直接从 快速开始指南 走一遍 Docker 部署，5 分钟内就能让第一支"AI 分析团队"开工。

【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