TradingAgents：多智能体大模型金融交易框架的安装与使用指南

TradingAgents 是 Tauric Research 开源的多智能体（Multi-Agents）LLM 金融交易框架，官方定位是"Multi-Agents LLM Financial Trading Framework"。它模拟真实交易公司的运作方式：把基本面分析师、情绪分析师、新闻分析师、技术分析师、研究员、交易员、风控团队、投资组合经理等多个角色分别交给不同的 LLM 智能体，让它们协作分析市场、展开多空辩论，最后由投资组合经理做出买卖决策。它是研究用途的框架，不构成投资建议，相关论文见 arXiv 2412.20138。

一、项目官方信息

二、项目配图

TradingAgents 框架架构图（已上传至本站附件目录）：

三、项目背景

单一大模型做交易决策容易"拍脑袋"：只看新闻或只看技术指标，往往忽略另一面。TradingAgents 的思路是把一个交易决策拆成多个专业角色，让每个智能体用各自的工具和数据去分析，再互相辩论、互相挑错，最后综合成决策。这种"多角色协作 + 多空辩论"的设计，比让一个模型直接输出买卖建议更接近真实投研团队的工作方式，也更有研究价值。真实交易公司里，基本面、情绪、新闻、技术各派各有各的看法，最后还要风控和投委会拍板，TradingAgents 把这套分工搬进了 LLM 智能体之间，每个角色都有自己的工具和数据来源，分工明确，每个角色只看自己该看的数据，不越界，各管一块，避免角色混乱，流程清晰，谁做什么一目了然，好理解，也方便复现实验，写论文能用，复现实验方便，写论文顺利，实验可复现，结果可对比，便于横向评估，比较不同模型，选最合适的，不花冤枉钱。它支持 OpenAI、Gemini、Claude、Grok、DeepSeek、通义、GLM、MiniMax 等多家模型，也支持本地 Ollama 和 ChatGPT 订阅登录。对想研究"多智能体如何协作做决策"或"AI 投研能走到哪一步"的人来说，这是一个完整可跑的实验框架，不用自己从零搭角色和辩论流程，开箱就能看到一个完整的多智能体交易系统怎么跑，省去自己搭框架的时间，直接拿来研究多智能体协作，学习成本低。

四、核心角色与流程

它把一个交易决策拆成多个专业角色，各司其职，像一个小型投研团队：

1. 分析师团队：基本面分析师看财报和内在价值；情绪分析师聚合新闻、StockTwits、Reddit 舆情；新闻分析师跟踪宏观事件；技术分析师用 MACD、RSI 等指标判断走势。四路分析并行完成，各自产出报告，等全部到齐后才进入研究辩论环节，避免某一方被先入为主带偏，这也是它和单模型直接给结论最大的区别，把"看多看空"显式辩论出来，而不是藏在模型心里，可观察可追溯，研究价值高。
2. 研究员团队：分多头和空头两派，对分析师报告展开结构化辩论，权衡收益与风险，强迫模型同时看多和看空，避免单边偏见，让决策更接近真实投研，也减少模型单边看多或看空的偏差，让结论更稳，也更容易解释清楚，方便研究，结论透明，便于分析，结论有据，不是拍脑袋，有数据支撑。
3. 交易员智能体：综合分析师和研究员的报告，决定买卖时机和仓位大小，相当于把研究结论转成具体交易动作，而不是只停留在观点层面，把研究结论变成可执行的交易动作，而不是停留在纸面，真正可执行，不是纸上谈兵，能落地，不是空谈，有动作，不只是观点，有交易动作。
4. 风控与投资组合经理：持续评估波动率、流动性等风险，风控团队给出评估，投资组合经理最终批准或否决交易，批准后进入模拟交易所执行，整个流程闭环，不会让一个人独断，风控和投委会的角色被显式建模出来，不是一笔带过，而是有独立角色把关，更接近真实流程，研究价值高。

五、它适合谁

如果你是研究多智能体系统、想看看多个 LLM 角色如何分工辩论，或者对 AI 投研、量化交易感兴趣，这个框架能让你完整跑一遍从数据采集到决策输出的流程。它不要求你自己写多智能体编排，框架已经把分析师、研究员、交易员、风控的角色和辩论逻辑搭好了，你只要配好模型密钥就能观察，门槛不高，也不用自己写多智能体代码，开箱即用，不用从零写多智能体编排代码，省事很多，重点放在观察和研究上，不折腾环境，专注研究本身，不折腾环境，专注出结果，不折腾环境，直接出结果，不折腾，直接研究，不折腾环境，直接出结论，不用自己分析，框架全包，不用自己写。需要再次强调：它的输出是研究性的，不能当作真实买卖信号，更不要直接连实盘，先用模拟环境观察它的决策逻辑，理解清楚再谈其他，别上来就想赚钱，先搞懂它怎么运作。

六、环境要求

• Python：3.11 或更高版本，推荐 3.13，版本太低会装不上依赖，建议用 3.13 最稳，避免兼容性问题。
• LLM API Key：至少配置一家模型提供商的密钥（OpenAI、Google、Anthropic 等），这是运行智能体的基础，没有它框架没法思考，先把这步搞定。
• 数据接口：可选配置 FRED、Alpha Vantage 等数据密钥增强分析，不配也能跑，只是数据维度少一些，分析会不够全面，但不影响跑通流程，先把基础跑起来，再逐步完善数据，不着急。
• Docker：可选，用于容器化运行，避免本地环境折腾，适合不想配 Python 环境的人，一条命令起容器，环境干净不污染本机，适合快速试，不占本机空间，适合快速验证想法，不占资源，跑得动，不挑机器，老电脑也能跑。

七、本地安装方式

git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

创建虚拟环境（conda 或 uv 均可）：

conda create -n tradingagents python=3.13
conda activate tradingagents

或用 uv：

uv venv --python 3.13
source .venv/bin/activate

安装包与依赖：

pip install .

配置模型密钥，例如：

export OPENAI_API_KEY=...
export GOOGLE_API_KEY=...
export ANTHROPIC_API_KEY=...

也可以把 .env.example 复制为 .env 后填密钥，一条命令配好所有提供商，省去逐个 export 的麻烦，也方便版本管理，不会乱设环境变量，干净利落，也方便备份，迁移不丢配置，省心，配置不丢，换机器也能用。建议先只配一家最便宜的模型跑通流程，再逐步加数据密钥，避免一上来配一堆密钥手忙脚乱，先跑通再扩展，心态会稳很多。

八、Docker 网页端/容器化运行

cp .env.example .env  # 填入 API key
docker compose run --rm tradingagents

更新仓库后用 docker compose build 重建镜像，避免本地环境折腾。结果、报告、记忆日志和缓存默认存在 tradingagents_data 卷里；想放到宿主机目录，可设置 TRADINGAGENTS_DATA_DIR。本地模型可用 Ollama profile，不想花钱调云端 API 时，用本地模型也能跑通整个多智能体流程，零成本研究，也不用担心里程碑费用。

docker compose --profile ollama run --rm tradingagents-ollama

九、使用方式

安装后通过 CLI 运行，支持 --ticker、--date 等参数直接指定股票和日期，也支持检查点恢复，跑到一半中断能接着跑，不用从头再来，节省时间和 token，体验更友好，不用重新跑一遍，省时省力，不用重复跑，体验好，不用从头跑。运行后框架会依次跑完分析师、研究员、交易员、风控和投资组合经理，最后输出一份 HTML 报告。你可以把它当作一个"AI 投研团队"来观察和研究，而不是直接照着下单。跑完一次，你能看到每个分析师的结论、多空辩论过程、交易员的理由和风控的意见，这本身就是很好的研究材料，也能帮你理解多智能体是怎么分工、怎么辩论的，对学习 LLM 应用架构、多智能体协作很有帮助，是个不错的研究样本，也能启发你自己的多智能体项目设计思路。

十、常见问题 FAQ

Q1：它能直接用来赚钱吗？ 不能。它是研究框架，README 明确说明不构成投资建议，交易结果受模型、数据、市场等多种因素影响，切勿照着它的信号实盘下单，亏损自负，投资有风险，AI 决策不能替代你自己的判断，投资需谨慎，别被 AI 的自信语气误导，它只是在做研究，不是给你下买卖指令，自己拿主意，别全听 AI 的，自己判断，别被 AI 带节奏，自己拿主意，别被 AI 带偏，自己拿主意。

Q2：支持哪些大模型？ 支持 OpenAI、Gemini、Claude、Grok、DeepSeek、通义、GLM、MiniMax、Mistral、Kimi、Groq、NVIDIA NIM，以及 OpenAI 兼容接口和本地 Ollama，选择面很广，国内可用的通义、GLM、DeepSeek 也都支持，不用特意用海外卡，国内开发者也能跑，门槛低，国内开发者不用折腾网络，选择余地大，按自己预算选，不用最贵的，够用就行，省钱省心，够用就好，不必追新，够用就行。

Q3：一定要配很多 API Key 吗？ 至少配一家模型密钥即可，FRED、Alpha Vantage 等数据密钥是可选增强，不配也能跑，只是数据维度少一些，结论会粗糙一点，但不影响你理解多智能体流程，先跑通再说，有基础再加数据，循序渐进，不要一上来全配满，先少后多，不着急。

Q4：能用本地模型跑吗？ 可以，配置 Ollama（llm_provider: "ollama"）或任意 OpenAI 兼容服务器（vLLM、LM Studio 等），不用花钱调云端 API，也能在本地研究多智能体流程，不花 API 费用，适合长期研究和测试，不心疼费用，适合反复测试不同参数，不怕烧钱，放心测试，不用心疼费用，随便试，不用心疼，放心跑。

Q5：报告输出在哪里？ 运行后生成一份 HTML 报告，结果和日志存在 tradingagents_data 目录或卷里，方便回看每次决策的过程，对比不同股票和日期的结果，做研究很方便，也方便写报告时引用，材料齐全不用自己补过程，省时间，直接拿来用，不用自己整理，省事，直接写报告，不用再整理，直接用，省事省力。

Q6：Python 版本要求？ 需要 3.11 或更高，推荐 3.13，建议用 conda 或 uv 建独立虚拟环境，避免污染系统 Python，也方便切换项目，不影响其他开发环境，干净利落，也不会和别的项目抢依赖，环境隔离干净，不会互相干扰，稳定可靠，不影响其他项目，干净，不串环境，稳定，不报错，省心。

十一、跳转链接

• 项目仓库：TauricResearch/TradingAgents
• 技术论文：arXiv:2412.20138

总结：TradingAgents 是一个模拟真实投研团队的多智能体交易框架，pip install . 本地安装或用 Docker 运行，配置一家 LLM 密钥后通过 CLI 跑指定股票。它适合研究多智能体协作和 AI 投研，不构成投资建议，不能直接拿来下单，务必先在模拟环境里观察，不要急着实盘，先把它当研究工具用明白，再考虑其他用途，不要本末倒置，先研究再谈其他，别本末倒置，先研究明白，再谈其他，别着急，先研究。