TradingAgents 多智能体金融交易框架本地部署指南

一、项目介绍

TradingAgents 是 Tauric Research 开源的多智能体 LLM 金融交易框架。它模拟真实交易公司的协作方式：部署一组专职 LLM 智能体——基本面分析师、情绪分析师、新闻分析师、技术分析师，再加上研究员（多空辩论）、交易员、风险管理团队与投资组合经理——让它们各自调用工具、撰写报告、进行结构化辩论，最终对某只股票给出交易决策。

框架基于 LangGraph 构建，强调灵活性与模块化。它支持多家大模型提供商（OpenAI、Google、Anthropic、xAI、DeepSeek、Qwen、GLM、MiniMax、OpenRouter、Ollama 本地模型、Azure OpenAI 等），并内置了 SEC EDGAR 基本面数据、Yahoo Finance 行情、FRED 宏观数据、社交情绪等数据源。

在单一大模型被广泛应用的今天，TradingAgents 代表了另一种思路：复杂决策不该由一个模型独自完成，而应由多个分工明确的智能体协作、辩论、相互制衡。这种架构对研究多智能体系统本身有很高的参考价值，金融只是它的一个试验场。

需要特别说明：TradingAgents 定位为研究用途，交易表现受模型、温度、交易周期、数据质量等多种不确定因素影响，不构成任何金融、投资或交易建议。本文只介绍其本地部署与使用方式。

为什么用多智能体做交易决策

真实的交易决策从来不是一个人拍脑袋。一家交易公司里，有人负责读财报、有人盯新闻、有人看技术指标、有人专做情绪分析，之后多头研究员与空头研究员会辩论，交易员综合各方意见下单，风控团队再从风险角度否决或调整。单一大模型一次回答相当于"一个人同时扮所有角色"，容易陷入一致偏误——它自己提论据、自己反驳自己，辩论深度有限。

TradingAgents 把这一组织架构显式拆成多个独立 LLM 智能体：每个分析师只调用自己负责的数据源与工具，报告互不干扰；多空研究员针对同一份报告分别写看多与看空理由，形成真正的对立；交易员与投资组合经理再做最终裁决。这种结构更接近组织行为学中的"异质团队决策"，输出的是一份带推理链、可复盘的报告，而不是一个孤立的买/卖信号。对研究多智能体协作机制、评估 LLM 在复杂推理任务中的表现来说，它是一个很好的实验平台。

从研究角度看，这个框架的价值在于把"多智能体协作"从概念变成了可运行、可观测的流程。你可以清楚地看到每个智能体读到了什么数据、写了什么报告、在辩论中被谁反驳、最终决策依据了哪几条理由。这种可解释性对评估 LLM 系统尤其重要——当你想知道"为什么这个系统给出买入建议"时，它不是黑箱，而是一串可以逐节点审查的推理链。对正在搭建自己智能体系统的工程师，它提供了一个现成的参考架构：如何分工、如何传递状态、如何做条件分支与循环辩论。

二、官方信息

三、项目结构与核心特性

框架把复杂交易任务拆成多个专职角色：

• 分析师团队：基本面分析师（公司财报与内在价值）、情绪分析师（新闻标题、StockTwits、Reddit）、新闻分析师（全球新闻与宏观指标）、技术分析师（MACD、RSI 等指标）。四位分析师并行工作，报告齐备后启动研究辩论。
• 研究员团队：多头研究员与空头研究员对分析师报告进行批判性辩论，平衡潜在收益与风险。
• 交易员：综合分析师与研究员报告，决定交易时机与规模。
• 风险管理与投资组合经理：持续评估波动率、流动性等风险因素，投资组合经理最终批准或拒绝交易提案。

核心特性：

• 多提供商 LLM：支持 OpenAI、Google、Anthropic、xAI、DeepSeek、Qwen（国际/国内端点）、GLM、MiniMax、OpenRouter、Ollama、Azure OpenAI，以及你自己的 ChatGPT Plus/Pro 订阅。
• CLI 与 Python 双入口：交互式 CLI 或 tradingagents 命令行，也可在 Python 里 import tradingagents。
• 检查点恢复：基于 LangGraph 的 checkpoint，崩溃后从中断处续跑。
• 记忆日志：每次决策追加到 ~/.tradingagents/memory/trading_memory.md，后续运行会结算历史决策并生成反思。
• 回测：run_backtest 在股票×日期网格上批量跑决策并按 alpha 评分。
• Docker 支持：提供 docker compose 一键运行，含 Ollama profile。

这些特性让它既能当研究平台读架构，也能当工具跑流程。尤其是 checkpoint 与记忆日志两个机制，把一次运行的中间状态和历史决策都保留下来，方便你事后复盘"系统为什么这么判"，这对研究多智能体协作非常关键。

四、环境与版本要求

这里 Python 版本要求偏高（3.11 以上，推荐 3.13），是因为框架依赖的 LangGraph 与相关库跟进了较新语法。环境准备时建议直接用 conda 或 uv 建一个 3.11 或 3.13 的干净环境，不要在老环境上硬装，容易出现依赖解析失败。另外 API Key 是硬性前提——没有任何一个 LLM 可用，整个流程就跑不起来，建议先把至少一家的 Key 配好再开始部署。

五、本地部署步骤

1. 克隆仓库

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

2. 创建虚拟环境

用 conda：

conda create -n tradingagents python=3.13
conda activate tradingagents

或用 uv：

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

3. 安装包

pip install .
# 或用 uv：uv pip install .

4. 配置 API Key

至少设置一个 LLM 提供商的 Key：

export OPENAI_API_KEY=...          # OpenAI
export GOOGLE_API_KEY=...          # Google Gemini
export ANTHROPIC_API_KEY=...       # Anthropic Claude
export DEEPSEEK_API_KEY=...        # DeepSeek
# Qwen 国内/国际、GLM、MiniMax、OpenRouter、Ollama 等按需设置

也可以复制 .env.example 为 .env 后填写：

cp .env.example .env

5. （可选）Docker 方式

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

本地 Ollama 模型用专用 profile：

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

6. 启动交互式 CLI

tradingagents          # 已安装的命令
# 或从源码直接运行
python -m cli.main

启动后按提示选择股票代码、分析日期、LLM 提供商、研究深度等。上一次的选择会作为默认值，直接回车即可。

第一次运行建议把研究深度调到最低、辩论轮数设为一轮，先观察整个流程是否能跑通、报告格式是否正常。完整流程会调用多个智能体并消耗较多 token，一上来就用最贵的模型和最多轮次，一旦中间报错就要重来，成本不低。跑通一次后，再逐步升级模型与辩论轮数，这样既能控制花费，也能清楚看到每个环节的输出。

六、API 用法与示例

1. 命令行非交互运行

适合定时任务或脚本：

export TRADINGAGENTS_LLM_PROVIDER=openai \
       TRADINGAGENTS_QUICK_THINK_LLM=gpt-6-luna \
       TRADINGAGENTS_DEEP_THINK_LLM=gpt-6-sol

tradingagents --ticker NVDA --date 2026-09-23 \
  --analysts market,news,fundamentals --save --no-show

常用 flag：

非交互模式适合接进定时任务或批量脚本。把环境变量写进 .env 文件后，一条命令就能跑完一次完整分析，输出报告。--analysts 参数让你按需关闭不需要的分析师——比如只关心技术面时，就不必跑新闻与基本面分析，能省下不少 token。

2. Python 调用

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

ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())
state, decision = ta.propagate("NVDA", "2026-09-01")
print(decision)
ta.save_reports(state, "NVDA")

3. 自定义配置

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai"
config["deep_think_llm"] = "gpt-6-sol"      # 复杂推理模型
config["quick_think_llm"] = "gpt-6-luna"    # 快速任务模型
config["max_debate_rounds"] = 2

# 让经理层用 Claude，其余用 OpenAI
config["deep_think_provider"] = "anthropic"
config["deep_think_llm"] = "claude-opus-5-5"

ta = TradingAgentsGraph(debug=True, config=config)
_, decision = ta.propagate("NVDA", "2026-09-01")
print(decision)

4. 回测

from tradingagents.backtest import iter_grid, run_backtest, summarize

dates = iter_grid("2026-06-01", "2026-08-01", every_n_days=7)
result = run_backtest(["NVDA", "AAPL"], dates, config,
                      selected_analysts=["market", "news"])
print(summarize(result).render())

CLI 等价命令：

tradingagents backtest NVDA,AAPL --start 2026-06-01 --end 2026-08-01 --every 7

控制成本与可复现性的实践

一次完整运行会让四位分析师、多空研究员、交易员、风控经理分别调用模型，加上多轮辩论，token 消耗不小。建议先用 quick_think_llm 指向便宜快速的模型跑通流程，再把 deep_think_llm（经理层用的复杂推理模型）换成更强的模型。max_debate_rounds 从 1 开始调，确认输出格式正常后再加到 2 到 3 轮。分析日期固定在历史某天，可以避免"新闻随时间变化"带来的不可复现；如果要做严格对比，把 temperature 设低甚至为 0。

回测时注意：框架明确说明回测结果不保证复现任何公开收益数字，因为模型采样与实时数据都在变。它的价值是让你在一个可控的网格上观察"多智能体流程是否比单模型更稳"，而不是预测涨跌。把它当成研究多智能体协作的实验台，而不是赚钱策略。

框架的技术内核：为什么是 LangGraph

TradingAgents 选 LangGraph 作为底层，是因为多智能体流程本质是一张带条件分支的有向图：分析师并行执行后汇合、研究员辩论若干轮后进入交易员、交易员提案后由风控决定通过还是驳回。LangGraph 用节点表示智能体、边表示状态流转，天然支持这种循环与分支。它还自带 checkpoint 机制——这就是为什么崩溃后能从中断处续跑，因为每一步的中间状态都被持久化了。

理解这一点，你就能读懂仓库里的 trading_graph.py：每个角色是一个节点函数，接收全局状态、调用 LLM 与工具、把结果写回状态；边函数决定下一个节点走向（比如辩论是否继续）。想定制自己的智能体，不必从零搭框架，只要在这张图里加节点、改边、换提示词即可。这也是它比"一个巨大 system prompt"式方案更可扩展的原因——角色之间的职责、工具、提示词都是隔离的。

读懂状态流转，比纠结预测结果更有收获。

七、常见问题 FAQ

下面整理了初次部署与运行时最常遇到的几个疑问，供快速排查参考。框架涉及多个智能体与外部数据源，报错往往来自 API Key 缺失、模型未配置或数据接口限流，下面给出常见应对。

Q1：运行一次大概要花多少钱 / 多久？
框架会让多个分析师、研究员、交易员、经理分别调用 LLM，并进行多轮辩论，token 消耗显著。建议先用小模型（quick_think_llm）跑通流程，再决定是否升级到推理型模型。具体成本取决于所选模型与辩论轮数。

Q2：为什么同一只股票两次运行结果不一样？
LLM 采样本身不确定，加上新闻、社交数据随时间变化。这是研究工具的预期行为，不是 bug。可通过降低 temperature、指定非推理型模型来提高可复现性。

Q3：支持哪些股票市场？
Yahoo Finance 覆盖的市场都支持，用带交易所后缀的代码：美股 AAPL、港股 0700.HK、A股 600519.SS、东京 7203.T、加密货币 BTC-USD 等。

Q4：SEC EDGAR 数据为什么要设置 User-Agent？
SEC 要求请求方标识身份。默认会发送一个联系地址，建议设置自己的：

export SEC_EDGAR_USER_AGENT="Your Name your@email.com"

Q5：可以用本地 Ollama 模型吗？
可以。设置 llm_provider: "ollama"，默认端点 http://localhost:11434/v1，用 ollama pull <name> 拉模型。也支持任何 OpenAI 兼容端点（vLLM、LM Studio 等），用 openai_compatible 提供商并设置 backend_url。

最后再强调一次：TradingAgents 是研究多智能体协作的实验台，不是赚钱工具。它的价值在于让你观察"多个分工明确的 LLM 如何协作完成一个复杂决策任务"，并把这套架构借鉴到自己的智能体系统里。跑通它、读懂它的状态流转、尝试增减智能体，比纠结它预测得准不准更有收获。

以上就是这个多智能体交易框架的本地部署与运行要点。把它当作研究多智能体协作的实验台，比纠结预测准确率更有价值。

八、相关链接

• 仓库主页：github.com/TauricResearch/TradingAgents
• 研究论文：arXiv:2412.20138
• 更新日志：CHANGELOG.md
• 免责声明：tauric.ai/disclaimer
• Discord 社区：加入聊天

本文命令与配置对照仓库 README 整理，模型名称与接口可能随版本变化，且本框架仅用于研究，不构成投资建议。