TradingAgents 项目介绍

项目定位

TradingAgents 是一个多 Agent LLM 金融交易框架，通过模拟真实交易公司的角色分工（分析师、研究员、交易员、风控、投资组合经理），实现协作式市场评估与交易决策。

核心能力

多角色分析师团队：基本面分析师、情感分析师、新闻分析师、技术分析师分别从不同维度评估市场
对抗式辩论决策：研究团队通过 Bull/Bear 对抗辩论，风控团队通过三方轮流评审，平衡收益与风险
多 LLM 厂商支持：支持 OpenAI、Google、Anthropic、xAI、DeepSeek、Qwen、GLM、MiniMax、OpenRouter、Ollama、Azure 等 12+ 厂商
双层 LLM 路由：快速思考（分析师/交易员）与深度思考（研究经理/组合经理）分层分配模型强度
持久化记忆与反思：追加式决策日志 + LLM 延迟反思，跨 run 积累经验教训
检查点恢复：基于 LangGraph SqliteSaver 的 per-ticker 状态持久化，崩溃后可从断点恢复
交互式 CLI：Rich TUI 实时展示 Agent 进度、消息流、工具调用与报告内容

技术栈

类别	技术
语言	Python 3.12+
编排框架	LangGraph（StateGraph 有向图编排）
LLM SDK	OpenAI SDK、Anthropic SDK、Google Generative AI SDK
数据源	yfinance、Alpha Vantage
CLI	Typer + Rich + questionary
包管理	uv（pyproject.toml + uv.lock）
容器	Docker + docker-compose
持久化	SQLite（检查点）、Markdown 文件（记忆日志）

架构概览

快速体验

# 克隆并安装
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
conda create -n tradingagents python=3.13
conda activate tradingagents
pip install .

# 配置 API Key
export OPENAI_API_KEY=your_key

# 启动交互式 CLI
tradingagents

# 或使用 Python API
python -c "
from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG
ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())
_, decision = ta.propagate('NVDA', '2026-01-15')
print(decision)
"

Docker 运行

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

# 本地模型（Ollama）
docker compose --profile ollama run --rm tradingagents-ollama

教程导读

本项目的教程分为两个方向：

AI 应用通用知识（ai/）

从 TradingAgents 出发，学习多 Agent 编排、StateGraph 循环、双层 LLM 路由、结构化输出、持久化记忆、检查点恢复等通用知识。各章节引用以下 common 教程学习通用原理：

编程核心技术（dev/）

聚焦 TradingAgents 的具体工程实践：CLI TUI 构建、配置管理、Docker 部署、模块化架构、数据供应商路由、模型目录管理等。