TradingAgents-CN用一组AI分析师帮你看懂一只股票的多空逻辑【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-CNTradingAgents-CN 是一个多智能体LLM股票分析框架的中文增强版——你把股票代码丢进去它会让一队各有分工的AI智能体分析师、研究员、风控、交易员像真实投研团队那样协作分析最后输出一份带辩论过程的分析报告。它支持 A股、港股、美股三个市场提供中文 Web 界面和命令行两种用法。从一个真实问题说起周五收盘后你手里有一只股票犹豫要不要继续拿。翻遍消息面有说涨的、有说跌的每条都有道理。你会不会希望有个人陪你把两边的论据一条条摆出来吵一架TradingAgents-CN 干的就是这件事。它把投研团队拆成一组大语言模型LLM即大模型驱动的智能体四个方向不同的分析师各自查数、写观点看涨和看跌两名研究员互相辩论风控层再用三种立场复核风险最后由交易员智能体汇总成结论。你不需要自己搭任何流程填个代码、选个深度等报告就行。为什么值得试对普通个人投资者一次分析就能拿到技术面、基本面、新闻、社交情绪四个维度的独立观点外加多空双方交锋记录不用自己拼信息。对想学AI应用的开发者整个框架的提示词、智能体分工、辩论流程都是可读源码是拆解多智能体协作多个AI程序按角色分工完成任务的好样本。对国内用户原版 TradingAgents 是英文项目数据源以美股为主这个版本补齐了 A股数据Tushare、AKShare、Baostock 三个数据源互为备份、国产大模型DeepSeek、通义千问、硅基流动等和全中文界面。一次分析任务的旅程数据是怎么走通的以分析000001A股某银行为例看一条任务从进入系统到出报告的完整路径。第一步数据层。系统从 Tushare、AKShare、Baostock 中按优先级拉取行情、财务和新闻数据单个数据源失败会自动降级到下一个例如实时行情有多级备用接口。数据统一清洗后落库供后续智能体调用避免每个智能体各自重复请求。第二步分析师并行开工。市场分析师算技术指标、看价格形态基本面分析师核 PE、PB、ROE 这类财务指标新闻分析师对资讯做多层过滤和质量评估防止标题党干扰结论社媒分析师盯情绪面。四个分析师各自独立产出报告谁也不用等谁。第三步双研究员辩论。看涨研究员和看跌研究员各自基于分析师的报告组织论点进行多轮对抗辩论。这个设计的用意很直接单一视角的分析容易只挑支持自己结论的证据强制双方交锋能把两边的依据都摊在阳光下。第四步风控三方复核。激进、保守、中性三种风控立场的智能体从各自角度评估这笔交易的风险再由研究经理和风险经理汇总交易员智能体生成最终操作建议信号处理器对结论做标准化处理。第五步报告落地。分析结果支持 Markdown、Word、PDF 三种格式导出历史分析记录会保存在 Web 界面随时回看。架构亮点三个值得细看的设计决定用状态图编排智能体而不是写死调用链。整个分析流程建立在 LangGraph一个把智能体协作建模为状态机的开源框架上每个智能体是一个节点谁先跑、谁等谁、辩论打几轮都由条件逻辑动态决定。这意味着你可以单独换掉某个分析师的提示词或模型不用动整个流水线。数据源降级链代替主备开关。行情接口偶尔抽风是常态。项目把 AKShare 的多个接口串成一条降级链stock_bid_ask_em → stock_zh_a_spot → stock_zh_a_hist依次尝试前面失败自动往后走同步结果还会记录走了哪条链路、为什么失败。这种可追溯的降级比简单的主备切换更实用——出问题时你知道系统当时在干什么。MongoDB Redis 双库分工。行情和财务这种结构化数据存 MongoDB文档数据库Schema灵活热点查询和会话状态走 Redis内存缓存读写极快。分析进度通过 SSE 和 WebSocket 双通道实时推给前端你在页面上能看到每个智能体正在干到哪一步而不是对着一个转圈图标干等。十分钟跑起来推荐 Docker 方式环境隔离最省心git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN cp .env.example .env # 编辑填入大模型API密钥如DEEPSEEK_API_KEY docker-compose up -d启动后浏览器访问http://localhost:8501。本地源码安装则用python -m venv env建虚拟环境后pip install -r requirements.txt再按 快速开始 里的步骤启动。步骤说明关键动作1. 克隆拉取代码git clonecd进入目录2. 配密钥至少一个大模型 Key编辑.envDeepSeek/通义千问/OpenAI 任选其一3. 启动拉起全栈服务docker-compose up -d4. 验证浏览器打开 8501 端口输入000001选 1 级深度跑通一个容易踩的坑写在官方文档里分析前先把股票数据同步完否则结论可能基于缺数据的状态得出。数据源配置详见 docs/config/。谁适合用一个上手示例假设你是刚接触量化概念、对AI看股票持怀疑态度的开发者。打开 Web 界面输入000001研究深度选 1 级最快档分析师选市场 基本面两位点开始。十几分钟后你会看到市场分析师给出的均线判断、基本面分析师列出的估值指标、看跌研究员质疑盈利增速的那段辩论原文以及交易员的最终建议——每个结论都带着出处。你可以做的对照实验同一只股票把深度从 1 级调到 3 级看报告里引用的数据量如何变化或者换一组分析师组合观察新闻分析师加入后情绪面结论如何影响最终建议。这套改一个变量看一处变化的玩法比读论文更能帮你理解多智能体框架在做什么。完整功能演示可参考 v1.0.1 使用手册。定制与进阶扩展点主要在三层数据层接新数据源只需按 数据源重构说明 实现统一接口智能体层可以改提示词、换模型甚至照着现有分析师的模式新增角色LLM 供应商通过配置中心增删支持动态添加自定义端点兼容 OpenAI 协议的都能接。版本路线上v1.0.1 是当前稳定版侧重配置管理和数据同步稳定性v2.0 已在内测。需要说明app/FastAPI 后端和frontend/Vue 前端目录采用专有许可商业使用需单独授权个人学习研究不受限细节见 许可证。写在最后TradingAgents-CN 把投研团队这个抽象概念拆成了可运行、可阅读、可魔改的代码。它不替你下单也不承诺收益但能让你第一次看清一份 AI 生成的股票分析里面的每个论据到底从哪来、被谁质疑过、又是怎么汇成结论的。从 快速开始指南 动手十分钟之后你就能跑通自己的第一份多空辩论报告。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/9/6 16:33:35 · 阅读 1.2k TradingAgents-CN：用一组AI分析师帮你看懂一只股票的多空逻辑
TradingAgents-CN用一组AI分析师帮你看懂一只股票的多空逻辑【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-CNTradingAgents-CN 是一个多智能体LLM股票分析框架的中文增强版——你把股票代码丢进去它会让一队各有分工的AI智能体分析师、研究员、风控、交易员像真实投研团队那样协作分析最后输出一份带辩论过程的分析报告。它支持 A股、港股、美股三个市场提供中文 Web 界面和命令行两种用法。从一个真实问题说起周五收盘后你手里有一只股票犹豫要不要继续拿。翻遍消息面有说涨的、有说跌的每条都有道理。你会不会希望有个人陪你把两边的论据一条条摆出来吵一架TradingAgents-CN 干的就是这件事。它把投研团队拆成一组大语言模型LLM即大模型驱动的智能体四个方向不同的分析师各自查数、写观点看涨和看跌两名研究员互相辩论风控层再用三种立场复核风险最后由交易员智能体汇总成结论。你不需要自己搭任何流程填个代码、选个深度等报告就行。为什么值得试对普通个人投资者一次分析就能拿到技术面、基本面、新闻、社交情绪四个维度的独立观点外加多空双方交锋记录不用自己拼信息。对想学AI应用的开发者整个框架的提示词、智能体分工、辩论流程都是可读源码是拆解多智能体协作多个AI程序按角色分工完成任务的好样本。对国内用户原版 TradingAgents 是英文项目数据源以美股为主这个版本补齐了 A股数据Tushare、AKShare、Baostock 三个数据源互为备份、国产大模型DeepSeek、通义千问、硅基流动等和全中文界面。一次分析任务的旅程数据是怎么走通的以分析000001A股某银行为例看一条任务从进入系统到出报告的完整路径。第一步数据层。系统从 Tushare、AKShare、Baostock 中按优先级拉取行情、财务和新闻数据单个数据源失败会自动降级到下一个例如实时行情有多级备用接口。数据统一清洗后落库供后续智能体调用避免每个智能体各自重复请求。第二步分析师并行开工。市场分析师算技术指标、看价格形态基本面分析师核 PE、PB、ROE 这类财务指标新闻分析师对资讯做多层过滤和质量评估防止标题党干扰结论社媒分析师盯情绪面。四个分析师各自独立产出报告谁也不用等谁。第三步双研究员辩论。看涨研究员和看跌研究员各自基于分析师的报告组织论点进行多轮对抗辩论。这个设计的用意很直接单一视角的分析容易只挑支持自己结论的证据强制双方交锋能把两边的依据都摊在阳光下。第四步风控三方复核。激进、保守、中性三种风控立场的智能体从各自角度评估这笔交易的风险再由研究经理和风险经理汇总交易员智能体生成最终操作建议信号处理器对结论做标准化处理。第五步报告落地。分析结果支持 Markdown、Word、PDF 三种格式导出历史分析记录会保存在 Web 界面随时回看。架构亮点三个值得细看的设计决定用状态图编排智能体而不是写死调用链。整个分析流程建立在 LangGraph一个把智能体协作建模为状态机的开源框架上每个智能体是一个节点谁先跑、谁等谁、辩论打几轮都由条件逻辑动态决定。这意味着你可以单独换掉某个分析师的提示词或模型不用动整个流水线。数据源降级链代替主备开关。行情接口偶尔抽风是常态。项目把 AKShare 的多个接口串成一条降级链stock_bid_ask_em → stock_zh_a_spot → stock_zh_a_hist依次尝试前面失败自动往后走同步结果还会记录走了哪条链路、为什么失败。这种可追溯的降级比简单的主备切换更实用——出问题时你知道系统当时在干什么。MongoDB Redis 双库分工。行情和财务这种结构化数据存 MongoDB文档数据库Schema灵活热点查询和会话状态走 Redis内存缓存读写极快。分析进度通过 SSE 和 WebSocket 双通道实时推给前端你在页面上能看到每个智能体正在干到哪一步而不是对着一个转圈图标干等。十分钟跑起来推荐 Docker 方式环境隔离最省心git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN cp .env.example .env # 编辑填入大模型API密钥如DEEPSEEK_API_KEY docker-compose up -d启动后浏览器访问http://localhost:8501。本地源码安装则用python -m venv env建虚拟环境后pip install -r requirements.txt再按 快速开始 里的步骤启动。步骤说明关键动作1. 克隆拉取代码git clonecd进入目录2. 配密钥至少一个大模型 Key编辑.envDeepSeek/通义千问/OpenAI 任选其一3. 启动拉起全栈服务docker-compose up -d4. 验证浏览器打开 8501 端口输入000001选 1 级深度跑通一个容易踩的坑写在官方文档里分析前先把股票数据同步完否则结论可能基于缺数据的状态得出。数据源配置详见 docs/config/。谁适合用一个上手示例假设你是刚接触量化概念、对AI看股票持怀疑态度的开发者。打开 Web 界面输入000001研究深度选 1 级最快档分析师选市场 基本面两位点开始。十几分钟后你会看到市场分析师给出的均线判断、基本面分析师列出的估值指标、看跌研究员质疑盈利增速的那段辩论原文以及交易员的最终建议——每个结论都带着出处。你可以做的对照实验同一只股票把深度从 1 级调到 3 级看报告里引用的数据量如何变化或者换一组分析师组合观察新闻分析师加入后情绪面结论如何影响最终建议。这套改一个变量看一处变化的玩法比读论文更能帮你理解多智能体框架在做什么。完整功能演示可参考 v1.0.1 使用手册。定制与进阶扩展点主要在三层数据层接新数据源只需按 数据源重构说明 实现统一接口智能体层可以改提示词、换模型甚至照着现有分析师的模式新增角色LLM 供应商通过配置中心增删支持动态添加自定义端点兼容 OpenAI 协议的都能接。版本路线上v1.0.1 是当前稳定版侧重配置管理和数据同步稳定性v2.0 已在内测。需要说明app/FastAPI 后端和frontend/Vue 前端目录采用专有许可商业使用需单独授权个人学习研究不受限细节见 许可证。写在最后TradingAgents-CN 把投研团队这个抽象概念拆成了可运行、可阅读、可魔改的代码。它不替你下单也不承诺收益但能让你第一次看清一份 AI 生成的股票分析里面的每个论据到底从哪来、被谁质疑过、又是怎么汇成结论的。从 快速开始指南 动手十分钟之后你就能跑通自己的第一份多空辩论报告。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考