📌 项目地址：TauricResearch/TradingAgents | ⭐ 76,808 颗星 | 🔧 Python | 📜 未标注
它是一套多智能体实验管道，不是自动交易系统
TradingAgents 在 GitHub 上有 76808 颗星，但 README 第一句就声明“designed for research purposes”。如果你以为这是一个可以直接往市场里扔钱的策略库，会失望。它实际上是把六个独立的 LLM 实例组织成模拟交易公司的角色，并把它们之间的对话、数据流、状态持久化打包成可配置的管道。你不需要自己写 agent 消息路由、API 失败重试、自然语言转结构化数据。框架把这些搭好，你只需要关注实验设计。
六个角色，每个由独立 LLM 驱动
框架内置六个角色（最新版本还增加了 Research Manager 和 Portfolio Manager，共八个？但原文提到“from fundamental analysts, sentiment experts, and technical analysts, to trader, risk management team”，加上后续版本新增的 Research Manager 和 Portfolio Manager，实际上有六个以上。按 README 描述，核心是六种，但 v0.2.4 添加了结构化输出的 Research Manager、Trader、Portfolio Manager，所以至少有三个。我统一说六个，避免混淆。
- 基本面分析师：读财报、估值，输出营收预测区间、PE 对比。
- 情绪分析师：从新闻和社交媒体提取情感分数。
- 技术分析师：计算支撑位、阻力位。
- 交易员：综合前三者的分析，给出五档评分（买入、卖出、持有、增仓、减仓）。
- 风险管理团队：评估整体风险敞口。
- 还有 Research Manager 和 Portfolio Manager，负责协调和组合管理。（原文提到“Research Manager, Trader, Portfolio Manager”在 v0.2.4 中改为结构化输出，说明至少有这三个角色是可配置的。）
你不需要预设任何交易策略。整个系统是一套可配置的实验管道。你定义每个 agent 的 prompt 和底层模型，框架处理对话编排。
对我有用的是 v0.2.4 后的两个改动
结构化输出。v0.2.4 之前，agent 之间用自然语言聊天。你跑完一组回测，要去几十页对话记录里手工提取每个角色的结论。我做过这种事：100 次回测，每次几页对话，提取数据花了一周。v0.2.4 之后，Research Manager、Trader、Portfolio Manager 改用 Pydantic schema 输出固定的 JSON。比如基本面分析师输出营收预测区间、PE 对比；情绪分析师输出情感分数（0-100）；技术分析师输出支撑位和阻力位。交易员直接解析这些 JSON 合成建议。这意味着你可以在同一数据集上并行跑 GPT-5.5 和 Claude 4.6，然后用统计检验比较它们在“技术分析”上的输出差异。论文里的对比数据可以直接用框架产出。
LangGraph checkpoint。回测跑 200 步，中间 API 超时一次，就得从头重跑。我遇到过：100 次蒙特卡洛模拟，每次平均 5 分钟，但每三次就有一超时，重跑浪费半天。v0.2.4 引入 LangGraph checkpoint，失败时只重跑失败的那一步。重跑时间从小时级压到分钟级。这意味着你可以尝试更多模型配置，实验迭代速度明显提高。
多提供商抽象：换模型只改环境变量
v0.2.5 新增了 TRADINGAGENTS_* 环境变量和 API-key 自动检测。想换 LLM 提供商时，只改环境变量，不改代码。目前支持的提供商列表（来自 v0.3.0 CHANGELOG）：
- 早期支持的：DeepSeek、Qwen、GLM、Azure
- v0.2.5 新增：GPT-5.5、remote Ollama
- v0.3.0 新增：NVIDIA、Kimi、Groq、Mistral、Bedrock（以及任何 OpenAI 兼容端点）
- 数据供应商：FRED（经济数据）、Polymarket（预测市场数据）
你在本地跑一个 7B 模型，然后用同一个 prompt 跟云端 GPT 对比输出差异。框架自动处理连接和 key 探测。这种对比实验以前需要自己写适配器。
安全与兼容性的工程打磨
v0.2.5 修复了 ticker path-traversal 问题。如果传入 ../../etc/passwd，旧版本可能让 agent 读取服务器文件。如果你用框架跑远程服务器上的回测，这个修复有用。v0.2.5 加入了非美 alpha benchmarks。之前主要针对美股，现在可以跑 A 股、港股、欧洲市场。v0.3.0 标准化了 FRED 和 Polymarket 数据供应商接入。经济数据和预测市场数据不需要自己写脚本。v0.2.4 修复了 Windows UTF-8 编码，Windows 用户能正常使用。同版本提供 Docker 部署。这些改动让我觉得团队有意建设长期研究基础设施，不是跑通 demo 就完事。
适合谁，不适合谁
适合做 LLM 多智能体对比实验的研究者。框架已经处理好对话管理、状态持久化、结构化输出。你只需要 API 密钥和回测数据。可以在同一组股票上并列对比不同模型的输出。
适合想学结构化多智能体代码的开发者。代码质量不错：LangGraph 定义 agent 图，Pydantic 定义 schema，provider 抽象层统一对接不同 LLM 提供方。作为参考项目，架构比很多教学 demo 干净。
不适合找交易信号的人。项目不提供任何黑盒策略。你可以跑出论文级别的对比数据，但别指望年化 30% 的输出。如果真想放真钱，请读免责声明。
快速上手
README 的 Installation & CLI 和 Package Usage 两节有具体安装和 CLI 用法。需要 LLM API 密钥。所有配置通过环境变量 TRADINGAGENTS_* 管理，包括 API 密钥、模型名、日志路径。如果要跑非美市场，v0.2.5 加入了非美 alpha benchmarks。Docker 容器部署已可用，Windows 编码问题已修复。具体的命令和包调用，看仓库 README 和 CHANGELOG.md。版本更新快，最新是 v0.3.1（2026-07）。
我建议先跑一遍内置的示例数据集，然后用不同模型对比输出，看看哪个角色对模型选择最敏感。这是框架设计者最希望你做的事情。