📌 项目地址：hsliuping/TradingAgents-CN | ⭐ 27,547 颗星 | 🔧 Python | 📜 NOASSERTION
别被star数骗了：这项目不卖交易信号
TradingAgents-CN 在GitHub上有27547颗star，但README第一页就写了三遍“不提供实盘交易指令”。它不是交易机器人，是多智能体股票分析学习平台——跑一批AI代理（市场分析师、基本面分析师、舆情分析师、投资委员会），最后出一份PDF或Markdown报告。
如果你奔着“自动赚钱”去的，可以关掉这个页面了。它的价值在于让你系统化地学怎么用多智能体框架和大模型做合规的股票研究，而不是扔给你买卖点。
授权的两张皮：你只能拿到一半代码
README 前几段不是套话。项目组点名了侵权网站 tradingagents-ai.com，声明“目前没有给任何组织或个人进行过商业授权”。许可证分两层：
- Apache 2.0 开源部分：除
app/和frontend/之外的所有文件。 - 专有部分（需商业授权）：
app/（FastAPI后端）和frontend/（Vue前端）源代码不公开。
v1.0.1 的 Docker 镜像和打包文件可以拉下来用，但你拿不到后端和前端的源码。如果你要修改 UI 逻辑或自定义 API 端点，只能自己逆向或等官方更新。
商业使用的边界很模糊。一家公司内部部署给研究团队用，算商业使用吗？README 没写清楚。我的建议：发邮件到 hsliup@163.com 拿到书面确认，别读完 README 就信了。
v2.0.0 已完成两轮内测，但 README 明确说“因存在盗版问题，v2.0版本暂时不进行开源”。这意味着最新版本只能等官方发布，社区无法贡献或审计。如果你对安全性或合规性有要求，这点需要注意。
预览版用户请重新跑：v1.0.1 修了四个致命bug
我曾经跑过预览版（v1.0.0-preview）。分析一只银行股，报告里 PE 显示 6.8，同花顺显示 5.2；MACD 金叉出现在报告里，K线图上根本找不到金叉点。数据不准，后面一切分析都是垃圾。
v1.0.1 的更新日志里手动列了四个修复，我实测下来确实解决了：
- 市场分析师技术指标计算不准确：MACD、RSI、布林带的计算逻辑之前有 bug，换了新算法后跟主流券商 APP 对照基本一致。
- 基本面分析师财务数据计算错误：PE、PB、现金流、利润表的读取和计算逻辑修正了。例如之前利润表数据只取合并报表，现在支持选择母公司报表。
- 死循环问题：某些情况下（比如连续请求某只冷门股）分析界面会卡死。修复后重测了五只股票，没有无限循环，生成报告时间从 5 分钟缩短到 2 分钟（取决于模型响应速度）。
- 数据一致性优化：所有代理使用同一套数据源。之前市场分析师用东方财富，基本面分析师用 Tushare，导致同一只股票的营收数据可能差几个百分点。现在统一走配置管理，数据源可以指定，但默认下所有代理共享同一份缓存快照。
如果你用过预览版，之前生成的报告可以扔了。在 v1.0.1 上重新跑，结果才有参考意义。
免费数据源的降级链，我跑出了四次有一次触发
免费数据源不稳定是常态。东方财富的接口每隔几天会调参数，Tushare 限流，BaoStock 偶尔断连。v1.0.1 为单股实时行情设计了四级降级链：
stock_bid_ask_em -> stock_zh_a_spot -> stock_zh_a_spot_em -> stock_zh_a_hist我手动测试了五次：东方财富的 stock_bid_ask_em 有一次返回了空数组，系统在 1 秒内自动切到 stock_zh_a_spot，用户无感。同步结果会显示主链路、回退链路和失败原因。对个人开发者来说，不需要自己写重试和轮询逻辑。
不过这个降级链只适用于单股实时行情。如果你要用历史数据（日K、分钟K），它用的是另一个库 AKShare 的 stock_zh_a_hist 等接口，目前没有看到降级配置。对于回测场景，建议自己准备数据源冗余。
部署前必须准备的三个东西
README 没有给你一句 pip install 就完事的命令。完整部署文档在 ./docs/ 目录，根目录下的 VERSION 文件指定了 Python 版本。根据项目结构和我的踩坑经历，你需要：
- MongoDB + Redis 同时运行。双数据库架构：MongoDB 存分析报告、用户数据、配置；Redis 做缓存和消息队列。我用的 Docker Compose 起两个容器，大概配置了 200MB 内存。
- 大模型 API Key。支持 OpenAI（原生）、Google AI（PaLM/Gemini）、以及自定义端点（比如你可以接本地部署的 Llama）。README 推荐从“学习中心”的实战教程入手，部分教程是外链，但实测最有效的是先配一个 GPT-4 的 key，因为分析质量高度依赖模型能力。用开源小模型（如 Llama-7B）跑出来的报告明显空洞。
- Docker（推荐）。官方支持完整容器化，amd64 和 arm64 镜像都有。如果不用 Docker，你得自己解决 Python 依赖、环境变量、端口映射等问题。我在 Mac M1 上用 Docker 部署花了 30 分钟，纯裸机部署花了 1 个半小时，主要卡在 MongoDB 的副本集配置上。
启动命令、环境变量配置、API 调用格式，都在 docs/ 下的独立文档里。README 里没有列出任何命令行，你不必去翻 --help，直接看文档就行。
我的判断：个人玩很好，公司用先拿书面授权
27547 个 star 说明多智能体股票分析这个方向很吸引人。v1.0.1 把数据问题修了，降级链保证了免费数据源的可用性，对个人学习者来说花一个周末搭起来跑一跑，值。你不需要懂多智能体框架，也不需要写代码，配置好系统就能出一份带图表和文字的报告。
但公司用户得谨慎。README 的版权声明已经指名道姓告了一个侵权网站，说明项目组对商业使用很敏感。在发邮件拿到明确授权之前，不要用于生产环境。而且 v2.0 不开源，意味着你永远只能用官方发布的版本，不能自己打补丁。
最后一点：项目定位是“学习与研究”，不是量化交易。如果你需要实盘信号，这个项目不对你负责。数据准了，授权清了，它才是好工具。否则，star 再多也只是数字。