TradingAgents-CN快速上手指南：多智能体AI股票分析团队搭建
【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
TradingAgents-CN 是一个基于多智能体大模型的中文股票分析平台，把多个 AI 智能体组成一支"虚拟研究团队"，自动完成从数据收集到投资建议的全流程，适合股票研究学习者与 AI 爱好者做 A股/美股/港股的策略实验。
🧭 30 秒看懂：TradingAgents-CN 是什么
如果你只问一个聊天机器人"这只股票值得买吗"，它往往会直接吐出一段似是而非的结论。TradingAgents-CN 的做法不同：先把任务拆开。市场分析师看价格走势，新闻分析师梳理近期消息，社媒分析师盯情绪，基本面分析师查财务数据；然后"看涨"和"看跌"两个研究员智能体各自站队辩论；交易员智能体写出交易策略，风控三个角色从激进、保守、中立三种风险偏好把关，最后才落成一份投资建议报告。
打个比方：它相当于在你电脑上雇了一家迷你研究所。每个 AI 只负责自己那一段工作，过程留痕、结论可追溯。这也是它和"单模型问答"类工具最大的区别——你拿到的不只是一句答案，而是整个分析链条。需要说明的是，项目定位是学习与研究用途，明确不提供实盘交易指令。
🚀 快速上手：从零跑通第一步
第一步：拿到代码
git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN第二步：配置密钥
官方推荐用 Docker 部署，环境隔离、省心。复制一份配置文件：
cp .env.example .env打开.env，至少填一个大模型的 Key（DEEPSEEK_API_KEY、DASHSCOPE_API_KEY、OPENAI_API_KEY三选一），有 Tushare 的话顺手填上TUSHARE_TOKEN，A股数据会完整不少。
第三步：一键启动
docker-compose up -d服务起好后，浏览器打开本地地址进入 Web 界面。首次分析建议这样填：股票000001（A股）、研究深度选 1 级（快速分析）、勾选市场分析师加基本面分析师，点开始即可。
⚠️ 一个容易被忽略的坑：官方 README 特别提醒，分析之前先把股票数据同步完，否则结果可能出现数据错误。先在界面上把行情、财务数据同步跑一遍再开始分析，能避开绝大多数"数据不对"的疑问。
不想碰 Web 界面的，也可以装完依赖后在终端跑python -m cli.main，用命令行版体验同样的流程。
🔍 核心能力拆解
| 能力 | 作用 | 使用场景 |
|---|---|---|
| 多分析师数据团队 | 市场、新闻、社媒、基本面四个分析师各取所需，自动汇总成个股画像 | 日常盯个股、学习多维度看数据 |
| 多空双视角辩论 | 看涨与看跌两个研究员对辩，报告同时呈现双方论点与总结 | 买卖决策前的深度研究 |
| 三方风控评审 | 激进、保守、中立三个风控角色按不同风险偏好审视交易方案 | 审核仓位、止损与对冲计划 |
| 多市场覆盖 | A股、港股、美股都支持，数据源带多级降级链 | 跨市场研究与对比 |
| 报告导出 + 模拟交易 | 报告支持 Markdown/Word/PDF 导出；虚拟环境验证策略 | 整理学习笔记、验证想法 |
⚙️ 它是怎么工作的
五段式流水线：像公司流程一样拆任务
整条流程分五段：分析师团队 → 研究团队 → 交易员 → 风控管理 → 组合管理，和 CLI 启动页上印的 Workflow 一致。为什么不把提示词写长一点、让一个模型一口气出结果？因为金融分析链路很长，一步出错就全盘错。拆段后，每一段的产出都是独立可读的文档——分析师的数据综述、研究员的辩论记录、交易员的策略草案、风控的否决意见——出了问题你能直接定位是哪一段跑偏了，而不是面对一锅炖出来的黑盒结论。
多源数据降级链：一个数据源挂了，分析不停
行情、新闻、财务数据分别来自 Tushare、AKShare、Baostock 等多个数据源，系统按优先级管理，还能动态切换。单股实时行情设计了多级降级链，比如 AKShare 会按stock_bid_ask_em → stock_zh_a_spot → stock_zh_a_spot_em → stock_zh_a_hist的顺序依次尝试。为什么这么设计？公开数据源都会限流、接口都会变动，单靠一家迟早翻车；有降级链兜底，同步结果还会如实展示走了主链路还是回退链路、失败原因是什么，数据从哪来的清清楚楚。
状态机式图执行：进度可见，卡住能查
底层基于 LangGraph 搭的有向图，每个智能体是一个节点，一份共享状态在各个节点之间传递、逐段更新。这样设计的实际好处是：分析是长任务，执行到哪一步、谁在跑谁在排队，前端通过实时推送随时可见；真卡住了也能从状态日志里查到停在哪。对学习者来说，这本身就是很好的教材——你能直观看到"多智能体协作"这四个字在工程上是怎么落地的。
🛠️ 进阶玩法与自定义
- 换模型：支持 DeepSeek、通义千问、OpenAI、Google、硅基流动，以及 AiHubMix 这类聚合渠道，Web 配置页即可添加供应商，选择会持久化，配置页、对话框、分析页的模型顺序保持一致。
- 研究深度：1 到 5 级可调，1 级快速分析、3 级标准、5 级全面分析，按需选档，详细说明见 docs/guides/research-depth-guide.md。
- 数据源调整：Tushare 的集成、定时同步与数据初始化，见 docs/guides/tushare_unified/。
- 改智能体行为：每个智能体都是 tradingagents/agents/ 下的独立文件，提示词、工具绑定都改得动，适合想动手魔改的同学。
- 架构全貌：想理解系统内部设计，可以翻 docs/architecture/ 里的架构图解文档。
❓ 常见问题 / 适用边界
Q：它的输出算投资建议吗？不算。项目反复声明只用于学习和研究，不提供实盘交易指令，AI 模型输出本身也有不确定性。把它当成学习分析框架、复盘决策逻辑的工具，而不是跟单来源。
Q：分析结果里为什么没有数据或者数据不对？大概率是没做数据同步。官方 README 明确提醒：先完成股票数据同步再分析。另外检查数据源 Token 是否配置、额度是否够用。
Q：会不会一直烧 Token？会。一次分析会调用模型多次，终端界面会如实统计 LLM 调用次数与生成的报告数，按量计费。新手建议先用 1 级快速分析熟悉流程，觉得有用再上 3 级、5 级。
Q：能商用吗？混合许可：除app/和frontend/外的文件是 Apache 2.0，可自由使用；这两个目录属于专有组件，商业使用需要单独授权，个人学习和研究不受影响。
想动手试试的话，打开 docs/QUICK_START.md 跟着走，用000001跑一次 1 级快速分析，就能亲眼看到这支 AI 团队如何把一份完整报告做出来。
【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
