TradingAgents 全面指南：多 Agent 大模型金融交易框架从入门到精通

目标读者：想系统掌握 LLM 多 Agent 协作在金融交易场景落地的工程师与研究者 核心问题：TradingAgents 是如何把"分析师团队 + 研究员辩论 + 交易员决策 + 风控审批"这套真实交易逻辑翻译成可运行的多 Agent 工作流的？每个 Agent 的职责边界在哪里？系统如何做到可恢复、可积累的？ 难度：⭐⭐⭐⭐（高级工程实践，需要一定 Python 基础与 LLM 使用经验） 预计阅读时间：25 分钟

§0 三分钟速览

如果你现在只想先判断这篇文章值不值得继续读，先记住下面 5 点：

1. TradingAgents 是一个面向研究和教育的多 Agent 金融交易框架，不是实盘自动交易系统。 它模拟的是真实交易公司的决策流程——分析师收集信息，研究员辩论方向，交易员做决策，风控审批。
2. 框架以 LangGraph 为核心编排引擎，Agent 间通过有向无环图（DAG）协作，而非简单串行调用。 这使得辩论轮次、检查点恢复、状态持久化成为可能。
3. v0.2.4 引入了结构化输出 Agent（Research Manager、Trader、Portfolio Manager 均基于 Pydantic Schema），大幅提升了决策输出的可靠性与可解析性。
4. 支持 10 种 LLM Provider，从 OpenAI GPT 到 DeepSeek、Qwen、GLM，再到本地 Ollama，企业用户还有 Azure 支持。 模型选择非常灵活。
5. 系统内置检查点恢复（Checkpoint Resume）与持久化决策日志（Persistent Decision Log），崩溃重启后可以无缝衔接，每次决策都会自动积累历史经验。

如果您带着不同目标阅读，可以直接按下面的顺序跳读：

• 想快速判断项目边界与核心能力：先看 §1、§2、§14
• 想理解 Agent 架构与协作机制：先看 §3、§4、§5
• 想尽快跑起来：先看 §6、§7
• 想深度定制或扩展：先看 §10、§11、§12

§1 学习目标

通过本文，您将掌握：

1. 理解 TradingAgents 的整体架构：从分析师团队到风控审批的完整链路，以及每个 Agent 的职责边界。
2. 掌握安装与配置方法：从源码安装、Docker 部署到多 Provider API 配置，覆盖 OpenAI、DeepSeek、Qwen、GLM、Ollama 等主流选项。
3. 熟练使用 CLI 与 Python 包两种运行方式：交互式 CLI 的各选项含义，以及如何在代码中调用 TradingAgentsGraph。
4. 理解持久化机制：决策日志的工作原理、检查点恢复的使用场景，以及 memory_log_max_entries 等配置项的作用。
5. 掌握结构化输出的设计与实现：Pydantic Schema 在 Research Manager、Trader、Portfolio Manager 中的实际应用。
6. 具备扩展开发能力：如何新增 Provider、如何调整辩论深度、如何将框架嵌入自己的研究流程。

§1.5 开始前先认识 9 个关键词

如果这是您第一次接触 TradingAgents，建议先把下面 9 个词看懂，再继续往下读。

§2 先给结论：这个项目到底是什么

TauricResearch/TradingAgents 是一个多 Agent LLM 金融交易研究框架，通过部署专业化的 LLM Agent 团队来协作完成市场分析、多空辩论与交易决策。框架的设计逻辑映射了真实交易公司的组织架构：分析师收集信息、研究员评估风险与机会、交易员制定计划、风控团队审批。

截至 2026 年 5 月，该项目已收获 60,354 颗 Stars、11,627 个 Forks，是 GitHub 上最受欢迎的多 Agent 金融研究项目之一。项目托管于 TauricResearch 组织（与 Tauric AI 官网 tauric.ai 关联），最新版本为 v0.2.4（2026-04-25），核心论文参见 arXiv:2412.20138。

2.1 重要的事实边界

框架本身明确声明仅用于研究目的。TradingAgents 官方 disclaimer 指出：交易表现受所选基础模型、模型温度、交易周期、数据质量等多因素影响，不构成金融、投资或交易建议。

此外，有三条边界需要特别明确：

• 它生成的是交易决策信号，不是实际下单指令。 最终是否执行取决于 Portfolio Manager 的审批结果，系统也不会自动连接真实券商。
• 辩论（debate）发生在研究员（Researcher）层，而不是分析师层。 分析师团队并行产出报告，研究员在此基础上做多空辩论，交易员综合辩论结果做最终决策。
• 记忆系统已从 Per-Agent BM25 升级为全局决策日志。 v0.2.4 移除了早期的 FinancialSituationMemory，替换为集中式的 trading_memory.md 决策日志，每次运行自动追加历史经验。

§3 原理分析：为什么需要多 Agent 架构

单 Agent 做金融分析的局限性在于：它难以同时保持多维度的专业性，也缺少结构性辩论机制来对抗单一模型的认知偏差。TradingAgents 的核心设计假设是：金融决策需要多个专业视角的协作与制衡。

单一 LLM 在面对"这家公司值不值得买入"时，容易受到提问方式、上下文顺序和模型本身倾向性的影响，产生系统性偏差。引入多 Agent 架构后：

• 分析师团队并行工作：基本面、技术面、情绪面、新闻面各自独立分析，避免单一视角主导结论。
• 研究员辩论机制：看多与看空的研究员在同一信息基础上进行结构化辩论，强制暴露分歧，而不是简单汇总。
• 风控层独立评估：Portfolio Manager 不依赖分析师的报告，而是基于辩论结论与风险约束做最终判断。

这种设计在工程上对应了 LangGraph 的 StateGraph 模式：每个 Agent 是图中的一个或多个 Node，Agent 间的跳转逻辑通过条件边（Conditional Edge）实现，辩论轮次通过循环（Cycle）控制，而每个 Node 的输入输出都被纳入统一的状态（State）对象管理。

§4 架构分析：Agent 体系与协作链路

TradingAgents 的 Agent 体系分为四层，按执行顺序依次为：分析师团队（Analyst Team）→ 研究员辩论层（Researcher Team）→ 交易员（Trader）→ 风控与组合管理层（Risk Management & Portfolio Manager）。

4.1 分析师团队（Analyst Team）

分析师团队包含四个专业 Agent，并行工作，各自产出专项报告：

四个分析师 Agent 独立运行，最终各自输出 Markdown 格式的分析报告，供下游使用。

4.2 研究员辩论层（Researcher Team）

研究员层包含看多研究员（Bullish Researcher）和看空研究员（Bearish Researcher）两个角色。它们接收分析师团队的报告，进行结构化辩论，评估潜在收益与固有风险。

辩论输出的核心是一份研究报告，包含多空双方的核心论据与最终倾向性结论。辩论轮次由 max_debate_rounds 参数控制（默认 1 轮，可在配置中调整至多轮）。

4.3 交易员（Trader Agent）

交易员 Agent 接收来自分析师团队和研究员的全部输入，综合市场洞察生成交易建议，包括：

• 交易方向：买入 / 持有 / 卖出
• 交易时机：具体入市点
• 交易规模：仓位大小建议

在 v0.2.4 中，Trader Agent 使用 llm.with_structured_output(Schema) 返回类型化的 Pydantic 实例，而非自由文本。

4.4 风控与组合管理层（Risk Management & Portfolio Manager）

风险管理团队持续评估投资组合风险，审查市场波动性、流动性等风险因素，并向 Portfolio Manager 提供评估报告。Portfolio Manager 负责最终审批或否决交易提案——只有通过审批的订单才会发送到模拟交易所执行。

v0.2.4 中，Portfolio Manager 同样采用结构化输出，使用统一的五档评级体系（Buy / Overweight / Hold / Underweight / Sell）。注意 Trader 保留三档评级（Buy / Hold / Sell），因为交易方向本身天然是三元的。

4.5 架构全景图

整个系统以 LangGraph StateGraph 为底层，运行流程可概括为：

输入 ticker + 日期
  ↓
并行执行 4 个分析师 Agent
  ↓
研究员辩论层（多空双方）
  ↓
Trader 综合输出交易提案
  ↓
Portfolio Manager 审批
  ↓
输出决策（通过/拒绝 + 评级）

§5 版本演进与核心里程碑

理解项目的历史版本有助于把握当前架构的设计由来。

§6 安装配置：从零跑起来

TradingAgents 支持三种安装方式：源码安装（最通用）、Docker 部署（隔离环境）和本地 Ollama（完全离线）。下面逐一说明。

6.1 源码安装（推荐）

# 1. 克隆仓库
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

# 2. 创建虚拟环境（Python 3.13）
conda create -n tradingagents python=3.13
conda activate tradingagents

# 3. 安装依赖
pip install .

6.2 Docker 部署

# 复制环境变量模板并填入 API Key
cp .env.example .env

# 启动容器（交互式）
docker compose run --rm tradingagents

# 若使用本地 Ollama 模型
docker compose --profile ollama run --rm tradingagents-ollama

6.3 API Key 配置

TradingAgents 支持 10 种 LLM Provider，配置方式统一为环境变量：

# OpenAI（默认）
export OPENAI_API_KEY=sk-...

# Google Gemini
export GOOGLE_API_KEY=...

# Anthropic Claude
export ANTHROPIC_API_KEY=...

# xAI Grok
export XAI_API_KEY=...

# DeepSeek
export DEEPSEEK_API_KEY=...

# Qwen（阿里通义千问，DashScope）
export DASHSCOPE_API_KEY=...

# GLM（智谱）
export ZHIPU_API_KEY=...

# OpenRouter
export OPENROUTER_API_KEY=...

# 数据源（Alpha Vantage 作为首选，yfinance 作为备用）
export ALPHA_VANTAGE_API_KEY=...

企业用户（如 Azure OpenAI、AWS Bedrock）需要将 .env.enterprise.example 复制为 .env.enterprise 并填入对应凭证。

6.4 Ollama 本地模型配置

如果使用 Ollama 运行本地模型（完全离线，无 API 费用），需要在配置中指定：

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "ollama"
# 确保 Ollama 服务已启动并加载所需模型

Ollama 默认从 http://localhost:11434 连接，可在配置中覆盖 backend_url。

§7 快速上手：CLI 与 Python 包两种运行方式

7.1 交互式 CLI

安装后，在终端直接运行：

tradingagents

或从源码运行：

python -m cli.main

CLI 会依次引导您选择：

• 股票代码（ticker）
• 分析日期
• LLM Provider
• 研究深度（影响辩论轮次等）
• 其他选项

运行过程中，界面会实时展示每个 Agent 的执行进度与输出状态，最终呈现交易决策结果。

7.2 Python 包调用

将 TradingAgents 嵌入自己的代码：

from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())

# 执行分析
_, decision = ta.propagate("NVDA", "2026-01-15")
print(decision)

propagate() 方法返回两个值：中间状态（用于调试）与最终决策。

7.3 自定义配置

from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "deepseek"        # 可选：openai, google, anthropic, xai, deepseek, qwen, glm, openrouter, ollama, azure
config["deep_think_llm"] = "deepseek-chat"   # 复杂推理模型
config["quick_think_llm"] = "deepseek-chat"  # 快速任务模型
config["max_debate_rounds"] = 2

ta = TradingAgentsGraph(debug=True, config=config)
_, decision = ta.propagate("NVDA", "2026-01-15")
print(decision)

DEFAULT_CONFIG 中所有可配置字段的详细说明参见 tradingagents/default_config.py，关键字段整理如下：

§8 持久化与恢复：Checkpoint Resume 与 Decision Log

这是 TradingAgents 区别于其他开源交易框架最重要的工程特性之一，也是研究用途下的核心价值——每次运行的经验不会因为中断而丢失，而是自动积累到下一次分析中。

8.1 决策日志（Decision Log）

决策日志默认开启，不可关闭。每次 propagate() 完成后，系统将决策追加到 ~/.tradingagents/memory/trading_memory.md。

下一次运行同一 ticker 时，TradingAgents 会：

1. 获取上次决策的实际收益（含 raw return 与对 SPY 的 alpha）
2. 生成一段反思段落（reflection）
3. 将最近同 ticker 决策与近期跨 ticker 教训一并注入 Portfolio Manager 的 prompt 中

这意味着系统会自动积累"什么策略有效、什么策略失败"的经验，而不需要人工干预或额外配置。

日志路径可通过环境变量覆盖：

export TRADINGAGENTS_MEMORY_LOG_PATH=/path/to/your/memory.md

resolved 条目数量上限可通过 memory_log_max_entries 配置：

config = DEFAULT_CONFIG.copy()
config["memory_log_max_entries"] = 100  # 超过后旧resolved条目被清理，pending不受影响

8.2 检查点恢复（Checkpoint Resume）

检查点恢复需要显式开启，用于防止长时运行因崩溃而前功尽弃：

# 启用检查点恢复
tradingagents analyze --checkpoint

# 清除所有检查点后重新运行
tradingagents analyze --clear-checkpoints

Python API 方式：

config = DEFAULT_CONFIG.copy()
config["checkpoint_enabled"] = True
ta = TradingAgentsGraph(config=config)
_, decision = ta.propagate("NVDA", "2026-01-15")

检查点以 per-ticker SQLite 数据库形式存储在 ~/.tradingagents/cache/checkpoints/<TICKER>.db。如果某次运行中断，恢复后会在日志中看到 Resuming from step N for <TICKER> on <date>；全新运行则显示 Starting fresh。运行成功完成后，检查点自动清除。

§9 实战演示：一个完整分析流程

下面用一个具体场景，完整走一遍从启动到输出决策的全过程。

场景：分析 NVDA（英伟达）在 2026 年 1 月 15 日的投资价值。

第一步：准备环境变量

export OPENAI_API_KEY=sk-...
export ALPHA_VANTAGE_API_KEY=...

第二步：启动 CLI

tradingagents

第三步：交互选择

CLI 会依次展示选项菜单，选择：

• Ticker：NVDA
• Date：2026-01-15
• Provider：openai（或您偏好的其他 Provider）
• Research depth：standard

第四步：观察 Agent 执行

CLI 界面会实时显示各 Agent 的状态：

[分析师团队 - 并行执行]
✓ Fundamentals Analyst → 财务报告完成
✓ Sentiment Analyst → 情绪分析完成
✓ News Analyst → 新闻摘要完成
✓ Technical Analyst → 技术指标报告完成

[研究员辩论]
→ Bullish Researcher 提出看多论点
→ Bearish Researcher 提出看空论点
  Debate round 1/1 完成

[交易员]
→ Trader 综合报告生成交易提案

[风控与审批]
→ Portfolio Manager 评估风险
→ 最终决策：Buy / Overweight / Hold / Underweight / Sell

第五步：查看输出决策

最终输出示例结构如下：

【最终决策】
股票：NVDA
评级：Buy
方向：买入
建议仓位：X%
关键理由：[来自分析师团队与辩论的要点摘要]
风险提示：[Portfolio Manager 的风控意见]
置信度：[综合评估]

所有报告文件（分析师报告、辩论记录、最终决策）也会在运行完成后自动保存到结果目录。

§10 结构化输出：Pydantic Schema 实践

v0.2.4 的重大工程改进之一是 Research Manager、Trader、Portfolio Manager 三个核心 Agent 全面采用结构化输出。

10.1 为什么需要结构化输出

在自然语言输出模式下，LLM 返回的决策文本格式不固定，下游解析困难，且模型在边界情况下的输出容易出现格式漂移。引入 Pydantic Schema 约束后：

• 每个 Agent 的输出是类型化对象，可直接在代码中访问字段（如 decision.rating、decision.position_size）
• 各 Provider 使用自身原生结构化机制（OpenAI/xAI 用 json_schema、Gemini 用 response_schema、Anthropic 用 tool-use、OpenAI 兼容接口用 function-calling）
• 显示层（如 CLI、memory log）的 Markdown 渲染逻辑保留，使人类可读性不受影响

10.2 五档评级体系

v0.2.4 在多个 Agent 中统一了五档评级：

Trader Agent 保持三档（Buy / Hold / Sell），因为交易方向本身是三元的。

10.3 配置结构化输出参数

各 Provider 支持的结构化参数不同，框架做了统一抽象：

# 示例：配置 OpenAI reasoning effort
config = DEFAULT_CONFIG.copy()
config["openai_reasoning_effort"] = "high"  # "low", "medium", "high"

# 配置 Anthropic effort level
config["anthropic_effort"] = "high"         # "low", "medium", "high"

# 配置 Google thinking level
config["google_thinking_level"] = "high"    # "high", "minimal", etc.

§11 数据来源与工具层

TradingAgents 的数据获取通过数据供应商（Data Vendor）抽象层实现，主要支持两种来源：

配置示例：

config = DEFAULT_CONFIG.copy()
# 切换到 Alpha Vantage 作为主要数据源
config["data_vendors"]["core_stock_apis"] = "alpha_vantage"
config["data_vendors"]["technical_indicators"] = "alpha_vantage"

# 单独覆盖某个工具的数据源
config["tool_vendors"]["get_stock_data"] = "alpha_vantage"

数据获取异常时会自动触发指数退避重试（如 yfinance 频率限制错误）。回测场景下，数据获取逻辑已修复前瞻偏差问题，确保 curr_date 在数据窗口中间时不会泄露未来信息。

§12 多语言支持与输出配置

v0.2.4 引入了多语言输出支持，分析师报告和最终决策可以根据配置输出为不同语言。内部 Agent 辩论保持英文以保证推理质量，输出语言由 output_language 参数控制：

config = DEFAULT_CONFIG.copy()
config["output_language"] = "Chinese"  # 可选：English, Chinese, Japanese, ...

CLI 运行时也有语言选择界面。

§13 开发扩展：如何基于 TradingAgents 做定制研究

13.1 新增 LLM Provider

框架采用工厂模式（Factory Pattern）注册 Provider，新增 Provider 需要在 provider 目录下实现对应的 client 类，并在工厂函数中注册。如果需要新增非官方 Provider（如 AWS Bedrock），可参考 .env.enterprise.example 中的企业级配置方式。

13.2 调整辩论深度

辩论轮次由 max_debate_rounds 控制，增加轮数可以让研究员更深入地探讨分歧，但会带来更高的 token 消耗与更长的运行时间：

config = DEFAULT_CONFIG.copy()
config["max_debate_rounds"] = 3   # 更深度的多空辩论
config["max_risk_discuss_rounds"] = 2

13.3 接入自有数据源

数据供应商抽象层支持自定义实现。若需要接入 Wind、聚源等机构数据源，可在 tradingagents/data/ 下实现对应的 fetcher 类，并在配置中注册。

13.4 验证结构化输出

v0.2.4 提供了诊断脚本用于验证三个结构化输出 Agent 在任意 Provider 下的行为：

python scripts/smoke_structured_output.py

这是Contributor验证自己环境配置是否正确的最快捷方式。

§14 对比同类项目：TradingAgents 放在什么位置

如果您在评估多 Agent 金融分析框架，下表帮助您建立全局坐标：

TradingAgents 的差异化优势在于：辩论机制 + 结构化输出 + 持久化记忆三者的组合，使它在研究用途下具有真正的工程完整度，而非演示级 Demo。

§15 常见问题

Q：TradingAgents 能直接下单吗？

A：不能。框架生成的是分析决策信号，最终由 Portfolio Manager 审批。实际下单需要自行对接券商 API，框架本身不提供这项功能，也不构成交易建议。

Q：可以用免费的 LLM 吗？

A：可以。通过 Ollama 使用本地模型可以零成本运行。但需要注意本地模型的推理质量会直接影响分析可靠性。

Q：运行一次大约需要多少 Token？

A：取决于 max_debate_rounds、分析师数量和选用的模型。通常一次完整分析在几千到几万 token 范围内。使用 gpt-5.4-mini 作为 quick model 可显著降低成本。

Q：检查点恢复适合什么场景？

A：长时分析（多轮辩论 + 多 ticker 同时分析），或者在不稳定网络环境下运行。短时间分析开启检查点的收益有限。

Q：决策日志会无限增长吗？

A：可通过 memory_log_max_entries 配置上限。超过上限后最旧的 resolved 条目会被自动清理，pending 条目不受影响，始终保留。

§16 总结与进阶路径

TradingAgents 提供了一套从分析师到风控的完整多 Agent 协作框架，核心价值体现在三个方面：

1. 架构层面：用 LangGraph 将真实交易公司的组织逻辑翻译为可运行的工作流，辩论机制强制暴露多空分歧，避免单一视角主导。
2. 工程层面：结构化输出解决了 LLM 决策解析难题，检查点恢复与决策日志让研究过程真正可积累、可复现。
3. 灵活性层面：10 种 LLM Provider 支持、本地 Ollama 选项、多语言输出、灵活的数据源配置，使它可以适应从个人研究者到企业团队的不同需求。

如果您想继续深入，建议按以下路径推进：

• 第一步：用 Ollama 跑通本地模型，验证整个链路（0 API 成本）
• 第二步：切换到 GPT-5.4 或 DeepSeek，对比不同模型在辩论质量上的差异
• 第三步：用 --checkpoint 参数跑一次长分析，体会恢复机制的价值
• 第四步：阅读 tradingagents/graph/ 下的源码，理解 LangGraph StateGraph 的状态管理实现
• 第五步：参考 arXiv:2412.20138 论文，理解框架背后的设计动机与实验结论

免责声明：TradingAgents 是一个研究工具，不构成金融建议。实际交易决策请咨询专业持牌机构。

参考链接

• GitHub 仓库：https://github.com/TauricResearch/TradingAgents
• 论文引用：https://arxiv.org/abs/2412.20138
• 官方文档：https://github.com/TauricResearch/TradingAgents/blob/main/README.md
• 官方社区：https://tauric.ai/
• Discord 社区：https://discord.com/invite/hk9PGKShPK