01 · 这件事

十二万星的交易框架,开篇先声明不是投资建议

TauricResearch/TradingAgents 2024 年 12 月 28 日建库,2026 年 11 月 9 日核对时是 121420 星、23233 个 fork、129 个未关闭 issue、901 个订阅者;Python,Apache-2.0,仓库 6566 KB,主页 tauric.ai,默认分支 main,未归档,最后一次 push 是 11 月 4 日 10:13 UTC。最新版 v0.7.1 发布于 10 月 27 日。README 标题只有一行:TradingAgents: Multi-Agents LLM Financial Trading Framework——用多个大模型智能体模拟一家交易公司的分工。它不是行情终端,也不是策略库,是把「谁来决策」拆成流程的脚手架。

这个仓库在选题池里躺了十天,是积压最久的一条。按超期复核的规矩重新查过热度:星标仍在十二万量级、11 月初还在提交、10 月底刚发版,没有衰减,所以照写。真正值得写的原因不在星标,而在 README 里那句不讨喜的话:TradingAgents framework is designed for research purposes,紧接着 It is not intended as financial, investment, or trading advice. 一个挂着「交易」二字、被十二万人标星的项目,第一屏就把收益这件事推了出去。这次不测它准不准,只把「多智能体」这四个字拆到文件级,看看分工到底落在哪里。

02 · 核心机制

把一家交易公司画成 LangGraph 图

README 把角色分成五层。Analyst Team 四类:Fundamentals Analyst 看财报与内在价值,Sentiment Analyst 汇总新闻标题、StockTwits 和 Reddit 讨论,News Analyst 盯宏观事件,Technical Analyst 用 MACD、RSI 找形态;四份报告齐了才开辩。Researcher Team 由看多、看空两方组成,用结构化辩论权衡收益与风险;Trader Agent 据此决定交易时机与仓位;风险管理持续评估波动与流动性,把评估报告交给 Portfolio Manager 批准或驳回——批准后才送到「simulated exchange」。整条链子的终点是模拟撮合,不是券商下单接口。

这些角色不是文档里的方框。tradingagents/agents/ 下按职能分了五个子目录:analysts/ 里是 fundamentals、market、news、sentiment 四个分析师实现(README 说的 Technical 在代码里叫 market_analyst.py),researchers/ 里 bull / bear 两个,trader/ 一个,risk_mgmt/ 是 aggressive、conservative、neutral 三种立场的辩手,managers/ 是 research_manager 与 portfolio_manager——合计 12 个角色实现文件。风控比 README 的描述多一层:三种立场先吵,再交给经理。

编排用 LangGraph,README 原话是「We built TradingAgents with LangGraph to ensure flexibility and modularity」。tradingagents/graph/ 7 个文件分管传播、条件逻辑、图装配、分析师执行与断点续跑;tradingagents/dataflows/ 9 项负责取数与路由,memory/ 4 项管决策日志与反思。模型分两档:quick_think_llm 服务分析师、研究员、辩手和交易员,deep_think_llm 服务两级经理,两档还能各挂不同 provider。分工不只是提示词差异,是图上的节点差异。

03 · 关键细节与数据

README 说动态讨论,默认却只辩一轮

先把工程体量摆出来。根目录 17 项(12 个文件、5 个目录),README.md 27379 字节、CHANGELOG.md 53618 字节、LICENSE 11357 字节;tradingagents/ 12 项,tests/ 90 项其中 88 个 test_*.py;pyproject.toml 要求 requires-python >=3.11,列了 19 个运行依赖(langgraph、pandas、yfinance、rich 等),pytest 分 unit / integration / smoke 三类且默认跑 -m "not integration"。88 个测试文件对 12 个角色文件,这个比例更像被持续维护的框架而非论文附带的演示代码。

接入口径比角色数更能说明成本。tradingagents/llm_clients/ 13 项里有 5 个具体 provider 客户端(openai、anthropic、google、azure、bedrock);README 的 Required APIs 段落列了 19 个 *_API_KEY 环境变量,从 OpenAI、Google、Anthropic、xAI、DeepSeek 到 Qwen、GLM、MiniMax 的两地端点,外加 FRED、Alpha Vantage、TypeSafe 三个数据源。dataflows/vendors/ 8 项里是 7 个数据源实体:alpha_vantage、fred、polymarket、reddit、sec_edgar、stocktwits、yahoo。「支持多种模型」的另一面,是你要自己把 key 和数据合规挨个配齐。

最值得反查的是默认配置。tradingagents/default_config.py 里 max_debate_rounds = 1、max_risk_discuss_rounds = 1——README 描述的「dynamic discussions」开箱只跑一轮,多一轮要自己改;max_recur_limit = 100、max_tool_rounds = 20、holding_period_days = 5,新闻每只股票 20 篇、全球宏观 10 篇、回看 7 天;temperature = None、checkpoint_enabled = False、output_language = "English",默认模型是 gpt-6-sol(深度)与 gpt-6-luna(快速)。benchmark_map 21 条按交易所后缀映射地区基准,.SS 对应上证综指、.SZ 对应深证成指、.HK 对应恒生指数,无后缀的美股默认 SPY。「多轮辩论」是能力上限,不是默认行为。

版本与论文也核了。releases/latest 是 v0.7.1,两个发布资产:wheel 244728 字节、1422 次下载,源码包 372818 字节、222 次下载。发布说明里一串修复几乎全在日期与结算口径上:模型传 2024-7-5 这种没补零的日期会读到运行日之后的 SEC 文件、决策曾在尚未收盘的 K 线上打分、长假前的决策不再卡在 pending、财报按期间逐行对齐、低于一美分的价格不再打印成 0.00。README 挂的论文是 arXiv 2412.20138(2025,q-fin.TR,四位作者),新的 Trading-R1 技术报告是 arXiv 2509.11420,标着 early access。

数据核对:2026-11-09 经 api.github.com 读取,full_name = TauricResearch/TradingAgents,description「TradingAgents: Multi-Agents LLM Financial Trading Framework」,stargazers_count 121420,forks_count 23233,open_issues_count 129,subscribers_count 901,created_at 2024-12-28T03:31:08Z,pushed_at 2026-11-04T10:13:58Z,language Python,license Apache-2.0,size 6566 KB,homepage https://tauric.ai,default_branch main,archived false,topics 为 agent / finance / llm / multiagent / trading。releases/latest 为 v0.7.1,published_at 2026-10-27T08:43:04Z,assets 2 个(tradingagents-0.7.1-py3-none-any.whl 244728 字节、download_count 1422;tradingagents-0.7.1.tar.gz 372818 字节、download_count 222)。目录经 /contents 逐层读取:根目录 17 项(12 文件 / 5 目录,README.md 27379、CHANGELOG.md 53618、LICENSE 11357 字节)、tradingagents/ 12 项、agents/ 13 项、dataflows/ 9 项、graph/ 7 项、llm_clients/ 13 项(其中 5 个 provider 客户端)、dataflows/vendors/ 8 项(7 个数据源实体)、memory/ 4 项、cli/ 11 项、tests/ 90 项(88 个 test_*.py);角色实现文件为 analysts 4 + researchers 2 + trader 1 + risk_mgmt 3 + managers 2 = 12 个。README.md、pyproject.toml、default_config.py 经 raw.githubusercontent.com 读取:requires-python >=3.11、19 个 dependencies、pytest markers 三类、addopts -m "not integration";默认 max_debate_rounds 1、max_risk_discuss_rounds 1、max_recur_limit 100、max_tool_rounds 20、holding_period_days 5、news_article_limit 20、global_news_article_limit 10、global_news_lookback_days 7、temperature None、checkpoint_enabled False、output_language English、deep_think_llm gpt-6-sol、quick_think_llm gpt-6-luna、benchmark_map 21 条;benchmark_map 与 dependencies 条数经 curl 取完整文件后本地正则统计。易误解点有三:一是「dynamic discussions」与默认只辩一轮并存,轮数是可调上限而非开箱行为;二是 README 明确写 research purposes 与「It is not intended as financial, investment, or trading advice.」,并写「Backtest results are not guaranteed to match any published figure.」,全文未给出收益率、夏普比率或胜率等绩效数字;三是新闻与社交数据取自「现在」,即使固定历史分析日期也无法完全复现,README 自述两次同参数运行可能不同且「not a defect」。本文未安装运行、未做任何回测或收益验证,机制与平台状态均按 README、pyproject.toml、default_config.py 自述引用。星标实时变化,以仓库当前数据为准。(核对时间 2026-11-09)
04 · 怎么用

先配 key 和日期,再想分工

安装门槛写得直白:Python 3.11 及以上,git clone 后 pip install .;也可用 uv venv --python 3.13 或 conda create -n tradingagents python=3.13。不想装环境就走 Docker:cp .env.example .env 填 key,再 docker compose run --rm tradingagents,本地模型另有 --profile ollama。结果、报告、记忆日志和缓存默认落在 tradingagents_data 卷里,可用 TRADINGAGENTS_DATA_DIR 指到宿主机目录。第一次真正卡住人的不是选模型,是那 19 个环境变量里你手上有几个。

启动是 tradingagents(源码可 python -m cli.main),交互界面逐项选 ticker、分析日期、provider、研究深度。要塞进定时任务就走 flags:tradingagents --ticker NVDA --date 2026-09-23 --analysts market,news,fundamentals --save --no-show,其余步骤用 TRADINGAGENTS_* 变量跳过;README 提醒每个 flag 只跳过自己那一问,无终端运行时缺任何答案都会在开跑前停下并点名缺哪个变量。回测单独一条:tradingagents backtest NVDA,AAPL --start 2026-06-01 --end 2026-08-01 --every 7,按 ticker × 日期网格跑,用相对地区基准的已实现 alpha 给决策打分,且只读分析当日已发布的数据。断点续跑默认关闭,加 --checkpoint 才启用;想让 agent 对着真实持仓说话,可以传 --portfolio my_book.json。

还有两处该在读报告前知道。一是记忆日志默认开着,每次运行把决策追加到 ~/.tradingagents/memory/trading_memory.md,持有的决策过了 holding_period_days 会被结算并生成一段反思,供后续 Portfolio Manager 读取。二是可复现性:README 明说语言模型采样非确定,即使固定 temperature、推理模型也大多忽略它,且新闻、StockTwits、Reddit 抓的是「现在」——固定分析日期只锁住价格与指标窗口,锁不住社交与新闻输入。想压低波动的可行办法是换非推理模型并固定日期,而不是指望同一条命令跑出同一份报告。至于报告本身,README 那句「not intended as financial, investment, or trading advice」不是免责套话,是使用前提。

05 · 冷思考

十二万星是「交易」二字的吸引力,不是收益率的证据

先质疑最大的那个数字。121420 个星配 901 个订阅者,比例不到百分之一;而 README 通篇没有给过收益率、夏普比率或胜率,只有一句 Backtest results are not guaranteed to match any published figure. 和 Treat the framework as a research scaffold for studying multi-agent analysis, not as a strategy with a fixed, replicable return. 一个把「交易」放在名字里、被短视频反复讲成「AI 股神」的项目,作者自己把话说到了这个程度。星标衡量的是想象空间,不是这套分工能带来什么结果,两者别混着读。

再质疑「多智能体」的实际重量。12 个角色文件确实一一对得上 README 的五层分工,但默认 max_debate_rounds = 1、max_risk_discuss_rounds = 1,温度又是 None;把轮数调上去,意味着 12 个节点 × 多轮 × 两档模型,配上 19 个候选 provider 和按调用计费的 API。对个人项目,这是一笔要先算清的账;不配齐 key,连一次完整分析都跑不完。分工的复杂度是给研究者调的,不是给只想看个结论的人准备的。同理,88 个测试文件里一大批是 test_*lookahead*、test_date_boundaries、test_memory_pointintime 这类日期口径用例——维护成本花在「别让模型偷看未来」,而非新增角色。

第三处是回测这件事本身的结构性缺口。v0.7.1 的修复清单几乎全是时间边界:没补零的日期把运行日之后的 SEC 文件喂给模型、决策在尚未收盘的 bar 上打分、长假前决策不结算、财报期间错行、低于一美分的价格被打印成 0.00。README 也承认社交与新闻数据随抓取时间变化,所以「同一 ticker 同一日期跑两次结果不同」被写成预期行为而非缺陷。多智能体不难,难的是让每个节点都只看得到那个时点该看到的东西;这一条恰恰是任何「LLM 跑历史数据」的项目绕不过去的。

所以判断不该落在十二万星上。如果你要研究的是怎么把分析师、多空辩论、风控否决和决策记忆装进一张 LangGraph 图,这 12 个角色文件、7 个图模块、88 个测试和那张 21 条地区基准映射表,是一份结构清楚、边界也写清楚的样本;如果你要的是一条能复现的收益曲线,README 第一屏已经把答案给了。值得抄的是它的分工与时间约束,不是它的名字。

去看原始仓库

用 LangGraph 编排的多智能体交易研究框架,五层角色分工、默认配置与免责声明都写在仓库里

前往 GitHub

相关平台

#多智能体 #LangGraph #量化 #开源 #GitHub