TradingAgents-CN多智能体金融分析框架从零部署到出第一份报告的完整教程【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-CNTradingAgents-CN 是一个基于多智能体大模型LLM的中文金融分析框架把一只股票的研究拆解给多个各司其职的 AI 智能体完成数据分析师收集行情与财务数据研究员团队进行多空辩论交易员给出操作观点风控智能体做最后审核最终产出一份结构化的分析报告。它定位为学习与研究平台不提供实盘交易指令适合想理解多智能体协作机制、又希望用真实 A 股/美股数据动手验证的初学者和普通用户。一次跑通部署环境准备与启动判定官方推荐的两条路线是本地源码版和 Docker 版本教程以本地源码为主线因为它能最快走到出第一份报告这一步。环境要求Python 3.10 及以上、Git。先克隆仓库git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN创建虚拟环境并安装依赖命令如下python -m venv venv source venv/bin/activate # Windows 用 venv\Scripts\activate pip install -r requirements.txt分析必须调用大模型 API。项目提供了 .env.example 模板复制为.env后填入至少一家厂商的密钥即可例如国产模型阿里百炼cp .env.example .env # 编辑 .env取消注释并填写 # DASHSCOPE_API_KEYsk-你的百炼密钥 # DASHSCOPE_ENABLEDtrue.env中还有数据源开关如TUSHARE_TOKENA 股数据、AKSHARE_UNIFIED_ENABLED默认 true免费行情兜底按需启用。启动判定信号有两个一是python -m cli.main config能正常打印各 LLM 提供商及密钥状态表说明依赖与配置加载成功二是执行python -m cli.main analyze后进入交互式分析界面并能输入股票代码说明整个智能体链路可运行。若需要完整 Web 界面FastAPI 后端 8000 端口 Vue 3 前端 3000 端口 MongoDB Redis可在项目根目录执行docker-compose up -d一条命令拉起全部服务见下文场景二。看懂它怎么工作多智能体分工逻辑整个分析过程是一条流水线而不是单个模型一问一答。数据与工具层负责从 Tushare、AkShare、BaoStock 等数据源拉取行情、财务与新闻其后是多个分析师智能体分别做基本面、技术面、市场与新闻情绪分析分析结论进入研究员团队由看涨方和看跌方按设定轮次max_debate_rounds默认 1 轮结构化辩论交易员汇总辩论结果形成买卖观点风险管理智能体从激进、中性、保守三个角度复核最终汇总裁决并落盘为报告。TradingAgents-CN 多智能体金融分析的完整流程如下研究员团队的多空辩论是这套框架的核心设计图中可见 Bull看涨与 Bear看跌分析师在同一议题上多轮交锋结论质量直接取决于两侧论据的充分程度理解这一机制后有两个直接推论模型选得越好、辩论轮数越多报告越深入但耗时和 API 成本也越高数据没同步就分析所有智能体的输入都是空的结论自然失真。按场景上手第一次分析任务怎么跑场景一用 CLI 完成第一只股票分析。目标是跑通端到端链路并读懂输出。在项目根目录虚拟环境已激活执行python -m cli.main analyze进入交互界面后依次选择 LLM 提供商、思考模式与模型、研究深度1–5 级级别越高工具调用与推理越重然后输入股票代码。A 股直接输入六位代码如600519美股输入SPY等 ticker系统会自动规范化符号格式。分析过程中界面分栏实时滚动各智能体的进度与消息技术面分析阶段会展示指标计算明细产出解读分析结束后报告默认写入./results目录由.env的TRADINGAGENTS_RESULTS_DIR控制文件为 Markdown按分析师报告 → 研究员辩论 → 交易员决策 → 风控复核 → 最终建议组织。首次分析单只股票通常需要数分钟主要耗在数据下载与多轮模型调用上第二次起命中缓存速度明显提升。场景二用 Docker 部署完整 Web 平台。目标是获得可视化配置、批量分析与报告管理。前置条件是本机已安装 Docker 与 Composedocker-compose up -d启动判定时序MongoDB 与 Redis 健康检查通过后后端才就绪最后前端就绪。确认全部服务状态docker-compose ps docker-compose logs -f backend浏览器访问http://localhost:3000打开 Web 界面访问http://localhost:8000/docs可看到 FastAPI 自动生成的接口文档。按顺序完成三件事在配置管理页添加大模型厂商与 API 密钥在数据同步功能中把目标股票的历史行情、财务数据同步入库官方明确提示未同步数据直接分析会产生错误结果最后在分析页发起任务通过 SSE/WebSocket 实时跟踪进度。Docker 版内置的 MongoDB 账号密码在 docker-compose.yml 中可直接查看修改端口映射也在此文件完成。产出解读报告在 Web 报告页在线查看同时落盘到data/analysis_results/仓库内已包含 48 份示例报告可供阅读报告结构支持导出 Markdown/Word/PDF 三种格式。场景三报告导出与结果复核。目标是把一次分析变成可留档的研究材料。CLI 分析结果与 Web 报告均支持多格式导出若怀疑结论异常优先用docker-compose logs -f worker查看数据同步日志用仓库内的scripts/check_stock_daily_data.py核对入库行情是否完整再决定是否重跑分析。避坑清单常见故障现象与处理现象分析很快结束但结论明显失真或数据缺失。原因目标股票的历史数据尚未同步入库智能体拿到的输入为空或不完整而这是该项目最典型的坑。解决先在 Web 数据同步页或.env的定时同步任务中完成该股行情与财务数据同步再重新发起分析。现象Docker 启动后 3000 或 8000 端口访问不到。原因端口被本机其他程序占用或容器仍在健康检查阶段。解决用docker-compose ps查看各服务状态未就绪时属正常等待确认占用后修改 docker-compose.yml 中ports映射重启。现象分析启动后报错或卡在 LLM 调用。原因.env中密钥未填、未开启对应厂商开关或默认提供商默认openai与已配置的厂商不一致。解决运行python -m cli.main config查看密钥状态表把DASHSCOPE_ENABLED等开关置为 true 并核对密钥CLI 交互中直接选择已配置好的厂商。现象一次提交多只股票后整体变慢甚至超时。原因批量任务并发放大 API 调用量容易触发模型侧限流。解决单股验证流程稳定后再逐步扩大批量必要时调低研究深度级别。扩展与参考高级配置与文档入口日志级别与格式在 config/logging.toml 调整Docker 环境另有 config/logging_docker.toml环境变量全量说明见 .env.example含 Tushare/AkShare/BaoStock 各数据源的定时同步 Cron 配置官方使用手册与发布说明位于 docs/guides/ 和 docs/releases/部署细节见 docs/deployment/批量分析示例脚本 examples/batch_analysis.py数据源与 LLM 厂商的连通性自测脚本在 scripts/ 目录如check_llm_providers.py、test_akshare_api.py智能体提示词与辩论流程源码位于 tradingagents/agents/图编排逻辑在 tradingagents/graph/阅读源码是理解行为差异的最快路径TradingAgents-CN 的价值在于把多智能体如何协作完成一次金融分析这件事变成了可运行、可观测、可配置的实验场先跑通一只股票再调辩论轮数与研究深度观察报告质量如何变化是掌握这套框架最有效的方式。本项目仅用于学习与研究所有输出不构成投资建议。【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