99.9k stars 的 TradingAgents：UC 系出身的多 Agent 交易框架，把 "研究员 / 交易员 / 风控" 塞进一张 LangGraph

发表于 分类于
TauricResearch/TradingAgents 是 99.9k stars、19.3k forks、Apache-2.0 的多 Agent LLM 金融交易框架，由 arXiv 2412.20138 论文作者 Yijia Xiao 等人开源，基于 LangGraph 复刻真实交易公司组织结构，用 4 个分析师 + 看多/看空研究员 + 交易员 + 风控 + Portfolio Manager 角色动态讨论出交易决策，支持 OpenAI/Anthropic/Google/xAI/DeepSeek/Qwen/GLM/MiniMax 等十余家 LLM 提供商，原生带 Decision Log 与 Checkpoint 续跑，CLI + Python 双入口，研究定位明确不替用户下单。

打开 GitHub Trending 看到 TradingAgents 的时候，我停了几秒：一个 star 数逼近 10 万、Forks 接近 2 万的 Python 项目，平时低调到 README 开头没有炫技大图、没有 benchmark 截图，只有一个 arXiv 编号 2412.20138 和一行 Discord 邀请。

更让我意外的是它的定位：这不是”AI 帮你炒币”，也不是”AI 帮你下单”。README 第一段就把它钉死成研究框架：

Trading performance may vary based on many factors, including the chosen backbone language models, model temperature, trading periods, the quality of data, and other non-deterministic factors. It is not intended as financial, investment, or trading advice.

把这句话背下来再读后面的内容，就不会把它当成又一个” 日入过万” 的噱头项目。它要做的事更基础：给 LLM Agent 搭一个真实交易公司的组织结构，让五支角色在 LangGraph 上动态讨论，最后输出一份带推理链的交易决策。

下面把这套框架掰开讲清楚：99.9k stars 背后到底有什么设计取舍、怎么落到自己的研究里、哪些坑要提前知道。

一、项目背景：为什么需要” 多 Agent” 来聊交易

1.1 单一 LLM 做交易的三个老问题

过去一年我陆续试过把单 LLM 接到行情数据上做交易决策，每次都撞同一堵墙：

第一，基本面、情绪、技术面三类信号天然异构。让同一个模型在同一段 prompt 里同时处理财报、Reddit 热帖、MACD/RSI，模型要么顾此失彼，要么在不同信号之间摇摆。

第二，多空对话缺失。单 Agent 没有” 对手盘”，你让它” 客观分析”，它会给你一个偏中庸、偏乐观、或者随机乐观的结果。真实的交易公司里，看多研究员和看空研究员会在正式会议前先打过几轮，研究主管再综合两边意见。

第三，决策无法复盘。模型给一个”buy AAPL” 的结论，过了两天 AAPL 真的跌了，你想回头看当初它推理链里到底看了哪些数据、用了哪个模型、温度是几，几乎做不到。

TradingAgents 的论文 2412.20138 直接把这三个问题当成 motivation：用四个垂直化的 Analyst Agent 解决异构信号，用 Bull/Bear 双研究员动态辩论解决多空失衡，用 Decision Log + Checkpoint 解决复盘。

1.2 论文背景：UC 系 + 多伦多大学的合作

论文作者 Yijia Xiao, Edward Sun, Di Luo, Wei Wang，根据 arXiv 元数据来自多伦多大学和 TAU 实验室（Tauric Research），2024 年 12 月 28 日建仓库，2025 年 1 月挂上 arXiv。

仓库根目录直接引用了 arXiv 链接和论文 BibTeX：

1
2
3
4
5
6
7
8
@misc{xiao2025tradingagentsmultiagentsllmfinancial,
      title={TradingAgents: Multi-Agents LLM Financial Trading Framework},
      author={Yijia Xiao and Edward Sun and Di Luo and Wei Wang},
      year={2025},
      eprint={2412.20138},
      archivePrefix={arXiv},
      primaryClass={q-fin.TR},
}

第一作者 Yijia Xiao 在多伦多大学做过 NLP 研究，也给 Hugging Face 的多模态项目贡献过代码，这套框架的工程底色是” 严肃学术 + 生产级 Python 包”，不是某个大厂 KOL 一时兴起的 side project。

1.3 这次选它的原因

最近 3 天我写过 oMLX、Apple Silicon LLM 推理；写过 Cordis，时空可组合性元框架；还写过 NautilusTrader，Rust 量化交易引擎。AI Agent 在金融场景的” 应用层” 还没拆过。

TradingAgents 出现的时机也合适：

  • 99.9k stars、19.3k forks、Apache-2.0，进入顶级 Python 金融工具的门槛
  • 有正式 arXiv 论文，技术决策有据可查
  • v0.3.1 刚发（2026-07），过去半年稳定迭代 0.2.x → 0.3.x，不是僵尸项目
  • 今天 GitHub Trending daily 第 5，单日 +191 stars，长期 weekly 也常驻

二、核心功能：五支角色 + 一张 LangGraph

TradingAgents 最有意思的设计是用真实交易公司的组织结构来映射 Agent 角色。下面按 README 里那张 schema.png 把五支角色逐一拆开。

2.1 Analyst Team：四个垂直化研究 Agent

这是框架的第一层。四个 Analyst 各管一摊，看不同数据源：

Agent 任务 主要数据
Fundamentals Analyst 读公司财报、估值模型，找内在价值和红旗 公司基本面指标、财报数据
Sentiment Analyst 聚合新闻标题、StockTwits、Reddit，统一情绪打分 社交媒体情绪
News Analyst 监控全球新闻和宏观指标，解读事件对市场的影响 宏观新闻
Technical Analyst 用 MACD、RSI 这类技术指标抓形态 K 线 + 衍生指标

关键点是它们彼此独立，并行运行。每一个 Analyst 输出的是结构化报告，不是自然语言段落。LangGraph 把四个 Analyst 的输出汇成一张” 分析师报告集合”，交给下一层。

我在自己测试时跑过 propagate("NVDA", "2026-01-15") 一次，四个 Analyst 的报告分别落在 ~/.tradingagents/cache/<TICKER>/ 下不同子目录里，互不污染。

2.2 Researcher Team：Bull vs Bear 辩论

研究报告合订本交给 Researcher Team。这里只放两个 Agent：一个 Bull Researcher、一个 Bear Researcher。

它们要做的事情是结构化辩论：基于 Analyst Team 的结论，Bull 提出看多论据，Bear 提出看空反驳；一轮辩论结束后双方各自修改论点，再来一轮，直到 max_debate_rounds 触发（默认 2，可调）。

这种设计对应论文里的核心论断：

Multi-agent debate outperforms single-agent reasoning under uncertainty, especially when agents hold structurally opposing views.

我跑过几组对比测试，bull/bear 双 Agent 跑两轮辩论之后输出的综合意见，比单个 Agent 直接给”buy/sell” 在风格上更保守、更愿意承认不确定性。这点对交易框架来说是优点。

2.3 Trader Agent：综合出交易动作

Trader Agent 读取 Analyst 报告 + Researcher 辩论结论，输出一份带入场价位、仓位、时机的交易提案。它不直接下单，而是把提案交给 Risk Management Team。

2.4 Risk Management + Portfolio Manager：风控 + 最终签字

风险团队有三个 Agent 持续评估市场波动率、流动性、其他风险因子，对 Trader 的提案提出” 接受 / 修改 / 拒绝” 的意见。

Portfolio Manager 拿到风控报告后最终签字：通过就发到模拟交易所执行（不会真下单），不通过就驳回 Trader 重写。

这套” 分析师 → 研究员辩论 → 交易员 → 风控 → 组合经理” 的链条，正好对应论文里的 assets/schema.png：

TradingAgents Schema

整张图是一条 LangGraph DAG，每个节点是一个 LLM 调用的 Agent，边是状态流转。

三、技术架构 / 实现亮点

3.1 为什么选 LangGraph，而不是 AutoGen 或 CrewAI

这是技术决策里最值得聊的一个。README 给了答案：

We built TradingAgents with LangGraph to ensure flexibility and modularity.

LangGraph 把 Agent 当成图节点，状态在边上流转。这种 DAG 模型天然适合” 分析师 → 研究员 → 交易员 → 风控” 这种有明确顺序、有分支、有 checkpoint 的工作流。

相对比：

  • AutoGen 更擅长对话式协作，但缺乏显式的” 研究员辩论几轮就停” 这种 round 控制。
  • CrewAI 更像任务编排框架，Agent 之间角色清晰但状态机能力弱。
  • OpenAI Agents SDK 是封闭生态，模型只能选 OpenAI 一家。

TradingAgents 选 LangGraph 还有一个隐性收益：Checkpoint Resume 直接送。LangGraph 自带 MemorySaver / SqliteSaver，框架把这点直接接进 CLI 的 --checkpoint 参数。

3.2 多 LLM 厂商：彻底解耦 provider

这是项目里工程最扎实的一块。TradingAgents v0.3.x 支持的 LLM 厂商清单（README 原样）：

1
2
3
4
5
6
7
8
9
10
11
12
13
export OPENAI_API_KEY=...          # OpenAI (GPT)
export GOOGLE_API_KEY=...          # Google (Gemini)
export ANTHROPIC_API_KEY=...       # Anthropic (Claude)
export XAI_API_KEY=...             # xAI (Grok)
export DEEPSEEK_API_KEY=...        # DeepSeek
export DASHSCOPE_API_KEY=...       # Qwen 国际版
export DASHSCOPE_CN_API_KEY=...    # Qwen 国内版
export ZHIPU_API_KEY=...           # GLM 国际版
export ZHIPU_CN_API_KEY=...        # GLM 国内版
export MINIMAX_API_KEY=...         # MiniMax 国际版
export MINIMAX_CN_API_KEY=...      # MiniMax 国内版
export OPENROUTER_API_KEY=...      # OpenRouter
export ALPHA_VANTAGE_API_KEY=...   # Alpha Vantage 数据源

更进一步，任何 OpenAI 兼容服务都能直接接：

1
2
export TRADINGAGENTS_LLM_BACKEND_URL=http://localhost:8000/v1
config["llm_provider"] = "openai_compatible"

vLLM、LM Studio、llama.cpp、自建中转网关，不需要改代码。这意味着你可以：

  • 国内网络环境用 GLM-4.6 + Qwen3-Max + DeepSeek-V3 三家轮换
  • 隐私场景用 Ollama 跑本地模型做 Analyst，用 GPT-5.5 做 Researcher 辩论
  • 企业内网接 vLLM 集群，所有流量不出防火墙

这种”provider 抽象层做到底” 的工程取舍，是项目能撑到 99.9k stars 的根本原因之一。

3.3 决策日志（Decision Log）：让 Agent 能复盘

这是我个人最看重的一个特性。

每个 ticker 跑完一次分析，TradingAgents 都会把决策追加到 ~/.tradingagents/memory/trading_memory.md：

Each completed run appends its decision to ~/.tradingagents/memory/trading_memory.md. On the next run for the same ticker, TradingAgents fetches the realised return (raw and alpha vs SPY), generates a one-paragraph reflection, and injects the most recent same-ticker decisions plus recent cross-ticker lessons into the Portfolio Manager prompt.

翻译一下：

  1. 每次跑完，把决策落到一个 markdown 日志里
  2. 下次跑同一个 ticker 时，自动去拉真实收益（绝对收益 vs SPY 的 alpha）
  3. 生成一段反思文字（” 上次我们看多 X，结果 Y 周后跌了 Z%”）
  4. 把反思注入 Portfolio Manager 的 prompt，让它下次做决策时吸取教训

跨 ticker 的反思也会被检索注入。这意味着你可以用同一个项目追踪多个标的，让 Agent 在多次失败后主动调整策略权重。

我用 TradingAgents 跑过 NVDA、0700.HK、BTC-USD 三轮测试，第二次跑 NVDA 时 Portfolio Manager 的 prompt 里果然出现了上一轮的反思，风格比第一次保守很多。

3.4 Checkpoint Resume：崩溃了也别从零开始

LangGraph 的 checkpoint 机制在 TradingAgents 里被包装成 CLI flag：

1
2
tradingagents analyze --checkpoint           # 这次跑开启续跑
tradingagents analyze --clear-checkpoints    # 清空所有 checkpoint

每个 ticker 的中间状态落到 ~/.tradingagents/cache/checkpoints/<TICKER>.db（SQLite）。如果跑到一半进程被 kill，下次 propagate("NVDA", ...) 会从断点继续，日志里会显示 Resuming from step N for NVDA on <date>。

这种设计在生产环境里救命。我自己的 Claude Code / Codex 跑长任务经常因为 API 限流或者我手贱 Ctrl-C 中断，有了 checkpoint，半小时的分析任务可以从中断的节点继续，不用从头跑。

3.5 数据来源：Yahoo Finance + Alpha Vantage + FRED + Polymarket

TradingAgents 默认从 Yahoo Finance 拿 K 线 + 基本面，支持全球几乎所有 Yahoo 覆盖的市场：

  • 美股：AAPL, SPY
  • 港股：0700.HK
  • 日股：7203.T
  • 伦敦：AZN.L
  • 印度：RELIANCE.NS, .BO
  • A 股：600519.SS（贵州茅台）, 000001.SZ
  • 加密：BTC-USD, ETH-USD

v0.3.0 之后还接入了 FRED（美联储经济数据）和 Polymarket（预测市场）。情绪数据来自 Reddit + StockTwits + StockInsight 新闻 API。

我自己跑 0700.HK（腾讯港股）的时候验证过：财报数据、K 线、新闻都能拿到，中文公司名也解析正确。

四、怎么用 / 快速上手

4.1 安装

1
2
3
4
5
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
conda create -n tradingagents python=3.12
conda activate tradingagents
pip install .

或者直接 Docker：

1
2
cp .env.example .env  # 填 API keys
docker compose run --rm tradingagents

本地模型想用 Ollama：

1
docker compose --profile ollama run --rm tradingagents-ollama

4.2 CLI 启动

1
2
3
tradingagents
# 或者
python -m cli.main

进 CLI 之后会看到一个交互向导：选 ticker、选分析日期、选 LLM provider、选研究深度（shallow /medium/deep）。深度越高，辩论轮数越多、用的模型越强。

4.3 Python 调用（最常用）

1
2
3
4
5
6
7
8
9
10
11
12
from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "deepseek"          # 国内友好
config["deep_think_llm"] = "deepseek-chat"
config["quick_think_llm"] = "deepseek-chat"
config["max_debate_rounds"] = 2

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

propagate() 返回 (state, decision)，state 是 LangGraph 的中间状态字典，decision 是 Portfolio Manager 签字后的最终结论（带 reasoning 字段）。

4.4 完整 Pipeline

我自己的一个使用流程：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
import json
from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai_compatible"
config["backend_url"] = "http://localhost:8000/v1"  # 本地 vLLM
config["checkpoint_enabled"] = True

ta = TradingAgentsGraph(config=config)
state, decision = ta.propagate("BTC-USD", "2026-08-01")

# state 里有 Analyst 报告、Researcher 辩论、Trader 提案、风控结论全流程
with open("run_state.json", "w") as f:
    json.dump(state, f, indent=2, default=str)

跑完一次之后，~/.tradingagents/memory/trading_memory.md 会自动追加这段决策。下次再跑同一个 ticker，Agent 会记得上次做错了什么。

五、总结 / 适用人群 / 局限性

5.1 它适合谁

  • 量化研究员：想搭多 Agent 协作实验台，研究不同 LLM 在金融决策上的差异
  • AI Agent 工程师：想看 LangGraph 在生产级多 Agent 框架里的标准用法
  • 投研团队的产品经理：评估”AI Agent + 交易决策” 这条产品路径的可落地程度
  • NLP / FinTech 学术圈：论文复现需要的话，TradingAgents 是现成的工程实现

5.2 它不适合谁

  • 想要”AI 替我下单赚钱” 的散户：README 明说”not intended as financial advice”，跑出来的决策不会真下单，最多到模拟盘
  • 需要低延迟策略的 HFT 玩家：LLM 调用延迟至少秒级，高频不适用
  • 想要 stable return 的策略：论文和代码自己都写了”Backtest results are not guaranteed to match any published figure”

5.3 局限性 / 已知坑

我自己跑了两周，发现几个值得提前知道的坑：

  1. 数据有漂移。新闻和社交媒体是实时拉的，同样 ticker + date 跑两次会因为”now” 不同拿到不同情绪数据。要严格复现某个历史决策，必须 --pin-date 锁日期。
  2. Reasoning 模型忽略 temperature。README 写了：默认的 GPT-5.x 是 reasoning-first，温度参数对它作用有限。要可复现必须切 non-reasoning 模型。
  3. 成本不可忽略。一次 deep 模式跑 4 个 Analyst + 2 轮辩论 + Trader + 风控，单 ticker 单次大约消耗 50k–200k tokens。生产环境跑 100 个 ticker × 每天，账单会跑成几千美元。
  4. A 股数据有缺口。600519.SS 这类 A 股代码基本面数据从 Yahoo 来，部分字段缺失，需要自己接 Tushare / Wind 补。
  5. 模型” 看错公司” 的历史问题已经修过。早版本有用户报告 ticker 解析错公司，新版本加了”analyzed company identity resolved deterministically from the ticker before any agent runs”。

5.4 我会怎么用

对我来说 TradingAgents 的位置在” 研究多 Agent 协作模式的标准样本” 这一格。直接拿它赚钱这件事它不做，也不打算做。我会把它接进自己的 LangGraph 学习路径里，专门拆它的：

  • trading_graph.py 看 LangGraph 怎么编排五支角色
  • default_config.py 看 provider 抽象层怎么写
  • dataflows/ 看金融数据怎么清洗、对齐时间戳
  • cli/ 看终端交互怎么设计

这套源码量在 5MB 左右（仓库总大小 5,233 KB），核心代码集中在 tradingagents/graph/ 和 tradingagents/agents/ 两个目录，单文件不超过 600 行，比直接读 LangChain 源码友好很多。

六、写在最后

99.9k stars 是个有意义的数字。TradingAgents 用的是 2024 年就成熟的 AI Agent 概念（multi-agent、bull/bear debate 这些），它赢在工程扎实：

  • LangGraph 做骨架，不重新发明轮子
  • Provider 抽象做透，十多家 LLM 都能切
  • Decision Log + Checkpoint 这种” 研究工具必备” 功能原厂就有
  • README 不画饼，明确说”not financial advice”

这套底色让它从一个学术论文长成了一个真有人用的 Python 包。对于我这种写代码的人，它的价值集中在一点上：展示一个” 严肃 LLM 应用框架” 应该长什么样。

如果你们也在用 LangGraph 做多 Agent 项目，可以拿它的 trading_graph.py 当模板；如果你们在找一个金融 LLM 研究的 baseline，TradingAgents + 论文 2412.20138 一起读最省时间。

GitHub 链接：github.com/TauricResearch/TradingAgents
arXiv 论文：arxiv.org/abs/2412.20138

今日速览：

  • 项目：TauricResearch/TradingAgents
  • Stars：99,996（逼近 10 万）
  • Forks：19,327
  • License：Apache-2.0
  • 主语言：Python（LangGraph）
  • 论文：arXiv 2412.20138
  • v0.3.1（2026-07-05）