TradingAgents 拆解：10.4 万星的多智能体交易框架，决策是怎么“开会“出来的

TradingAgents 拆解10.4 万星的多智能体交易框架决策是怎么开会出来的TL;DR 速览本质把一家交易公司的角色分工塞进一个 LangGraph四个分析 多空辩论 风控 组合经理层层收敛到一个决策最值得学的带已实现收益回灌的决策日志重要认知同一标的跑两次结果会不同这是设计而非缺陷GitHub Trending 今天的头名里TauricResearch/TradingAgents拿了10.4 万星是这批热门仓库里唯一一个多智能体 金融方向的项目。这类让一群 LLM 开会做决策的项目绝大多数最后都停在 Demo 阶段——演示视频很酷但你看不出它的架构决策是什么。TradingAgents 值得拆的地方在于它把多智能体怎么协作这件事拆得很细而且工程上做了几件很扎实的事。这篇拆三部分角色怎么分工、怎么跑起来、以及两个我认为最值得抄的工程设计。一、它到底是什么一句话TradingAgents 用 LangGraph 搭了一个模拟真实交易公司运作流程的多智能体框架。它把交易决策拆成若干专业角色让 LLM 分别扮演通过结构化辩论收敛出一个交易决策。它和让 GPT 给个买卖建议有本质区别差别在流程维度单模型问答TradingAgents输入一段 prompt财报 新闻 社媒情绪 技术指标过程一次生成分析 → 辩论 → 交易 → 风控 → 审批输出一段文字结构化决策 决策理由 审计轨迹记忆无决策日志 已实现收益回灌注意最后一行——它会把上一次的判断结果包括实际收益喂回下一次的决策里。这是它区别于大多数 Agent Demo 的关键后面单独讲。二、角色分工谁在开会谁在拍板框架里一共五层角色结构很像真实机构第一层分析师团队四个人各管一摊基本面分析师评估公司财务与业绩指标找内在价值和危险信号情绪分析师把新闻标题、StockTwits、Reddit 的讨论聚合成一个情绪读数判断短期市场情绪新闻分析师盯全球新闻和宏观指标判断事件对市场的影响技术分析师用 MACD、RSI 这类技术指标识别形态、预测价格走势第二层研究员团队多空辩论分多头和空头两方批判性地审查分析师给出的结论通过结构化辩论在潜在收益和风险之间找平衡。这一层是整个框架最有意思的设计——它不是再让一个模型总结一遍而是让两个立场对立的 Agent 互相攻击。第三层交易员 Agent综合分析师和研究员的报告决定交易时机和规模。第四层风控团队持续评估组合风险——波动率、流动性等因素评估并调整交易策略向组合经理提交评估报告。第五层组合经理批准或否决交易提案。批准后订单才会发到模拟交易所执行。把这五层连起来看你会发现它的设计意图很清楚决策权被拆成了提议和批准两段。分析师和交易员负责提议风控和组合经理负责否决。这是任何严肃的交易系统都必须有的结构——没有否决权的决策流程等于没有风控。三、上手从零到跑出第一个决策安装很标准需要 Python 3.12gitclone https://github.com/TauricResearch/TradingAgents.gitcdTradingAgents conda create-ntradingagentspython3.12conda activate tradingagents pipinstall.然后是最关键的一步——配 key。这个框架本身不提供模型和数据你得自己接。它支持的 LLM 供应商清单相当长OpenAI、Google、Anthropic、xAI、DeepSeek、Qwen国际站和中国站两套 endpoint、GLMZhipu、MiniMax全球版和中国版、OpenRouter、Azure OpenAI以及本地模型 Ollama。exportOPENAI_API_KEY...exportDEEPSEEK_API_KEY...# 国内可用exportDASHSCOPE_CN_API_KEY...# Qwen 中国站exportALPHA_VANTAGE_API_KEY...# 行情数据不想在本地装环境的话官方也给了 Docker 路径cp.env.example .env# 填上你的 keydockercompose run--rmtradingagents用本地模型Ollamadockercompose--profileollama run--rmtradingagents-ollama跑起来就是交互式 CLItradingagents# 装好后的命令进去以后选标的、分析日期、LLM 供应商、研究深度。标的格式用的是 Yahoo Finance 的交易所后缀中国 A 股也能跑——上交所.SS、深交所.SZ比如600519.SS是贵州茅台。港股0700.HK加密BTC-USD。如果你想把它当库用核心就三行fromtradingagents.graph.trading_graphimportTradingAgentsGraphfromtradingagents.default_configimportDEFAULT_CONFIG taTradingAgentsGraph(debugTrue,configDEFAULT_CONFIG.copy())_,decisionta.propagate(NVDA,2026-01-15)print(decision)想调参数就改 config——这里有个设计值得注意它把模型分成了deep_think_llm复杂推理用和quick_think_llm快任务用两档。configDEFAULT_CONFIG.copy()config[llm_provider]deepseekconfig[deep_think_llm]...# 复杂推理用强模型config[quick_think_llm]...# 简单任务用便宜模型config[max_debate_rounds]2# 多空辩论轮数这个双模型档位的设计非常实用多智能体框架的 token 消耗是按角色数×轮数放大的全用最强模型成本会很吓人。把做判断和做整理分开用不同档位的模型是控制成本最直接的手段——这一点在任何多 Agent 项目里都适用。四、最值得学的设计一带反思的决策日志这是我认为整个项目最有价值的机制值得完整讲一遍。决策日志默认开启。每次跑完决策会被追加到~/.tradingagents/memory/trading_memory.md。关键在下一步下次跑同一个标的时框架会去取这次决策的实际收益原始收益和相对 SPY 的超额收益 alpha生成一段反思然后把最近几次同标的决策 最近的跨标的经验教训一起注入到组合经理的 prompt 里。拆开看这个闭环有三层记录——决策留痕回填结果——用真实市场结果给决策打分而且是对标基准的超额收益不是绝对收益回灌反思——把打分结果变成自然语言教训喂进下一次决策这就是记忆和日志的区别。大多数 Agent 项目的记忆只是把历史对话存下来再塞回上下文而这里是用结果反馈修正判断。而且它用的是 alpha相对 SPY 的超额收益而不是绝对收益——涨了不等于决策对跑赢基准才算对。这个细节能看出作者是真懂交易的。五、最值得学的设计二checkpoint resume第二个设计解决的是多 Agent 系统的工程痛点跑到一半崩了怎么办。多智能体框架的典型问题是执行链长、单次运行贵——一次完整分析要串起十几个 Agent 节点跑十分钟很正常。如果第 15 个节点挂了从头再来一遍时间和 token 全白费。TradingAgents 的方案是基于 LangGraph 的checkpoint resume用--checkpoint开启每个节点执行完保存状态崩溃或中断后从最后一个成功的步骤恢复而不是从头开始。tradingagents analyze--checkpoint# 本次运行启用tradingagents analyze --clear-checkpoints# 运行前重置每个标的对应一个 SQLite 数据库放在~/.tradingagents/cache/checkpoints/TICKER.db。恢复时日志里会打印Resuming from step N for TICKER on date新跑则是Starting fresh成功后 checkpoint 自动清理。这套东西的价值在成本。如果你在做任何长链路 Agent 应用中断可恢复应该和能不能跑通同等重要——因为长链路一定会中断区别只在于中断时你要不要从头付一遍钱。六、重要认知为什么同一个标的跑两次结果不一样这一点官方在文档里专门开了一节讲而且讲得很诚实我认为比很多项目藏着掖着强。结论是同一标的、同一日期两次运行的结果会不同这是预期行为不是缺陷。来源有三个第一语言模型采样本身不确定。即使固定 temperature供应商也不保证多次调用输出字节级一致。而推理模型默认的 GPT-5.x 系列以及任何 thinking 模式模型波动最大——因为它们的内部推理过程本身就是采样出来的。第二实时数据在变。新闻、StockTwits、Reddit 的内容随时间变化。你把分析日期钉死可以固定价格和指标窗口但社媒和新闻源反映的仍然是现在。第三模型能力差异。换模型、换辩论轮数结果自然不同。那怎么降低波动官方给的建议是调低 temperature但注意一句很实在的话——当前主推的模型是推理优先reasoning-first的基本忽略 temperature 参数。想要更稳定的复现得显式指定非推理模型。还有两个已经不会再变的点也是这个项目最近修复的重点分析的公司身份在任何 Agent 运行之前就根据 ticker 确定性地解析好了解决不同次跑出不同公司的问题市场分析师对价格和指标的陈述锚定在已验证的数据快照上解决编造价格的问题这两条修复值得所有做 Agent 的人记下来LLM 幻觉在事实型断言上最致命而解法不是让模型别编是在模型外面把事实钉死让它只能引用钉死的数据。七、真实成本和边界先把话说清楚这是一个研究框架官方明确声明不构成任何投资建议回测结果也不保证复现任何公开数字——收益取决于模型、温度、日期范围、数据质量等多个因素。上手的真实成本在两块一是模型成本。多智能体是角色数 × 辩论轮数的成本放大。用双模型档位强模型做推理、便宜模型做整理是最有效的控制手段另外可以先用max_debate_rounds1跑通流程再加轮数。二是数据成本。它依赖行情数据源如 Alpha Vantage部分源有免费额度限制高频使用需要付费。另外一个现实约束它对国内模型的支持做得比较全DeepSeek、Qwen 双区、GLM 双区、MiniMax 双区都覆盖了这对国内开发者是个实际便利——不用被迫绕道用海外模型。我的判断TradingAgents 拿 10 万星靠的不是AI 炒股能赚钱这个噱头——恰恰相反它在文档里反复强调这是研究工具、不保证收益。它真正的价值在工程层面它把多智能体协作从概念演示做成了一个有角色、有否决权、有记忆、可恢复的完整系统。我最推荐抄的是那两个机制。决策日志的结果回灌——用真实结果而且是对标基准的超额收益给历史决策打分再变成教训喂回下一次这是让 Agent 系统真正越跑越准的唯一路径比任何 prompt 工程技巧都实在。checkpoint resume——长链路 Agent 一定会中断可恢复能力直接决定你的试错成本。还有一条认知比技术更重要多智能体系统的输出天然不确定追求每次一样是错的方向。正确的做法是把不确定性关在笼子里——把事实数据钉死、把决策留痕、把结果回灌。你不可能让 LLM 变成确定性的但你可以让系统在不确定的情况下依然可审计、可改进。这句话适用于交易也适用于任何把 LLM 放进生产链路的场景。