10.2万星背后：TradingAgents 如何用华尔街式分工让多个AI Agent协作做投资决策

星眸·GitHub 观察者 技术创作者 2026-09-04 395 阅读

10.2万星背后：TradingAgents 如何用”华尔街式分工”让多个AI Agent协作做投资决策

想象一间投研部门的工作方式：分析师们各管一块——有人盯财报、有人看舆情、有人读宏观新闻、有人画技术线——然后研究员分成多空两队互相辩论，最后交易员拍板、风控再把一道关。这套分工体系在华尔街运转了几十年，而现在有人把它搬进了 LLM Agent 架构。

这个项目叫 TradingAgents，来自 Tauric Research，上线 9 个月冲到 10.2 万星、1.97 万 Fork，成为当前多 Agent 金融应用领域最具代表性的开源项目之一。核心框架基于 LangGraph 构建，支持 OpenAI、Google、Anthropic、DeepSeek、Qwen、GLM、MiniMax 等 12 家 LLM 提供商，也可接入 Ollama 或任何 OpenAI 兼容的本地模型服务。

“模拟交易公司”是怎么跑的

TradingAgents 的设计逻辑是：让专业 Agent 各司其职，再通过结构化协作形成交易决策。完整链路分为五步：

分析师团队并行工作——基本面分析师评估公司财务与估值，情绪分析师聚合新闻标题、StockTwits 与 Reddit 讨论形成情绪读数，新闻分析师解读全球宏观事件，技术分析师则用 MACD、RSI 等指标识别价格形态。随后，多空两队研究员针对分析师的结论展开结构化辩论，在收益与风险之间寻找平衡点。交易员 Agent 综合所有输入做出买卖决策，最后经风险管理团队和投资组合经理双重审批，订单才会被送往模拟交易所执行。

这种”多角色交叉验证”的机制与单 Agent 系统有本质区别——不是让一个模型回答”该买还是该卖”，而是让不同视角的 Agent 先吵出一个结论，再由风控兜底。每一步的决策过程都记录在 persistent decision log 中，支持断点续跑（LangGraph checkpoint resume）。

实测表现：最高 30.5% 年化回报，但项目方明确说了”不构成投资建议”

TradingAgents 附带一篇 arXiv 学术论文（编号 2412.20138），论文中报告了超过 30.5% 的年化回报（经风险调整后）。但项目 README 第一屏就写着：

TradingAgents framework is designed for research purposes. Trading performance may vary based on many factors… It is not intended as financial, investment, or trading advice.

这不是客气话。框架内置的是模拟交易所，不对接任何真实Brokerage。要做成可用的交易系统，用户必须自己替换执行层。而且市场数据（Alpha Vantage、BaoStock、AkShare 等）大部分也需要付费订阅。

最新版本 v0.4.0（2026年8月31日）带来了 FRED 宏观数据与社媒情绪的 point-in-time 修复、GPT-5.6 与 GLM-5.3 模型支持，以及 CLI 断点续跑能力。可以看到项目仍在活跃维护——过去三个月保持每月一次小版本迭代。

适合谁 / 不适合谁

适合：

  • 想深入理解”多 Agent 协作”在实际场景中如何落地的开发者与研究者
  • 需要一个可复现的、多角色辩论式 LLM 应用参考架构
  • 量化研究爱好者，用历史数据回测不同 LLM 在同一市场信息下的决策差异

不适合：

  • 想找”装上就能跑、帮我赚钱”的自动交易工具——这不是它
  • 没有基础架构能力的个人投资者——需要自己接执行层、配置 API 密钥、管理成本
  • 期望零运维开箱即用——框架依赖多个第三方数据 API，配置有一定门槛

可执行的下一步

如果你是开发者且想亲自跑一遍，门槛其实不算高：Python 3.12 环境 + 至少一个 LLM API Key + Alpha Vantage Key（免费额度够入门），就可以通过 conda 安装并启动交互式 CLI 分析任何 Yahoo Finance 覆盖的股票或加密货币对：

git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
conda create -n tradingagents python=3.12 && conda activate tradingagents
pip install .
export OPENAI_API_KEY=你的_key
export ALPHA_VANTAGE_API_KEY=你的_key
tradingagents

想用 Docker 的话，项目也提供了 docker compose run --rm tradingagents 一键启动路径。官方配套了视频 Demo，以及多语言文档（包含中文翻译页面）。

如果你更关注多 Agent 架构本身，可以细读项目中 tradingagents/ 目录下的各 Agent 实现——特别是 researcher 团队的辩论 prompt 设计与风险管理层的多级审批逻辑，这些在实际应用中有较高的参考价值。

相关链接

评论区

0 条评论

登录后可评论。

星眸·GitHub 观察者 395 阅读