TradingAgents-CN5分钟组装完整AI研究团队的中文多智能体LLM股票分析框架【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 是一个面向中文用户的多智能体Multi-Agent即多个各司其职的AI角色LLM大语言模型可以理解、推理并生成文本的AI股票分析框架。它把大模型组织成分析师—研究员—风控—交易员的虚拟研究团队帮助个人投资者、量化学习者和策略研究者一站式完成从A股数据获取、新闻与基本面分析到多空辩论、风险审查的全流程分析。界面全中文支持A股/港股/美股数据定位学习与研究不输出实盘指令。你想判断一只股票时往往打开了三个页面周五晚上你想知道手里那只票周末前该不该加仓。于是你一边开着行情软件看K线一边刷着资讯App找消息面再翻到财报页面核对最新一季的数据。三个页面给出的信号互相打架K线偏强、新闻噪音大、财报数据看不懂。最后你什么结论都没做出来。这不是你不够努力而是单兵作战的结构性短板行情、资讯、基本面分散在不同来源每个来源只回答自己的问题没有人帮你交叉验证更没有反方来挑战你的判断。如果有一支AI研究团队能替你自动取数、分工分析、正反方辩论并在结论输出前过一道风控审查结果会不会更可靠TradingAgents-CN 能力地图一张表看懂这支团队先给全局。整个框架可以拆成六个能力模块各管一段能力模块在团队里承担的角色你得到的效果多源数据管道信息搜集员行情/新闻/财务统一入口单源失效自动换源四类分析师专项研究员技术面、基本面、新闻、社媒情绪分开做互不污染多空双研究员正方与反方同一标的生成两份对立的论证报告风控团队最后把关人从策略、市场、操作三个维度审查结论交易员决策输出综合研究结论给出明确操作建议Web 管理平台FastAPI Vue 3团队总部配置、进度、报告导出集中在一处下面按数据流动的顺序拆解最核心的三个机制。多源数据管道四级降级链让分析不中断它做什么给所有分析师提供统一、干净的行情、新闻和财务数据。它怎么做到数据获取集中在 tradingagents/dataflows/ 目录通过统一的数据源管理入口接入 Tushare、AKShare、BaoStock 等国内数据源。关键设计是降级链——以单股实时行情为例v1.0.1 版本会按stock_bid_ask_em → stock_zh_a_spot → stock_zh_a_spot_em → stock_zh_a_hist的顺序依次尝试见 README 版本说明前一级接口限流或挂掉就自动落到下一层不用你手动干预。你得到什么即使某个数据源临时失效分析任务照常跑完而且同步结果里能看到主链路 → 回退链路 → 失败原因排查问题时不用猜。多空辩论让两个AI为同一只股票吵架它做什么针对同一标的强制生成看涨和看跌两套完整论证。它怎么做到在 tradingagents/agents/researchers/ 下bull_researcher.py看涨研究员和bear_researcher.py看跌研究员基于前面四位分析师的产出各自独立组织己方论点整个流程由 tradingagents/graph/trading_graph.py 用 LangGraph一个把AI工作流按节点和状态编排的框架串联辩论状态由InvestDebateState管理辩论结束后graph/reflection.py里的反思模块还会对结论质量做一次自检。你得到什么你看到的不是单向的买入或卖出而是两条完整推理链以及它们的分歧点。哪些论据只在多头逻辑里成立、哪些风险只有空头提到一目了然。风控审查结论输出前的最后一道关它做什么在最终建议产生之前从策略风险、市场风险、操作风险三个角度审查交易员的提案。它怎么做到tradingagents/agents/risk_mgmt/ 提供风控智能体图层的RiskDebateState管理风险辩论状态graph/conditional_logic.py负责条件路由——即根据审查结果决定流程走通过还是打回分支。你得到什么报告里会有明确的风险提示段落极端情况下结论会被降级或拒绝直接输出为买入建议而不是什么行情都喊买。真实效果数据卡每个数字都能溯源 不谈提升百分之多少的空话下面每个数字都能在你克隆下来的仓库里找到出处关键数字含义可溯源位置8 类智能体5位分析师市场/基本面/新闻/社媒/中国市场 多空2研究员 风控 交易员tradingagents/agents/ 目录文件数10 LLM 提供商DeepSeek、通义千问、GLM、OpenAI、Google、Anthropic、硅基流动、千帆、Ollama 等tradingagents/graph/trading_graph.py 中 provider 分支4 级行情降级链单源失效自动切换保障分析不中断README v1.0.1 版本说明48 份分析样例真实跑出的个股分析报告可逐份查阅data/analysis_results/500 篇中文文档配置、部署、排错、学习中心全中文docs/ 目录双数据库架构MongoDB 存储 Redis 缓存分离README 技术架构说明当前稳定版本为v1.0.12026-04-14 发布Docker 镜像同时提供 amd64 与 arm64 两种架构Apple Silicon、树莓派、AWS Graviton 均可部署来源README 版本历史。5分钟跑通第一步从克隆到第一份分析报告 推荐 Docker 方式最小可运行路径只有四步git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN cp .env.example .env # 填入一个 LLM 提供商的 API Key docker-compose up -d接着按这个顺序走配置密钥编辑.env至少填一个 LLM 提供商的 Key新手推荐 DeepSeek具体选项见 docs/QUICK_START.md启动服务docker-compose up -d编排文件为仓库根目录的 docker-compose.yml⚠️ 先同步股票数据再分析——这是 README 的明确提醒数据没同步完成就跑分析结果会出错首次使用浏览器打开应用按 QUICK_START 说明访问本地地址创建新分析项目选择标的、设置分析深度即可。遇到部署细节或常见配置项直接查 docs/guides/54 篇操作指南和 docs/releases/CHANGELOG.md完整更新日志。适合什么、不适合什么先看清边界适合的场景想系统学习多智能体 LLM 如何协作读中文 A 股分析实战代码做策略研究与实验内置模拟交易系统可以虚拟验证策略而不动真钱需要沉淀报告分析结果支持 Markdown/Word/PDF 多格式导出。不适合的场景⚠️ 它不是实盘交易工具。README 原文定位是不提供实盘交易指令平台定位为学习与研究用途输出是研究结论不构成投资建议商业使用有边界app/后端与frontend/前端两个目录为专有组件商业使用需单独授权其余部分为 Apache 2.0详见 LICENSE 与 COPYRIGHT.md。演进方向与参与方式v2.0 已完成两轮内测、接近上线README 版本说明发布以官方渠道为准。想参与项目可参考 README 贡献指南Fork → 特性分支 → PR贡献方向覆盖 Bug 修复、新功能、文档、本地化已有贡献者可在 CONTRIBUTORS.md 查到。一句话总结TradingAgents-CN 用一支会取数、会辩论、会审风控的 AI 研究团队把判断一只股票从三页屏幕的碎片信息变成一份有正反方论证和风险提示的完整报告。想动手的从 docs/QUICK_START.md 的 5 分钟部署开始想细读的docs/guides/ 里备好了完整使用手册。【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