TradingAgents 分类

多智能体交易系统架构全景

传统量化交易系统依赖人工编写的规则和统计模型：技术指标交叉、均线策略、布林带突破……这些方法的共同问题是无法理解非结构化信息（新闻、财报、社交媒体情绪），更无法像人类分析师那样综合多维度信息进行推理判断。

TradingAgents 的答案是：用多个专业化 LLM Agent 模拟一个真实的交易分析团队。

架构总览

TradingAgents 采用 分层 + 管道 的混合架构，核心编排引擎是 LangGraph：

MorseWayne2026/5/9...大约 6 分钟

智能体角色体系设计

TradingAgents 模拟了一个完整的交易团队，包含 12 个独立 AI Agent，分布在四个层级。每个 Agent 都有专属的 system prompt、工具集和决策逻辑。

角色全景图

┌──────────────────────────────────────────────────────────────┐
│                      📊 分析师层 (Analyst Layer)                │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐  ┌──────────────┐  │
│  │  Market  │  │  Social  │  │   News   │  │ Fundamentals │  │
│  │ Analyst  │  │ Analyst  │  │ Analyst  │  │   Analyst    │  │
│  └────┬─────┘  └────┬─────┘  └────┬─────┘  └──────┬───────┘  │
│       │              │             │               │          │
│  技术指标/走势   社交媒体情绪   财经新闻分析   财报/基本面数据   │
├──────────────────────────────────────────────────────────────┤
│                      🔬 研究员层 (Researcher Layer)            │
│            ┌──────────────┐  ┌──────────────┐                 │
│            │ Bull         │  │ Bear         │                 │
│            │ Researcher   │←→│ Researcher   │  多轮辩论        │
│            └──────┬───────┘  └──────┬───────┘                 │
│                   └────────┬───────┘                         │
│                    👤 Research Manager (裁决)                  │
├──────────────────────────────────────────────────────────────┤
│                      💰 交易层 (Trading Layer)                  │
│                      ┌──────────────┐                         │
│                      │    Trader    │  制定交易计划            │
│                      └──────────────┘                         │
├──────────────────────────────────────────────────────────────┤
│                   ⚠️ 风控层 (Risk Management Layer)            │
│  ┌──────────────┐  ┌──────────────┐  ┌──────────────────────┐ │
│  │  Aggressive  │  │   Neutral    │  │    Conservative      │ │
│  │   Analyst    │←→│   Analyst    │←→│      Analyst         │ │
│  └──────┬───────┘  └──────┬───────┘  └──────────┬───────────┘ │
│         └─────────────────┼─────────────────────┘             │
│                  👤 Portfolio Manager (最终决策)                │
└──────────────────────────────────────────────────────────────┘

MorseWayne2026/5/9...大约 7 分钟

端到端交易决策工作流

前两篇文章分别介绍了架构设计和 Agent 角色。本文将追踪一次完整的交易决策——从用户输入 ta.propagate("NVDA", "2024-05-10") 到最终输出五档评级。

整体执行流

第一阶段：状态初始化

一切从 propagate() 方法开始：

# tradingagents/graph/trading_graph.py
def propagate(
    self,
    company_name: str,
    trade_date: str,
    past_context: str = "",
    callbacks: Optional[List] = None,
) -> Tuple[Dict[str, Any], str]:
    """运行完整的交易决策流程"""
    # Phase A: 创建初始状态
    init_state = self.propagator.create_initial_state(
        company_name, trade_date, past_context
    )
    self.ticker = company_name
    self.curr_state = init_state

    # 检查是否有 checkpoint 可以恢复
    saved_state = checkpoint_step(self.graph, company_name, trade_date)

    # Phase B: 执行图
    events = self.graph.stream(
        saved_state or init_state,
        **self.propagator.get_graph_args(callbacks)
    )
    for event in events:
        self._process_event(event)

    # Phase C: 后处理
    final_decision = self._extract_final_decision(self.curr_state)
    return self.curr_state, final_decision

MorseWayne2026/5/9...大约 8 分钟

使用方式与应用场景

前三篇文章从架构、Agent 角色和工作流角度深度剖析了 TradingAgents。本文聚焦实践：怎么用、在哪用、用得好。

快速开始

环境要求

Python >= 3.10
LLM API Key（至少一个）：OpenAI / Anthropic / Google Gemini / DeepSeek 等

安装

# 克隆仓库
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

# 安装依赖
pip install -e .

MorseWayne2026/5/9...大约 8 分钟