TradingAgents：多智能体 LLM 金融交易框架

TradingAgents 是一个基于 LangGraph 多智能体协作框架的开源 LLM 金融交易决策系统。它将传统的量化分析流程拆解为多个专业化 AI Agent，模拟真实交易团队的协作模式：分析师搜集情报、研究员展开辩论、交易员制定计划、风控团队评估风险、管理层做出最终决策。

本专栏将通过源码剖析，深入讲解 TradingAgents 的架构设计、智能体协作机制和核心技术实现。

📚 系列文章

第一部分：架构与核心设计

1. 多智能体交易系统架构全景
   • 从传统量化到 AI Agent 交易的范式转变
   • LangGraph 状态图编排引擎
   • 系统分层架构与核心模块
   • LLM Provider 抽象层设计

第二部分：智能体角色

2. 智能体角色体系设计
   • 四大分析师：市场、社交、新闻、基本面
   • 多空研究员辩论机制
   • 风控三方辩论的设计哲学
   • 管理层决策与结构化输出

第三部分：工作流与数据流

3. 端到端交易决策工作流
   • 从数据采集到最终决策的完整链路
   • LangGraph 条件路由与状态传播
   • 事后反思与记忆系统
   • SQLite Checkpoint 断点续跑机制

第四部分：实战指南

4. 使用方式与应用场景
   • Python API 与 CLI 两种使用模式
   • 模型选择、辩论深度、数据源配置策略
   • 五大实战场景：每日信号、历史回测、研究辅助、组合审查、事件响应
   • 成本优化与生产部署建议

🌟 核心亮点

多智能体协作

• 角色专业化：12+ 独立 AI Agent，各司其职
• 辩论驱动：多头 vs 空头研究员辩论、激进 vs 中性 vs 保守风控三方辩论
• 层级决策：分析师 → 研究员 → 交易员 → 风控 → 投资经理的完整决策链

灵活的 LLM 后端

• 统一抽象层支持 OpenAI / Anthropic / Google Gemini / Azure
• 可配置 reasoning effort（thinking budget）
• DeepSeek / Qwen / GLM 等国产模型支持

数据源适配

• Alpha Vantage：专业金融数据 API
• Yahoo Finance：免费、无需额外 API Key
• 按类别可独立配置：股票行情、技术指标、基本面、新闻

工程化设计

• LangGraph：基于状态图的编排引擎，支持复杂的条件路由
• SQLite Checkpoint：断点续跑，异常中断后可从最后成功步骤恢复
• 结构化输出：ResearchManager、Trader、PortfolioManager 使用 Pydantic Schema 保证输出格式
• 事后反思：每笔交易结束后记录决策得失，反馈到未来的分析中

目录

• 多智能体交易系统架构全景
• 智能体角色体系设计
• 端到端交易决策工作流
• 使用方式与应用场景