标签: LangGraph

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

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