告别盯盘焦虑！我用 TradingAgents 组建了 AI 虚拟交易团队，全天候自动打工

开篇寄语

昨天伯衡君晚上刷GitHub Trending的时候，看到一个挺有意思的项目冲到了榜首。叫TradingAgents，是一个用大语言模型构建多智能体交易系统的框架。坦率的讲，一开始我是有点怀疑的。AI交易？这不就是那些卖课的人最爱吹的东西吗？但点进去看了下文档，发现这玩意儿跟我想的完全不一样。

这个项目来自一个叫Tauric Research的研究团队。他们的思路挺有意思，不是让一个AI去分析股票，而是模拟真实交易公司的架构，把不同的分析任务分给不同的AI智能体。

你想想看，现实里的投资公司是怎么运作的？有基本面分析师看财报，有技术分析师看K线，有专门盯新闻的人，还有风控团队。每个人各司其职，最后汇总到投资经理那里做决策。

TradingAgents干的就是这件事，只不过把每个角色都换成了大语言模型。

体验地址

• 项目地址：https://github.com/TauricResearch/TradingAgents
• 在线演示：https://www.youtube.com/watch?v=90gr5lwjIho
• 技术论文：https://arxiv.org/abs/2412.20138

项目地址

git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

# 创建虚拟环境
conda create -n tradingagents python=3.13
conda activate tradingagents

# 安装依赖
pip install .

安装完成后，直接在终端输入tradingagents就能启动交互界面。

这玩意儿到底怎么运作的

说真的，我看懂它的架构图之后，觉得这个设计还挺讲究的。

整个系统分成几个层级。第一层是分析团队，包含四个角色。基本面分析师负责看公司的财务数据和经营指标，技术分析师用MACD、RSI这些指标分析价格走势，新闻分析师盯着全球新闻和宏观经济，情绪分析师则通过社交媒体来判断市场情绪。

第二层是研究团队，分为看多和看空两个阵营。他们会拿到分析团队的报告，然后进行辩论。这个设计我是真的觉得挺巧妙，强制让两方去辩论，能避免单一视角的盲区。

第三层是交易员，汇总所有分析结果，决定买卖时机和仓位大小。

最后一层是风控团队和投资组合经理。风控团队评估波动率、流动性这些风险因素，投资组合经理最终拍板要不要执行这笔交易。

整个流程跑下来，相当于一个虚拟的投资公司开了一次投委会。

支持哪些模型

这点做得挺厚道，基本主流的模型都支持了。

OpenAI的GPT系列、Google的Gemini、Anthropic的Claude、xAI的Grok、DeepSeek、阿里的Qwen、智谱的GLM，甚至还能用Ollama跑本地模型。

配置也很简单，设个环境变量就行：

export OPENAI_API_KEY=...      # OpenAI
export GOOGLE_API_KEY=...      # Google Gemini
export ANTHROPIC_API_KEY=...   # Claude
export DEEPSEEK_API_KEY=...    # DeepSeek

如果你有Azure OpenAI或者AWS Bedrock的企业账号，也支持配置。

代码里怎么用

除了命令行工具，也可以在代码里直接调用：

from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())

# 分析NVDA这只股票
_, decision = ta.propagate("NVDA", "2026-01-15")
print(decision)

还可以自定义配置，比如选择用哪个模型、辩论几轮：

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai"
config["deep_think_llm"] = "gpt-5.4"        # 复杂推理用的模型
config["quick_think_llm"] = "gpt-5.4-mini"  # 快速任务用的模型
config["max_debate_rounds"] = 2             # 辩论轮数

ta = TradingAgentsGraph(debug=True, config=config)
_, decision = ta.propagate("NVDA", "2026-01-15")

两个挺实用的功能

一个是决策日志。每次分析完，都会把结果存到~/.tradingagents/memory/trading_memory.md。下次分析同一只股票的时候，会把之前的决策和实际收益调出来，让AI反思一下哪里对了哪里错了。

另一个是断点续传。如果你开了--checkpoint参数，中途崩溃了或者手动停掉了，下次跑会从上一步继续，不用从头来过。这个对于跑长时间任务的人来说应该挺友好。

几点需要注意的

项目文档里专门写了免责声明，这个框架是用于研究目的的，交易表现会受到很多因素影响，包括选择的模型、温度参数、交易时间段、数据质量等等。

我跟你说，这个态度是对的。AI交易这事儿，没有银弹。这个框架的价值在于提供了一种思路，把复杂任务拆解成多个专业角色协作，而不是说跑起来就能躺赚。

另外这个项目更新挺勤快的。2026年1月发了v0.2.0，支持多模型。2月发了v0.2.2，覆盖了GPT-5.4、Gemini 3.1、Claude 4.6。最近4月发了v0.2.4，加入了结构化输出智能体、LangGraph断点续传、持久化决策日志这些功能。

篇后寄语

如果你对AI在金融领域的应用感兴趣，或者想研究多智能体系统怎么设计，这个项目值得看看。代码组织得挺清晰，文档也写得明白。

当然，如果你是想找稳赚不赔的交易工具，那这个帮不了你。但如果你想了解怎么用AI模拟一个专业团队的协作方式，这个项目是个不错的参考。

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～

谢谢你看我的文章，我们，下次再见。