TradingAgents-CN多智能体金融分析框架10分钟完整部署从单股到组合【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是一个基于多智能体LLM的中文金融分析框架你给一个股票代码一组AI分析师就会协作完成行情、基本面、新闻情绪分析经过多空辩论和风控评审后产出一份可追溯的研究报告。数据管道、智能体编排这些脏活它都替你干了你只需要关注分析结果本身。一只股票的分析它到底替你做了什么界面上你只看到输入代码、等待报告背后其实是把收数据—写观点—对观点—下结论这条人工流程整个自动化了数据层自动从Tushare、AkShare、BaoStock等数据源拉取行情、财务、新闻和社交讨论市场、社媒、新闻、基本面四个分析师各自输出独立观点看多和看空研究员互相辩论交易员把辩论结果蒸馏成交易提案风控端再给出激进、中性、保守三档审核你拿到的不是一句结论而是完整推理链每个观点基于什么证据、双方分歧在哪、最终建议是什么。这让它成为一个研究和学习的工具你能完整看到一支虚拟投研团队是怎么思考的并能照着这条链路自己动手调整。三种启动姿势绿色脚本、容器、源码挑一个 先克隆仓库三种方式共用这一步git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN姿势适合谁核心命令说明绿色脚本想快速体验的新手./scripts/smart_start.sh自动判断镜像要不要重建一条命令拉起全部服务容器化生产环境、长期运行docker-compose up -d前端、后端、MongoDB、Redis四件套一起起来源码定制要改代码的开发者pip install -r requirements.txtPython 3.10虚拟环境内初始化三种姿势的关键命令就这几行# 绿色脚本Linux/Mac执行 sh 版本Windows 用 smart_start.ps1 ./scripts/smart_start.sh # 容器化 docker-compose up -d docker-compose ps # 源码 python -m venv venv source venv/bin/activate pip install -r requirements.txt python scripts/init_system_data.py起来之后在三个地方做验证Web界面 http://localhost:3000、API文档 http://localhost:8000/docs、终端执行python -m cli.main。CLI能弹出交互式初始化面板就算部署成功。首次启动会初始化数据库并打通数据源可能要好几分钟耐心等它跑完。另外确认3000和8000端口没有被其他应用占用冲突时改docker-compose.yml里的端口映射即可。看懂这张架构图数据从哪里流到哪里仓库里这张图就是整个系统的数据流全景从左到右走一遍数据输入市场报价、社媒讨论、财经新闻、基本面数据从左侧进入研究层看多Bullish与看空Bearish两个研究团队基于同一份数据组织观点产出买入/卖出证据决策层交易员消费这些证据形成交易提案风控团队用激进、中性、保守三种人格分别审核输出Manager汇总全部证据形成最终决策并导出。关键就一条谁产出、谁消费。分析师产出结构化观点辩论产出证据交易员和风控只基于证据做判断没有任何角色直接对着原始数据拍结论——这也是报告可追溯的原因。从一只股票到一组股票实战最简流程单股分析全部在CLI交互面板里完成不用背任何参数python -m cli.main启动后依次选LLM提供商、研究深度1~5级越大挖得越深、启用哪些分析师然后输入代码A股如600519美股如SPY开跑。终端会实时刷新每个智能体的进度和中间输出卡在哪一步一眼可见。第一轮跑完你会看到四个分析师岗位各自的产出市场技术面、社媒情绪、新闻倾向、公司基本面每块都带摘要和关键证据。要扩到一组股票仓库带了批量脚本examples/batch_analysis.py把股票代码写进分组字典它逐只分析并生成对比报告。Web版也可以在批量分析页勾选多只股票一次提交。批量会成倍消耗LLM和数据源API配额深度控制在3级、一只一只跑完再看比并发更容易排错。参数怎么调三个最值钱的旋钮最值得动的就下面三个前两个在CLI里直接选模型项在tradingagents/default_config.py里改参数影响建议值max_debate_rounds多空辩论轮数越大论证越充分、耗时越长默认1想看完整推理链时调到2~3研究深度CLI选择1~5决定取数广度和参与的分析师数量日常跟踪选3深度研究选5deep_think_llm/quick_think_llm分别指定辩论用的强推理模型和日常轻量模型深思考位放强模型快思考位放便宜模型控成本辩论是整套系统的发动机双方基于同一批数据互相攻击论点辩论质量基本决定了报告的含金量。报告论证偏浅时先加辩论轮数、再升级深思考模型。数据侧也别忽略Tushare、AkShare、BaoStock各有独立初始化脚本例如python -m cli.akshare_init --full行情数据没先同步进本地库分析时就会缺数。卡住了怎么办三种症状对三条排查命令 ️症状排查命令一句话解释Web界面打不开docker-compose logs -f backend先看MongoDB、Redis健康检查是否通过再看后端是否还在启动中分析报数据缺失python -m cli.akshare_init --full分析前必须先把行情同步进库这是最常见的坑分析半天出不来检查辩论轮数与研究深度先把max_debate_rounds和深度降下来或换更快的深思考模型升级新版本后报错git pull docker-compose up -d --build镜像重建后如配置结构有变再跑python scripts/migrate_config_to_db.py迁移长期运行还有两个习惯日志定期翻一眼docker-compose logs --tail 100 backend升级前备份数据卷scripts/下有现成备份脚本Linux用sh、Windows用ps1。收尾它是研究工具不是交易指令TradingAgents-CN的定位是学习与研究帮你理解多智能体LLM怎么做股票分析并提供一条可以复现、可以调参的完整链路。报告里的买入/卖出字样是智能体推理的输出不构成投资建议真金白银不要押注在任何一个模型的单次输出上。接下来你可以做的三件事拿一只你长期关注的股票完整跑一遍重点读多空双方的分歧点在哪里 用1~5档不同深度各跑一次同一只股票对比报告差别比看文档直观得多翻docs/和examples/把数据源和LLM提供商换成自己熟悉的模型再跑一轮 【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