TradingAgents-CN 多智能体股票分析实战指南从0到1跑通首次部署与完整报告【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想让 AI 替你跑完一次从市场分析到风险管理的完整股票分析其实只需要几步操作。TradingAgents-CN 是一个面向中文用户的多智能体 LLM 股票分析学习平台多个AI 分析师、研究员、交易员、风控经理围绕一只标的分工协作产出多角度结构化报告。读完本文你能完成从 0 到 1 的部署并跑出自己的第一份多智能体分析报告。项目速览10 秒判断值不值得投入维度说明项目定位多智能体 LLM 股票分析学习平台研究与学习用途不提供实盘交易核心能力A股/港股/美股分析、多空辩论与多角色决策、1–5 级研究深度、批量分析、Markdown/Word/PDF 报告导出适合谁想快速体验 AI 分析的新手需要容器化长期运行的团队想定制数据源和模型的开发者技术栈Python 3.10、FastAPI 后端 Vue 3 前端、LangGraph 多智能体编排、MongoDB Redis、Docker 多架构仓库地址https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN一句话理解它相当于在你电脑上搭了一支AI 投研团队各司其职最后交付一份完整报告。三条上手路径按身份选起点不用把三条路都看完对号入座即可轻量体验只想看看效果不想装 Docker判断条件——有 Python 3.10就想跑一次分析看看。推荐绿色版一键启动 CLI 交互十分钟内看到第一份报告。生产部署长期运行、多人共用判断条件——需要稳定的 Web 界面和数据持久化。推荐 Docker Compose 一条命令拉起前端、后端和数据库。源码定制要改数据源、接自己的模型判断条件——你会看 Python想调整提示词、数据源或加功能。推荐虚拟环境 源码安装配置全部在本地改。三条路径的第一步都一样先克隆仓库只读使用克隆后在本地运行git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN部署与验证最快跑通环境路径 A绿色版 CLI 轻量体验./scripts/smart_start.sh # Linux/MacWindows 用 scripts\smart_start.ps1启动后进入交互式命令行python -m cli.main确认成功终端出现欢迎界面并提示你选择市场、输入股票代码若 Web 已起浏览器访问 http://localhost:3000 能看到TradingAgents-CN 股票分析平台首页。小贴士首次启动会自动初始化数据库和配置可能耗时几分钟看到初始化走完再操作不要在过程中重复启动。路径 BDocker 容器化部署docker-compose up -d docker-compose ps确认成功所有容器状态为 Up访问 http://localhost:3000Web 界面、http://localhost:8000/docsAPI 文档如需看数据http://localhost:8082 是 MongoDB 管理台http://localhost:8081 是 Redis 管理台。注意事项3000/8000 端口若被本地其他程序占用请修改本地docker-compose.yml中的宿主机端口映射如 8001:8000后再启动只改本地副本不改仓库内容。路径 C源码定制部署python -m venv venv source venv/bin/activate # Windowsvenv\Scripts\activate pip install -r requirements.txt python scripts/init_system_data.py确认成功运行python -m cli.main能进入交互流程且无报错日志目录开始写入新日志。原理速览AI 投研团队如何分工把它想象成一个小型投研团队分析师市场技术、基本面、新闻、社交媒体先各自取数、独立提交观点多头/空头研究员就分歧点展开多轮辩论由研究经理归纳共识交易员把结论翻译成具体计划——买入/卖出/持有、目标价、仓位最后激进、中性、保守三类风控经理再做一轮风险辩论输出最终决策。整个流程由 LangGraph 以图的形式编排角色源码在 tradingagents/agents/编排逻辑在 tradingagents/graph/读图不读码也能理解全貌。场景实战从单股到自定义工作流场景一十分钟跑完一次单股完整分析单点任务目标给一只 A 股标的产出多角度结构化报告。打开 Web 分析页http://localhost:3000选择市场A 股、输入股票代码如 000858、选择分析日期拖选研究深度1–5 级级别越高分析的指标越多、辩论轮次越深、耗时越长首次建议 3 级勾选分析师团队市场分析师、新闻分析师、基本面分析师是常用组合社交媒体分析师可先不勾点击开始页面会实时显示进度百分比、已用时间和当前步骤。也可以纯终端完成运行python -m cli.main依次选择市场、输入代码、勾选分析师和深度屏幕会实时滚动展示每个角色的输出。产出如何解读报告拆成多个标签页建议这样读——先看投资决策摘要投资建议、置信度、风险评分三个数再下钻市场技术分析基本面分析看依据最后翻研究团队决策交易团队计划风险管理团队看多空双方到底争了什么、风控拦下了什么。注意事项分析前务必先把标的的历史数据同步完成Web 端有数据同步入口。数据缺失或过旧时分析结论会失真——这是最容易漏掉的一步。场景二批量筛选自选股横向对比结论批量任务目标把一组自选股如 5–10 只依次分析完横向比较多智能体的结论。先用数据同步把自选股的历史数据补齐一次同步、后续复用通过 Web 的批量分析入口逐只加入任务或用 CLI 依次运行也可参考 examples/ 里的批量分析示例脚本在进度页逐只确认任务状态跑完后统一查看结果。产出如何解读每份报告会分别落在 data/analysis_results/ 目录也可在 Web 报告列表里对比。横向比较时投资决策摘要里的置信度是最直观的指标——数值越高代表多空双方共识越强结论越稳。小贴士别一次并发太多只股票。多角色辩论意味着大量大模型调用并发过高会触发 API 限流并推高成本建议先跑通 5 只再逐步放量。场景三定制自己的分析流水线自定义扩展目标接入顺手的模型、调整团队分工让报告可直接归档分享。接入模型在 Web 配置管理里添加 LLM 提供商与 API Key国产厂商、OpenAI 兼容的自定义端点都支持模型目录支持多个模型按任务切换调整分工更换分析师组合例如加上社交媒体分析师、调整研究深度与辩论轮次改变团队配置数据源优先级Tushare、AkShare、BaoStock 都可通过数据源管理调整谁优先、谁兜底想接自己的数据源参考 tradingagents/dataflows/ 下的实现方式导出报告分析完成后用报告导出一键生成 Markdown/Word/PDF直接归档或分享。小贴士接入新模型后先用单只股票 1 级快速分析验证 Key 和数据源都正常再拉高深度跑完整流程能省掉大量无效 token。高频问题 FAQ四个常见卡点1. 现象服务起来了但分析不出数据或结果为空。原因标的的历史数据没有同步。 处理在 Web 端对目标股票执行数据同步或运行 scripts/ 下的数据检查脚本确认后重试。2. 现象分析长时间卡在某一步不前进。原因该步骤涉及较多大模型调用且首次无缓存或模型接口响应慢。 处理docker-compose logs -f backend查看后端日志确认是否仍在推进必要时换更快的模型或降低研究深度。3. 现象端口冲突页面打不开。原因3000/8000 被本地其他程序占用。 处理改本地docker-compose.yml的宿主机端口映射后重启用新端口访问。4. 现象结果里的数字和印象不符。原因不同数据源的口径与更新时点不同PE/PB、财务数据尤甚。 处理用 scripts/ 中的数据校验脚本核对同步数据或调整数据源优先级后重新分析。调优清单五个让它更快更稳的地方先同步后分析历史数据一次落库反复用省掉每次远程拉取的耗时和 API 消耗。研究深度分级使用1–2 级快速筛、3 级日常研究、4–5 级只留给重点标的时间和 token 成本随级别明显上升。数据源按配额排优先级把 Key 额度大、延迟低的源放前面其余做兜底减少超时回退。用好多级缓存MongoDB Redis 缓存让同一标的的重复分析明显提速第二次跑会快很多。盯住日志docker-compose logs -f常开或定期查日志目录限流、数据源失败等问题一眼可见。路线图收尾三档成长路径第 1–2 周跑通完成 Docker 部署跑通 3–5 只单股分析熟悉报告结构与深度选择第 1–2 月熟练用批量分析做自选股横评自定义模型与数据源优先级掌握报告导出归档配合 docs/ 使用指南与 examples/ 示例代码进阶进阶定制读 tradingagents/ 源码理解各智能体的提示词与状态流转尝试接入自己的数据源或模型适配器并把经验分享到社区。最后提醒一句平台定位是学习与研究所有分析结果都是 AI 的推理输出不构成投资建议涉及真实决策时请结合官方数据与自身风险承受能力。现在就可以去分析你关注的第一只标的了 【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