TradingAgents-CN多智能体股票分析3条命令跑通部署附数据源配置与结果解读【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LLM的多智能体股票分析框架把单只股票的研究拆给一组分工明确的AI角色市场分析师、消息分析师、基本面分析师各自取数多空研究员就证据辩论交易员产出交易建议风控团队给出激进/中性/保守三档约束最终汇成一份带买卖倾向的完整报告。它适合想在本地环境里用真实行情数据做A股、港股、美股研究实验的人平台不提供实盘交易指令定位是研究与学习工具。多智能体角色分工从行情数据源到交易决策理解这个项目最快的方式是看数据流。左侧是四类输入——市场数据、社交媒体、新闻源、基本面指标中间是研究团队看涨方与看跌方围绕同一只股票交叉辩论各自动员分析师团队的产出作为证据右侧是交易员把辩论结论转成交易提案再经风险管理团队过滤由组合经理给出最终决策。整条链路用LangGraph编排各角色的实现集中在 tradingagents/agents/ 目录下的analysts/、researchers/、trader/、risk_mgmt/四个子包图构建逻辑在tradingagents/graph/trading_graph.py。后端是FastAPI前端是Vue 3 Element Plus存储用MongoDB Redis双库。Docker部署3条命令启动前后端加双数据库最短路径只用Docker。仓库自带 docker-compose.yml一次拉起5个容器backend8000端口、frontend3000端口、mongodb27017、redis和一个worker后台同步进程。git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN docker compose up -d首次启动要构建前后端两个镜像耗时数分钟。用下面两条命令确认状态docker compose ps # 5个服务都应为 healthy curl http://localhost:8000/api/health✅ 浏览器打开 http://localhost:3000 能看到登录页和配置管理入口即部署完成。两个启动前必须知道的坑其一3000、8000、27017端口若被占用改 docker-compose.yml 里对应服务的端口映射左侧值即可其二 分析前必须先完成股票数据同步Web界面的同步入口或等待worker定时任务官方在README中明确提醒未同步数据时报告会直接出现数据错误。另外.env文件要准备好——数据库连接串和LLM的API Key都从它读取。跑一次完整的个股分析以300750.SZ为例部署完成后按顺序做四件事配置LLM供应商密钥 → 同步股票数据 → 发起分析 → 读报告。配置与同步。在Web界面的配置管理页添加大模型供应商支持OpenAI兼容端点、DeepSeek、阿里百炼、Google、AiHubMix聚合渠道等填入Tushare Token后触发一次行情同步。AkShare作为免费兜底数据源实时行情内置了stock_bid_ask_em → stock_zh_a_spot → stock_zh_a_spot_em → stock_zh_a_hist多级降级链没有Tushare积分也能跑通基础分析。发起分析。在Web端选择宁德时代300750.SZ发起或在终端执行 cli/main.py 对应的模块模式pip install -r requirements.txt python -m cli.mainCLI是交互式的输入代码300750.SZ依次选择LLM供应商、分析团队和研究深度1-5级。你会看到什么。CLI模式下左侧是五个团队的任务状态表Analyst Team / Research Team / Trading Team / Risk Management / Portfolio Management中间是消息流右侧是实时生成的报告。截图示例分析的是SPYA股流程完全一致怎么解读结果。消息流里能看到模型每次工具调用取了什么指标均线、MACD、RSI、布林带等以及推理依据报告按市场趋势、技术指标、情绪面分节给出结论。核心看点在多空辩论环节——看涨研究员和看跌研究员各自输出Key Points Summary再交锋最终由研究经理裁决辩论结束后交易员把证据链转成带仓位倾向的交易提案报告最终落在data/analysis_results/目录Web端报告页可在线查看支持导出Markdown/Word/PDF。数据源、辩论轮次与双模型3个对结果影响最大的配置其余配置项保持默认即可这三项直接决定分析质量、成本和时延双模型分级影响成本。框架把推理分成两层deep_think_llm处理辩论和最终决策quick_think_llm处理数据整理类调用。在 tradingagents/default_config.py 可见默认值llm_provider: openai, deep_think_llm: o4-mini, # 决策层用强模型 quick_think_llm: gpt-4o-mini, # 执行层用快且便宜的模型执行层换成更便宜的模型单次分析的token费用能降一大截对报告结论影响很小决策层不建议降级那是多空裁决的核心。辩论轮次影响深度与耗时。max_debate_rounds和max_risk_discuss_rounds默认都是1。日常跟踪单只股票保持1即可做深度研究或想看到观点翻转过程时调到2token消耗和等待时间近似线性增长不建议超过3。数据源优先级影响数据质量。Tushare的可用字段取决于积分等级积分低时财报、估值类数据会走AkShare兜底个别字段如ROE、TTM口径可能缺失。对数据完整度有要求的场景优先补齐Tushare积分再在配置页确认三个数据源的启用顺序Tushare → AkShare → BaoStock。启动失败、数据缺失、模型调不通3个高频问题排查页面打不开或健康检查失败。现象是浏览器访问3000端口无响应。先docker compose ps看哪个服务没到healthy再docker compose logs -f backend看报错。九成是端口冲突或.env缺连接串按上一节改端口映射、补环境变量后docker compose up -d重建。分析报告出现数据缺失或空值。现象是报告里行情、财务指标为空。根因几乎总是分析跑在了数据同步完成之前。用python scripts/check_stock_daily_data.py确认该股日线是否落库docker compose logs -f worker看同步任务是否失败重新触发同步后再跑分析。数据库连通性本身有问题时跑 scripts/debug_mongodb_connection.py 定位。LLM调用超时或报401/404。现象是分析卡在某个智能体不动日志出现供应商报错。用python scripts/check_llm_providers.py验证密钥和端点有效性重点核对自定义端点的base_url是否带了版本路径、key是否与该供应商匹配。聚合渠道如AiHubMix尤其注意渠道与模型的对应关系。运维只记两条数据备份用仓库提供的scripts/backup_volumes.sh导出MongoDB和Redis卷监控盯住后端/api/health端点和logs/目录compose已配置100MB×3文件的日志轮转无需额外清理策略。边界与下一步TradingAgents-CN产出的是研究参考和策略实验结果不是实盘交易指令所有结论都应视为学习素材而非下单依据。下一步做两件事挑3-5只你实际关注的股票完成首次数据同步把研究深度提到2跑一遍完整分析然后导出报告对照多空辩论过程看模型给出的证据链你是否认可——这比任何文档都更快地让你理解多智能体框架的实际能力边界。【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