TradingAgents

产品简介

TradingAgents 把一家交易研究团队常见的分工方式搬进了 LLM 工作流里，而不是把所有判断都塞给一个助手。它把分析、辩论式研究、交易执行和组合管理拆成多个角色，适合研究多 Agent 协作在金融分析和模拟决策里的实际效果。

核心功能

• 在同一套图结构里覆盖分析师、研究员、交易员和组合管理角色。
• 支持 OpenAI、Anthropic、DeepSeek、Qwen、Gemini 以及 Ollama 等多种模型与推理路径。
• 近期版本补充了基于证据的情绪分析、结构化输出、检查点恢复和更广泛的模型支持。

适用场景

• 研究多 Agent 协作在金融场景中的效果。
• 在自建量化系统之前先做市场分析工作流原型。
• 为模拟交易和回测搭一套可审查、可改造的开源底座。

社区评价

GitHub 社区对它的反应很典型：一方面，大家很喜欢把真实交易团队分工映射成 Agent 协作这件事；另一方面，大家也一直盯着模型支持、数据来源和结果可信度。维护者不断强调它是研究工具，不是直接可用的交易建议系统，这一点反而让这个项目更可信。

限制与风险

TradingAgents 的定位是研究、实验和模拟，不是稳赚不赔的交易系统。结果会明显受模型、数据质量、Prompt 设计和市场波动影响。想跑出像样结果，团队还要承担 API 成本与外部数据依赖。

替代方案

可对比的路线包括自研量化研究栈、基于 LangGraph 的金融工作流、单 Agent 研究机器人，以及围绕市场数据 API 搭建的内部分析管道。

常见问题

• TradingAgents 适合实盘交易吗？ 维护者明确把它定义为研究工具，而不是金融建议或可直接上线的自动交易系统。
• 谁最适合用它？ 想研究金融场景下 Agent 协作机制的开发者、研究团队和量化原型团队。