TradingAgents-CN 多智能体股票分析平台部署指南从本地到生产环境的完整路径【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 的中文金融交易框架把市场分析 → 多空辩论 → 交易决策 → 风险审查整条投资研究链路拆成一组各司其职的 AI 智能体并针对 A 股/港股/美股做了数据源与报告标准的本地化。当前稳定版 v1.0.1 已从 Streamlit 单体应用升级为 FastAPI Vue 3 架构配合 MongoDB Redis 双数据库支持 Docker 多架构一键部署。对想在中文环境下用大模型做股票研究实验的人来说它提供了开箱即用的 Web 配置界面、CLI 工具和批量分析能力。它和单模型问股票有什么本质区别多数人用 LLM 分析股票的方式是把行情数据丢给一个模型让它输出买卖建议。TradingAgents-CN 的做法是模拟一家小型投研机构的分工源码在 tradingagents/agents/ 下可以逐层看到每个角色的实现角色代码位置职责市场分析师market_analyst.py技术指标、趋势与支撑压力位基本面分析师fundamentals_analyst.py财务数据、PE/PB 估值、盈利能力新闻分析师news_analyst.py财经新闻过滤与事件影响判断中国市场分析师china_market_analyst.pyA 股监管环境与本土市场特征看多/看空研究员researchers/围绕证据展开多轮辩论交易员trader.py输出买卖建议、目标价、置信度风险三方risk_mgmt/激进、中性、保守三个立场交叉审查这套结构带来的直接价值是最终报告里能看到每个角色的原始输出报告页有市场技术分析 / 基本面分析 / 风险评估 / 研究团队决策 / 交易团队计划 / 风险管理团队等标签页逐段展开而不只是一个黑盒结论。你在验证 AI 结论时可以顺着链路检查它到底依据哪份数据、哪轮辩论。最小可运行路径3 种部署方式怎么选Docker 部署生产环境首选。仓库根目录提供了完整的 docker-compose.yml支持 amd64 与 arm64 双架构Apple Silicon、树莓派、AWS Graviton 均可。最省事的方式是执行仓库自带的智能启动脚本它会自动判断镜像是否存在、代码是否有变化决定快速启动还是重新构建git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN ./scripts/smart_start.sh本地源码部署定制开发适用。创建虚拟环境、安装 requirements.txt 中的依赖再运行初始化脚本python -m venv venv source venv/bin/activate pip install -r requirements.txt python scripts/init_system_data.py选型建议需要改代码、加自定义数据源的选本地源码只跑分析、追求可复现环境的选 Docker。两种方式启动后都可通过python examples/test_installation.py验证安装是否完整。配置层LLM、数据源与缓存三件事系统的能力上限由三部分决定都可以通过 Web 界面的配置管理完成无需改代码。1. LLM 提供商。支持 OpenAI、Google AI、阿里百炼通义千问、DeepSeek、百度千帆以及 AiHubMix 聚合渠道配置页、对话框和分析页中的模型列表排序保持一致。不同任务可以匹配不同模型——比如用便宜模型跑数据整理、用强模型跑辩论——模型选择会持久化保存重启不丢失。2. 数据源。统一接入 Tushare、AkShare、BaoStock 三个中文数据源v1.0.1 还增强了单股实时行情的多级降级链stock_bid_ask_em - stock_zh_a_spot - stock_zh_a_spot_em - stock_zh_a_hist某一接口失效时自动切换下一级同步结果会展示主链路、回退链路和失败原因。避坑提醒README 明确标注——分析前务必先完成股票数据同步否则分析师读到的行情/财务数据会缺失结论直接失真。同步状态可以在 Web 界面的同步结果页逐股检查app/services/ 下的multi_source_sync_service.py、historical_data_service.py是这条链路的实现。3. 缓存。MongoDB Redis 双数据库架构股票数据、分析结果分层缓存重复分析同一标的时明显提速。一次完整分析会发生什么以分析五粮液000858为例在 Web 界面或 CLIpython -m cli.main输入代码后流程是线性的但内部是多角色并行的分析师阶段勾选的分析师市场 / 新闻 / 基本面 / 社交媒体各自取数、各自出报告。研究深度分 1–5 级1 级是快速扫描5 级是全面分析级别越高取数窗口和推理轮次越多、耗时越长。辩论阶段多头研究员与空头研究员围绕证据多轮交锋。看多方可能强调PE 仅 2.6 倍、现金流充裕看空方则质疑啤酒新品缺乏竞争力、品牌年轻化迟缓。交易决策交易员汇总辩论结果输出持有/买入/卖出建议、目标价区间、置信度示例中为持有、置信度 70%、风险评分 50%。风险终审激进/中性/保守三位风险分析师交叉验证后才落定最终决策。进度是实时可观测的Web 端通过 SSE WebSocket 双通道推送页面显示当前步骤、已用时间与预计剩余CLI 端有对应的进度条cli/main.py。报告最终落在三个位置——Web 报告页支持 Markdown/Word/PDF 导出、文件系统 data/analysis_results/、以及 MongoDB 数据库方便做历史回溯。进阶玩法批量分析、筛选与模拟盘单股分析跑通之后真正提升效率的是三个组合能力批量分析一次提交多只股票同时分析任务进入 app/services/queue/ 队列排队执行避免并发打爆数据源 API。示例脚本见 examples/batch_analysis.py。智能筛选基于多维度指标先筛出候选池再逐只分析相关实现在 app/services/screening/比盲选一堆代码硬跑省 token。模拟交易内置纸面交易系统app/routers/paper.py用虚拟资金验证策略效果不用真实下单。性能侧的两个调优点一是并发工作线程数app/worker/ 下可调整根据 CPU 核心数设置避免批量任务把宿主机打满二是定期用 scripts/cleanup_old_system_config.py 清理过期配置与数据保持查询速度。常见故障与定位入口症状定位方向服务起不来先pip list核对 fastapi/pymongo/redis 依赖再用 scripts/debug_mongodb_connection.py 验证数据库连通行情数据异常用 scripts/test_akshare_api.py 等脚本单独打数据源查看同步日志确认走了哪条降级链分析结论明显离谱九成是数据没同步完整见上文避坑提醒其次核对 LLM 配置 scripts/check_llm_providers.py升级后行为变化按发布说明执行迁移脚本如 scripts/migrate_config_to_db.py再重启容器排查文档集中在 docs/troubleshooting/版本变更记录在 docs/releases/CHANGELOG.md。选型与边界说明最后说清几条边界避免预期错位定位是学习与研究平台输出不构成投资建议也不提供实盘交易指令。报告里的买入/持有/卖出应视为多智能体推理的推演结果。许可证是混合模式app/FastAPI 后端与frontend/Vue 前端两个目录属专有部分商业使用需单独授权其余代码 Apache 2.0 开源。个人学习研究可自由使用。上游同步策略是人工选择性吸收而非自动 merge跟随 TauricResearch/TradingAgents 上游节奏能力清单见 docs/maintenance/upstream-sync.md。中文文档体系完整docs/ 下有按主题分类的 200 篇指南安装、数据同步、新闻分析、报告导出、定时任务等遇到问题优先在仓库内查文档比外部搜索命中率高。这个项目的真正价值不在于一键出结论而在于把投研机构的协作流程显式化——数据从哪来、谁在质疑谁、结论如何被风险侧否决全程可查。这既是使用它的方式也是研究多智能体架构本身最直接的样本。【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
TradingAgents-CN 多智能体股票分析平台部署指南从本地到生产环境的完整路径【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 的中文金融交易框架把市场分析 → 多空辩论 → 交易决策 → 风险审查整条投资研究链路拆成一组各司其职的 AI 智能体并针对 A 股/港股/美股做了数据源与报告标准的本地化。当前稳定版 v1.0.1 已从 Streamlit 单体应用升级为 FastAPI Vue 3 架构配合 MongoDB Redis 双数据库支持 Docker 多架构一键部署。对想在中文环境下用大模型做股票研究实验的人来说它提供了开箱即用的 Web 配置界面、CLI 工具和批量分析能力。它和单模型问股票有什么本质区别多数人用 LLM 分析股票的方式是把行情数据丢给一个模型让它输出买卖建议。TradingAgents-CN 的做法是模拟一家小型投研机构的分工源码在 tradingagents/agents/ 下可以逐层看到每个角色的实现角色代码位置职责市场分析师market_analyst.py技术指标、趋势与支撑压力位基本面分析师fundamentals_analyst.py财务数据、PE/PB 估值、盈利能力新闻分析师news_analyst.py财经新闻过滤与事件影响判断中国市场分析师china_market_analyst.pyA 股监管环境与本土市场特征看多/看空研究员researchers/围绕证据展开多轮辩论交易员trader.py输出买卖建议、目标价、置信度风险三方risk_mgmt/激进、中性、保守三个立场交叉审查这套结构带来的直接价值是最终报告里能看到每个角色的原始输出报告页有市场技术分析 / 基本面分析 / 风险评估 / 研究团队决策 / 交易团队计划 / 风险管理团队等标签页逐段展开而不只是一个黑盒结论。你在验证 AI 结论时可以顺着链路检查它到底依据哪份数据、哪轮辩论。最小可运行路径3 种部署方式怎么选Docker 部署生产环境首选。仓库根目录提供了完整的 docker-compose.yml支持 amd64 与 arm64 双架构Apple Silicon、树莓派、AWS Graviton 均可。最省事的方式是执行仓库自带的智能启动脚本它会自动判断镜像是否存在、代码是否有变化决定快速启动还是重新构建git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN ./scripts/smart_start.sh本地源码部署定制开发适用。创建虚拟环境、安装 requirements.txt 中的依赖再运行初始化脚本python -m venv venv source venv/bin/activate pip install -r requirements.txt python scripts/init_system_data.py选型建议需要改代码、加自定义数据源的选本地源码只跑分析、追求可复现环境的选 Docker。两种方式启动后都可通过python examples/test_installation.py验证安装是否完整。配置层LLM、数据源与缓存三件事系统的能力上限由三部分决定都可以通过 Web 界面的配置管理完成无需改代码。1. LLM 提供商。支持 OpenAI、Google AI、阿里百炼通义千问、DeepSeek、百度千帆以及 AiHubMix 聚合渠道配置页、对话框和分析页中的模型列表排序保持一致。不同任务可以匹配不同模型——比如用便宜模型跑数据整理、用强模型跑辩论——模型选择会持久化保存重启不丢失。2. 数据源。统一接入 Tushare、AkShare、BaoStock 三个中文数据源v1.0.1 还增强了单股实时行情的多级降级链stock_bid_ask_em - stock_zh_a_spot - stock_zh_a_spot_em - stock_zh_a_hist某一接口失效时自动切换下一级同步结果会展示主链路、回退链路和失败原因。避坑提醒README 明确标注——分析前务必先完成股票数据同步否则分析师读到的行情/财务数据会缺失结论直接失真。同步状态可以在 Web 界面的同步结果页逐股检查app/services/ 下的multi_source_sync_service.py、historical_data_service.py是这条链路的实现。3. 缓存。MongoDB Redis 双数据库架构股票数据、分析结果分层缓存重复分析同一标的时明显提速。一次完整分析会发生什么以分析五粮液000858为例在 Web 界面或 CLIpython -m cli.main输入代码后流程是线性的但内部是多角色并行的分析师阶段勾选的分析师市场 / 新闻 / 基本面 / 社交媒体各自取数、各自出报告。研究深度分 1–5 级1 级是快速扫描5 级是全面分析级别越高取数窗口和推理轮次越多、耗时越长。辩论阶段多头研究员与空头研究员围绕证据多轮交锋。看多方可能强调PE 仅 2.6 倍、现金流充裕看空方则质疑啤酒新品缺乏竞争力、品牌年轻化迟缓。交易决策交易员汇总辩论结果输出持有/买入/卖出建议、目标价区间、置信度示例中为持有、置信度 70%、风险评分 50%。风险终审激进/中性/保守三位风险分析师交叉验证后才落定最终决策。进度是实时可观测的Web 端通过 SSE WebSocket 双通道推送页面显示当前步骤、已用时间与预计剩余CLI 端有对应的进度条cli/main.py。报告最终落在三个位置——Web 报告页支持 Markdown/Word/PDF 导出、文件系统 data/analysis_results/、以及 MongoDB 数据库方便做历史回溯。进阶玩法批量分析、筛选与模拟盘单股分析跑通之后真正提升效率的是三个组合能力批量分析一次提交多只股票同时分析任务进入 app/services/queue/ 队列排队执行避免并发打爆数据源 API。示例脚本见 examples/batch_analysis.py。智能筛选基于多维度指标先筛出候选池再逐只分析相关实现在 app/services/screening/比盲选一堆代码硬跑省 token。模拟交易内置纸面交易系统app/routers/paper.py用虚拟资金验证策略效果不用真实下单。性能侧的两个调优点一是并发工作线程数app/worker/ 下可调整根据 CPU 核心数设置避免批量任务把宿主机打满二是定期用 scripts/cleanup_old_system_config.py 清理过期配置与数据保持查询速度。常见故障与定位入口症状定位方向服务起不来先pip list核对 fastapi/pymongo/redis 依赖再用 scripts/debug_mongodb_connection.py 验证数据库连通行情数据异常用 scripts/test_akshare_api.py 等脚本单独打数据源查看同步日志确认走了哪条降级链分析结论明显离谱九成是数据没同步完整见上文避坑提醒其次核对 LLM 配置 scripts/check_llm_providers.py升级后行为变化按发布说明执行迁移脚本如 scripts/migrate_config_to_db.py再重启容器排查文档集中在 docs/troubleshooting/版本变更记录在 docs/releases/CHANGELOG.md。选型与边界说明最后说清几条边界避免预期错位定位是学习与研究平台输出不构成投资建议也不提供实盘交易指令。报告里的买入/持有/卖出应视为多智能体推理的推演结果。许可证是混合模式app/FastAPI 后端与frontend/Vue 前端两个目录属专有部分商业使用需单独授权其余代码 Apache 2.0 开源。个人学习研究可自由使用。上游同步策略是人工选择性吸收而非自动 merge跟随 TauricResearch/TradingAgents 上游节奏能力清单见 docs/maintenance/upstream-sync.md。中文文档体系完整docs/ 下有按主题分类的 200 篇指南安装、数据同步、新闻分析、报告导出、定时任务等遇到问题优先在仓库内查文档比外部搜索命中率高。这个项目的真正价值不在于一键出结论而在于把投研机构的协作流程显式化——数据从哪来、谁在质疑谁、结论如何被风险侧否决全程可查。这既是使用它的方式也是研究多智能体架构本身最直接的样本。【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
