TradingAgents-CN多智能体金融分析：15分钟从克隆到第一份研报-育师

TradingAgents-CN多智能体金融分析：15分钟从克隆到第一份研报

【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

你想用多智能体做A股金融分析，TradingAgents-CN可以帮你完成。它让4个分析师、2名研究员、1名交易员和4名风控成员组成一支LLM队伍，对单只股票产出结构化研报。没有它时，你要自己写提示词、逐个调用模型、手工拼报告；有它之后，一条命令跑完全流程，产出可读的markdown研报。下面直接上手。

克隆仓库并跑通第一次输出

本文走本地源码这一条路，这是最省心的LLM金融框架部署方式：纯CLI分析只需要Python 3.10+，不需要装数据库。想要Web控制台的话，拉镜像后docker-compose up -d一行启动即可，后文不展开。

git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN

python -m venv venv source venv/bin/activate

pip install -r requirements.txt cp .env.example .env

然后编辑 .env，至少填入一个LLM密钥（仓库推荐 DASHSCOPE_API_KEY）。接着运行python -m cli.main。

你将会看到：终端出现绿色主题欢迎屏，中部标注 Workflow Steps，依次为分析师团队、研究员团队、交易员、风控、组合管理5步，下方提示输入股票代码，默认值是SPY。

图1：CLI初始化界面，等待你输入要分析的股票代码

输入代码回车后，幕后发生了什么？

追踪一个分析请求穿过团队的全过程

以"分析000858"为例。请求先经过数据预取，然后4个分析师依次开工：市场分析师拉行情和技术指标，社交媒体分析师看舆情，新闻分析师扫新闻，基本面分析师读财报数据。四份报告交给看涨研究员和看跌研究员，两人轮流辩论，输出多头与空头证据。辩完，交易员据此生成交易提案。提案进入风控环节：激进、中性、保守3名风控分析师加1名风控经理逐层讨论，最后输出买入/持有/卖出决策。

整个过程像投研团队的晨会：各就各位，依次发言，会议纪要就是那份研报。

关键参数只有一个：辩论轮数。它由 tradingagents/default_config.py 中的max_debate_rounds决定，CLI里的研究深度1/3/5级分别映射为1、3、5轮。轮数越多，辩论越充分，出报告也越慢。

图2：整体架构，从数据输入到决策执行的信息流

理解了分工，跑一个真实任务来验证。

🔍 跑一遍五粮液（000858）的A股多智能体分析

这是一个可复现的任务：对A股五粮液（000858）做研究深度3级、分析师选市场+新闻+基本面3人的完整分析。

输入：运行python -m cli.main，输入000858，选一个最近的交易日，勾选上述3个分析师，深度选3级。如果卡在这里（CLI提示"分析终止"），多半是 .env 里的LLM密钥无效，运行python -m cli.main config检查状态。

图3：Web控制台中等效的配置项——市场、代码、日期、深度、分析师团队

过程：界面分4个阶段推进，环境准备、数据验证、智能分析、报告生成。左侧面板显示各角色状态从 pending 变为 in_progress 再变 completed，右侧面板实时滚动工具调用记录，3级全程约10分钟。如果中途卡住，看结果目录下的 message_tool.log，每条调用都有时间戳和参数。

图4：分析进行中的实时画面，左为团队进度，右为消息与工具流

输出：结束后结果落在本地results/000858/<分析日期>/目录，reports/子目录里每个角色一份.md报告，根目录是 message_tool.log。如果 reports 是空的，翻 message_tool.log 的最后一条报错。

图5：分析完成，进度100%，全程9.9分钟

怎么读结果：

文件	内容	读法
reports/market_report.md	趋势、动量、波动率	先看小结，再核对指标
reports/fundamentals_report.md	财务与估值（PE/PB）	对照最新一期财报
reports/news_report.md	新闻与舆情	重点看负面新闻密度
最终决策	买入/持有/卖出	结合风控否决理由判断

深度不是写死的。不想每次走CLI选择，可以直接改默认配置：

# tradingagents/default_config.py "max_debate_rounds": 1, # 多空辩论轮数，1最快 "max_risk_discuss_rounds": 1, # 风控讨论轮数 "llm_provider": "dashscope", # 模型供应商 "quick_think_llm": "qwen-plus", # 快思考模型 "deep_think_llm": "qwen-max" # 深思考模型

第一行改成5，辩论更深；最后两行换成你有的模型即可。

第一次跑通只是开始，3个小改动能让它更顺手。

⚡ 让第二次分析更快更省钱

第二次分析还是慢。现象：重复分析同一只股票，取数阶段仍要一分多钟。改哪里：确认 tradingagents/default_config.py 里的data_cache_dir指向本地缓存，行情落盘后第二次直接从磁盘读。效果：数据阶段缩短到几秒，省下的全是LLM等待前的空转。

5级深度跑不动。现象：5级一次跑满约10分钟，日常跟踪用不上这么深。改哪里：把同一文件里的max_debate_rounds降为1，或CLI里直接选1级。效果：总时长压到4分钟上下，报告结构不变。

英文模型的中文输出发硬。现象：默认海外模型写中文研报，偶尔句式生硬。改哪里：在 .env.example 里把供应商相关密钥换成国产供应商（如DashScope），再同步到 .env。效果：报告与辩论全程自然中文，且不用配代理。

实际跑起来，还会碰到几个常见的坑。

你可能遇到CLI启动后立刻提示"分析终止"。原因是 .env 未配置或LLM密钥无效。解决：补上密钥后运行python -m cli.main config核对状态。
你可能遇到A股在数据验证阶段失败。原因是上游数据源限流或该股历史行情未同步。解决：运行python scripts/check_stock_daily_data.py查看数据范围，稍后重试。
你可能遇到Docker部署时3000或8000端口被占用。原因是其他服务已占用端口。解决：修改 docker-compose.yml 里的端口映射，再执行docker-compose up -d。
最后一条：项目定位为学习与研究平台，不提供实盘交易指令，所有分析结果不构成投资建议。

读完研报，你可以再往深里走一步。