TradingAgents 拆解:多 Agent 怎么协作做交易决策
GitHub 上 TauricResearch/TradingAgents 这个项目,99k stars,不是玩具 demo。它把"基本面 + 技术面 + 新闻 + 情绪"四类分析师、Bull/Bear 两位研究员、一个交易员、一个风控角色(Risk Manager),显式编排成一条 LangGraph 流水线。我把代码 clone 下来跑了一遍,聊聊它怎么工作、哪里扎实、哪里坑。
它解决什么问题
调一次 LLM 让它"分析 NVDA 该不该买",出来的结果基本不能用。
真实交易决策是这种结构:
- 基本面派看估值(P/E、现金流、护城河)
- 技术派看 K 线(均线、RSI、支撑位)
- 新闻派看突发(财报、宏观、监管)
- 风险派要砍仓位(回撤、波动、相关性)
这四派的结论经常打架。TradingAgents 的解法是:把这些角色拆成独立 Agent,用 LangGraph 的 StateGraph 显式编排谁先跑、谁和谁吵、谁拍板、风控怎么兜底。
适合的人:想学多 Agent 工程化、不想只跑玩具 demo 的开发者。不适合的人:想直接拿它炒 A 股、或者指望跑完就赚——它解决的是「决策流程自动化」,不是「稳赚」。
怎么用
最简代码(README 里直接抠出来的,不是我自己编的):
from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG
config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai"
config["deep_think_llm"] = "gpt-4o"
config["quick_think_llm"] = "gpt-4o-mini"
config["online_tools"] = True
ta = TradingAgentsGraph(debug=True, config=config)
state, decision = ta.propagate("NVDA", "2024-12-15")
print(decision)
# CLI 更快:python -m cli.main --ticker NVDA --date 2024-12-15
装包、配置 .env、一行 CLI 就跑得起来。
需要注意:
.env里必须有OPENAI_API_KEY和ALPHA_VANTAGE_API_KEY,两个都不能少FINNHUB_API_KEY和REDDIT_*也很关键,断数据源会直接空跑- CLI 入口
python -m cli.main,重点参数--ticker、--date、--analysts(选哪些分析师上场) --analysts不传默认全部上场,跑一次大概 6-10 分钟
它怎么工作(架构)
核心是 LangGraph 的 StateGraph,不是 CrewAI 那种"黑盒协作"也不是 AutoGen 那种"群聊"。所有节点、边、状态流转在图里全画出来,可观测、可断点续跑。
节点分四类:
┌─────────────────────────────────────────────────┐
│ Analysts(并行) │
│ Fundamentals Sentiment Technical News │
└─────────────┬───────────────────────────────────┘
↓
┌─────────────────────────────────────────────────┐
│ Researchers(Bull vs Bear 辩论) │
│ 研究员 A 出看多报告,研究员 B 出看空报告 │
└─────────────┬───────────────────────────────────┘
↓
┌─────────────────────────────────────────────────┐
│ Trader │
│ 综合多空观点 + 分析师报告,出最终交易指令 │
└─────────────┬───────────────────────────────────┘
↓
┌─────────────────────────────────────────────────┐
│ Risk Manager │
│ 风控审核,过不了回退重跑 │
└─────────────────────────────────────────────────┘
几个工程细节做得不错:
- 状态在节点间流转,每步可 checkpoint,挂了能从断点续跑
- Researcher 阶段是显式辩论,不是简单投票——Bull 出看多理由,Bear 出看空理由,然后再汇总
- Risk Manager 有否决权,Trader 的结论不合规会被打回
论文 arXiv:2412.20138 把这套流程完整描述了。
它哪里好 / 哪里不好
好:
- 工程细节真。前视偏差过滤、graph 路由崩溃恢复、LLM 重试预算、checkpoint resume——这些都是生产级痛点,不是教程 demo 里能看到的
- 有 CHANGELOG.md 和 CI gate,迭代节奏快,不是 demo
- arXiv 论文背书 + 99k stars,社区认可度够了
- LLM provider 支持很全:OpenAI、Anthropic、Gemini、Groq、DeepSeek、Qwen、GLM、Ollama 都行,国产模型也能塞进去
- 角色分工是写死在 Graph 里的,但每个角色的 prompt 可调
不好:
- 数据源全海外——Alpha Vantage、Yahoo Finance、Finnhub、Reddit,A股基本不能用
- LLM 成本不低。跑一次完整决策几十次调用,token 消耗 100k-200k 量级,API 账单肉眼可见
- 角色分工写死,想加自己的因子得改 Graph 源码,定制成本不低
- 论文里的 backtest 收益数字实盘几乎不可能复现——它解决的是「决策流程自动化」,不是「稳赚」
对比同类的位置:比 AutoGen 的金融 demo 严谨,比 CrewAI 可控,比纯 prompt chain 可解释,但比现成的量化平台(Qlib、Backtrader)缺回测和实盘接口。
我试了下
本地 clone,配 .env(OPENAI + ALPHA_VANTAGE),然后:
python -m cli.main --ticker NVDA --date 2024-12-15
选了全部 4 个 analyst。
完整跑完一次约 6 分钟,token 消耗 ~120k(GPT-4o)。结果有点意思:
- Analyst 团队出了 4 份报告
- Bull/Bear 辩论后建议 BUY
- Trader 综合出 BUY
- Risk Manager 给出 HOLD
- 最终执行 HOLD
也就是说,辩论归辩论,风控有权否决。
踩坑:
- 第一次挂在 Alpha Vantage rate limit——免费版 5 calls/min,完整决策调的工具远超这个
- 第二次 graph 路由异常退出,靠 checkpoint resume 才拉回来
结论:能跑通,工程上比预期扎实,但别指望 out-of-the-box 赚钱。它是"决策辅助",不是"印钞机"。
谁该用
适合:
- 想学多 Agent 真实工程化的开发者,LangGraph 这套编排比教程里的 CrewAI demo 强太多
- 做量化研究、需要把 LLM 嵌入决策流程做解释性输出的团队
- 做 Agent 框架对比研究的人
不适合:
- 想直接拿来炒 A 股——数据源不支持
- 期望跑完就赚——它是决策辅助,不是圣杯
- 不愿意自己改 Graph 源码的——定制成本不低
如果你已经有自己的因子库、想把它嵌入决策流程,改 Graph 加节点就行。如果你什么都不想改只想赚钱,别碰这个。
参考
- 仓库:https://github.com/TauricResearch/TradingAgents
- 论文:https://arxiv.org/abs/2412.20138