框架

TradingAgents 拆解:多 Agent 怎么协作做交易决策

99k stars 的金融多 Agent 框架,用 LangGraph 把分析师、研究员、交易员、风控串成一条流水线。代码能跑、坑是真的多。

字号

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:

  1. 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
  2. 做量化研究、需要把 LLM 嵌入决策流程做解释性输出的团队
  3. 做 Agent 框架对比研究的人

不适合:

  1. 想直接拿来炒 A 股——数据源不支持
  2. 期望跑完就赚——它是决策辅助,不是圣杯
  3. 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
来源: https://github.com/TauricResearch/TradingAgents