就在最近，TauricResearch 开源了一个多智能体 LLM 金融交易框架：TradingAgents，专门用来解决复杂交易任务的协作难题。
项目一经发布，GitHub Star 数已经狂揽 59000+，Fork 数也达到了 11000+。
核心的亮点主要如下:
1. 多智能体分工协作: 不是单打独斗，是像真实交易团队一样，研究经理、交易员、投资组合经理各司其职；
2. 全流程覆盖: 从基本面分析、情绪分析、新闻挖掘，到交易决策、风险管理，一条龙全包；
3. 多模型灵活接入: 支持 GPT-5.4 系列、Claude 4.6、Gemini 3.1、DeepSeek、Qwen、GLM 等主流大模型；
4. 持久化决策日志: 所有决策过程可追溯，方便回测和优化；
5. 多语言支持: 不限于英文，中文环境也能跑。
像团队一样分工协作
TradingAgents 最大的特点，就是把复杂的交易任务拆解成了专业化的角色。
传统的单一 AI 工具，往往是"样样通，样样松"。而 TradingAgents 采用的是"术业有专攻"的思路:
基本面分析师专注财报数据和公司基本面，技术分析师盯着图表和指标，情绪分析师监控新闻和社交媒体，风险管理师负责控制仓位和止损。
这种设计，确保了每个环节都有足够的专业深度。
更有意思的是，它具备「协同决策」能力。
不同智能体会基于各自分析结果进行讨论，最终由投资组合经理综合判断，做出交易决策。
基于 LangGraph 的流程编排
在技术实现上，TradingAgents 使用了 LangGraph 进行流程编排。
这意味着整个决策流程是可视化、可追溯的。
从数据输入，到各个智能体分析,再到最终决策输出，每一步都有清晰的状态记录。
而且支持检查点恢复功能,即便中途中断，也能从上次的状态继续运行，不用从头再来。
这对于需要长时间运行的策略回测来说，非常实用。
多模型随心切换
TradingAgents 最新的 v0.2.4 版本，已经支持了包括:
OpenAI GPT-5.4 系列
Anthropic Claude 4.6
Google Gemini 3.1
DeepSeek
Qwen (千问)
GLM (智谱)
Azure OpenAI
这种多提供商架构的好处，就是可以根据不同场景灵活选择。
比如需要强大推理能力时用 Claude 4.6，追求性价比时切换到 DeepSeek，中文环境优先用 Qwen。
而且所有模型都支持结构化输出,返回的数据格式统一规范,方便后续处理。
决策过程全程可追溯
对于量化交易来说，可解释性和可复现性至关重要。
TradingAgents 提供了完整的决策日志记录功能。
每次交易决策的依据、各智能体的分析结果、最终的执行动作，全部都会持久化存储。
这不仅方便回测时分析哪里出了问题，也能帮助我们理解 AI 的决策逻辑，持续优化策略参数。
快速上手
想要上手十分简单,项目提供了 Docker 镜像,只需要配置好对应 LLM 的 API Key 就能跑起来。
项目还提供了完整的文档和示例代码,官网地址:
https://tauricresearch.github.io/TradingAgents/
不过这里必须提醒一下:
TradingAgents 是为研究目的设计的框架，不构成任何金融、投资或交易建议。实盘交易有风险，使用前请务必充分回测验证，并遵守相关法律法规。
写在最后
看到 TradingAgents 这类多智能体协作框架的出现，我最大的感受是：AI 正在从"单兵作战"走向"团队协作"。
多智能体架构，恰恰把任务拆解成了更专业的子领域，让每个智能体在各自擅长的方向上做到极致，再通过协同机制整合起来。
这种范式，不仅适用于量化交易，在软件开发、内容创作、企业决策等领域，同样有着广阔的应用空间。
GitHub 项目地址:
https://github.com/TauricResearch/TradingAgents
今天的分享到此结束，我们下期再见！
🚀 AI网站更新公告
各位用户：
我们网站在 ChatGPT发布全新的 GPT5.5之后迅速跟进！包括最新新的 Gemini 3.1 Pro 和 Grok 4.3！
