TradingAgents-CN多智能体AI股票分析10分钟从启动到跑出第一份分析报告【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 是基于多智能体 LLM 的中文金融分析框架你可以理解为给一个股票代码它会让一群 AI 研究员、交易员、风控各自开工最后把一份中文分析报告交到你手上。它适合想弄明白大模型到底怎么参与股票研究的人也适合想批量跑报告、对比结论的研究者但不提供实盘交易指令。门槛不高有 Docker 的话基本一条命令的事没有 Docker 就需要 Python 3.10 以上环境。最快路径跑起来最省事的路线是 Docker一条命令把 Web 后端、前端、MongoDB存股票数据和结果的数据库、Redis缓存全部拉起来。先把代码拉下来git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN然后在项目根目录启动所有服务首次运行要构建镜像可能要等几分钟别急着关终端docker compose up -d跑完之后确认它活着看两个地方docker compose ps输出里 backend、frontend 都变成 healthy 就算启动成功。接着浏览器打开 http://localhost:3000 是 Web 界面http://localhost:8000/docs 是 API 文档。端口映射写在 docker-compose.yml 里如果 3000 或 8000 被占了直接改那两行映射就行。如果你更习惯源码和本地 CLI看报告用 Web 更舒服但如果你想在终端里一步步交互走源码路线python -m venv venv source venv/bin/activate pip install -r requirements.txt cp .env.example .env.env是放所有密钥的地方仓库里只有模板.env.example。复制过来之后至少填一个 LLM 的密钥否则 AI 没法开口说话。项目推荐阿里百炼的DASHSCOPE_API_KEY国产模型、中文表现好# .env 里只需关注这两个其余字段省略 DASHSCOPE_API_KEYsk-xxxxCLI 本地跑同样要连 MongoDB 和 Redis这也是新手建议走 Docker 的原因——库帮你一起起好了。幕后分析一只股票时谁在干活多智能体听着唬人其实就是一条流水线像讲人话就是分工加互查一次分析的完整动线数据进来中间多空辩论最后输出建议。数据层先取行情和新闻Tushare、AkShare、BaoStock 这些中文数据源都接好了然后研究员分成看多和看空两拨各拿各的证据互相辩论辩论结论递给交易员翻译成买卖和仓位建议最后风控团队过一遍把关后才产出最终建议。整条线是一个 LangGraph 状态机可以想成一张下一步轮到谁的流程图画在代码里藏在 tradingagents/graph/ 目录下。所谓多智能体就是让好几个模型分工、互相查作业而不是一个大模型从头干到尾。第一个真实分析任务怎么跑拿一只 A 股来完整走一遍比如贵州茅台。先进 CLIpython -m cli.main analyze启动后是交互界面输入股票代码600519接着选要启用哪些分析师、研究深度、LLM 提供商。启动后先看到欢迎界面和股票代码输入提示。研究深度是 1 到 5 级数字越大跑得越深也越慢第一次建议 2 或 3。选完回车屏幕开始滚动哪个智能体在跑、调了什么数据工具、输出了什么全都能看见。深度高一点时单只股票要跑好几分钟正常它背后在多次调用模型。技术面分析过程中的实时输出能看到具体指标和进度。结束后报告会落进 data/analysis_results/ 目录Web 界面的报告页也能看到同一份。如果你想顺手调一下把深度换成 5 再跑一次同一只票对比两份报告就能直观感受深度到底多买了什么内容。把配置调成自己顺手的样子真正影响体验的就这几处改完你能马上感觉到差别研究深度——不用改文件每次分析启动时在交互界面里选。改到 2 就是快速扫一眼快、报告薄改到 5 就是深度研究慢、但辩论轮次和内容都明显变厚。这是你最先会反复拨的那个旋钮。LLM 提供商——改 .env.example 复制出来的.env里的密钥或者直接在 Web 界面的配置管理页添加新的厂家和模型。同一个分析任务模型从便宜的换成更强的辩论质量肉眼可见地变扎实反过来换便宜的就省钱。日志详细程度——在.env里把TRADINGAGENTS_LOG_LEVEL从INFO改成DEBUG重启服务后 logs/ 目录里的日志会详细很多排查数据怎么没取到这类问题靠它最省力。卡住了来这里对号入座浏览器打开 3000 端口是空白或 502—— 大概率后端容器还没健康。跑docker compose ps看 backend 状态再跑docker compose logs backend看具体报错最常见的是 MongoDB 还没就绪等健康检查通过即可。报告里数据缺失、警告一堆—— 项目 README 明确提醒分析前要先同步股票数据否则结果会出现数据错误。跑python scripts/check_stock_daily_data.py确认库里到底有没有这只票的数据。AI 输出质量差或者压根跑不动—— 多半是密钥问题。执行python -m cli.main config它会列出每个 API 密钥是已配置还是未配置缺哪个补哪个。端口被占容器起不来—— 改 docker-compose.yml 顶部的端口映射比如 8000 改成 8001如果前端也要连后端记得同步把VITE_API_BASE_URL改掉否则前端找不到 API。一个能直接搬走的批量分析工作流单只跑顺了下一步自然是把自选股一次跑完。Web 界面自带批量分析功能把多只股票一起加进任务即可。想在命令行里做仓库里有个现成模板 examples/batch_analysis.py照着它改股票代码列表就能跑python examples/batch_analysis.py它会把列表里的股票逐个分析报告同样落在 data/analysis_results/一只股票一个文件方便横向对比。两个实操提醒一次别塞太多只数据源 API 有速率限制全挤一起反而容易超时批量跑时把研究深度降到 2 到 3否则单只跑几分钟三只就能吃一下午。跑完按文件顺序打开重点对比同一只股票在不同深度下的结论差异比单看一份报告收获大得多。从这里继续挑一只你真正在关注的股票分别用深度 2 和深度 5 各跑一次对比结论变化——这是理解整套多智能体流程最快的办法。顺着 tradingagents/graph/ 读多智能体状态机是怎么连起来的再看 tradingagents/ 里每个分析师角色手里都有什么工具。资料入口完整文档在 docs/可运行的示例在 examples/问题反馈找项目的 GitHub Issues 和 QQ 群联系方式写在 README.md 里。先跑起来剩下的边用边悟。报告是 AI 团队写的但你问 AI 的问题得是你自己的。【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AI股票分析10分钟从启动到跑出第一份分析报告【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 是基于多智能体 LLM 的中文金融分析框架你可以理解为给一个股票代码它会让一群 AI 研究员、交易员、风控各自开工最后把一份中文分析报告交到你手上。它适合想弄明白大模型到底怎么参与股票研究的人也适合想批量跑报告、对比结论的研究者但不提供实盘交易指令。门槛不高有 Docker 的话基本一条命令的事没有 Docker 就需要 Python 3.10 以上环境。最快路径跑起来最省事的路线是 Docker一条命令把 Web 后端、前端、MongoDB存股票数据和结果的数据库、Redis缓存全部拉起来。先把代码拉下来git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN然后在项目根目录启动所有服务首次运行要构建镜像可能要等几分钟别急着关终端docker compose up -d跑完之后确认它活着看两个地方docker compose ps输出里 backend、frontend 都变成 healthy 就算启动成功。接着浏览器打开 http://localhost:3000 是 Web 界面http://localhost:8000/docs 是 API 文档。端口映射写在 docker-compose.yml 里如果 3000 或 8000 被占了直接改那两行映射就行。如果你更习惯源码和本地 CLI看报告用 Web 更舒服但如果你想在终端里一步步交互走源码路线python -m venv venv source venv/bin/activate pip install -r requirements.txt cp .env.example .env.env是放所有密钥的地方仓库里只有模板.env.example。复制过来之后至少填一个 LLM 的密钥否则 AI 没法开口说话。项目推荐阿里百炼的DASHSCOPE_API_KEY国产模型、中文表现好# .env 里只需关注这两个其余字段省略 DASHSCOPE_API_KEYsk-xxxxCLI 本地跑同样要连 MongoDB 和 Redis这也是新手建议走 Docker 的原因——库帮你一起起好了。幕后分析一只股票时谁在干活多智能体听着唬人其实就是一条流水线像讲人话就是分工加互查一次分析的完整动线数据进来中间多空辩论最后输出建议。数据层先取行情和新闻Tushare、AkShare、BaoStock 这些中文数据源都接好了然后研究员分成看多和看空两拨各拿各的证据互相辩论辩论结论递给交易员翻译成买卖和仓位建议最后风控团队过一遍把关后才产出最终建议。整条线是一个 LangGraph 状态机可以想成一张下一步轮到谁的流程图画在代码里藏在 tradingagents/graph/ 目录下。所谓多智能体就是让好几个模型分工、互相查作业而不是一个大模型从头干到尾。第一个真实分析任务怎么跑拿一只 A 股来完整走一遍比如贵州茅台。先进 CLIpython -m cli.main analyze启动后是交互界面输入股票代码600519接着选要启用哪些分析师、研究深度、LLM 提供商。启动后先看到欢迎界面和股票代码输入提示。研究深度是 1 到 5 级数字越大跑得越深也越慢第一次建议 2 或 3。选完回车屏幕开始滚动哪个智能体在跑、调了什么数据工具、输出了什么全都能看见。深度高一点时单只股票要跑好几分钟正常它背后在多次调用模型。技术面分析过程中的实时输出能看到具体指标和进度。结束后报告会落进 data/analysis_results/ 目录Web 界面的报告页也能看到同一份。如果你想顺手调一下把深度换成 5 再跑一次同一只票对比两份报告就能直观感受深度到底多买了什么内容。把配置调成自己顺手的样子真正影响体验的就这几处改完你能马上感觉到差别研究深度——不用改文件每次分析启动时在交互界面里选。改到 2 就是快速扫一眼快、报告薄改到 5 就是深度研究慢、但辩论轮次和内容都明显变厚。这是你最先会反复拨的那个旋钮。LLM 提供商——改 .env.example 复制出来的.env里的密钥或者直接在 Web 界面的配置管理页添加新的厂家和模型。同一个分析任务模型从便宜的换成更强的辩论质量肉眼可见地变扎实反过来换便宜的就省钱。日志详细程度——在.env里把TRADINGAGENTS_LOG_LEVEL从INFO改成DEBUG重启服务后 logs/ 目录里的日志会详细很多排查数据怎么没取到这类问题靠它最省力。卡住了来这里对号入座浏览器打开 3000 端口是空白或 502—— 大概率后端容器还没健康。跑docker compose ps看 backend 状态再跑docker compose logs backend看具体报错最常见的是 MongoDB 还没就绪等健康检查通过即可。报告里数据缺失、警告一堆—— 项目 README 明确提醒分析前要先同步股票数据否则结果会出现数据错误。跑python scripts/check_stock_daily_data.py确认库里到底有没有这只票的数据。AI 输出质量差或者压根跑不动—— 多半是密钥问题。执行python -m cli.main config它会列出每个 API 密钥是已配置还是未配置缺哪个补哪个。端口被占容器起不来—— 改 docker-compose.yml 顶部的端口映射比如 8000 改成 8001如果前端也要连后端记得同步把VITE_API_BASE_URL改掉否则前端找不到 API。一个能直接搬走的批量分析工作流单只跑顺了下一步自然是把自选股一次跑完。Web 界面自带批量分析功能把多只股票一起加进任务即可。想在命令行里做仓库里有个现成模板 examples/batch_analysis.py照着它改股票代码列表就能跑python examples/batch_analysis.py它会把列表里的股票逐个分析报告同样落在 data/analysis_results/一只股票一个文件方便横向对比。两个实操提醒一次别塞太多只数据源 API 有速率限制全挤一起反而容易超时批量跑时把研究深度降到 2 到 3否则单只跑几分钟三只就能吃一下午。跑完按文件顺序打开重点对比同一只股票在不同深度下的结论差异比单看一份报告收获大得多。从这里继续挑一只你真正在关注的股票分别用深度 2 和深度 5 各跑一次对比结论变化——这是理解整套多智能体流程最快的办法。顺着 tradingagents/graph/ 读多智能体状态机是怎么连起来的再看 tradingagents/ 里每个分析师角色手里都有什么工具。资料入口完整文档在 docs/可运行的示例在 examples/问题反馈找项目的 GitHub Issues 和 QQ 群联系方式写在 README.md 里。先跑起来剩下的边用边悟。报告是 AI 团队写的但你问 AI 的问题得是你自己的。【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
