交易室的秘密
想象 5 个 AI 分析师正在激烈争论：要不要买入 AAPL 股票？
每笔交易背后，都是一场辩论
在真实的对冲基金里，一个交易决策从不由一个人拍板。基本面分析师看财报，技术分析师看图表，新闻分析师看宏观，风控经理看风险——他们争论，直到达成共识。
TradingAgents 把这套流程完全复刻了出来，只不过每个角色都换成了 LLM。你输入一个股票代码，5 秒后，一场 AI 辩论会就开始了。
TradingAgents 是目前 GitHub 上最受关注的金融 AI 开源项目之一。它不只是一个"调用 GPT 问股票"的脚本——它是一套完整的多智能体系统，有完整的辩论、风控和决策流程。">
你输入 "NVDA" 之后，发生了什么？
当你运行 ta.propagate("NVDA", "2026-01-15")，整个系统会按照一条流水线自动运转：
基本面、技术面、新闻、社交媒体——四条数据流并行采集，各自生成报告
Bull 研究员拿着 4 份报告为买入辩护，Bear 研究员为做空辩护——轮流发言，可配置辩论轮数
Research Manager 综合辩论，Trader 给出具体的买/卖/持有方案
激进派、保守派、中立派对交易方案展开风险讨论
综合所有信息，输出 Buy / Overweight / Hold / Underweight / Sell
为什么这个设计思路值得你学习？
TradingAgents 最有价值的地方不是它能不能赚钱——而是它展示了一套构建AI Agent 协作系统的完整模式。
角色专业化
每个 Agent 只干一件事，靠不同的 prompt 赋予不同视角
结构化辩论
对立观点互相质疑，比单一 AI 独断更不容易出现偏差
状态管理
用 LangGraph 维护对话历史，每个 Agent 都能看到完整上下文
接下来 5 个模块：认识角色 → 理解辩论机制 → 数据从哪来 → 决策如何产生 → 自己跑一遍。每个模块都有互动练习。
检验一下你的理解
你的朋友说："TradingAgents 就是一个问 GPT 应该买什么股票的工具。" 这个说法哪里不够准确？
在 TradingAgents 里，Bull Researcher 和 Bear Researcher 的关系是？
认识你的 AI 团队
10 个角色，每个都有专属身份证——这就是你雇的 AI 员工
这支团队长什么样？
把 TradingAgents 想象成一家迷你对冲基金，你是老板，但所有员工都是 AI。他们分成四组，各司其职，就像棒球队里的不同守位——每个位置都缺一不可。
基本面、技术面、新闻、社交媒体——各自调用工具收集数据，输出专业报告
Bull（多头）和 Bear（空头）研究员，拿着分析报告互相辩论，碰出火花
经理总结辩论共识，交易员据此出具具体的买卖提案
激进派、保守派、中立派风控分析师再次辩论，Portfolio Manager 最终决策
点击任意角色，了解他在代码里做什么
分析师层 — 并行运行
Analyst
Analyst
Analyst
Analyst
研究员辩论层
Researcher
Researcher
Manager
交易 + 风控层
Analyst
Analyst
Manager
一个"角色"在代码里长什么样？
你可能以为给 AI 分配"角色"需要复杂的框架。实际上，一个 Agent 的核心就是一段 prompt。来看 Bull Researcher 的真实代码：
def create_bull_researcher(llm):
def bull_node(state) -> dict:
history = investment_debate_state.get("history", "")
market_research_report = state["market_report"]
prompt = f"""You are a Bull Analyst
advocating for investing...
Last bear argument: {current_response}"""
response = llm.invoke(prompt)
argument = f"Bull Analyst: {response.content}"
return {"investment_debate_state": ...}
第1行：这是一个工厂函数——传入一个 LLM，返回一个 Agent 节点
第3行：从共享状态里读出历史对话，这样 AI 知道辩到哪了
第4行：读出基本面分析报告——这是它辩论的"弹药"
第5-7行：这才是角色的核心！一段 f-string prompt 定义了这个 AI 是"多头分析师"，并把对手最新论点塞进去
第8行：调用 LLM 生成回应，就是这么简单
第10行：把结果写回共享状态，供下一个 Agent 读取
Bull Researcher 和 Bear Researcher 调用的是同一个 LLM，唯一的区别就是 prompt 不同。这说明"角色"不在于用哪个模型，而在于你怎么告诉它扮演谁。这是你让 AI 做任何专业工作时都能用的模式。
角色扮演练习
Bull Researcher 和 Bear Researcher 的核心区别是什么？
你想给系统添加一个"历史交易学习"功能，让它记住上次操作 AAPL 的结果。你应该修改哪个角色的逻辑？
辩论协议
多头 vs 空头——看 AI 如何一来一往地相互质疑，直到分出胜负
为什么不直接问一个 AI？
想象你在法庭上，只有检察官发言，没有辩护律师——这样的判决你信服吗？单一 AI 分析股票也是同样的问题：它会给你一个答案，但很可能只是它训练数据偏差的反映。
辩论机制的核心价值是：两个持对立立场的 AI 互相挑战对方的漏洞，就像庭审中检辩双方互相质证，最终经得起质疑的论点才能留下来。
这不是 TradingAgents 首创的模式——它借鉴自"对立式 AI"(Adversarial AI) 研究。让两个 AI 担任"原告"和"被告"，比单个 AI 更能发现推理漏洞。
一场真实的 AI 辩论——关于买入 AAPL
以下是 Bull 和 Bear 研究员在分析完 4 份报告后，真实发生的对话。点击"下一条"逐步展示，感受辩论的节奏：
辩论如何在代码里"流动"？
每次辩论都通过一个 共享状态对象 传递。来看 Bear Researcher 写完后，状态是什么样的：
new_investment_debate_state = {
"history": history + "\n" + argument,
"bear_history": bear_history + "\n" + argument,
"bull_history": investment_debate_state.get("bull_history", ""),
"current_response": argument,
"count": investment_debate_state["count"] + 1,
}
history：完整对话历史——Bull 和 Bear 说过的每一句话都在这里，下一个 Agent 靠它知道全局
bear_history：只保存 Bear 说过的话，便于后续只查看一方的论点
bull_history：保留 Bull 的历史不变（Bear 写完之后，Bull 的记录当然不变）
current_response：本轮最新发言——下一个出场的 Agent 优先读这个，作为它要回应的内容
count：辩论轮数计数器——达到上限就停止辩论，进入下一阶段
辩论是如何知道"何时结束"的？
这是 LangGraph 的条件路由——系统在每次辩论后判断：继续还是停止？
Bull 发言
检查 count < max_rounds?
Yes → Bear 发言
No → Research Manager
max_debate_rounds 默认是 1，意味着 Bull 和 Bear 各说一次就结束。增加到 3 会让辩论更深入，但 API 成本也增加 3 倍。这是你部署时必须权衡的参数。
拖拽练习：把每个状态字段拖到它的正确用途上
下一位辩手读这个字段，了解上一轮对方说了什么
决定辩论是否应该结束的计数器
包含所有轮次发言的完整对话记录
数据管道
4 个分析师靠什么"看"到市场？从 Yahoo Finance 到 AI 报告的全程追踪
AI 分析师靠什么说话？
分析师再厉害，没有数据就是空谈。TradingAgents 的每位 AI 分析师都配备了一套专属工具，就像打铁铺的匠人——每种锤子敲不同的活儿。
get_stock_data
拉取股价历史、交易量、OHLC 数据——技术分析师的基础弹药
get_indicators
计算 MACD、RSI、布林带等技术指标——把原始价格转化为可读信号
get_fundamentals
公司基本面：市值、P/E、营收——基本面分析师的核心数据集
get_balance_sheet
资产负债表：资产、负债、权益——判断公司财务健康的关键
get_news
公司相关新闻——催化剂或利空的第一信号
get_global_news
宏观经济事件：加息、地缘政治——影响整个市场的背景噪声
数据如何从互联网流向 AI 报告？
点击"下一步"，跟踪一个数据请求从发起到报告生成的完整旅程：
Analyst
Layer
/ Alpha Vantage
(GPT/Claude)
工具是怎么绑定到 Agent 上的？
分析师能"调用工具"，是因为用了 Function Calling。来看基本面分析师的工具绑定：
tools = [
get_fundamentals,
get_balance_sheet,
get_cashflow,
get_income_statement,
]
chain = prompt | llm.bind_tools(tools)
result = chain.invoke(state["messages"])
if len(result.tool_calls) == 0:
report = result.content
第1-6行：把 4 个工具函数放进一个列表——这就是分析师的"工具箱"
第7行：bind_tools 把工具描述注入到 LLM，LLM 现在知道它有哪些工具可以用
第8行：发送请求。LLM 可能决定先调用工具（比如先拿财报），再生成分析
第10-11行：当 LLM 不再调用工具（tool_calls 为空），说明数据收集完毕，result.content 就是最终的分析报告
注意这里没有 if-else 判断。AI 分析师自主决定调哪个工具、调几次——可能先看基本面，再看现金流，再综合分析。这种自主性是现代 Agent 系统的核心特征，也是它比传统脚本更强大的地方。
数据源可以切换——你在掌控
TradingAgents 在数据源上做了抽象层，你只需改一行配置，就能在 Yahoo Finance 和 Alpha Vantage 之间切换：
yfinance
免费，无需 API Key，数据覆盖全面——适合快速原型和学习
alpha_vantage
需要 API Key，数据更精准，有速率限制——适合生产部署
你想把数据源从 yfinance 换成 alpha_vantage，但不想改动任何分析师的 prompt 逻辑。你应该修改哪一层的代码？
决策引擎
从辩论到交易提案再到最终拍板——追踪决策如何层层浮现
整个系统是怎么"思考"的？
如果你把 TradingAgents 想象成一家有规律的公司，它的决策流程就像这样：数据驱动分析，分析驱动辩论，辩论驱动计划，计划驱动提案，提案驱动风险评估，风险评估驱动最终决策。
风控委员会的三方辩论
Trader 出了交易提案之后，三位风控分析师开始辩论：这个提案的风险是否可接受？
Portfolio Manager 如何输出"机器可读"的决策？
早期版本的 Portfolio Manager 输出纯文字，很难被代码解析。新版本使用了 结构化输出：
def create_portfolio_manager(llm):
structured_llm = bind_structured(
llm, PortfolioDecision, "Portfolio Manager"
)
def portfolio_manager_node(state):
history = state["risk_debate_state"]["history"]
trader_plan = state["trader_investment_plan"]
past_context = state.get("past_context", "")
# ... calls structured_llm ...
return {"final_trade_decision": decision}
bind_structured：把 LLM 包装成一个会按 PortfolioDecision 格式输出的版本，输出总是有 action、confidence、reasoning 三个字段
history：读取三位风控分析师的完整辩论历史
trader_plan：读取交易员的具体交易提案
past_context：从决策日志里读取历史教训——如果上次在同一只股票亏钱了，这里会注入那段经历
final_trade_decision：最终决策写入状态，整个流程结束
Portfolio Manager 有一个 past_context 字段，会注入同一股票的历史交易结果和经验教训。这意味着系统会随着时间积累"经验"——如果上次操作 NVDA 失误了，下次会更谨慎。这是 TradingAgents 比简单 AI 脚本更高级的关键特征之一。
决策质量测试
假设系统上周操作 TSLA 亏损了 15%，你想让下次分析 TSLA 时系统更保守。最有效的方式是什么？
Portfolio Manager 使用结构化输出（structured output）的主要好处是什么？
运行你的交易模拟
从安装到第一笔 AI 决策——动手实操完整指南
5 分钟启动你的 AI 交易室
你现在已经理解了系统的每个零件。是时候把它跑起来了。TradingAgents 有两种启动方式：
CLI 交互模式
命令行界面，有实时进度显示，适合直接体验完整流程
Python 代码调用
直接在代码里集成，适合构建自己的应用或自动化策略
Docker 容器
无需配置 Python 环境，一行命令启动，适合快速上手
从零到第一个决策的完整步骤
git clone https://github.com/TauricResearch/TradingAgents && cd TradingAgents && pip install .
最少只需要一个：你的 LLM 提供商的 Key（OpenAI / Anthropic / Google 等）。数据默认用 yfinance，无需额外 Key。
导入、初始化、调用 propagate——这三步就是系统的完整入口
根据 max_debate_rounds 设置，整个分析流程通常需要 2-5 分钟。可以在 CLI 里实时观察每个 Agent 的输出
最终决策保存在返回值里，也会写入 ~/.tradingagents/logs/ 的持久化日志
最核心的代码——3 行启动整个系统
这是 入口点，也是整个系统的使用说明书：
from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG
config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai"
config["max_debate_rounds"] = 2
ta = TradingAgentsGraph(debug=True, config=config)
_, decision = ta.propagate("NVDA", "2026-01-15")
print(decision)
第1-2行：导入主类和默认配置——就像把乐高说明书和零件盒都拿出来
第4-6行：复制默认配置（不要直接改原始配置），然后定制：选哪家 LLM、辩论几轮
第8行：创建"AI 交易室"实例，debug=True 会打印每个 Agent 的思考过程
第9行：这一行触发整个系统：10 个 Agent 依次工作，分析师收数据，研究员辩论，交易员提案，风控审查，最终决策
第10行：打印最终决策——Buy / Hold / Sell 加上完整的推理过程
你可以调哪些"旋钮"？
TradingAgents 的核心配置项直接影响你的决策质量和成本：
max_debate_rounds
辩论轮数。1 轮最快最便宜，3 轮最深入但成本 3 倍。生产建议 1-2 轮
deep_think_llm
用于复杂推理的模型（Research Manager, Portfolio Manager）。用更强的模型
quick_think_llm
用于快速任务的模型（4 位分析师、交易员）。可用更便宜的模型降低成本
selected_analysts
选哪些分析师参与。去掉 "social" 可省略社交媒体分析，速度更快
checkpoint_enabled
开启检查点续跑。程序崩溃后从上次断点继续，不用重头来过
你的预算有限，只能为一个角色配置最强的 LLM 模型。应该优先给哪个角色？
你的程序在跑到 Bull Researcher 时崩溃了，已经花了 4 位分析师的 API 费用。下次重跑怎么避免重复消费这部分费用？
你现在掌握了什么？
你刚刚学完了一套完整的多智能体 AI 系统。这不只是"TradingAgents 怎么用"——更重要的是，你现在理解了一套通用的 AI 工程模式：
同一个 LLM，用不同 prompt 可以扮演完全不同的角色。这是构建多 Agent 系统最基础的积木
让 AI 互相质疑比让一个 AI 独断更可靠。Bull vs Bear，激进 vs 保守——这套机制可以用在任何复杂决策场景
AgentState 就是所有 Agent 共享的白板。学会设计清晰的状态结构，是构建复杂 Agent 工作流的关键
自由文本输出是不可靠的——用 Pydantic 或 structured output 约束 LLM 的输出格式，让代码能稳定地消费 AI 的结论
克隆仓库，用你自己感兴趣的股票跑一次。观察每个 Agent 的输出，看看 Bull 和 Bear 在争什么——这比读文档学到的多得多。