摘要
一句话总结
TradingAgents 是一个基于多智能体大语言模型（LLM）的金融交易开源框架，通过模拟真实交易公司的运作机制，利用不同专业角色的智能体协同进行市场分析与交易决策。
核心要点
- 项目热度与开源协议：该项目主要使用 Python 开发，采用 Apache License 2.0 协议，在 GitHub 上拥有超过 3 万 Stars，具有极高的社区关注度。
- 最新版本特性：2026年2月发布的 v0.2.0 版本引入了对多供应商 LLM 的支持（包括 GPT-5.x、Gemini 3.x、Claude 4.x 和 Grok 4.x），并优化了系统架构。
- 多智能体协同架构：框架将复杂的交易任务分解为专业角色，智能体之间通过动态讨论和辩论来制定最佳交易策略。
- 分析师团队（Analyst Team）：包含基本面分析师（评估财务指标）、情绪分析师（分析社交媒体情绪）、新闻分析师（监控宏观经济与全球事件）和技术分析师（利用 MACD、RSI 等指标预测价格走势）。
- 研究员团队（Researcher Team）：由看涨和看跌研究员组成，通过结构化辩论对分析师的见解进行批判性评估，以平衡潜在收益与风险。
- 交易员智能体（Trader Agent）：负责综合分析师和研究员的报告，决定交易的具体时机和规模。
- 风控与投资组合管理：风控团队持续评估市场波动和流动性等风险因素；投资组合经理（Portfolio Manager）负责最终审批交易提案，并在模拟交易所中执行。
- 部署环境：推荐使用 Python 3.13 并在虚拟环境中进行安装部署。
风险与局限
- 非投资建议：该框架专为研究目的设计，明确声明不构成任何金融、投资或交易建议。
- 性能不确定性：实际交易表现会因多种非确定性因素而异，包括所选的基础大语言模型、模型温度（Temperature）、交易周期以及数据质量等。
功能与定位
TradingAgents: Multi-Agents LLM Financial Trading Framework
典型使用场景
- 用于快速搭建 AI 应用、工作流或服务化能力。
- 作为上层产品的能力底座，统一模型调用与业务集成。
核心功能
- 提供应用框架或平台化能力。
- 支持模型接入、流程编排或接口服务化。
- 面向开发与部署提供基础工程支持。
特色与差异点
- 仓库长期活跃，最近更新时间为 2026-02-22T11:20:16Z。
- 项目创建于 2024-12-28T03:31:08Z，具备持续迭代与社区沉淀。
- 以
Python为主语言，聚焦该技术栈的工程实践。
使用方式概览
- 阅读仓库 README 与官方文档，确认适配场景与依赖条件。
- 按项目推荐方式完成安装与初始化，再从示例或最小流程开始验证。
- 在生产使用前补齐权限控制、日志监控和版本固定策略。
限制与注意事项
- 使用前应先核对许可证、项目维护状态与安全边界。
链接
- 仓库：https://github.com/TauricResearch/TradingAgents
- 官网：https://arxiv.org/pdf/2412.20138
- README：https://raw.githubusercontent.com/TauricResearch/TradingAgents/main/README.md
- Releases：https://github.com/TauricResearch/TradingAgents/releases