TradingAgents 中文增强版是一套基于多智能体大语言模型的 金融交易决策框架 , 特别为中文用户优化,覆盖 A股 / 港股 / 美股 的智能化分析与研究场景。
🚀 最新版本
cn-0.1.13-preview
原生支持 OpenAI 并全面集成 Google AI!•新增自定义 OpenAI 端点配置•集成 9 个 Google AI 最新模型•优化 LLM 适配器架构
🎯 核心功能
•原生 OpenAI 接入•Google AI 全面支持 •自定义端点配置•智能化模型选择机制•多 LLM 提供商统一适配 •模型选择持久化存储•Docker 容器化部署方案•专业级投资报告导出•完整 A 股市场支持 •全面中文本地化体验
🙏 致敬
特别感谢 Tauric Research 团队[1] ,他们创造了革命性的多智能体交易框架 TradingAgents ,为本项目奠定了坚实基础。
🎯 我们的使命
为中国用户打造完整的中文化金融 AI 体验:
•覆盖 A股 / 港股市场 •集成国产大模型•推动 AI 金融技术在中文社区的普及与应用
🆕 v0.1.13 版本更新
🤖 原生 OpenAI 端点支持
•自定义端点 :可配置任意 OpenAI 兼容 API•灵活模型调用 :不限于官方模型,兼容多种格式•原生适配器 :新增 OpenAI 专用适配器,兼容性与性能更优•配置管理 :统一管理端点与模型参数
🧠 Google AI 全面集成
•三大官方包支持:langchain-google-genai
、google-generativeai
、google-genai
•集成 9 个最新验证模型 :包括 gemini-2.5-pro、gemini-2.5-flash、gemini-2.0-flash 等•专用调用处理器 :支持 Google 工具生态•智能降级机制 :当高级功能失败时,自动回退至基础模式
🔧 LLM 适配器架构优化
•新增 GoogleOpenAIAdapter ,实现 OpenAI 兼容•统一接口 :不同 LLM 提供商调用方式一致•错误处理增强 :更智能的异常捕获与自动重试•性能监控 :新增调用性能统计
🎨 Web 界面优化
•智能模型选择 :自动选择最佳可用模型•问题修复 :彻底解决 KeyError 报错•UI 响应优化 :切换模型更流畅,体验更佳•友好提示 :改进错误提示与解决方案
🆕 v0.1.12 版本更新
🧠 智能新闻分析模块
•基于 AI 的 新闻相关性与质量评估 •三层过滤机制:基础 / 增强 / 集成•自动剔除低质量、重复或无关新闻•整合多数据源,提供统一接口
🔧 技术优化与修复
•修复 DashScope 适配器兼容问题•修复 DeepSeek 无限循环 Bug•提升 LLM 工具调用稳定性•优化新闻检索器性能
📚 测试与文档完善
•新增 15+ 测试文件 ,覆盖新增功能•新增 8 篇技术报告与修复文档 •增补用户指南与最佳实践•提供完整演示脚本
🗂️ 项目结构优化
•文档分类整理至 docs/
•示例代码统一至 examples/
•根目录保持简洁专业
🎯 核心特性
🤖 多智能体协作架构
•分析师分工 :基本面、技术面、新闻、社交媒体•结构化辩论 :看涨 / 看跌研究员深度讨论•智能交易员 :综合信息生成最终投资建议•风险管理 :多层级风控机制
基于 Streamlit 构建的现代化响应式应用
主页 - 分析配置
实时分析进展
分析结果呈现
🎯 核心功能亮点
📋 智能分析配置
•🌍 多市场覆盖 :一站式支持美股、A股与港股•🎯 五级研究深度 :从 2 分钟速览到 25 分钟全面研究•🤖 多维智能体 :涵盖技术面、基本面、新闻与社交媒体分析•📅 灵活回溯 :可对任意历史时间点进行分析
🚀 实时进度跟踪
•📊 进度可视化 :实时展示分析进展与剩余时间•🔄 智能步骤识别 :自动定位当前分析阶段•⏱️ 精准时间预估 :基于历史数据计算完成时长•💾 状态保持 :刷新页面也不会丢失进度
📈 专业结果展示
•🎯 投资建议 :清晰的买入 / 持有 / 卖出结论•📊 多维度评估 :综合技术面、基本面与新闻情绪•🔢 量化指标 :包含置信度、风险评分与目标价位•📄 多格式导出 :支持 Markdown / Word / PDF 报告生成
🤖 多 LLM 模型管理
•🌐 四大提供商 :DashScope、DeepSeek、Google AI、OpenRouter•🎯 60+ 模型库 :覆盖从经济型到旗舰级的多类模型•💾 配置持久化 :URL 参数保存模型选择与配置•⚡ 快速切换 :常用模型一键切换,高效便捷
🚀 快速上手
1.启动应用:python start\_web.py
或 docker-compose up -d
2.打开浏览器访问:http://localhost:85013.选择模型:在侧边栏配置 LLM 提供商与模型4.输入股票代码:如 AAPL
、000001
、0700.HK
5.设定研究深度:选择 1-5 级分析6.点击 “🚀 开始分析” 7.查看进度与分析结果8.一键导出 Markdown / Word / PDF 报告
📊 支持的股票代码
•🇺🇸 美股:AAPL, TSLA, MSFT, NVDA, GOOGL•🇨🇳 A股:000001, 600519, 300750, 002415•🇭🇰 港股:0700.HK, 9988.HK, 3690.HK, 1810.HK
🎯 研究深度分级
•1级 (2-4 分钟) :快速概览,基础技术指标•2级 (4-6 分钟) :技术 + 基本面,标准分析•3级 (6-10 分钟) :加入新闻情绪,推荐默认 ⭐•4级 (10-15 分钟) :全面分析,多智能体辩论•5级 (15-25 分钟) :最深度研究,生成完整报告
💡 使用技巧
•🔄 页面可刷新,进度保持不丢失•📱 兼容移动端与平板•🎨 深色模式自动适配•⌨️ Enter 键快速提交分析•📋 自动保存最近的配置记录
🚀 智能新闻分析(v0.1.12 升级)
| 功能 | 状态 | 说明 | | 🧠 新闻分析 | 🆕 v0.1.12 | AI 驱动的新闻过滤与质量评估 | | 🔧 多层过滤 | 🆕 v0.1.12 | 基础 / 增强 / 集成三级过滤 | | 📰 统一新闻接口 | 🆕 v0.1.12 | 多源新闻整合,统一调用 | | 🤖 多 LLM 接入 | 🆕 v0.1.11 | 四大服务商,60+ 模型支持 | | 💾 模型持久化 | 🆕 v0.1.11 | URL 参数存储,刷新不丢失配置 | | 🎯 快速切换 | 🆕 v0.1.11 | 一键切换热门模型 | | 📊 实时进度 | ✅ v0.1.10 | 异步进度跟踪,智能步骤识别 | | 💾 会话管理 | ✅ v0.1.10 | 跨页面恢复,状态持久化 | | 🎯 一键报告 | ✅ v0.1.10 | 分析完成后直接查看报告 | | 🖥️ Streamlit 界面 | ✅ 完整支持 | 响应式 UI,实时交互与可视化 | | ⚙️ 配置管理 | ✅ 完整支持 | Web 端 API 密钥与参数管理 |
🎨 CLI 用户体验(v0.1.9 优化)
| 功能 | 状态 | 说明 | | 🖥️ 界面与日志分离 | ✅ | 界面简洁清爽,日志独立管理 | | 🔄 智能进度显示 | ✅ | 多阶段跟踪,避免重复提示 | | ⏱️ 时间预估功能 | ✅ | 显示预计耗时,提高透明度 | | 🌈 彩色输出 | ✅ | Rich 彩色进度与状态提示 |
🧠 LLM 模型支持(v0.1.13 升级)
| 提供商 | 模型示例 | 特点 | 状态 | | 🇨🇳 阿里百炼 | qwen-turbo / plus / max | 中文优化,性价比高 | ✅ 集成 | | 🇨🇳 DeepSeek | deepseek-chat | 高效工具调用,低成本 | ✅ 集成 | | 🌍 Google AI | Gemini 2.5 / 2.0 / 1.5 系列 | 最新旗舰与稳定方案 | 🆕 升级 | | 🌐 OpenAI | 自定义端点支持 | 任意兼容 OpenAI 模型 | 🆕 新增 | | 🌐 OpenRouter | 聚合 60+ 模型平台 | 一次接入,覆盖主流模型 | ✅ 集成 |
📊 数据源与市场
| 市场类型 | 数据源 | 覆盖范围 | | 🇨🇳 A股 | Tushare, AkShare, 通达信 | 沪深两市实时行情与财报数据 | | 🇭🇰 港股 | AkShare, Yahoo Finance | 港交所行情与基本面数据 | | 🇺🇸 美股 | FinnHub, Yahoo Finance | NYSE / NASDAQ 实时行情 | | 📰 新闻 | Google News | 全球实时新闻,多语言支持 |
🤖 智能体团队
•分析师团队 :📈 市场分析 | 💰 基本面 | 📰 新闻 | 💬 情绪•研究团队 :🐂 看涨研究员 | 🐻 看跌研究员 | 🎯 交易决策员•管理层 :🛡️ 风险管理员 | 👔 研究主管
🚀 快速开始
🐳 Docker部署 (推荐)
# 1. 克隆项目
git clone https://github.com/hsliuping/TradingAgents-CN.git
cd TradingAgents-CN
# 2. 配置环境变量
cp .env.example .env
# 编辑 .env 文件,填入API密钥
# 3. 启动服务
# 首次启动或代码变更时(需要构建镜像)
docker-compose up -d --build
# 日常启动(镜像已存在,无代码变更)
docker-compose up -d
# 智能启动(自动判断是否需要构建)
# Windows环境
powershell -ExecutionPolicyBypass-File scripts\smart_start.ps1
# Linux/Mac环境
chmod +x scripts/smart_start.sh &&./scripts/smart_start.sh
# 4. 访问应用
# Web界面: http://localhost:8501
💻 本地部署
# 1. 升级pip (重要!避免安装错误)
python -m pip install --upgrade pip
# 2. 安装依赖
pip install -e .
# 3. 启动应用
python start_web.py
# 4. 访问 http://localhost:8501
🔎 操作流程
1.选择模型 :支持 DeepSeek V3 / 通义千问 / Gemini2.输入股票代码 :如•A股:000001•美股:AAPL•港股:0700.HK3.启动分析 :点击 “🚀 开始分析” 按钮4.实时跟踪 :观察分析进度与步骤提示5.查看报告 :点击 “📊 查看分析报告” 按钮6.导出结果 :支持 Word / PDF / Markdown 多格式输出
🎯 核心优势
•🧠 智能新闻分析 :v0.1.12 新增 AI 驱动的新闻过滤与质量评估•🔧 多层次过滤 :基础 / 增强 / 集成三级过滤机制•📰 统一新闻工具 :整合多源新闻,提供统一检索接口•🆕 多 LLM 集成 :v0.1.11 接入 4 大服务商,支持 60+ 模型•💾 配置持久化 :URL 参数保存模型选择,刷新配置不丢失•🎯 快速切换 :5 个热门模型一键切换•🆕 实时进度 :v0.1.10 引入异步跟踪,避免“黑盒等待”•💾 智能会话 :状态持久化,支持跨页面恢复•🇨🇳 中国优化 :内置 A股 / 港股数据,支持国产 LLM 与中文界面•🐳 容器化支持 :Docker 一键部署,环境隔离、快速扩展•📄 专业报告 :自动生成投资建议,多格式导出•🛡️ 稳定可靠 :多层数据源,支持智能降级与错误恢复
🔧 技术架构
•核心技术 :Python 3.10+ | LangChain | Streamlit | MongoDB | Redis•支持模型 :DeepSeek V3 | 阿里百炼 | Google AI | OpenRouter (60+ 模型) | OpenAI•数据源 :Tushare | AkShare | FinnHub | Yahoo Finance•部署方式 :Docker | Docker Compose | 本地部署
📚 文档与支持
•📖 完整文档[2]:安装指南、使用教程、API 文档•🚨 故障排除[3]:常见问题解决方案•🔄 更新日志[4]:版本更新与优化记录•🚀 快速开始[5]:5 分钟上手指南
🆚 中文增强特色
相比原版,增强版新增:
•智能新闻分析 & 多层过滤•新闻质量评估与统一工具接口•多 LLM 提供商接入,支持 60+ 模型•模型选择持久化与快速切换•异步进度显示与智能会话管理•中文界面 & A股/港股数据支持•国产 LLM 接入与优化•Docker 一键部署•专业报告导出 & 日志统一管理•Web 配置界面与成本优化
Docker 部署(推荐)
默认包含以下服务:
•🌐 Web 应用 :TradingAgents-CN 主程序•🗄️ MongoDB :数据持久化存储•⚡ Redis :高速缓存•📊 MongoDB Express :数据库可视化管理界面•🎛️ Redis Commander :缓存管理工具
本地部署
适用场景:开发调试、自定义配置、离线使用
环境要求
•Python 3.10+(推荐 3.11)•内存 4GB+(推荐 8GB+)•稳定的网络连接
安装步骤
# 1. 克隆项目
git clone https://github.com/hsliuping/TradingAgents-CN.git
cd TradingAgents-CN
# 2. 创建虚拟环境
python -m venv env
# Windows
env\Scripts\activate
# Linux/macOS
source env/bin/activate
# 3. 升级pip
python -m pip install --upgrade pip
# 4. 安装所有依赖
pip install -r requirements.txt
#或者使用pip install -e .
pip install -e .
# 注意:requirements.txt已包含所有必需依赖:
# - 数据库支持 (MongoDB + Redis)
# - 多市场数据源 (Tushare, AKShare, FinnHub等)
# - Web界面和报告导出功能
配置API密钥
🇨🇳 推荐:使用阿里百炼(国产大模型)
# 复制配置模板
cp .env.example .env
# 编辑 .env 文件,配置以下必需的API密钥:
DASHSCOPE_API_KEY=your_dashscope_api_key_here
FINNHUB_API_KEY=your_finnhub_api_key_here
# 推荐:Tushare API(专业A股数据)
TUSHARE_TOKEN=your_tushare_token_here
TUSHARE_ENABLED=true
# 可选:其他AI模型API
GOOGLE_API_KEY=your_google_api_key_here
DEEPSEEK_API_KEY=your_deepseek_api_key_here
# 数据库配置(可选,提升性能)
# 本地部署使用标准端口
MONGODB_ENABLED=false# 设为true启用MongoDB
REDIS_ENABLED=false# 设为true启用Redis
MONGODB_HOST=localhost
MONGODB_PORT=27017# 标准MongoDB端口
REDIS_HOST=localhost
REDIS_PORT=6379# 标准Redis端口
# Docker部署时需要修改主机名
# MONGODB_HOST=mongodb
# REDIS_HOST=redis
📋 部署模式配置说明
本地部署模式:
# 数据库配置(本地部署)
MONGODB_ENABLED=true
REDIS_ENABLED=true
MONGODB_HOST=localhost # 本地主机
MONGODB_PORT=27017# 标准端口
REDIS_HOST=localhost # 本地主机
REDIS_PORT=6379# 标准端口
Docker部署模式:
# 数据库配置(Docker部署)
MONGODB_ENABLED=true
REDIS_ENABLED=true
MONGODB_HOST=mongodb # Docker容器服务名
MONGODB_PORT=27017# 标准端口
REDIS_HOST=redis # Docker容器服务名
REDIS_PORT=6379# 标准端口
📦 部署模式说明
•本地部署 :需要手动启动 MongoDB 和 Redis 服务•Docker 部署 :数据库服务由 docker-compose
自动启动,无需额外配置•端口冲突 :如果本地已运行数据库,可在 docker-compose.yml
中修改端口映射
🌍 可选:使用国外模型
若需要接入国外模型,请确保具备 科学上网环境 ,并在 .env
文件中配置以下密钥:
# OpenAI
OPENAI_API_KEY=your_openai_api_key
# Anthropic
ANTHROPIC_API_KEY=your_anthropic_api_key
🗄️ 数据库配置(MongoDB + Redis)
⚡ 高性能存储支持
本项目提供 MongoDB 与 Redis 双数据库支持,具备以下能力:
•📊 股票数据缓存 :减少 API 调用,提升响应速度•🔄 智能降级机制 :数据读取优先级为 MongoDB → API → 本地缓存•⚡ 高性能缓存 :Redis 缓存热点数据,实现毫秒级响应•🛡️ 数据持久化 :MongoDB 保存历史数据,支持离线分析
🐳 数据库部署方式
1. Docker 部署(推荐)
如果使用 Docker,数据库服务会自动随 docker-compose
启动,无需手动配置:
docker-compose up -d --build
自动包含以下服务:
🌐Web应用(端口8501)
🗄️MongoDB(端口27017)
⚡Redis(端口6379)
📊MongoDBExpress(端口8081)
🎛️RedisCommander(端口8082)
2. 本地部署
方式一:仅启动数据库服务
只运行数据库,不启动Web应用:
docker-compose up -d mongodb redis mongo-express redis-commander
查看服务状态:
docker-compose ps
停止服务:
docker-compose down
方式二:完全本地安装
依赖已包含在 requirements.txt,无需额外安装。
手动启动MongoDB(默认端口27017):
mongod --dbpath ./data/mongodb
手动启动Redis(默认端口6379):
redis-server
⚠️ 使用说明
•🐳 Docker 部署:数据库随容器启动,推荐生产环境使用•💻 本地部署:可选择仅运行数据库或完全独立安装•📋 推荐:使用 Docker 部署以获得最佳体验和一致性
🔧 数据库配置选项
1. 环境变量配置(推荐)
在 .env 文件中可设置:
# MongoDB 配置
MONGODB_HOST=localhost
MONGODB_PORT=27017
MONGODB_DATABASE=trading_agents
MONGODB_USERNAME=admin
MONGODB_PASSWORD=your_password
# Redis 配置
REDIS_HOST=localhost
REDIS_PORT=6379
REDIS_PASSWORD=your_redis_password
REDIS_DB=0
2. 配置文件方式
也可在 config/database_config.py 中直接修改:
DATABASE_CONFIG ={
'mongodb':{
'host':'localhost',
'port':27017,
'database':'trading_agents',
'username':'admin',
'password':'your_password'
},
'redis':{
'host':'localhost',
'port':6379,
'password':'your_redis_password',
'db':0
}
}
📚 MongoDB 功能
•✅ 股票基础信息存储•✅ 历史价格数据缓存•✅ 分析结果持久化保存•✅ 用户配置管理•✅ 自动数据同步
⚡ Redis 功能
•⚡ 实时价格数据缓存•⚡ API 响应结果缓存•⚡ 会话状态管理•⚡ 热点数据预加载•⚡ 分布式锁支持
系统内置多层数据源降级策略,保证高可用性:
📊 数据获取流程
1.🔍 优先检查 Redis 缓存 (毫秒级)2.📚 查询 MongoDB 存储 (秒级)3.🌐 调用 通达信 API (秒级)4.💾 使用 本地文件缓存 (备用)5.❌ 若全部失败,返回错误信息
⚙️ 配置降级策略
在 .env
文件中设置:
ENABLE_MONGODB=true
ENABLE_REDIS=true
ENABLE_FALLBACK=true
# 缓存过期时间(秒)
REDIS_CACHE_TTL=300
MONGODB_CACHE_TTL=3600
性能优化建议
生产环境配置:
# MongoDB 优化
MONGODB_MAX_POOL_SIZE=50
MONGODB_MIN_POOL_SIZE=5
MONGODB_MAX_IDLE_TIME=30000
# Redis 优化
REDIS_MAX_CONNECTIONS=20
REDIS_CONNECTION_POOL_SIZE=10
REDIS_SOCKET_TIMEOUT=5
数据库管理工具
# 初始化数据库
python scripts/setup/init_database.py
# 系统状态检查
python scripts/validation/check_system_status.py
# 清理缓存工具
python scripts/maintenance/cleanup_cache.py --days 7
🚨 故障排除
1. 🪟 Windows 10 ChromaDB 兼容性问题
问题现象 :Windows 10 出现 Configuration error: An instance of Chroma already exists for ephemeral...
错误,而 Windows 11 正常。
解决方案 :
方案1(推荐):禁用内存功能
MEMORY_ENABLED=false
方案2:使用修复脚本
powershell -ExecutionPolicyBypass-File scripts\fix_chromadb_win10.ps1
方案3:以管理员权限运行PowerShell
📖 更多细节请参考 Windows 10 兼容性指南[6]
2. MongoDB连接失败
Docker部署:
# 检查服务状态
docker-compose logs mongodb
# 重启服务
docker-compose restart mongodb
本地部署:
# 检查MongoDB进程
ps aux | grep mongod
# 重启MongoDB
sudo systemctl restart mongod # Linux
brew services restart mongodb # macOS
3. Redis连接超时
# 检查Redis状态
redis-cli ping
# 清理Redis缓存
redis-cli flushdb
4. 💾 缓存问题排查
# 检查系统状态和缓存
python scripts/validation/check_system_status.py
# 清理过期缓存
python scripts/maintenance/cleanup_cache.py --days 7
•即使不配置数据库,系统仍可正常运行,会自动降级为 API 直连模式 •数据库配置为 可选项 ,主要用于性能优化与数据持久化
📚 更多细节请参考:数据库架构文档
系统现已支持将股票分析结果导出为多种专业格式:
📑 支持的导出格式
•📄 Markdown (.md) :适合技术用户与版本控制•📝 Word (.docx) :适合商务报告与二次编辑•📊 PDF (.pdf) :适合正式分享与打印
📑 报告内容结构
•🎯 投资决策摘要 :买入 / 持有 / 卖出建议,置信度与风险评分•📊 详细分析报告 :技术面、基本面、市场情绪、新闻事件•⚠️ 风险提示 :投资风险声明与免责条款•📋 配置信息 :分析参数、模型信息、生成时间
📥 使用方法
1.完成股票分析后,在结果页面底部找到 “📤 导出报告” 2.选择需要的格式(Markdown / Word / PDF)3.点击导出按钮,系统自动生成并下载
⚙️ 安装导出依赖
# 安装 Python 依赖
pip install markdown pypandoc
# 安装系统工具(PDF 导出必需)
# Windows
choco install pandoc wkhtmltopdf
# macOS
brew install pandoc wkhtmltopdf
# Linux
sudo apt-get install pandoc wkhtmltopdf
📚 更多信息请参考:导出功能使用指南
🚀 启动应用
🐳 Docker启动(推荐)
如果您使用Docker部署,应用已经自动启动:
# 应用已在Docker中运行,直接访问:
# Web界面: http://localhost:8501
# 数据库管理: http://localhost:8081
# 缓存管理: http://localhost:8082
# 查看运行状态
docker-compose ps
# 查看日志
docker-compose logs -f web
💻 本地启动
如果您使用本地部署:
# 1. 激活虚拟环境
# Windows
.\env\Scripts\activate
# Linux/macOS
source env/bin/activate
# 2. 安装项目到虚拟环境(重要!)
pip install -e .
# 3. 启动Web管理界面
# 方法1:使用项目启动脚本(推荐)
python start_web.py
# 方法2:使用原始启动脚本
python web/run_web.py
# 方法3:直接使用streamlit(需要先安装项目)
streamlit run web/app.py
然后在浏览器中访问 http://localhost:8501
•🇺🇸 美股分析 :支持 AAPL、TSLA、NVDA 等代码•🇨🇳 A股分析 :支持 000001、600519、300750 等代码•📊 实时数据 :接入通达信 API 提供 A 股实时行情•🤖 智能体组合 :可按需求选择技术、基本面、新闻、社交媒体分析师•📤 报告导出 :一键导出 Markdown / Word / PDF 专业报告•🎯 五级研究深度 :从 2–4 分钟快速分析到 15–25 分钟全面研究•🔄 进度可视化 :实时显示步骤,缓解“黑盒”等待•📈 结构化结果 :输出投资建议、目标价、置信度与风险评估•🇨🇳 完全中文化 :界面与分析结果全中文呈现
🎯 研究深度级别说明
| 级别 | 用时参考 | 适用场景 | 特点 | | 1级 | 2–4 分钟 | 日常监控、快速判断 | 基础技术指标概览 | | 2级 | 4–6 分钟 | 常规投资 | 技术 + 基本面 | | 3级 | 6–10 分钟 | 重要决策(默认推荐) | 引入新闻情绪 | | 4级 | 10–15 分钟 | 重大投资 | 多智能体深度辩论 | | 5级 | 15–25 分钟 | 最全面研究 | 完整研究报告 |
💻 代码调用(适合开发者)
from tradingagents.graph.trading_graph importTradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG
# 配置阿里百炼(DashScope)
config = DEFAULT_CONFIG.copy()
config["llm_provider"]="dashscope"
config["deep_think_llm"]="qwen-plus"# 深度分析
config["quick_think_llm"]="qwen-turbo"# 快速任务
# 创建交易智能体
ta =TradingAgentsGraph(debug=True, config=config)
# 分析股票(以苹果公司为例)
state, decision = ta.propagate("AAPL","2024-01-15")
# 输出分析结果
print(f"推荐动作: {decision['action']}")
print(f"置信度: {decision['confidence']:.1%}")
print(f"风险评分: {decision['risk_score']:.1%}")
print(f"推理过程: {decision['reasoning']}")
⚡ 快速启动脚本
# 阿里百炼演示(推荐中文用户)
python examples/dashscope/demo_dashscope_chinese.py
# 阿里百炼完整演示
python examples/dashscope/demo_dashscope.py
# 阿里百炼简化测试
python examples/dashscope/demo_dashscope_simple.py
# OpenAI 演示(需国外 API)
python examples/openai/demo_openai.py
# 集成测试
python tests/integration/test_dashscope_integration.py
📁 数据目录配置
新功能 :灵活设置数据存储路径,支持 CLI、环境变量与代码方式。
# 查看当前数据目录配置
python -m cli.main data-config --show
# 设置自定义数据目录
python -m cli.main data-config --set/path/to/your/data
# 重置为默认配置
python -m cli.main data-config --reset
环境变量配置:
# Windows
set TRADING_AGENTS_DATA_DIR=C:\MyTradingData
# Linux/macOS
export TRADING_AGENTS_DATA_DIR=/home/user/trading_data
程序化配置:
from tradingagents.config_manager importConfigManager
# 设置数据目录
config_manager =ConfigManager()
config_manager.set_data_directory("/path/to/data")
# 获取配置
data_dir = config_manager.get_data_directory()
print(f"数据目录: {data_dir}")
配置优先级 : 程序设置 > 环境变量 > 配置文件 > 默认值
详细说明请参考: 📁 数据目录配置指南[7]
交互式分析
# 启动交互式命令行界面
python -m cli.main
| 🎯 我想要... | 📖 推荐文档 | ⏱️ 阅读时间 | | 快速上手 | 🚀 快速开始[8] | 10 分钟 | | 了解架构 | 🏛️ 系统架构[9] | 15 分钟 | | 看代码示例 | 📚 基础示例[10] | 20 分钟 | | 解决问题 | 🆘 常见问题[11] | 5 分钟 | | 深度学习 | 📁 完整文档目录 | 2 小时+ |
💡 提示 :我们的 docs/
目录包含超过 50,000 字 的详细中文文档,这是相较原版最大的优势!
🌟 相比原版,我们构建了业内最完整的 中文金融 AI 框架文档体系 :
•📄 超过 50,000+ 字 详细技术文档•📑 20+ 专业文档文件•💻 100+ 代码示例
🎯 为什么选择我们的文档?
| 对比维度 | 原版 TradingAgents | 🚀 中文增强版 | | 文档语言 | 英文基础说明 | 完整中文体系 | | 文档深度 | 简单介绍 | 深度技术剖析 | | 架构说明 | 概念性描述 | 详细设计文档 + 架构图 | | 使用指南 | 基础示例 | 从入门到专家的完整路径 | | 故障排除 | 无 | 完整 FAQ + 解决方案 | | 代码示例 | 少量示例 | 100+ 实用示例 |
🚀 新手入门路径(推荐从这里开始)
•📋 项目概述[12]:了解项目背景与核心价值•⚙️ 详细安装[13]:多平台安装指南•🚀 快速开始[14]:10 分钟上手•📚 基础示例[15]:8 个实用入门示例
🏗️ 架构理解路径(深入理解系统设计)
•🏛️ 系统架构[16]:整体设计•🤖 智能体架构[17]:多智能体协作机制•📊 数据流架构[18]:数据处理全流程•🔄 图结构设计[19]:LangGraph 工作流
🤖 智能体深度解析
•📈 分析师团队[20]:四类专业分析师详解•🔬 研究员团队[21]:看涨 / 看跌辩论机制•💼 交易员智能体[22]:交易决策制定•🛡️ 风险管理[23]:多层次风险评估•👔 管理层智能体[24]:协调与决策管理
📊 数据处理专题
•🔌 数据源集成[25]:多 API 对接•⚙️ 数据处理流程[26]:清洗与转换•💾 缓存策略[27]:多层缓存优化
⚙️ 配置与优化
•📝 配置指南[28]:完整配置选项说明•🧠 LLM 配置[29]:大语言模型优化
💡 高级应用
•📚 基础示例[30]:实用案例•🚀 高级示例[31]:复杂场景与扩展开发
❓ 问题解决
•🆘 常见问题[32]:FAQ 与解决方案
📊 文档统计数据
•📄 文档文件数:20+•📝 总字数:50,000+•💻 代码示例:100+•📈 架构图表:10+•🎯 覆盖范围:从入门到专家的完整学习路径
🎨 文档特色
•🇨🇳 完全中文化 :表达方式为中文用户优化•📊 图文并茂 :架构图与流程图直观展示•💻 代码丰富 :每个概念均有对应示例•🔍 深度剖析 :不仅讲“怎么做”,还讲“为什么”•🛠️ 实用导向 :面向真实业务场景
🔥 最受欢迎的文档
•📋 项目概述[33] ⭐⭐⭐⭐⭐
5 分钟快速了解项目的核心价值与技术特色•🏛️ 系统架构[34] ⭐⭐⭐⭐⭐
深入解析多智能体协作机制,附详细架构图•📚 基础示例[35] ⭐⭐⭐⭐⭐
提供 8 个实用示例,涵盖从股票分析到投资组合优化
🚀 技术深度文档
•🤖 智能体架构[36]
详解多智能体设计模式与协作机制•📊 数据流架构[37]
数据获取、处理与缓存的完整流程•🔬 研究员团队[38]
创新的看涨 / 看跌研究员辩论机制
💼 实用工具文档
•🌐 Web 界面指南[39] ⭐⭐⭐⭐⭐
全面介绍 Web 界面操作,包括五级研究深度的详细说明•💰 投资分析指南[40]
从入门到高级的完整投资分析教学•🧠 LLM 配置[41]
多 LLM 模型的配置方法与成本优化策略•💾 缓存策略[42]
多层缓存设计,显著降低 API 调用成本•🆘 常见问题[43]
完整 FAQ 与常见错误排查方案
📊 典型使用成本
•经济模式 :0.05–0.15 / 次分析(使用 gpt-4o
)•高精度模式 :$0.10–0.30 / 次分析(使用 gpt-4o
+ 多轮辩论)
⚡ 成本优化示例
cost_optimized_config ={
"deep_think_llm":"gpt-4o-mini",
"quick_think_llm":"gpt-4o-mini",
"max_debate_rounds":1,
"online_tools":False# 使用缓存数据,减少 API 调用
}
https://github.com/hsliuping/TradingAgents-CN?tab=readme-ov-file
References
[1]
Tauric Research 团队:https://github.com/TauricResearch
[2]
完整文档:docs/
[3]
故障排除:troubleshooting/
[4]
更新日志:CHANGELOG.md
[5]
快速开始:QUICKSTART.md
[6]
Windows 10 兼容性指南:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/troubleshooting/windows10-chromadb-fix.md
[7]
数据目录配置指南:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/configuration/data-directory-configuration.md
[8]
快速开始:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/overview/quick-start.md
[9]
系统架构:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/architecture/system-architecture.md
[10]
基础示例:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/examples/basic-examples.md
[11]
常见问题:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/faq/faq.md
[12]
项目概述:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/overview/project-overview.md
[13]
详细安装:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/overview/installation.md
[14]
快速开始:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/overview/quick-start.md
[15]
基础示例:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/examples/basic-examples.md
[16]
系统架构:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/architecture/system-architecture.md
[17]
智能体架构:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/architecture/agent-architecture.md
[18]
数据流架构:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/architecture/data-flow-architecture.md
[19]
图结构设计:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/architecture/graph-structure.md
[20]
分析师团队:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/agents/analysts.md
[21]
研究员团队:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/agents/researchers.md
[22]
交易员智能体:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/agents/trader.md
[23]
风险管理:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/agents/risk-management.md
[24]
管理层智能体:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/agents/managers.md
[25]
数据源集成:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/data/data-sources.md
[26]
数据处理流程:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/data/data-processing.md
[27]
缓存策略:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/data/caching.md
[28]
配置指南:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/configuration/config-guide.md
[29]
LLM 配置:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/configuration/llm-config.md
[30]
基础示例:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/examples/basic-examples.md
[31]
高级示例:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/examples/advanced-examples.md
[32]
常见问题:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/faq/faq.md
[33]
项目概述:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/overview/project-overview.md
[34]
系统架构:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/architecture/system-architecture.md
[35]
基础示例:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/examples/basic-examples.md
[36]
智能体架构:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/architecture/agent-architecture.md
[37]
数据流架构:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/architecture/data-flow-architecture.md
[38]
研究员团队:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/agents/researchers.md
[39]
Web 界面指南:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/usage/web-interface-guide.md
[40]
投资分析指南:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/usage/investment\_analysis\_guide.md
[41]
LLM 配置:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/configuration/llm-config.md
[42]
缓存策略:https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/data/caching.md
[43]
常见问题: https://github.com/hsliuping/TradingAgents-CN/blob/main/docs/faq/faq.md