GitHub Trending 榜首，今天新增 2,115 星，总 Star 突破 59,000。TradingAgents 不仅仅是一个量化交易工具——它是目前最完整的多 Agent 金融交易框架，上周发布的 v0.2.4 版本做了一件意义重大的事：正式将通义千问（Qwen）、DeepSeek、智谱 GLM纳入一等公民，与 GPT、Gemini、Claude 平起平坐。
这意味着什么？一个开源的、模拟华尔街投研团队运转方式的 AI 交易系统，现在可以用国产模型驱动了。
架构：把投研团队装进代码
TradingAgents 的核心设计思想很直白——真实的交易决策不是一个人做的，是一个团队协作的结果。
框架把交易决策拆解为四个专业团队：
分析师团队（Analyst Team）：
- 基本面分析师：拆解财务报表、评估内在价值、识别风险信号
- 舆情分析师：抓取社交媒体情绪，用量化评分衡量市场短期情绪
- 新闻分析师：监控宏观事件与全球新闻，解读对市场的传导路径
- 技术分析师：基于 MACD、RSI 等技术指标识别交易信号
研究员团队（Researcher Team）： 由多头研究员和空头研究员组成，对分析师的结论进行结构化辩论。这不是装饰性的流程——辩论轮数可配置，强制模型从正反两面审视每一个判断。
交易员（Trader Agent）： 综合各方报告，决定买卖时机和仓位。
风险管理与组合经理（Risk Management + Portfolio Manager）： 评估市场波动率、流动性等风险因子，组合经理拥有最终审批权——交易提案必须通过审核才能进入模拟交易所执行。
v0.2.4 的关键增量
这次更新不仅仅是加了几个 API key 选项。来看实质变化：
1. 国产模型一等公民
DEEPSEEK_API_KEY=... # DeepSeek
DASHSCOPE_API_KEY=... # Qwen（阿里 DashScope）
ZHIPU_API_KEY=... # GLM（智谱）配置文件中 llm_provider 可选值直接包含了 qwen、deepseek、glm。同时支持通过 OpenRouter 路由、Ollama 本地部署、Azure/AWS 企业级部署。这不是贴标签式的兼容，而是架构级别的多提供商支持。
2. 持久化决策记忆
TradingAgents 在 ~/.tradingagents/memory/trading_memory.md 中维护一个决策日志。每次运行结束后，系统会：
- 计算实际收益率和相对 SPY 的 alpha
- 生成一段反思总结
- 将历史决策经验注入到下次 Portfolio Manager 的 prompt 中
这意味着系统会记住自己的错误。同一只股票的过往判断会作为上下文传入，跨标的的教训也会被引用。
3. LangGraph Checkpoint 断点恢复
通过 --checkpoint 参数启用。LangGraph 在每个节点执行后保存状态，崩溃或中断后可以从最后成功的步骤恢复，而不是从头再来。
4. 结构化输出 Agent
v0.2.4 将 Research Manager、Trader、Portfolio Manager 升级为结构化输出 Agent，确保输出格式的一致性，这对下游决策的可靠性至关重要。
快速上手
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
conda create -n tradingagents python=3.13
conda activate tradingagents
pip install .
# 设置你的 API Key
export DASHSCOPE_API_KEY=your-qwen-key
# 交互式 CLI
tradingagents或者 Docker 一键启动：
cp .env.example .env # 填入 API Key
docker compose run --rm tradingagents本地模型也支持：
docker compose --profile ollama run --rm tradingagents-ollamaPython 集成
from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG
config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "qwen"
config["deep_think_llm"] = "qwen-max"
config["quick_think_llm"] = "qwen-plus"
config["max_debate_rounds"] = 2
ta = TradingAgentsGraph(debug=True, config=config)
_, decision = ta.propagate("NVDA", "2026-05-01")
print(decision)信号与噪音
信号：TradingAgents 的架构设计确实扎实。多角色辩论、持久化记忆、断点恢复、结构化输出——这些都不是噱头，是实打实提升多 Agent 系统可靠性的工程实践。国产模型的接入让它离国内用户更近了一步。
噪音：框架明确标注仅用于研究目的，不构成投资建议。LLM 在金融领域的表现高度依赖模型选择、温度参数、数据质量，且存在大量非确定性因素。开源社区里有不少项目用”AI 交易”做包装，TradingAgents 的学术背景（arXiv 论文 2412.20138，加州大学团队）让它在可信度上高出不少，但不要用它管理真金白银。
为什么值得关注
TradingAgents 代表了一个趋势：垂直领域的多 Agent 框架正在从 demo 走向生产级。它不只是”让 LLM 帮你选股票”，而是把一套完整的投研流程编码成了可配置、可扩展、可回溯的 Agent 协作图。
对于国内开发者来说，Qwen/DeepSeek/GLM 的原生支持意味着可以用国产模型跑通整个流程——这在 API 成本、合规性、数据主权上都有实际意义。
如果你在探索 AI + 金融的方向，TradingAgents 是目前开源世界里最完整的参考实现之一。
来源：TauricResearch/TradingAgents | arXiv 论文 免责声明：本文仅做技术介绍，不构成任何投资建议。