多 Agent 系统做金融交易。听起来像是华尔街量化基金的秘密武器——直到你发现这个项目已经开源，73K star，任何人克隆下来就能跑。
TradingAgents 的架构并不复杂：多个 LLM Agent 分别扮演不同角色——研究员分析市场数据，交易员制定策略，风控官审核风险，最后由决策 Agent 综合所有意见给出操作建议。不是单个模型一拍脑袋决定买卖，而是一个微型投研团队在协作。
它到底在做什么
这个项目来自 TauricResearch，最近更新非常活跃——17 分钟前刚刚提交了 Grok 4.20 的集成。支持的前端模型清单长得不像话：Claude Opus 4.7、Grok 4.20、MiniMax、DeepSeek、Qwen、GLM，几乎覆盖了所有主流选项。
但别被 star 数冲昏头脑。73,315 个 star，14,284 个 fork，issue 区有 221 个 open。这数字背后有两种可能性：一是真的有很多人在用，二是很多人 clone 下来看看就关了。
看 commit 历史：总共只有 164 次 commit。对一个 73K star 的项目来说，这个密度偏低。不过最近的提交频率在加快——过去几小时就有两次更新，说明团队在活跃开发。
多 Agent 交易 vs 单模型交易
TradingAgents 的核心卖点是"多 Agent 协作"。这和直接用 Claude 或 GPT 问"今天该买什么"有什么区别？
区别在于角色分工。单模型做交易会同时承担研究、分析、决策、风控的角色，容易在一个维度上过度自信。多 Agent 让不同模型（或同一模型的不同 prompt）各司其职，理论上能减少系统性偏见。
但"理论上"和"实际上"之间隔着一条河。
说实话：别拿真金白银去试
这不是我一个人的判断。TradingAgents 的 README 里有 disclaimer，issue 区也有人讨论过回测和实盘的差距。金融市场的噪音远大于信号，LLM 的训练数据里包含了太多事后解释——它们擅长写"为什么市场昨天跌了"的分析报告，不擅长预测"明天会怎样"。
如果你拿这个框架做研究、做学习、做 demo，没问题。如果你打算把它接上你的证券账户让它自动交易——请先在模拟盘跑三个月。
这个项目真正的价值
TradingAgents 最有价值的部分不是"能不能赚钱"，而是它展示了一种多 Agent 协作架构。研究 Agent 抓取数据、分析 Agent 提取信号、交易 Agent 制定策略、风控 Agent 评估风险——这个模式可以迁移到很多场景：供应链决策、医疗诊断辅助、法律案例分析。
金融交易只是一个 demo 场景。
谁该关注
- 量化开发者：想研究多 Agent 架构在金融场景的应用，值得看
- AI 工程师：想了解多 Agent 协作的实际落地方式，代码结构清晰
- 普通投资者：别碰。至少别拿真钱碰
主要来源：
- TauricResearch/TradingAgents — 官方仓库
- GitHub Trending weekly 排行