73.7K star。
这是 TradingAgents 在 GitHub 上的数字。在 AI 交易这个赛道，它是 star 数最多的项目——比第二名多出一大截。
但 star 多不代表能赚钱。这个项目我研究了几天，结论是：架构值得学，实盘要谨慎。
它的架构是怎么回事
TradingAgents 的核心思路是把金融分析拆成多个专业角色：
- Fundamentals Analyst：分析公司基本面
- Sentiment Analyst：分析市场情绪（新闻、社交媒体）
- Technicals Analyst：技术指标分析
- Risk Manager：评估风险、控制仓位
- Trader：最终做交易决策
每个角色是一个独立的 Agent，它们各自分析数据，然后汇总给 Trader Agent 做最终判断。
v0.2.5 刚发（6 小时前），加了 sentiment analyst、环境变量配置和更多 provider 支持。更新频率还不错。
能跑通吗
能。我在一台 M2 Pro 上跑通了 demo。
支持的模型挺多：OpenAI、Anthropic、DeepSeek、Qwen、GLM、Azure OpenAI，甚至 Ollama 本地模型都能接。这意味着你不一定非要花钱用 API——如果你本地有 GPU，用 Ollama 跑完全本地版本也是可以的。
但有个问题：交易信号的质量高度依赖模型能力。用小模型跑出来的结果，跟用旗舰模型跑的差距不小。官方没有给出明确的 benchmark 数据，这一点需要自己验证。
架构值得学习的地方
即使你不做交易，TradingAgents 的多 Agent 设计思路也有参考价值：
- 角色分离：分析、风控、决策分开，避免"一个大脑想所有事"的认知负担
- 信息流设计：每个 Agent 只关注自己的信息源，减少噪音
- 风险层独立：Risk Manager 是一个独立的 Agent，专门泼冷水——这个设计在很多 Agent 系统中是缺失的
如果你的工作流涉及"分析 → 决策 → 执行"的流程，这种分层架构可以直接借鉴。
风险提示
必须说清楚：这不是一个"装了就能赚钱"的工具。
- 历史表现不代表未来：回测结果好，不代表实盘能赚钱
- 模型幻觉问题：LLM 会编造数据和分析结论，金融场景下这可能是致命的
- 市场风险：再好的分析工具也预测不了黑天鹅
TradingAgents 更像一个研究框架，而不是一个生产级别的交易系统。把它当学习工具用没问题，直接把真金白银交给它决策——至少在 2026 年，我还觉得太早。
最小上手
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
pip install -r requirements.txt
# 配置 .env（支持多种 LLM provider）
python main.py --ticker AAPL
Docker 也支持，跨平台部署没问题。
GitHub: github.com/TauricResearch/TradingAgents | 73.7K star | v0.2.5 (2026-05-12) 本文基于项目代码、文档和实际测试。不构成任何投资建议。