TradingAgents 蝉联 GitHub Trending 榜首：多智能体 LLM 金融交易框架

TradingAgents（by TauricResearch）今日以 +2,225 stars 的成绩继续蝉联 GitHub Trending 全球榜首，总 Star 数已突破 63,295，是近期 AI + 金融领域最受关注的开源项目之一。

📌 昨日（2026-05-02）已对该项目做过介绍，今日它再度登顶，故补充今日视角的解读。

🤖 项目是什么？

TradingAgents 是一个基于大语言模型（LLM）的多智能体金融交易框架，其核心设计理念是：模拟一家真实交易公司的运作方式，让多个 AI Agent 分别扮演不同角色，协同完成投资决策。

与直接将"是否买入/卖出"丢给一个 LLM 不同，TradingAgents 将交易决策过程拆解为多个专业角色，通过 Agent 之间的辩论和协作，产生更稳健的交易策略。

🏗️ 架构设计：模拟真实交易公司

Analyst Team（分析师团队）

Agent	职责
Fundamentals Analyst	评估公司财务和绩效指标，识别内在价值和潜在风险
Sentiment Analyst	通过情感评分算法分析社交媒体和公众情绪，判断短期市场情绪
News Analyst	监控全球新闻和宏观经济指标，解读事件对市场的影响
Technical Analyst	利用 MACD、RSI 等技术指标检测交易形态，预测价格走势

Researcher Team（研究辩论团队）

由看多和看空两名研究员组成
对分析师团队的输出进行结构化辩论
平衡潜在收益与固有风险，形成研究报告

Trader Agent（交易员）

综合分析师和研究员的报告，做出交易决策
确定交易时机和仓位大小

Risk Management & Portfolio Manager（风险管理与组合经理）

持续评估投资组合风险（市场波动率、流动性等）
风险管理团队评估并调整交易策略
Portfolio Manager 拥有最终批准/拒绝权，批准后订单发送至模拟交易所执行

🔧 技术栈

框架：基于 LangGraph 构建，确保灵活性与模块化
多 LLM 提供商支持：
- OpenAI（GPT-5.x）
- Google（Gemini 3.x）
- Anthropic（Claude 4.x）
- xAI（Grok 4.x）
- DeepSeek、Qwen（阿里 DashScope）、GLM（智谱）
- OpenRouter、Ollama（本地模型）、Azure OpenAI
数据源：Alpha Vantage API 获取市场数据
持久化：支持 LangGraph 检查点恢复，中断后可从断点继续
决策日志：每次运行的决策记录持久化到 ~/.tradingagents/memory/trading_memory.md，供后续运行参考反思

🚀 快速开始

安装

1
2
3
4
5
6
7


git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

conda create -n tradingagents python=3.13
conda activate tradingagents

pip install .

Docker 方式

1
2


cp .env.example .env  # 填入你的 API Key
docker compose run --rm tradingagents

CLI 使用

1
2


tradingagents          # 安装后的命令
python -m cli.main     # 或从源码直接运行

运行后会进入交互界面，可选择标的代码、分析日期、LLM 提供商、研究深度等参数。

Python 代码调用

1
2
3
4
5
6
7
8


from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())

# 前向传播，获取决策
_, decision = ta.propagate("NVDA", "2026-01-15")
print(decision)

📦 最新进展（v0.2.4）

✅ 结构化输出 Agent（Research Manager、Trader、Portfolio Manager）
✅ LangGraph 检查点恢复，中断后可持续运行
✅ 持久化决策日志，支持跨周期反思学习
✅ DeepSeek / Qwen / GLM / Azure 提供商支持
✅ Docker 支持
✅ Windows UTF-8 编码修复

💡 个人观察

多智能体架构是趋势：单个 LLM 做决策的局限性越来越明显，TradingAgents 的这种"角色分工 + 辩论协同"的模式，在复杂决策场景中正在成为主流范式。
持续学习机制值得关注：通过 trading_memory.md 持久化决策日志，并在后续运行中注入历史决策和跨标的经验，这让系统具备了某种程度的"记忆与反思"能力。
不是实盘框架：项目明确声明用于研究目的，并非金融投资建议。想要落地实盘还需大量工程化工作（实盘接入、风控体系、合规等）。
热度背后的信号：连续两日 Trending 第一，说明 AI + 量化这个方向的热度依然极高，也反映出开源社区对"可解释、可复现的 AI 交易系统"的强烈需求。

🔗 相关链接

📂 GitHub：https://github.com/TauricResearch/TradingAgents
📄 论文：https://arxiv.org/abs/2412.20138
💬 Discord：https://discord.com/invite/hk9PGKShPK
🌐 官方站点：https://tauric.ai/

📅 本文撰写于 2026-05-03，数据来源于当日 GitHub Trending 页面。