TradingAgents-CN 保姆级实战：多智能体 AI 股票分析框架的完整部署与使用指南
【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN
TradingAgents-CN 是一个基于多智能体 LLM 的中文金融交易分析框架，它把"看一只股票"这件事拆成研究员团队多空辩论、交易员出方案、风控团队三道把关的完整流程，让你用一条命令就能获得一份结构化、可追溯的 AI 股票分析——支持 A 股/港股/美股，且所有界面和数据源都做了中文本地化。这篇指南按真实使用顺序写：先讲它解决什么问题，再讲怎么最快跑起来，然后是数据同步、研究深度、多智能体工作流这些真正决定分析质量的环节，最后集中处理新手最容易踩的几个坑。
为什么单靠一个大模型问答不够
很多人试过直接问大模型"600519 现在能不能买"，得到的通常是一段正确的废话：模型没有实时行情、没有最新财务数据，更不存在"有人反驳它"的机制。单个 LLM 的结论天然偏自信，看多的时候没有看空的视角来制衡。
TradingAgents-CN 要解决的就是这个问题：把一次股票分析变成一支虚拟投研团队的工作。框架源自 Tauric Research 的 TradingAgents 项目，中文版在此基础上补了 A 股数据源（Tushare、AkShare、BaoStock）、国产 LLM 支持（DeepSeek、阿里百炼、Google AI、OpenAI 等）、专业报告导出和完整的 Web 管理界面。
需要说明的一点：这是一个学习与研究平台，明确不提供实盘交易指令。另外项目采用混合许可证——个人学习研究可自由使用，商业使用需要另行授权（app/后端和frontend/前端为专有部分），使用前建议先读一下 LICENSE 和 COPYRIGHT.md。
先看清流程：五个环节一次跑完
在动手部署前，值得先花 30 秒看懂整条流水线，后面所有配置都是为这条流水线服务的：
整条链路是：市场数据/新闻/基本面→研究员团队（Bullish 与 Bearish 两方辩论，分别产出买入证据和卖出证据）→交易员（基于辩论结果给出交易提案）→风险管理团队（激进、中性、保守三个视角同时评估）→Manager（综合输出最终决策）。
每个智能体背后都是一个独立的大模型调用，你可以理解为"每个岗位用了不同的提示词和数据，再互相质疑"。这也是为什么它的 Token 消耗比普通问答高一个量级——钱花在辩论上了。
Docker 两行命令跑通服务
Docker 是官方推荐的部署方式，一套 compose 配置里已经包含 FastAPI 后端、Vue 3 前端、MongoDB、Redis 四个容器，开箱即用。
git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN cp .env.example .env # 然后编辑填入 LLM API 密钥 docker-compose up -d启动后验证三个入口：
- Web 界面：http://localhost:3000
- API 文档：http://localhost:8000/docs
- CLI 工具：终端执行
python -m cli.main
[](https://link.gitcode.com/i/0f8093eb5590a3fe826f5981ac24757a)小贴士：
scripts/smart_start.sh是官方提供的智能启动脚本，它会自动判断是否需要重新构建镜像，日常重启比手写docker-compose up -d省心。端口冲突时改 docker-compose.yml 里的端口映射即可，前端默认 3000、后端默认 8000。
.env里必填的只有几项：一个 LLM 提供商的 API 密钥（DeepSeek 性价比最高，新用户有免费额度；国产用户可选阿里百炼DASHSCOPE_API_KEY），以及 A 股数据源的TUSHARE_TOKEN（可选但强烈建议）。MongoDB 和 Redis 的连接信息 Docker 环境里已预置，不用动。
不用 Docker：源码部署三步走
需要二次开发的用户可以走源码路线，成本也不算高：
- 创建并激活虚拟环境：
python -m venv venv && source venv/bin/activate - 安装依赖。注意仓库里的
requirements.txt已标注弃用，官方推荐pip install -e .（走 pyproject.toml），或者用 uv：uv pip install -e . - 同样复制
.env.example为.env填密钥，并确保本机有 MongoDB 和 Redis 在运行
源码版额外要自己保证数据库可用，这也是它比 Docker 版多出来的主要维护成本。
分析之前，先把数据同步做完
这是 README 里用加粗强调的一件事，也是新手翻车的第一现场：
在分析股票之前，请先将股票数据同步完成，否则分析结果将会出现数据错误。
框架的数据层位于 tradingagents/dataflows/，统一对接 Tushare、AkShare、BaoStock 三个数据源，并按市场（A 股/港股/美股，对应providers/下的china、hk、us子目录）选择不同的拉取链路。v1.0.1 版本对 A 股单股行情做了多级降级兜底（东财实时接口 → 全市场快照 → 历史接口），单点数据源挂了不会直接报错。
具体操作上有两条路：Web 界面里有数据同步管理入口，可以按股票或批量触发同步；或者跑scripts/目录下的同步脚本（如sync_market_news.py）。同步完成后，可以用scripts/check_stock_daily_data.py抽查日 K 数据是否落库。
研究深度 1-5 级：时间、质量、Token 成本的权衡
CLI 和 Web 界面都提供"研究深度"选项，这不是玄学配置，而是直接决定辩论轮次、模型档位和耗时的五个预设档位。官方给出的耗时参考：
| 级别 | 定位 | 辩论轮次 | 预期耗时 |
|---|---|---|---|
| 1 级 | 快速概览 | 1 轮 | 2-4 分钟 |
| 3 级 | 标准分析（默认推荐） | 研究员 1 轮 + 风控 2 轮 | 6-10 分钟 |
| 5 级 | 全面研究 | 研究员 3 轮 + 风控 3 轮 | 15-25 分钟 |
日常盯盘用 1-2 级足够，正式研究建议从 3 级起步。完整的参数对照见 docs/guides/research-depth-guide.md，A 股专项分析建议读 docs/guides/a-share-analysis-guide.md。
一次分析的产出会落在data/analysis_results/目录（Markdown 格式），同时写入 MongoDB 供 Web 端检索，并支持导出为 Word/PDF 专业报告（docs/guides/report-export-guide.md）。
看懂报告之前，先理解三个智能体岗位
拿到报告后，建议按岗位顺序阅读，每一段都有明确职责：
研究员团队：Bullish 分析师给出"投资价值"论证，Bearish 分析师给出"投资风险"论证，双方多轮交锋。这一步的价值在于逼出你平时不会主动去查的反方证据。
交易员：只依据研究员产出的证据链做决策，输出动作（买入/卖出/持有）+ 理由 + 建议，而不是凭空发挥。
风险管理团队：激进、中性、保守三视角并行，Manager 汇总后才是最终结论。如果三个风控视角意见分裂严重，本身就是一条有用的信号。
新手最容易踩的 4 个坑
- 没同步数据就分析。症状是报告里基本面数据缺失或明显过期。解法：先完成数据同步再发起分析，或检查同步日志里该股票是否有回退链路和落库状态。
.env没配好或配错提供商。启动后先跑python scripts/debug_mongodb_connection.py和python scripts/check_llm_providers.py分别验证数据库连通和模型配置，比盯着界面报错猜原因快得多。- 同时发起太多分析任务。多智能体流程的 API 调用量是普通问答的数倍，并发过多容易触发上游限流。官方建议从单只股票开始，熟悉流程后再用 Web 端的批量分析功能逐步扩量。
- 把
.env提交进 Git。文件头部注释已明确警告，里面是 API 密钥和数据库密码。Docker 部署时日志、配置、数据目录都做了卷映射（logs/、config/、data/），升级前记得先备份数据卷。
排查服务问题的通用路径是：docker-compose logs -f backend看后端日志 →http://localhost:8000/api/health看健康检查 → 数据类问题再查data/目录下的结果文件。更多场景参考 docs/troubleshooting/ 目录。
下一步做什么
本周可以完成的行动清单：
- 用 Docker 把四个容器跑起来，确认 3000/8000 两个端口可访问
- 配好一个 LLM 密钥 + Tushare Token，完成 2-3 只股票的数据同步
- 对同一只股票分别跑 1 级和 3 级分析，对比报告深度差异
- 导出一次 PDF 报告，熟悉报告结构
分阶段学习路径：
- 第 1-2 周：单股分析流程跑熟，能解释报告中每个智能体板块的产出逻辑
- 第 2-4 周：玩数据源与模型配置——切换 DeepSeek/百炼/Google AI 对比结论差异，尝试多只股票批量分析和模拟交易功能
- 1-2 个月：读 docs/ 下的架构与配置文档（
docs/architecture/、docs/configuration/），尝试基于examples/目录的示例写自定义分析流程 - 进阶：关注上游同步机制（docs/maintenance/upstream-sync.md），向社区提 Issue 或贡献功能
⚠️最后提醒：TradingAgents-CN 定位于研究与学习，所有分析结论都是 AI 在特定数据快照上的推理结果，不构成投资建议。真实决策前请结合专业顾问意见和自己的风险承受能力。
【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
)