跳到主要内容
项目档案应用项目

TradingAgents-CN - 基于多智能体LLM的中文金融交易分析框架:完整安装指南、使用教程与架构解析

TradingAgents-CN是基于TauricResearch TradingAgents的中文增强版,面向中文用户提供多智能体LLM金融交易分析学习平台。支持A股/港股/美股分析,采用FastAPI+Vue 3架构,包含用户权限、批量分析、模拟交易、报告导出等功能。本页提供项目详细介绍、三种安装方式、使用方法和核心技术架构。

31,883PythonStar 于 2026年2月7日2026年9月19日 更新

AI 总结

TradingAgents-CN是基于多智能体LLM的中文金融交易分析平台,提供A股/港股/美股的学习与研究环境,采用FastAPI+Vue 3架构,支持多模型提供商和数据源,定位为合规的股票策略实验工具。

中文项目介绍

TradingAgents-CN是基于TauricResearch TradingAgents框架构建的中文增强版多智能体LLM金融交易分析平台,专为中文用户设计。项目定位为学习与研究用途,不提供实盘交易指令,旨在帮助用户系统化学习如何使用多智能体交易框架与AI大模型进行合规的股票研究与策略实验。平台支持A股、港股、美股三大市场的分析与教学,整合了Tushare、AkShare、BaoStock、EODHD、FinnHub、YFinance等多种金融数据源,提供统一的数据获取和分析环境。 技术架构上,项目采用现代化的FastAPI + Vue 3前后端分离架构,后端基于LangGraph构建多智能体决策系统,数据库采用MongoDB + Redis双数据库架构,支持Docker多架构(amd64/arm64)容器化部署。核心功能包括完整的用户权限管理系统、动态LLM供应商管理、智能模型选择、多数据源同步、批量股票分析、实时通知系统、智能股票筛选、自选股管理、个股详情页、模拟交易系统以及专业报告导出(Markdown/Word/PDF)等。 项目采用混合许可证模式:除app/(FastAPI后端)和frontend/(Vue前端)目录外的所有文件采用Apache 2.0开源许可证,允许个人自由使用;但app/和frontend/目录属于专有部分,商业使用必须获得授权。当前v1.0.0-preview版本已正式发布,v2.0版本正在开发中且暂时不开源。项目通过微信公众号、GitHub仓库和官方邮箱提供官方支持,并警告存在未经授权的商业使用侵权行为。

详细信息与使用说明

1. 项目定位与用途

TradingAgents-CN是基于TauricResearch TradingAgents框架的中文增强版,定位为面向中文用户的多智能体LLM金融交易分析学习平台。项目不提供实盘交易指令,专注于帮助用户系统化学习多智能体交易框架与AI大模型在金融分析中的应用,支持合规的股票研究与策略实验。平台覆盖A股、港股、美股三大市场,提供完整的中文化学习资源与工具,旨在推动AI金融技术在中文社区的普及与正确使用。核心功能包括多智能体分析引擎、多市场数据整合、模拟交易系统和专业报告生成,适用于个人学习、教学培训和量化策略验证等场景。

2. 解决的问题

项目主要解决以下问题:一是降低中文用户使用多智能体LLM进行金融交易分析的学习门槛,通过中文化文档、教程和工具链降低使用难度;二是提供合规的股票研究与策略实验环境,避免直接实盘交易的风险;三是整合多市场(A股/港股/美股)和多数据源(Tushare/AkShare/BaoStock等)的统一分析平台,解决数据孤岛问题;四是纠正原版框架中的技术指标计算和基本面数据错误,提升分析准确性;五是提供企业级功能如用户权限、批量分析、实时通知等,满足团队协作需求。通过这些问题解决,项目为中文社区提供了一个安全、可靠、易用的AI金融分析学习环境。

3. 适用场景

TradingAgents-CN适用于以下场景:个人投资者学习多智能体LLM在金融分析中的应用,通过平台理解AI驱动的股票研究流程;高校或培训机构进行金融数据分析教学,利用平台的模拟交易和报告导出功能开展实践课程;量化研究员进行策略回测与验证,在模拟环境中测试多智能体决策效果;合规的股票策略实验,在不涉及真实资金的情况下验证投资逻辑;以及AI金融技术爱好者探索LangGraph、多智能体系统在金融领域的应用。平台明确不提供实盘交易功能,所有分析结果仅供学习研究参考,用户需自行承担投资决策风险。

4. 安装方式

项目提供三种安装部署方式,满足不同用户需求:Docker版推荐用于生产环境和跨平台部署,通过Docker Compose一键启动,支持amd64和arm64架构,包含完整的MongoDB、Redis等依赖;本地代码版适用于开发者和定制需求,需手动安装Python 3.10+依赖,配置环境变量,适合二次开发;绿色版专为Windows用户设计,提供免安装的压缩包,下载解压即可快速体验。所有方式均需配置MongoDB连接、Redis连接、至少一个LLM提供商API密钥(如OpenAI或Google)以及至少一个金融数据源API密钥(如Tushare)。详细安装指南参考项目文档中的对应链接,部署前务必完成股票数据同步以确保分析准确性。

5. 使用方式

使用平台前,首先完成股票数据同步,否则分析结果会出现数据错误。通过Web界面或RESTful API提交股票代码和分析任务,支持单只或多只股票批量分析。系统启动多智能体分析流程:基本面分析师、市场分析师、新闻分析师、社交媒体分析师依次处理,最终由交易员综合生成投资建议。分析过程中可通过实时通知系统跟踪进度,完成后可查看详细分析报告。平台支持导出专业报告(Markdown/Word/PDF格式),并使用模拟交易系统验证投资策略效果。用户可管理自选股、设置股票筛选条件、配置LLM模型参数等。所有功能均通过前端界面或API调用完成,具体操作参考项目使用指南和视频教程。

6. 补充说明

项目采用混合许可证模式:v1.0.0-preview版本中,除app/(FastAPI后端)和frontend/(Vue前端)目录外的所有文件采用Apache 2.0开源许可证,允许个人自由使用;但app/和frontend/目录属于专有部分,商业使用必须获得授权。v2.0版本正在开发中,因盗版问题暂时不开源。技术架构上,后端基于FastAPI和LangGraph构建,前端为Vue 3 + Element Plus,数据层采用MongoDB存储和Redis缓存,支持动态LLM供应商管理和智能模型选择。项目已修复原版中的技术指标计算错误、基本面数据错误和死循环问题,并增强了数据一致性。官方唯一渠道为GitHub仓库、邮箱[email protected]和微信公众号TradingAgents-CN,请注意识别非授权商业使用。

思维导图

TradingAgents-CN
后端架构 (app/)
API路由 (routers/)
服务层 (services/)
数据模型 (models/)
核心配置 (core/)
中间件 (middleware/)
前端应用 (frontend/)
Vue 3 单页应用
Element Plus 组件库
用户界面组件
状态管理
数据源集成
Tushare 适配器
AkShare 适配器
BaoStock 适配器
国际数据源 (EODHD/FinnHub/YFinance)
智能分析引擎
LangGraph 决策图
多智能体团队 (分析师+交易员)
模型能力管理
动态供应商管理
系统服务
用户认证与权限
缓存管理 (MongoDB/Redis/文件)
实时通知 (SSE/WebSocket)
任务调度 (APScheduler)
报告生成
部署配置
Docker 容器化
环境变量配置 (.env)
依赖管理 (pyproject.toml)
多架构支持 (amd64/arm64)

常见问题

TradingAgents-CN是什么?是否提供实盘交易?

TradingAgents-CN是基于多智能体LLM的中文金融交易分析学习平台,基于TauricResearch TradingAgents构建。项目明确不提供实盘交易指令,定位为学习与研究用途,帮助用户系统化学习AI金融分析技术,所有分析结果仅供学习参考。

如何安装和部署TradingAgents-CN?

项目提供三种部署方式:Docker版(推荐,一键启动,支持跨平台)、本地代码版(适合开发者,需手动配置)、绿色版(Windows免安装)。所有方式均需配置MongoDB、Redis、LLM API密钥和数据源API密钥。详细步骤请参考文档中的安装指南。

支持哪些金融数据源和大模型?

数据源支持Tushare(A股)、AkShare、BaoStock、EODHD、FinnHub、YFinance等,覆盖A股、港股、美股。LLM支持OpenAI、Google AI(Gemini)、Anthropic(Claude)以及自定义端点,可通过配置动态切换。

项目许可证如何?商业使用需要授权吗?

项目采用混合许可证:v1.0.0-preview版本中,除app/和frontend/目录外的代码采用Apache 2.0开源,个人可自由使用;但app/(后端)和frontend/(前端)属于专有部分,商业使用必须获得授权。v2.0版本暂不开源。

分析股票前需要注意什么?

务必先完成股票数据同步,否则分析结果会出现数据错误。数据同步通过平台界面或API触发,系统会从配置的数据源获取历史行情、基本面等数据并存入MongoDB。建议定期同步以确保数据时效性。