Colin579M/AStock-AI-Agent：TradingAgents-Chinese 是一个基于多智能体协作的 A 股交易分析系统，模拟专业投资机构运作模式，集成 AKShare/TuS本页整理它解决什么问题、适用场景、安装方式和使用方法。
TradingAgents-Chinese 是一个基于多智能体协作的 A 股交易分析系统，模拟专业投资机构运作模式，集成 AKShare/TuShare 等数据源，通过基本面、情绪、技术等多维度 AI 代理协同分析，为投资者提供机构级个股分析与决策支持。
TradingAgents-Chinese 是一个专为中国 A 股市场优化的多智能体 LLM 交易分析框架。其定位是模拟专业投资机构的分析决策流程，将多个专业化 AI 代理（包括基本面、情绪、新闻、技术分析师，以及多头/空头研究员、交易员和风险管理团队）组织成一个协作网络。主要用途是为个人或机构投资者提供机构级的个股深度分析、实时市场解读和交易决策支持，降低专业分析门槛，提升决策质量。系统可通过命令行界面（CLI）或 Python API 直接调用，输出包含风险评估的最终交易建议。
项目主要解决中国 A 股市场分析中的三大痛点：一是多维度数据整合困难，系统集成 AKShare、TuShare Pro、通达信等数据源，统一获取行情、财务、新闻、情绪等信息；二是分析深度不足，通过多智能体分工协作与辩论协商机制，模拟分析师、研究员、交易员、风控团队的角色，实现从多角度交叉验证；三是实时性与决策质量，支持盘中实时数据抓取，结合 LLM 的推理能力与历史决策记忆系统（基于 ChromaDB），持续反思与优化分析逻辑，从而提供比单一模型更稳健的结论。
适用场景包括：1）A 股个股深度分析与交易决策支持，输入股票代码即可获得多维度分析报告；2）多智能体协作金融研究与策略开发，可作为量化策略原型验证平台；3）AI 量化交易系统构建，提供从数据获取到决策输出的完整流水线；4）金融科技教学与多智能体应用演示，展示 LangGraph 工作流编排、LLM 代理协作等技术的实际应用。系统同时支持美股分析（通过 FinnHub/Yahoo Finance），但核心优化针对 A 股市场。
安装需以下步骤：1）克隆仓库：`git clone https://github.com/Colin579M/AStock-AI-Agent` 并进入目录；2）创建并激活 conda 环境：`conda create -n tradingagents python=3.11 && conda activate tradingagents`；3）安装依赖：`pip install -r requirements.txt`（或使用 `pyproject.toml` 定义的可选依赖组）；4）配置环境变量：复制 `.env.example` 为 `.env`，至少填写 `FINNHUB_API_KEY`，A 股分析需额外配置 `DASHSCOPE_API_KEY` 和 `TUSHARE_TOKEN`；5）运行 CLI：`python -m cli.main`。可选服务如 MongoDB/Redis 可通过 Docker 或提供的脚本启动。
系统提供两种使用方式：1）CLI 交互界面，运行 `python -m cli.main` 后，按提示输入股票代码（如 600036）、选择分析日期、LLM 提供商和模型，实时查看各智能体分析进度并获取最终决策报告；2）Python API，导入 `TradingAgentsGraph`，基于 `DEFAULT_CONFIG` 调整参数（如 `llm_provider`、`deep_think_llm`、`max_debate_rounds`），实例化后调用 `propagate(stock_code, date)` 方法获取分析结果。此外，支持 `reflect_and_remember(position_returns)` 方法记录决策结果以优化未来分析。
系统实现具有以下特点：1）基于 LangGraph 构建多智能体协作框架，通过状态图 orchestrate 分析师、研究员、交易员、风控等角色的分析、辩论与决策流程；2）采用分层架构，包括 CLI 界面层、多智能体框架层、多 LLM 提供商适配层、统一数据层及混合缓存存储层；3）支持双市场数据路由，自动识别股票代码格式（A股如 600036，美股如 NVDA）并调用对应数据源；4）集成专业智能体团队，各角色有独立提示词模板与状态管理；5）多 LLM 提供商适配器架构，支持 OpenAI、Anthropic、Google、DashScope 并具备智能回退机制；6）混合存储策略，结合 ChromaDB 向量记忆、MongoDB 持久化、Redis 及文件缓存，确保数据高效访问与容错。
TradingAgents-Chinese 是一个基于多智能体协作的 A 股交易分析系统，模拟专业投资机构运作模式，集成 AKShare/TuShare 等数据源，通过基本面、情绪、技术等多维度 AI 代理协同分析，为投资者提供机构级个股分析与决策支持。
TradingAgents-Chinese 是一个专为中国 A 股市场优化的多智能体 LLM 交易分析框架。其定位是模拟专业投资机构的分析决策流程，将多个专业化 AI 代理（包括基本面、情绪、新闻、技术分析师，以及多头/空头研究员、交易员和风险管理团队）组织成一个协作网络。主要用途是为个人或机构投资者提供机构级的个股深度分析、实时市场解读和交易决策支持，降低专业分析门槛，提升决策质量。系统可通过命令行界面（CLI）或 Python API 直接调用，输出包含风险评估的最终交易建议。
安装需以下步骤：1）克隆仓库：`git clone https://github.com/Colin579M/AStock-AI-Agent` 并进入目录；2）创建并激活 conda 环境：`conda create -n tradingagents python=3.11 && conda activate tradingagents`；3）安装依赖：`pip install -r requirements.txt`（或使用 `pyproject.toml` 定义的可选依赖组）；4）配置环境变量：复制 `.env.example` 为 `.env`，至少填写 `FINNHUB_API_KEY`，A 股分析需额外配置 `DASHSCOPE_API_KEY` 和 `TUSHARE_TOKEN`；5）运行 CLI：`python -m cli.main`。可选服务如 MongoDB/Redis 可通过 Docker 或提供的脚本启动。
系统提供两种使用方式：1）CLI 交互界面，运行 `python -m cli.main` 后，按提示输入股票代码（如 600036）、选择分析日期、LLM 提供商和模型，实时查看各智能体分析进度并获取最终决策报告；2）Python API，导入 `TradingAgentsGraph`，基于 `DEFAULT_CONFIG` 调整参数（如 `llm_provider`、`deep_think_llm`、`max_debate_rounds`），实例化后调用 `propagate(stock_code, date)` 方法获取分析结果。此外，支持 `reflect_and_remember(position_returns)` 方法记录决策结果以优化未来分析。