TradingAgents爆火:多智能体把“华尔街投研流程”搬进开源代码

共计 1201 个字符，预计需要花费 4 分钟才能阅读完成。

进展时间线

71.4K Star 的 AI 交易团队: 多智能体架构如何“炒”出一个华尔街

一个没有高调发布的 AI 金融项目,正在开源社区快速出圈。TradingAgents 用多个 AI Agent 复刻投研团队的协作流程, 让分析、辩论、交易提案和风控审批形成一条可追溯链路, 也让“AI 如何参与金融决策”有了更具象的样本。

📌 从低调上线到 GitHub 走红

变化出现在后续版本迭代之后。到 2026 年 5 月初 , 该项目已获得超过71.4K Star 和大量 Fork, 并一度进入 GitHub Python 趋势榜前列。其中,2026 年 2 月发布的 v0.2.0 加入多模型提供商支持后, 增长速度明显加快;4 月底至 5 月初的一周内,Star 数出现大幅跃升。

🔍 核心架构: 七个角色分工协作

TradingAgents 的关键并不是让一个大模型直接给出买卖建议,而是把交易决策拆成多个环节, 并交给不同 Agent 处理。它模仿的是对冲基金常见的工作流: 研究、争论、交易、风控、最终审批。

• 分析师团队:覆盖基本面、新闻、社交舆情和技术指标等维度, 分别生成结构化报告。
• 研究员团队:设置多头与空头两个角色, 围绕同一批信息进行结构化辩论。
• 交易员 Agent:汇总分析与辩论结果, 形成包含方向、时机和仓位的交易提案。
• 风控与组合经理:从激进、中性、保守等角度评估风险, 并决定是否批准或调整方案。

💡 为什么不只用一个最强模型?

在金融场景中,信息来源复杂且冲突频繁。财报、宏观政策、市场新闻、社交平台情绪和技术指标可能同时给出不同信号。如果让单个 Agent 一次性处理所有任务, 容易出现信息过载, 也很难保证多空观点足够独立。

TradingAgents 的思路是把问题拆开: 不同 Agent 只处理自己负责的部分,再通过辩论与风控机制校准偏差。这更接近真实机构的分工方式, 也让系统输出不再只是一个“买入”或“卖出”的黑箱答案。

📊 上手门槛与新版能力

该项目受到关注的另一个原因是工程门槛相对低。用户配置主流大模型 API 后, 即可通过交互式命令行选择股票代码、分析日期、模型提供商和辩论轮数等参数。项目支持 OpenAI、Gemini、Claude、Grok、DeepSeek、通义千问、智谱 GLM 等模型, 也可通过 Ollama 接入本地开源模型。

在后续版本中,TradingAgents 还加入了较实用的能力。例如 v0.2.4 引入“决策记忆”, 系统会记录历史分析结果, 并在再次分析同一标的时参考过往表现, 生成类似复盘的反思内容。此外, 断点续跑能力也降低了长流程分析中因网络或程序中断造成的 Token 浪费。

🚀 行业观察: 垂直智能体正在升温

TradingAgents 的走红不只是单个项目的热度,也反映出 AI Agent 从通用编排走向垂直场景的趋势。金融行业天然重视流程、审计和风险控制, 多智能体架构恰好能把“分工—对抗—复核”的组织逻辑转译成代码。

后续仍需结合新增披露持续校准判断。 本文基于公开信息整理, 如有侵权请联系删除。