2.6K Star！TradingAgents A 股版：政策、游资、解禁三个新分析师
2 月写过 TradingAgents-CN，4 月写过 ai-hedge-fund——一个是把多智能体框架汉化，一个是让 12 位投资大师开会吵架。
两篇的留言区里有同一个问题：这些 AI 分析师，懂 A 股吗？
说实话，不太懂。它们看 K 线、看财报、看新闻情绪，这套逻辑放美股成立。但 A 股散户每天真正盯的是另外三样东西：政策风向、龙虎榜上的游资、下个月谁要解禁。这三样，原版框架里一个都没有。
今天这个项目做的就是这件事：在 TradingAgents 的多智能体骨架上，新增 3 个 A 股原生分析师，把数据层整个换成免费直连的国内源，交易规则改成 T+1 + 涨跌停。
不是汉化，是特化。
项目地址：https://github.com/simonlin1212/TradingAgents-astock
⭐ 2,593 Stars | 692 Forks | Python ≥3.10 | Apache 2.0 | 2026-07-24 仍在更新
它是什么？
TradingAgents-astock = 把 TradingAgents 论文框架，从美股移植到 A 股的工程实现。
上游是 TauricResearch/TradingAgents（现在 9.4 万 Star，论文 arXiv 2412.20138）。这个 fork 的作者没有满足于换个数据源，而是从三个维度动了刀：
| 维度
|
原版
|
这个 Fork
| 数据源 |
Yahoo Finance / Alpha Vantage
|
mootdx + 东财 + 新浪 + 同花顺（全免费直连）
| | 分析师 |
4 个
| 7 个
（+ 政策 / 游资 / 解禁）
| | 交易规则 |
美股 T+0、无涨跌停
|
A 股 T+1、涨跌停、最小手数、交易时段
| | 输出语言 |
英文
|
中文报告（内部辩论仍走英文）
| | Alpha 基准 |
SPY
|
沪深 300
|
最后那行别小看。基准从 SPY 换成沪深 300，意味着它的"交易反思"模块（reflection）终于是在跟一个中国投资者真正的机会成本比较了。
核心差异：三个 A 股原生分析师
原版的 4 个分析师（市场 / 舆情 / 新闻 / 基本面）都保留并做了 A 股适配。真正新增的是这三位：
| 角色
|
职责
|
为什么 A 股必须有
🏛️ 政策分析师
|
监管政策、产业政策、窗口指导
|
A 股是政策市，一份文件决定板块轮动
| |
🔥 游资追踪师
|
龙虎榜、大单流向、主力资金动态
|
游资是 A 股短线定价的核心力量
| |
🔓 解禁监控师
|
限售股解禁、大股东减持、股权质押
|
解禁是 A 股独有的重大供给冲击
|
这三份报告不是附录，而是和原来 4 份一起流进后面的多空辩论和三方风控辩论——A 股特色因素贯穿整条决策链，而不是最后加一段"另外提醒您注意解禁"。
这是我看下来最值得肯定的设计。很多"A 股版"改造只是换了数据接口，Agent 的脑子还是美股的。
对应的代码目录很清楚：
<span leaf="">tradingagents/agents/analysts/</span><br><span leaf="">├── market_analyst.py</span><br><span leaf="">├── social_media_analyst.py</span><br><span leaf="">├── news_analyst.py</span><br><span leaf="">├── fundamentals_analyst.py</span><br><span leaf="">├── policy_analyst.py # A 股特化</span><br><span leaf="">├── hot_money_tracker.py # A 股特化</span><br><span leaf="">└── lockup_watcher.py # A 股特化</span><br>
完整决策链
这是上游论文的架构图（注意：图里的 Yahoo Finance、Reddit、Bloomberg、OpenAI o1 都是原版的配置，这个 fork 已经全换掉了，但骨架结构一样）：
换成这个 fork 的实际流程，是这样一条链：
<span leaf="">7 个 Analyst 出研报</span><br><span leaf=""> Market → Social → News → Fundamentals → Policy → HotMoney → Lockup</span><br><span leaf=""> ↓</span><br><span leaf="">Bull vs Bear 投研辩论（可设轮数）</span><br><span leaf=""> ↓</span><br><span leaf="">Research Manager 综合研判（深度思考 LLM）</span><br><span leaf=""> ↓</span><br><span leaf="">Trader 出交易方案（受 A 股约束：T+1 / 涨跌停 / 手数）</span><br><span leaf=""> ↓</span><br><span leaf="">Aggressive ←→ Conservative ←→ Neutral 三方风险辩论</span><br><span leaf=""> ↓</span><br><span leaf="">Portfolio Manager 最终评级 + 理由（深度思考 LLM）</span><br>
双 LLM 设计是个省钱细节：
quick_think_llm→ 所有 Analyst、Researcher、Trader、风险辩手（调用量大）
deep_think_llm→ 只给 Research Manager 和 Portfolio Manager（需要综合全局）
也就是说，你可以把便宜的快模型堆在前面 30 多次调用上，只在最后两个决策节点上用贵的。
数据源：一个 Key 都不用申请
这部分是我最喜欢的。全部免费直连，没有积分墙：
| 来源
|
协议
|
提供内容
| mootdx |
TCP 7709
|
OHLCV K 线、财务快照、F10 文本
| | 腾讯财经 |
HTTP
|
PE / PB / 市值 / 换手率（实时）
| | 东方财富 |
HTTP
|
龙虎榜、限售解禁、板块行情、个股信息
| | 新浪财经 |
HTTP
|
K 线历史、财报三表
| | 同花顺 |
HTTP
|
EPS 一致预期
| | 财联社 |
HTTP
|
全球财经快讯
| | 百度股市通 |
HTTP
|
概念板块分类、资金流向
|
对比一下我之前写过的方案：
Tushare
（14.9K Star）→ 强，但很多接口卡积分
AKShare
（写过，最自由）→ 免费，但要自己拼装数据层
efinance
→ 只覆盖东财
这个项目相当于把 AKShare 那套"免费拼装"的活，按投研 Agent 的需要预先做完了，还带一层防封逻辑。
一个真正的工程细节：东财防封
作者在 v0.2.11 做了件很实在的事——所有东财请求统一走内置节流入口 _em_get()：串行限流（默认间隔 ≥1s + 0.1~0.5s 随机抖动）+ 复用 Keep-Alive 会话。
因为多 Agent 跑批量分析时，东财风控实测阈值是：每秒 >5 次 / 并发 ≥10 / 1 分钟 ≥200 次就临时封 IP。批量场景还可以设环境变量降速：
<span leaf="">EM_MIN_INTERVAL=1.5 </span><span><span leaf=""># 或 2，进一步降速</span></span><br>
而且只限流东财，mootdx / 腾讯 / 新浪 / 同花顺 / 财联社 / 百度都不受影响。这种"被封过才写得出来"的代码，是判断一个数据项目靠不靠谱的最好信号。
怎么跑起来
下面的命令按官方 README 整理。我在本机没有跑完整条分析链（要挂自己的 API Key 并烧 Token），安装与配置部分照抄官方文档，请以仓库最新 README 为准。
1. 安装
<span><span leaf=""># Python >= 3.10</span></span><br><span leaf="">git </span><span><span leaf="">clone</span></span><span leaf=""> https://github.com/simonlin1212/tradingagents-astock.git</span><br><span><span leaf="">cd</span></span><span leaf=""> tradingagents-astock</span><br><span leaf="">pip install -e .</span><br><br><span><span leaf=""># 只有要用 Google Gemini 才需要这行（会引入 httpx 冲突，见下文局限性）</span></span><br><span leaf="">pip install -e </span><span><span leaf="">".[google]"</span></span><br>
装完即可用，不用 Docker。 Docker 只是可选部署方式。
2. 配置 LLM
必须用 API Key，不能用 Claude / ChatGPT 的订阅账号——每次分析要 30~50 次 LLM 调用，只有 API 模式撑得住。
在项目根目录建 .env，按你的供应商选一个：
<span><span leaf=""># 方案 A：MiniMax（官方推荐，国内直连）</span></span><br><span leaf="">MINIMAX_API_KEY=sk-xxx</span><br><br><span><span leaf=""># 方案 B：DeepSeek</span></span><br><span leaf="">DEEPSEEK_API_KEY=sk-xxx</span><br><br><span><span leaf=""># 方案 C：智谱 GLM</span></span><br><span leaf="">ZHIPU_API_KEY=xxx</span><br><br><span><span leaf=""># 方案 D：通义千问</span></span><br><span leaf="">DASHSCOPE_API_KEY=sk-xxx</span><br><br><span><span leaf=""># 方案 E：任意 OpenAI 兼容网关（自建代理 / 中转）</span></span><br><span leaf="">OPENAI_COMPATIBLE_API_KEY=sk-xxx</span><br><span leaf="">BACKEND_URL=https://your-relay.example/v1</span><br>
⚠️ 最高频的坑：每个供应商用各自的环境变量，不是所有都填 OPENAI_API_KEY。用 DeepSeek 却只设了 OPENAI_API_KEY，会报 OpenAIError: The api_key client option must be set。v0.2.12 起缺 key 会直接提示该用哪个变量名。
3. 跑一次分析
<span><span leaf="">from</span></span><span leaf=""> tradingagents.graph.trading_graph </span><span><span leaf="">import</span></span><span leaf=""> TradingAgentsGraph</span><br><br><span leaf="">config = {</span><br><span><span leaf="">"llm_provider"</span></span><span leaf="">: </span><span><span leaf="">"minimax"</span></span><span leaf="">,</span><br><span><span leaf="">"deep_think_llm"</span></span><span leaf="">: </span><span><span leaf="">"MiniMax-M2.7"</span></span><span leaf="">, </span><span><span leaf=""># 决策节点用好模型</span></span><br><span><span leaf="">"quick_think_llm"</span></span><span leaf="">: </span><span><span leaf="">"MiniMax-M2.7-highspeed"</span></span><span leaf="">, </span><span><span leaf=""># 分析师用快模型</span></span><br><span><span leaf="">"output_language"</span></span><span leaf="">: </span><span><span leaf="">"Chinese"</span></span><span leaf="">,</span><br><span><span leaf="">"max_debate_rounds"</span></span><span leaf="">: </span><span><span leaf="">1</span></span><span leaf="">, </span><span><span leaf=""># 多空辩论轮数，加大更烧 Token</span></span><br><span><span leaf="">"max_risk_discuss_rounds"</span></span><span leaf="">: </span><span><span leaf="">1</span></span><span leaf="">, </span><span><span leaf=""># 三方风控辩论轮数</span></span><br><span leaf="">}</span><br><br><span leaf="">ta = TradingAgentsGraph(debug=</span><span><span leaf="">True</span></span><span leaf="">, config=config)</span><br><br><span><span leaf=""># 代码换成你自己要研究的标的。这里沿用官方文档的示例代码，</span></span><br><span><span leaf=""># 仅演示接口用法，不构成任何推荐。</span></span><br><span leaf="">final_state, decision = ta.propagate(</span><span><span leaf="">"688017"</span></span><span leaf="">, </span><span><span leaf="">"2026-05-12"</span></span><span leaf="">)</span><br><span><span leaf="">print</span></span><span leaf="">(decision)</span><br>
换 DeepSeek 只改三行：
<span leaf="">config = {</span><br><span><span leaf="">"llm_provider"</span></span><span leaf="">: </span><span><span leaf="">"deepseek"</span></span><span leaf="">,</span><br><span><span leaf="">"deep_think_llm"</span></span><span leaf="">: </span><span><span leaf="">"deepseek-chat"</span></span><span leaf="">,</span><br><span><span leaf="">"quick_think_llm"</span></span><span leaf="">: </span><span><span leaf="">"deepseek-chat"</span></span><span leaf="">,</span><br><span><span leaf="">"output_language"</span></span><span leaf="">: </span><span><span leaf="">"Chinese"</span></span><span leaf="">,</span><br><span leaf="">}</span><br>
4. 不写代码的路子
<span leaf="">tradingagents </span><span><span leaf=""># 交互式 CLI</span></span><br><span leaf="">tradingagents-web </span><span><span leaf=""># Streamlit Web UI，默认 http://localhost:8501</span></span><br>
长什么样
Web UI 欢迎页，侧栏输代码 + 日期，右边写清了整条链路：
Web 端的几个实用点：
12 阶段 pipeline 实时进度
，已完成的每一阶段报告都能展开看
10 个 LLM 供应商侧栏切换
，外加一档"OpenAI 兼容（自定义 base_url）“接任意网关
导出 Markdown 或 PDF
（PDF 自动适配 Win/macOS/Linux 中文字体）
历史记录自动保存
CLI 跑起来是这个样子——左上角是 Agent 流水线状态，右上角是工具调用与推理流，下方是当前报告（这张是上游截图，标的是 SPY，A 股版布局相同、内容是中文）：
要批量跑多只标的，看 examples/run_cases.py，它复用 CLI 的 save_report_to_disk()，每只标的输出 complete_report.md（分析师 / 研究 / 交易 / 风险 / 组合五个分区）+ 一份 summary.json：
<span leaf="">uv run python examples/run_cases.py </span><span><span leaf=""># 跑全部</span></span><br><span leaf="">uv run python examples/run_cases.py 688017 </span><span><span leaf=""># 跑单只</span></span><br>
和写过的同类项目比
| 对比
| 本项目 |
ai-hedge-fund
|
TradingAgents-CN
|
上游 TradingAgents
| ⭐ Stars |
2.6K
|
62.4K
|
30.6K
|
94.4K
| | 市场 | A 股 |
美股
|
A / 港 / 美
|
美股
| | Agent 数 |
7 分析师 + 辩论 + 风控
|
12 大师 + 6 分析师
|
9 类角色
|
4 分析师
| | A 股原生角色 |
✅ 政策 / 游资 / 解禁
|
❌
|
❌
|
❌
| | 数据要不要 Key |
✅ 全免费直连
|
❌ 部分要付费
|
⚠️ Tushare 有积分墙
|
❌ 要 API
| | 许可证 |
✅ Apache 2.0
|
MIT
|
⚠️ 自定义（GitHub 识别为 NOASSERTION）
|
Apache 2.0
| | 部署 |
pip 即跑，Docker 可选
|
Poetry
|
推荐 Docker
|
pip
| | 适合谁 |
想研究 A 股特色因子怎么进 Agent
|
想学 12 种投资哲学
|
想要开箱即用的中文界面
|
想读论文原实现
|
<span leaf="">一句话区分：</span><br><span leaf="">上游 TradingAgents → 论文原型，美股</span><br><span leaf="">TradingAgents-CN → 汉化 + 中文界面，全市场</span><br><span leaf="">ai-hedge-fund → 12 位大师开会，美股</span><br><span leaf="">本项目 → 唯一给 A 股加了原生角色的那个 ✅</span><br>
Star 数它是最少的（2.6K vs 上游 9.4 万）。但在"懂不懂 A 股"这个维度上，它目前是这几个里最深的。
一个值得单独说的设计
作者在 README 里写了一段话，我读到的时候愣了一下：
不产出可执行价位：框架内没有建仓价 / 止损位 / 仓位 / 目标价这类输出——不是默认关闭，是代码里就没有。Trader 与 Portfolio Manager 只给方向、评级与理由。
这是一个非常清醒的决定。
绝大多数 AI 炒股项目的演示截图都在秀"目标价 XX 元、止损 XX 元、建议仓位 15%"——那些数字看着最专业，其实最不可信，因为它们是 LLM 从文本里"编"出来的，没有任何风险模型支撑。
同时，在国内提供带具体价位的证券投资建议是有牌照门槛的。作者把这条线画在代码层面而不是免责声明层面，顺带把自己和使用者都摘出来了。
顺着说清账号的一贯观点：用 AI 预测股价基本是伪命题。 LLM 生成的分析报告，本质是对公开信息的重新组织，天然带幻觉和过拟合风险——它会把噪音讲成逻辑，而且讲得比人还流畅。
这类框架的正确用法，我认为是：
✅ 信息处理：7 个角度把公告、龙虎榜、解禁表一次扫完，省的是你翻资料的时间
✅ 看分歧：多空辩论里两边的论据，比最后那个评级有价值得多
✅ 做因子研究素材：把结构化输出存下来，回头验证哪类因子真有效
❌ 不要把它的评级当买卖信号
局限性
| 局限
|
说明
| 必须 API Key |
一次分析 30~50 次 LLM 调用，订阅版账号用不了
| | Token 消耗不小 |
7 分析师 + 两轮辩论 + 风控，辩论轮数调大成正比增长
| | 弱模型会出空报告 |
部分轻量模型 tool-call 不稳，情绪/新闻/政策/游资/解禁报告可能空白
| | 数据源是爬来的 |
免费的代价是接口随时可能变，东财还要靠节流躲风控
|
| 装 [google] 有依赖冲突 |
mootdx 要 httpx<0.26、google-genai 要 >=0.28，互斥
| | 不能实盘交易 |
只出分析和评级，不接券商通道
| | Star 基数还小 |
2.6K，社区和 issue 沉淀不如上游厚
|
三个已知坑的解法
① 报告空白 → 不是数据源坏了，是模型 tool-call 能力弱。换 deepseek-chat / 通义 / GLM-4 / Claude / GPT 这类调用稳的，或者直接重试。
② PDF 导出报 UnicodeEncodeError: 'latin-1' codec can't encode → 你环境里装了旧版 fpdf（pyfpdf），和项目用的 fpdf2 抢同一个导入名：
<span leaf="">pip uninstall -y fpdf && pip install </span><span><span leaf="">"fpdf2>=2.8.6"</span></span><br>
实在不行改用"下载 Markdown”，零依赖永远可用。
③ 装 Gemini 后 httpx 冲突 → mootdx 取行情走 TCP、运行时根本不调 httpx，所以可以让 httpx 升到满足 google-genai 的版本，pip 那条 incompatible 只是警告（作者实测 mootdx 0.11.7 在 httpx 0.28.1 下取数正常）。或者干脆别装 [google]，用国内直连模型就没这问题。
小结
<span leaf="">TradingAgents-astock：</span><br><span leaf="">- 2.6K Star，上游 TradingAgents（9.4 万）的 A 股深度特化 fork</span><br><span leaf="">- 7 个分析师，其中政策 / 游资 / 解禁三个是 A 股原生新增</span><br><span leaf="">- 三个新报告直接进多空辩论和风控辩论，不是附录</span><br><span leaf="">- 数据全免费直连，一个 Key 都不用申请，无 Tushare 积分墙</span><br><span leaf="">- 东财请求内置节流防封，批量跑不封 IP</span><br><span leaf="">- T+1 / 涨跌停 / 手数写进 Trader 约束，基准换成沪深 300</span><br><span leaf="">- 双 LLM 设计：快模型跑分析师，好模型只给两个决策节点</span><br><span leaf="">- 全 Apache 2.0，pip install 即跑，不用 Docker</span><br><br><span leaf="">最大价值：它是我写过的几个多智能体投研框架里，</span><br><span leaf="">唯一真的把"A 股是政策市 + 游资市 + 有解禁"这件事</span><br><span leaf="">写进 Agent 脑子里的那个。</span><br><br><span leaf="">最该看的地方：不是它给的评级，是多空辩论里两边的论据。</span><br>
⚠️ 免责声明：本文仅为技术分享/教育目的，不构成任何投资建议。回测收益不等于实盘收益，历史表现不代表未来。投资有风险，入市需谨慎。
下期继续——a-stock-data：同一个作者的 A 股全栈数据工具包，7.7K Star、10 层架构、43 个端点，行情/研报/资金面/筹码/公告/打板/ETF 期权全都有，把这篇的数据层单独拆出来做成了轮子。
#TradingAgents #A股 #多智能体 #AI投资 #量化投资 #LangGraph #龙虎榜 #GitHub #开源
- 原文作者：知识铺
- 原文链接：https://index.zshipu.com/stock002/post/20260817/2.6K-StarTradingAgents-A-%E8%82%A1%E7%89%88%E6%94%BF%E7%AD%96%E6%B8%B8%E8%B5%84%E8%A7%A3%E7%A6%81%E4%B8%89%E4%B8%AA%E6%96%B0%E5%88%86%E6%9E%90%E5%B8%88/
- 版权声明：本作品采用知识共享署名-非商业性使用-禁止演绎 4.0 国际许可协议进行许可，非商业转载请注明出处（作者，原文链接），商业转载请联系作者获得授权。
- 免责声明：本页面内容均来源于站内编辑发布，部分信息来源互联网，并不意味着本站赞同其观点或者证实其内容的真实性，如涉及版权等问题，请立即联系客服进行更改或删除，保证您的合法权益。转载请注明来源，欢迎对文章中的引用来源进行考证，欢迎指出任何有错误或不够清晰的表达。也可以邮件至 sblig@126.com
