A股最强开源多Agent投研框架｜TradingAgents重写7分析师
A 股能不能也搞一个？" />
本文仅作技术交流，不构成投资建议。股市有风险，投资需谨慎。
当你看到美股那边的开源项目 TauricResearch/TradingAgents 拿了 65K Star、用多 Agent 辩论做投研时，你大概会想：A 股能不能也搞一个？
T+1、涨跌停、龙虎榜、北交所 920 号段、政策窗口指导、游资动向、限售解禁…… 这些美股根本没有的制度细节，直接照搬原版基本就是跑不通的。
好消息是，Simon Lin 开源了simonlin1212/TradingAgents-astock，把原版 TradingAgents 的多 Agent 架构从数据层、Agent 角色、交易规则三个维度做了深度 A 股特化。本文带你完整拆解这个 A 股本地化多 Agent 投研框架。
一、这个项目解决了什么痛点？
原版 TradingAgents（65K Star）是一篇 arXiv:2412.20138 论文的工程实现，核心玩法是让多个 LLM Agent 扮演"分析师 / 研究员 / 交易员 / 风控 / 基金经理"互相辩论。但它直接拿来做 A 股会撞三堵墙：
这个 Fork 不是简单翻译，是把整套多 Agent 投研流水线重写成 A 股能跑的样子。
二、7 个 AI 分析师角色：A 股特化才是真功夫
2.1 原版 4 个角色（已做 A 股适配）
2.2 A 股特化 3 个角色（独家新增）
新增的 3 个 A 股特化角色，是这个 Fork 最值钱的地方。 任何一个 A 股老股民都知道：政策面、游资、解禁——这三件事决定了一只票 80% 的短线定价，原版 TradingAgents 完全覆盖不到。
三、架构流程：从 7 份报告到一份决策
整条流水线走的是LangGraph 有状态多 Agent 编排，从输入到输出共 6 个阶段：
<span></span><code data-language-pending="" data-raw-code="┌─────────────────────────────────────────────┐
│ ① 7 Analyst 并行研报生成（带工具循环） │
│ Market → Social → News → Fundamentals │
│ → Policy → Hot Money → Lockup │
├─────────────────────────────────────────────┤
│ ② Bull vs Bear 多空辩论（可配置 N 轮） │
│ Bull Researcher ←→ Bear Researcher │
├─────────────────────────────────────────────┤
│ ③ Research Manager 综合研判（深度思考 LLM） │
├─────────────────────────────────────────────┤
│ ④ Trader 出 A 股约束交易方案（T+1/涨跌停/手数） │
├─────────────────────────────────────────────┤
│ ⑤ Aggressive / Conservative / Neutral 三方辩论│
├─────────────────────────────────────────────┤
│ ⑥ Portfolio Manager 最终决策（评级 + 理由） │
└─────────────────────────────────────────────┘" data-show-line-number="false"><span leaf="">┌─────────────────────────────────────────────┐</span><span leaf=""><br></span><span leaf="">│ ① 7 Analyst 并行研报生成（带工具循环） │</span><span leaf=""><br></span><span leaf="">│ Market → Social → News → Fundamentals │</span><span leaf=""><br></span><span leaf="">│ → Policy → Hot Money → Lockup │</span><span leaf=""><br></span><span leaf="">├─────────────────────────────────────────────┤</span><span leaf=""><br></span><span leaf="">│ ② Bull vs Bear 多空辩论（可配置 N 轮） │</span><span leaf=""><br></span><span leaf="">│ Bull Researcher ←→ Bear Researcher │</span><span leaf=""><br></span><span leaf="">├─────────────────────────────────────────────┤</span><span leaf=""><br></span><span leaf="">│ ③ Research Manager 综合研判（深度思考 LLM） │</span><span leaf=""><br></span><span leaf="">├─────────────────────────────────────────────┤</span><span leaf=""><br></span><span leaf="">│ ④ Trader 出 A 股约束交易方案（T+1/涨跌停/手数） │</span><span leaf=""><br></span><span leaf="">├─────────────────────────────────────────────┤</span><span leaf=""><br></span><span leaf="">│ ⑤ Aggressive / Conservative / Neutral 三方辩论│</span><span leaf=""><br></span><span leaf="">├─────────────────────────────────────────────┤</span><span leaf=""><br></span><span leaf="">│ ⑥ Portfolio Manager 最终决策（评级 + 理由） │</span><span leaf=""><br></span><span leaf="">└─────────────────────────────────────────────┘</span></code>
双 LLM 设计：
•
quick_think_llm：所有 Analyst / Researcher / Trader / Risk Debater 用的快速模型•
deep_think_llm：Research Manager 和 Portfolio Manager 用的深度推理模型
四、多空辩论：AI 模拟"魔鬼代言人制度"
辩论阶段的设计直接借鉴了专业投研里的"魔鬼代言人制度"：
•Bull Researcher：看涨立场，专找成长性、低估值、利好催化剂
•Bear Researcher：看跌立场，专挑风险因素、估值泡沫、潜在利空
• 两人都能访问全部 7 份分析师报告，但立场相反
• 辩论有固定轮数结构：陈述 → 反驳 → 再陈述
• 轮数越多博弈越充分，结论越稳（默认 1 轮，生产可调到 3-5 轮）
这套设计强迫系统在做出决策前，把对立面翻来覆去锤一遍，避免单边情绪化判断。
五、三方风控：激进 / 保守 / 中立
风控阶段是另一个亮点——不只有"风险高/低"二元判断，而是 3 个角色同时辩论：
•Aggressive（激进）：主张放大仓位抓住机会
•Conservative（保守）：要求降低敞口、控制回撤
•Neutral（中立）：折中评估，给出平衡方案
最终由 Portfolio Manager 综合交易员方案 + 风控评估，输出评级（Buy/Hold/Sell）+ 详细理由，不输出任何可执行价位（建仓价/止损/仓位/目标价代码里就没有）。
六、Trader 阶段：A 股交易约束全在内置
Trader 不是"下决策的人"，而是"把决策翻译成 A 股可执行规则的人"。内置约束：
6.1 涨跌停限制
6.2 最小手数
• 主板 / 创业板 / 北交所：100 股起，1 股递增
• 科创板：200 股起，1 股递增
6.3 交易时段
• 集合竞价：09:15-09:25
• 收盘集合竞价：14:57-15:00
• 盘后固定价格交易：15:05-15:30（自 2026-07-06 起覆盖全部 A 股，含科创板）
6.4 减持规则合规
补 2024 年《减持管理办法》第十条/第十一条：控股股东、实控人在破发/破净/分红不达标情形下不得通过集中竞价及大宗交易减持。
6.5 市场代码路由（v0.2.21 修复关键 bug）
北交所 920 号段不再被误判为沪市（原来startswith(("6","9")) 会把bj920xxx 静默失败）。
七、数据源：全免费、无积分墙、无 API Key
彻底不依赖 Tushare 积分墙、Alpha Vantage 海外 API、Yahoo Finance（不支持 A 股）。
7.1 东财防封机制（v0.2.11+）
所有东财请求走内置节流入口_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
•实测触发封禁阈值：每秒 >5 / 并发 ≥10 / 1 分钟 ≥200
• 批量场景可设
EM_MIN_INTERVAL=1.5~2进一步降速
八、Web UI：Streamlit 一键启动
<span></span><code><span><span leaf=""># 启动 Web UI</span></span><span leaf=""><br></span><span leaf="">tradingagents-web</span><span><span leaf=""><br></span><span leaf=""># 或</span></span><span leaf=""><br></span><span leaf="">streamlit run web/app.py</span></code>
打开http://localhost:8501，核心功能：
•🎛️ 模型自选：侧边栏支持10 个 LLM 供应商切换（MiniMax / DeepSeek / Qwen / GLM / OpenAI / Anthropic / Google / xAI / OpenRouter / Ollama）+ OpenAI 兼容自定义网关
•⚡ 一键分析：输入 6 位 A 股代码 + 分析日期 + 数据起始日期
•📊 实时进度：12 阶段 pipeline 实时显示，所有已完成阶段的报告均可展开查看
•📄 完整报告：信号卡片 + 7 份分析师报告 + 多空辩论 + 风控评估
•💾 报告导出：一键下载 Markdown 或 PDF（自动适配 Windows/macOS/Linux 中文字体）
•📚 历史记录：自动保存并展示所有历史分析
九、快速开始：5 分钟跑起来
9.1 环境准备
<span></span><code><span><span leaf=""># Python >= 3.10</span></span><span leaf=""><br></span><span leaf="">git</span><span><span leaf=""> clone</span></span><span leaf=""> https://github.com/simonlin1212/TradingAgents-astock.git</span><span><span leaf=""><br></span><span leaf="">cd</span></span><span leaf=""> TradingAgents-astock</span><span leaf=""><br></span><span leaf="">pip install -e .</span><span><span leaf=""><br></span><span leaf=""><br></span><span leaf=""># 如需 Google Gemini 模型（可选）：</span></span><span leaf=""><br></span><span leaf="">pip install -e</span><span><span leaf=""> ".[google]"</span></span></code>
9.2 配置 LLM（必须用 API Key）
在项目根目录创建.env：
<span></span><code><span><span leaf=""># ── 方案 A：MiniMax（推荐，国内直连，性价比高）──────────</span></span><span leaf=""><br></span><span leaf="">MINIMAX_API_KEY=sk-xxx</span><span><span leaf=""><br></span><span leaf=""><br></span><span leaf=""># ── 方案 B：DeepSeek ─────────────────────────────────</span></span><span leaf=""><br></span><span leaf="">DEEPSEEK_API_KEY=sk-xxx</span><span><span leaf=""><br></span><span leaf=""><br></span><span leaf=""># ── 方案 C：智谱 GLM ─────────────────────────────────</span></span><span leaf=""><br></span><span leaf="">ZHIPU_API_KEY=xxx</span><span><span leaf=""><br></span><span leaf=""><br></span><span leaf=""># ── 方案 D：通义千问 Qwen ────────────────────────────</span></span><span leaf=""><br></span><span leaf="">DASHSCOPE_API_KEY=sk-xxx</span></code>
9.3 Python 调用
<span></span><code><span><span leaf="">from</span></span><span leaf=""> tradingagents.graph.trading_graph</span><span><span leaf=""> import</span></span><span leaf=""> TradingAgentsGraph</span><span leaf=""><br></span><span leaf=""><br></span><span leaf="">config = {</span><span><span leaf=""><br></span><span leaf=""> "llm_provider"</span></span><span leaf="">:</span><span><span leaf=""> "minimax"</span></span><span leaf="">,</span><span><span leaf=""><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=""><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=""><br></span><span leaf=""> "output_language"</span></span><span leaf="">:</span><span><span leaf=""> "Chinese"</span></span><span leaf="">,</span><span leaf=""><br></span><span leaf="">}</span><span leaf=""><br></span><span leaf=""><br></span><span leaf="">ta = TradingAgentsGraph(debug=</span><span><span leaf="">True</span></span><span leaf="">, config=config)</span><span leaf=""><br></span><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><span><span leaf=""><br></span><span leaf="">print</span></span><span leaf="">(decision)</span></code>
9.4 CLI 方式
<span></span><code><span leaf="">tradingagents</span><span><span leaf=""> # 交互式 CLI</span></span><span leaf=""><br></span><span leaf="">tradingagents --</span><span><span leaf="">help</span></span><span><span leaf=""> # 查看所有选项</span></span></code>
十、与上游完整对比
十一、为什么这是 A 股多 Agent 框架的最佳选择？
11.1 优点
1.真特化，不是翻译：数据层、Agent 层、规则层三维深度改造
2.全免费数据：彻底摆脱 Tushare 积分墙、海外 API、Yahoo Finance
3.工程严谨：测试覆盖 165 passed + 48 subtests，北交所 920 号段路由 bug 精确修复
4.合规定位清晰：彻底删除可执行价位能力（代码层面而非开关）
5.国内友好：原生支持 MiniMax / DeepSeek / 通义 / 智谱 / Kimi 代理 + Docker 完整部署
11.2 适用人群
•量化研究员：想要多 Agent 协作做 A 股投研实验
•个人投资者：想要自动化分析流程，避免盯盘时间
•AI 应用开发者：学习 LangGraph 多 Agent 编排的真实工程案例
•教学场景：用真实投研案例讲多 Agent 决策机制
11.3 局限
• LLM 调用成本较高（每次分析 30-50 次调用）
• 内部辩论保持英文以保证推理质量（中文 prompt 可能掉质量）
• 部分分析师报告空白通常因模型 tool-call 能力弱，建议用 deepseek-chat / 通义 / GLM-4 / Claude / GPT
十二、常见问题排错
总结
simonlin1212/TradingAgents-astock 是一个高质量的 A 股多 Agent 投研框架，它把原版 TradingAgents 的多 Agent 辩论架构真正落地到 A 股，不是简单翻译，而是从数据层、Agent 角色、交易规则三个维度做了深度特化。
如果你正在做 A 股投研、需要多 Agent 协作框架、想要尝试 LLM 决策的工程实现——这个项目是目前最值得 Star 和 Fork 的选择。
项目信息：
• 仓库：simonlin1212/TradingAgents-astock
• 协议：Apache License 2.0
• 最新更新：2026-07-26
• 作者：Simon Lin · X @linsizhen
免责声明：
• 本文仅作技术交流，不构成投资建议
• 本项目不构成任何投资建议；投资决策请咨询持有中国证监会颁发资质的专业机构
• 股市有风险，投资需谨慎
• 本项目为 TradingAgents-Astock（Apache-2.0）开源框架，图片版权归原作者 Simon Lin 所有
- 原文作者：知识铺
- 原文链接：https://index.zshipu.com/stock002/post/20260817/A%E8%82%A1%E6%9C%80%E5%BC%BA%E5%BC%80%E6%BA%90%E5%A4%9AAgent%E6%8A%95%E7%A0%94%E6%A1%86%E6%9E%B6TradingAgents%E9%87%8D%E5%86%997%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
