TradingAgents

一群 AI 参谋帮你盯盘，交易决策更稳当

基于多智能体的 LLM 金融交易框架，让多个 AI agent 协作完成市场分析、策略制定与交易决策，为量化投资提供全新的研究范式。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 108104

维护状态活跃

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队TauricResearch

所属国家

官网地址

GitHubhttps://github.com/TauricResearch/TradingAgents

定价模式free

价格说明开源框架，Apache-2.0许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型agent,finance,llm,multiagent,trading

GitHub 星标★ 108104

30天Star增速

HF 下载量

上线时间2024-12-28 00:00:00

最近更新2026-09-22 00:00:00

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数21

使用教程

难度：入门约 10 分钟部署方式：命令行工具 6 步

环境要求

Python 3.12（README 中 conda 环境指定的版本）
conda 或其他虚拟环境管理器（README 说明可用任意喜欢的工具）
LLM 提供商的 API Key（用于填充 .env）
可选：Docker 与 docker compose（使用容器方式运行时需要）

安装与启动步骤

1克隆代码仓库

从 GitHub 拉取 TradingAgents 源码，并进入项目根目录，后续命令都在该目录执行。
```
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
```
2创建虚拟环境

用 conda 创建 Python 3.12 的独立环境并激活，避免污染系统环境；也可换用你惯用的环境管理器。
```
conda create -n tradingagents python=3.12
conda activate tradingagents
```
3安装项目依赖

在项目根目录执行 pip install .，会把 tradingagents 包及依赖一起装进当前虚拟环境。
```
pip install .
```
4配置 API 密钥

复制仓库自带的 .env.example 为 .env，然后在 .env 里填入你自己的 API Key 供模型调用。
```
cp .env.example .env
```
5启动交互式 CLI

执行已安装的 tradingagents 命令，进入可交互界面；也可用 python -m cli.main 直接从源码运行。
```
tradingagents
```
6或用 Docker 运行

已装好 Docker 时，配置好 .env 后可用 compose 直接跑；本地模型可加 ollama profile。
```
cp .env.example .env
docker compose run --rm tradingagents
```

关键配置

配置项	必填	说明	示例
`API Keys（.env）`	是	在 .env 中填入所选 LLM 提供商的 API Key，供 agent 调用模型	`sk-xxxxxxxx`

如何确认成功

CLI 启动后出现可选择股票代码、分析日期、LLM 提供商、研究深度等选项的界面，即表示可用。

常见问题

Q：没有 conda 可以用别的方式建环境吗？

A：可以。README 说明可用任意你喜欢的虚拟环境管理器，conda 只是示例，只要保证 Python 3.12 环境并执行 pip install . 即可。

Q：不想本地装依赖怎么办？

A：使用 Docker 方式：先 cp .env.example .env 并填入 API Key，再执行 docker compose run --rm tradingagents。

Q：如何接入本地模型？

A：README 提供了 Ollama 专用 profile，执行 docker compose --profile ollama run --rm tradingagents-ollama 即可用本地模型运行。

Q：怎样在自己的 Python 代码里调用？

A：导入 TradingAgentsGraph 与 DEFAULT_CONFIG，初始化 TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())，其 propagate() 会返回决策结果。

注意事项

pip install . 必须在克隆下来的 TradingAgents 仓库根目录执行，否则会找不到包。
执行 Docker 方式前务必先创建 .env 并填好 API Key，否则容器内模型调用会失败。
本地安装与 Docker 二选一即可；源码方式也可用 python -m cli.main 启动。

核心亮点

基于多智能体LLM框架，模拟真实交易团队协作流程，架构设计新颖
覆盖金融交易全链路，包含研究、分析、决策、执行等完整模块
Python实现，技术栈清晰，便于二次开发与金融场景定制

不足之处

文档/社区待观察

适用场景

量化交易策略研究与回测
金融舆情分析与市场情绪研判
多智能体协作框架的学术研究与教学

替代项目

FinGPT、FinRL、TradingGym

项目介绍

TradingAgents 是智能体领域的开源项目，由 TauricResearch 开发，2024 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（108,104）位列前 1%，在智能体分类的 2,499 个项目里位列前 1%。

近 44 天，它的 GitHub 星标从 96,840 增加到 108,104，净增 11,264。

项目目前处于活跃维护状态，最近一次代码更新于 2026-09-22。Apache-2.0许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：量化交易策略研究与回测。同类可对比的替代方案包括 FinGPT、FinRL、TradingGym。

上一篇：AutoGPT

下一篇：OpenHands