TradingAgents 部署与安装指南：多智能体 LLM 金融交易框架 | 极客的赛博空间

TradingAgents 是一个多智能体交易框架，通过部署专业的 LLM 驱动智能体（基本面分析师、情绪专家、技术分析师、交易员、风险管理团队等），协作评估市场条件并做出交易决策。它基于 LangGraph 构建，支持多种 LLM 提供商。

1. 系统要求与准备

1.1 硬件要求

内存：建议 8GB+。
存储：至少 10GB 可用空间（用于缓存数据和日志）。

1.2 软件前提

Python：版本 3.12。
包管理器：推荐 pip 或 conda。
Git：用于克隆仓库。
（可选）Docker：用于容器化部署。

1.3 必需的 API 密钥

TradingAgents 需要至少一个 LLM 提供商的 API 密钥。支持：OpenAI (GPT)、Google (Gemini)、Anthropic (Claude)、xAI (Grok)、DeepSeek、Qwen、GLM、MiniMax、OpenRouter、AWS Bedrock、Azure OpenAI 以及任何 OpenAI 兼容的端点（如 vLLM、LM Studio）。

核心数据源（可选但强烈推荐）：

Alpha Vantage API 密钥：用于获取市场数据。可在 Alpha Vantage 免费申请。

2. 安装步骤

2.1 从源码安装（推荐）

克隆仓库：

1 2	git clone https://github.com/TauricResearch/TradingAgents.git cd TradingAgents

创建并激活虚拟环境（推荐 conda）：

1 2	conda create -n tradingagents python=3.12 conda activate tradingagents

或使用 venv：

1
2
3

python -m venv tradingagents_env
source tradingagents_env/bin/activate  # Linux/macOS
# tradingagents_env\Scripts\activate   # Windows

安装包和依赖：
1
pip install .
这会安装核心依赖。如需 AWS Bedrock 支持，使用：
1
pip install ".[bedrock]"

配置 API 密钥：

1
2
3

# 复制示例环境文件
cp .env.example .env
# 编辑 .env 文件，填入您的 API 密钥

您也可以直接在终端导出环境变量（推荐）：

1 2	export OPENAI_API_KEY="your-openai-key" export ALPHA_VANTAGE_API_KEY="your-alpha-vantage-key"

2.2 使用 Docker 部署（适合快速隔离环境）

项目提供了 Docker 支持，适用于不想手动配置环境或希望快速体验的用户。

准备环境：

1	cp .env.example .env # 并填入您的 API 密钥

运行（标准模式）：
1
docker compose run --rm tradingagents

运行（使用本地 Ollama 模型）：

1	docker compose --profile ollama run --rm tradingagents-ollama

3. 基本使用

3.1 命令行界面（CLI）

安装后，您可以通过 CLI 启动交互式界面：

1	tradingagents

或直接从源码运行：

1	python -m cli.main

在交互式界面中，您可以：

选择股票代码（Ticker），如 AAPL（美国）、0700.HK（香港）、BTC-USD（加密货币）。
选择分析日期。
选择 LLM 提供商和模型。
设置研究深度（辩论轮数）。

3.2 在 Python 代码中使用

TradingAgents 也可作为库集成到您自己的脚本中。

基础示例：

from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

# 创建图实例
ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())

# 对特定股票和日期运行分析
_, decision = ta.propagate("NVDA", "2026-01-15")
print(decision)  # 打印交易决策

自定义配置：
您可以通过修改 config 字典来调整使用的模型、辩论轮数等。

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "anthropic"        # 选择提供商
config["deep_think_llm"] = "claude-opus-4-5" # 复杂推理模型
config["quick_think_llm"] = "claude-sonnet-4-5" # 快速任务模型
config["max_debate_rounds"] = 3             # 增加辩论轮数

ta = TradingAgentsGraph(debug=True, config=config)
_, decision = ta.propagate("AAPL", "2026-07-15")

查看 tradingagents/default_config.py 获取所有可配置项。

4. 高级功能与配置

4.1 持久化与恢复

TradingAgents 支持两种状态持久化：

决策日志：每次运行的决策会自动追加到 ~/.tradingagents/memory/trading_memory.md。下次分析同一股票时，会回顾过往决策和收益，形成持续学习。
检查点恢复（Checkpoint Resume）：通过启用 --checkpoint，框架会在每个节点后保存状态。如果运行中断，可以从最后成功的步骤恢复，无需从头开始。
1
2
tradingagents analyze --checkpoint # 启用检查点
tradingagents analyze --clear-checkpoints # 重置所有检查点

4.2 支持的市场与代码

TradingAgents 支持 Yahoo Finance 覆盖的任何市场：

美国：AAPL, SPY
香港：0700.HK · 东京：7203.T · 伦敦：AZN.L
印度：RELIANCE.NS, .BO · 加拿大：.TO · 澳大利亚：.AX
中国A股：上海 .SS，深圳 .SZ (如 600519.SS 贵州茅台)
加密货币：BTC-USD, ETH-USD

4.3 本地模型支持 (Ollama)

如需使用本地模型，配置 llm_provider: "ollama"，并确保 Ollama 服务运行（默认 http://localhost:11434）。您可以通过 OLLAMA_BASE_URL 环境变量指向远程服务。

4.4 可重现性说明

由于依赖 LLM 的采样、实时新闻和社交媒体数据，两次对同一股票同一日期的分析结果可能不同。这是框架作为研究工具的正常特性。如需降低变化，可设置 temperature=0.0，并优先使用非推理模型。

5. 常见问题排查

问题	可能原因	解决方案
`pip install .` 失败	Python 版本不匹配或依赖冲突	确保使用 Python 3.12。尝试在干净的虚拟环境中安装。
API 调用返回错误	API 密钥无效、过期或余额不足	检查 `.env` 文件或环境变量中的密钥是否正确。确认提供商账户状态。
Alpha Vantage 数据获取失败	未设置 API 密钥或达到每日请求限制	设置 `ALPHA_VANTAGE_API_KEY`。免费层级有每分钟/每天请求限制。
Docker 容器无法启动	环境变量未正确传递或端口冲突	检查 `.env` 文件。确保 `docker-compose.yml` 中定义的端口未被占用。
CLI 界面乱码或无法输入	Windows 终端编码问题	确保使用支持 UTF-8 的终端（如 Windows Terminal）。可尝试设置 `PYTHONIOENCODING=utf-8`。
分析结果不稳定或看似错误	LLM 采样随机性或数据源实时变化	这是正常现象。可设置 `temperature=0.0`，并固定分析日期。