AI 炒股辩论赛

打开一个 Python 项目,屏幕上几个 AI 角色围着同一只股票开始辩论——研究员、交易员、组合经理各执一词,最后吵出一个买/卖/观望的决定。这是 GitHub 上累计六万多星的开源项目 TradingAgents 的玩法。

▎ 它在解决什么

用 LLM 做投资决策有个老问题:你问模型’该不该买英伟达’,不管它给什么答案,你都看不清它的思路是怎么走的——一句新闻、一段财报、一个情绪标签,被压成一句含糊的建议,错了也不知道是哪一环掉链子。

TradingAgents 的思路很朴素——把华尔街的真实分工搬到 LLM 上,让不同角色各管一摊,再用一条流水线串起来。v0.2.4 之后,几个核心角色都跑结构化输出:研究经理(Research Manager)整合多方视角并处理分歧,交易员(Trader)给出操作方案,组合经理(Portfolio Manager)做最后的风控决策。整条决策链因此是可读、可审计的,而不是一团黑盒。

▎ 和现有方案比

和’让 GPT 看一眼新闻给个建议’比,差别在于它强制模型走一条多角色推演的路径,过程里有反驳和综合,而不是一锤定音。和 LangChain、AutoGen 这类通用 Agent 框架比,差别是它把金融领域的角色分工和工作流硬编码进了项目里,你不用自己拼,但灵活性也相应少了一些。

底层用的是 LangGraph,v0.2.4 加了 checkpoint resume——长链路任务中断能从断点续跑。在动辄几十步的多角色辩论里,这是个实在的优化,不至于一次 API 报错把前面的推理全丢了。

要诚实说一句:arxiv 论文(2412.20138)挂在那,不等于这套东西接到真账户上能稳定盈利。学术回测和真金白银从来是两回事,项目自身的定位也是研究框架,不是策略产品。

▎ 上手感受 / 注意事项

模型支持相当全:GPT-5.x、Gemini 3.x、Claude 4.x、Grok 4.x,以及 DeepSeek、Qwen、GLM、Azure。换句话说,国内可用的主流模型基本都能跑,不必非得有 OpenAI key 才能玩。

工程化在持续推进:v0.2.4 补了持久化的决策日志,出了官方 Docker 镜像,还修了 Windows 下的 UTF-8 编码问题。这种细节通常意味着真有人在用,而不只是 demo 跑通就发版。

需要打个预防针的是 330 个 open issue。项目正处于快速迭代期,文档和实际行为偶有错位是常态,真要拿来用,做好读源码的准备。

▎ 适合谁,不适合谁

适合:想拆一个完整 multi-agent 工程是怎么落地的人——角色定义、工作流编排、状态持久化、多模型适配,这里都能看到一份还算完整的实现;也适合量化方向的研究者,把它当 LLM 信号生成的脚手架。

不适合:想直接拿它当摇钱树的散户——这是研究框架,不是即开即用的策略产品,你得自己接数据源、调 prompt、做风控、跑回测;以及完全不想碰 LangGraph 的人,架构整体绑在上面,基本绕不开。

一句话:把它当一份开源的 multi-agent 设计样本读,收获远大于直接拿它跑实盘。

项目 · GitHub · TauricResearch/TradingAgents

#AI  #开源  #Agent  #金融  #LLM

本文基于 GitHub 公开信息整理,如有疏漏欢迎留言指正