当多智能体AI遇上A股:TradingAgents中文增强版全拆解

量化策略开发应以学习和技术交流为目的。

大家好，上次给大家拆解了 TradingAgents 原版框架，很多朋友跟我说：A股能用吗？国内模型支持吗？有没有中文界面？

上次的文：为什么你的AI交易系统总"踩坑"？四步教你搭建专业的多智能体框架

这些问题问得太对了。原版 TradingAgents 虽然架构设计很牛，但说实话，它默认的数据源是美股的，界面是英文的，模型也是 OpenAI 优先，对国内用户来说，门槛确实不低。

所以今天，老余重点给大家讲 TradingAgents-CN——它是原版的中文增强版，专门针对国内用户做了三件大事：

当然，原版底座也没闲着，v0.2.5 刚发布了一波重要更新，老余也会一并讲到。下面正式开始。

一、原版很强，但国内用户用着真费劲

先说清楚，原版 TradingAgents 在 GitHub 上拿了 7.4 万+ 星标，架构设计确实厉害。

但你如果真去跑一遍，就会发现几个很现实的问题：

第一，数据源全是美国的。Alpha Vantage、Finnhub 这些数据源，分析美股没问题，但你让它分析贵州茅台或者比亚迪，它连股票代码都认不全。

第二，模型主要面向海外。默认用 OpenAI，虽然也加了 DeepSeek、Qwen 的支持，但配置起来要翻来覆去看文档，体验不够友好。

第三，界面全英文。CLI 交互界面全是英文提示，对很多国内用户来说，上手的第一步就被劝退了。

第四，技术栈太轻。原版用的是 Streamlit 做界面，单用户单进程，你要是想团队协作、批量分析、权限管理，基本做不到。

TradingAgents-CN 就是来解决这些问题的。它不是简单翻译一下界面就完事，而是从数据层、模型层、架构层三个维度做了深度改造。

二、技术栈大升级：从轻量原型到企业级架构

这是 TradingAgents-CN 做的最大的改动，也是它和原版拉开差距的地方。

前后端分离，性能拉满

原版用 Streamlit 做界面，好处是开发快，坏处是：它本质上就是个单用户的数据展示工具，不支持并发、不支持多人协作、不支持 API 调用。

TradingAgents-CN 直接把整个技术栈换了：

几个关键改动解释一下：

FastAPI 后端——高并发 API 服务

FastAPI 是目前 Python 生态里性能最高的 Web 框架之一，原生支持异步、自动生成 API 文档。这意味着你可以把 TradingAgents-CN 作为一个微服务部署，其他系统通过 API 调用分析能力，而不是只能一个人在命令行里玩。

MongoDB + Redis——数据持久化和高速缓存分离

分析结果、用户数据、历史决策这些需要长期保存的放 MongoDB；实时行情、会话状态、缓存数据这些需要快速读写的放 Redis。这种分离架构在大规模使用时性能优势非常明显，官方说比原来提升了10倍。

SSE + WebSocket——分析进度实时推送

多智能体的分析过程比较长（5-25分钟），你肯定不想盯着屏幕干等。CN 版用了 SSE（Server-Sent Events）和 WebSocket 双通道，分析到哪一步了、哪个智能体在干活，实时推送到前端，你可以随时看进度。

三、A股/港股适配：这才是国内用户的核心需求

原版只认美股代码，比如 AAPL、NVDA 这种。但国内用户最常分析的是 A股和港股，代码格式完全不一样。

股票代码格式支持

国内数据源集成

这是 CN 版最有价值的改造之一。它集成了多个国内金融数据源，按优先级自动切换：

# 数据源优先级配置 [data_source_priority] # 国内A股数据源 tushare = { enabled = true, priority = 1, timeout = 10 }  akshare = { enabled = true, priority = 2, timeout = 15 }  baostock = { enabled = true, priority = 3, timeout = 20 }# 国际数据源 finnhub = { enabled = true, priority = 4, timeout = 10 }  alpha_vantage = { enabled = true, priority = 5, timeout = 15 }

Tushare 是国内最常用的金融数据接口之一，数据质量高，覆盖 A股全市场行情、财务数据、指数数据。AkShare 是开源的金融数据接口库，免费使用，数据源非常丰富。Baostock 则提供了大量的历史数据，适合回测研究。

三个数据源做了优先级排序：Tushare 优先（数据最准），AkShare 兜底（免费可靠），Baostock 补充（历史数据全）。如果某个数据源挂了或者超时，系统会自动切换到下一个。

需要详细了解的宝宝们可以直接去开发者的公众号详细查看这篇：

TradingAgentsCN A股数据源使用指南：Tushare、AKShare、BaoStock

中文情绪分析源

原版的情绪分析主要看 StockTwits 和 Reddit，这俩国内根本用不了。CN 版针对国内场景做了适配：

四、国产模型优先：60+模型可选，智能切换

原版虽然也加了国产模型支持，但配置起来比较麻烦。CN 版把国产模型提到了"一等公民"的位置，默认推荐的就是国内模型。

几个关键设计值得一提：

智能模型选择 + 故障转移

你不需要每次手动选模型。系统会根据你的场景自动推荐合适的模型，而且配置了故障转移：如果主模型挂了，会自动切换到备选模型，不会中断分析。

# 模型配置示例LLM_CONFIG = {    "default_provider": "dashscope",  # 默认用阿里百炼    "providers": {        "dashscope": {            "api_key": "your_key",            "models": [                "qwen-turbo",                "qwen-plus",                "qwen-max"            ]        },        "deepseek": {            "api_key": "your_key",            "models": [                "deepseek-chat"            ]        }    },    # 故障转移顺序    "fallback_order": [        "dashscope",        "deepseek",        "google",        "openai"    ]}

模型配置持久化

选好的模型配置会自动保存，下次打开不用重新选。这在原版里是没有的——原版每次启动都得重新配置。

# .env 配置文件# 国产模型（优先配置）DASHSCOPE_API_KEY=你的百炼密钥DEEPSEEK_API_KEY=你的DeepSeek密钥ZHIPU_API_KEY=你的智谱密钥# 国内数据源TUSHARE_TOKEN=你的Tushare令牌# 国际模型（可选）OPENAI_API_KEY=你的OpenAI密钥GOOGLE_API_KEY=你的Google密钥# 数据库MONGODB_ENABLED=trueREDIS_ENABLED=true

API 密钥环境变量

五、三种部署方式：从零基础到企业级全覆盖

TradingAgents-CN 提供了三种部署方式，不管你是完全不懂技术的小白，还是需要定制开发的工程师，都能找到适合自己的方案。

# 克隆项目 git clone https://github.com/hsliuping/TradingAgents-CN.git cd TradingAgents-CN # 配置环境变量 cp .env.example .env # 编辑 .env 填入 API 密钥# 一键启动 docker-compose up -d

启动后两个入口：Web 管理界面 http://localhost:3000，API 服务 http://localhost:8000。MongoDB 和 Redis 都在容器里自动启动，不用单独安装。

# 克隆项目 git clone https://github.com/hsliuping/TradingAgents-CN.git cd TradingAgents-CN # 创建虚拟环境 python -m venv env source env/bin/activate # Linux/Mac env\Scripts\activate # 安装依赖 pip install -e . # 配置 API 密钥 cp .env.example .env # 启动应用 python start_web.py

三种方式对比

六、实际使用：从选股到出报告

不管你用哪种部署方式，启动后的使用流程都一样。CN 版提供了 Web 界面，操作比原版的 CLI 要直观得多。

基本流程

分析深度选择

CN 版提供了五个分析深度，对应不同的时间和信息量：

报告导出

分析完成后，CN 版支持一键导出报告，格式可选：

报告内容包含：分析摘要、各维度详细分析、辩论记录、风险评估、配置信息。你可以自定义报告模板和品牌标识。

七、智能体协作：CN版的本土化调整

多智能体协作的核心架构和原版一致，但 CN 版在角色分工上做了一些针对国内市场的调整。

八、底座同步：原版 v0.2.5 的关键更新

TradingAgents-CN 是基于原版 TradingAgents 做的增强，原版的每次升级，CN 版都会同步跟进。目前原版最新是 v0.2.5，几个关键更新值得了解：

其中和国内用户最相关的更新：

1. 基于事实的情绪分析器（v0.2.5）

传统情绪分析的逻辑是：正面词多=好，负面词多=差。但市场不是这么运转的。比如一条新闻说"某某公司裁员30%"，表面上全是负面词，但如果市场之前预期裁50%，那30%反而是利好。

v0.2.5 的情绪分析器会结合事实来解读情绪，不再被表面措辞误导。CN 版在此基础上又加了中文语境的适配。

2. 决策记忆机制（v0.2.4）

每次运行的结果会自动追加到 ~/.tradingagents/memory/trading_memory.md。下次分析同一个标的时，系统会：读取历史决策 → 对比实际收益 → 生成反思总结 → 注入到投资组合经理的提示词里。

简单说就是：上次分析对了还是错了，它记着呢，下次会参考。

3. 双区域端点支持（v0.2.5）

Qwen、GLM、MiniMax 都提供了国内端点，数据不出境。这对合规要求严格的机构来说非常重要。

九、CN版独有：原版没有的增强功能

除了上面说的数据源和模型适配，CN 版还有一些原版没有的独有功能：

1. 批量分析

原版一次只能分析一只股票。CN 版支持批量分析——你可以同时丢进去多只股票，系统会依次分析，省去反复操作的麻烦。对于需要每天覆盖多只标的的研究团队来说，这个功能非常实用。

2. 用户权限管理

原版是纯单用户模式。CN 版加了完整的用户管理系统：多级角色、精细权限控制、操作审计日志。支持多用户同时使用，管理员可以控制每个用户能访问的功能和数据范围。

3. 可视化配置管理

原版改配置得手动编辑 config 文件。CN 版做了可视化的配置管理界面——模型选择、数据源管理、系统设置，全在 Web 界面上点几下就行。

4. 自定义智能体扩展

CN 版支持插件化的智能体扩展。你可以开发自己的分析智能体，注册到系统里：

from tradingagents.agents.utils.agent_utils import Toolkitfrom tradingagents.agents.utils.agent_states import AgentStateclass QuantitativeAgent:    """自定义量化策略智能体"""    def __init__(self, config):        self.config = config        self.toolkit = Toolkit()        self.state = AgentState()    def analyze(self, stock_data):        """执行量化分析，生成信号"""        signals = self._calculate_signals(stock_data)        return self._format_analysis(signals)

5. Windows 绿色版

这个前面已经提过，但值得再说一次：双击 exe 就能用，不需要装 Python、不需要配环境、不需要懂命令行。原版完全没提供这种零门槛的启动方式。

十、原版 vs CN版：怎么选？

老余的建议很简单：

十一、重要提醒