GitHub 热榜上杀出一匹黑马：TauricResearch/TradingAgents，一个把「真实交易公司」搬进 LLM 的多 Agent 金融交易框架。shiningmic.cn 周榜在列，arXiv 论文背书（2412.20138），v0.3.1 刚发。我把它拆开给你看，这玩意儿到底是个玩具，还是真能帮你做决策。
它是什么：把交易公司拆成 5 个 Agent 团队
TradingAgents 不是那种"给 LLM 一个股票代码问买不买"的玩具。它模拟真实交易公司的协作：把复杂交易任务拆成专业角色，让多个 LLM Agent 分工 + 辩论 + 决策。
架构是 5 层：
- 分析师团队（4 个 Agent）：基本面分析师（看财报）/ 情绪分析师（聚合新闻 + StockTwits + Reddit）/ 新闻分析师（宏观事件）/ 技术分析师（MACD / RSI 等指标）。各管一摊，产出专业报告。
- 研究员团队（看多 + 看空）：拿到分析师的报告，看多和看空两方辩论，平衡收益与风险。
- 交易员 Agent：综合分析师 + 研究员报告，决定交易时机和规模。
- 风险管理团队：评估市场波动 / 流动性等风险，调整策略。
- 组合经理：最终批准 / 拒绝交易提案，批准后发模拟交易所执行。
这个设计的关键不是"用了 LLM"，而是"用 Agent 分工模拟了人类交易公司的制衡机制"。看多 vs 看空辩论、风险团队复核、组合经理终审--这些都是真实机构降低单一决策偏差的做法。
对比表：多 Agent vs 单 Agent vs 传统量化
| 维度 | TradingAgents（多 Agent） | 单 LLM 问股 | 传统量化系统 |
|---|---|---|---|
| 决策机制 | 5 团队分工 + 看多/看空辩论 + 风控复核 | 一个 LLM 直接答 | 信号触发，规则固化 |
| 数据源 | Alpha Vantage + FRED + Polymarket + StockTwits + Reddit + 新闻 | 用户手动喂 | API 订阅 |
| 模型支持 | GPT-5.x / Gemini 3.x / Claude 4.x / Grok 4.x / DeepSeek / Qwen / GLM / Ollama | 单一模型 | 无 LLM |
| 可解释性 | 各 Agent 输出报告 + 辩论记录 + 决策日志 | 只有最终答案 | 信号日志 |
| 回测 | 支持（LangGraph checkpoint resume） | 无 | 支持 |
| 部署 | Docker / Python / CLI | 网页 | 服务器 |
| 适合谁 | 研究/学习多 Agent 协作 + 交易决策模拟 | 快速好奇 | 机构量化 |
单 LLM 问股的问题：没有制衡，一个模型一拍脑袋。TradingAgents 的看多/看空辩论 + 风控复核，至少把"单一模型偏见"这个最大风险压下来了。
实测上手
v0.3.1 支持 TRADINGAGENTS_* 环境变量配置 + API key 自动检测，多 provider（NVIDIA / Kimi / Groq / Mistral / Bedrock / 任意 OpenAI 兼容端点）。
pip install tradingagents
# 或 Docker
docker run TauricResearch/TradingAgents配置 API key（任选 provider）：
export TRADINGAGENTS_LLM_PROVIDER=deepseek # 或 openai/anthropic/gemini...
export TRADINGAGENTS_LLM_API_KEY=sk-xxx
export TRADINGAGENTS_DATA_API_KEY=your_alpha_vantage_key # 行情数据CLI 跑一次分析：
tradingagents --ticker AAPL --date 2026-07-25它会依次跑：4 个分析师出报告 -> 看多看空辩论 -> 交易员决策 -> 风控复核 -> 组合经理终审，最后给你一个"买/卖/持"决策 + 完整推理链。
模型选择实测
我重点测了 3 个 provider 的稳定性和成本：
- DeepSeek：最便宜，中文市场数据理解好，但长链路（5 团队）偶尔丢上下文。
- Claude 4.x（Sonnet 5）：推理最强，辩论环节质量最高，但贵。v0.3.1 刚加 Claude Sonnet 5 / Fable 5 支持。
- GPT-5.x：均衡，OpenAI 兼容端点最稳，但 API 费中等。
建议：分析师团队用便宜的（DeepSeek / Qwen），辩论 + 交易员 + 组合经理用强的（Claude / GPT-5）。TradingAgents 支持按角色配模型，这是它比单模型框架的优势。
三个避坑
- look-ahead bias（未来函数）：v0.3.1 刚修了 Alpha Vantage 的 look-ahead filtering。回测时一定要确认数据没有用未来信息，否则回测漂亮、实盘崩盘。
- 情绪数据源不稳：Reddit / StockTwits 抓取经常被限流，v0.3.1 修了 crypto sentiment sources。美股 OK，A 股情绪数据基本没有，国内慎用。
- 非投资建议：框架明确说"研究用途，非投资建议"。LLM 的非确定性 + 市场噪声 = 即使架构再合理，也不能盲信。把它当"决策辅助 + 推理链可视化"，不是"自动印钞机"。
选型建议
- 你是 AI 研究者/学生：想学多 Agent 协作、LangGraph 编排，TradingAgents 是最佳教材（arXiv 论文 + 开源 + 5 团队架构清晰）。
- 你是量化开发者：想给现有系统加 LLM 决策层，TradingAgents 的 Agent 分工 + 决策日志可集成，但要自己接实盘交易所。
- 你是普通投资者：别拿它当自动炒股工具。它是"模拟交易公司决策过程"的研究框架，帮你理解多方制衡，不是帮你赚钱的。
TradingAgents 的价值不在"它能赚钱"，而在"它把机构级交易决策的制衡机制，用 LLM Agent 演示出来了"。这个架构思路，比任何单点预测都更接近真实交易。