多智能体框架 TradingAgents：让 AI 分工做交易

近期，由UCLA、MIT及Tauric Research联合研发的开源多智能体交易框架TradingAgents在GitHub及金融AI开发者社区引发广泛关注，该框架打破了传统单一AI模型处理交易任务的模式，通过模拟专业交易公司的组织架构与协作流程，为金融AI研究提供了全新的技术路径。

UCLA、MIT团队打造开源交易智能体框架引爆金融AI圈

该框架的核心设计灵感来源于现实世界中专业交易公司的投研体系，将原本需要人工团队完成的股票分析、决策全流程拆解为由大语言模型驱动的多个智能体协同完成。目前该框架主要面向高校、量化研究机构提供AI实验支持，尚未开放实盘交易功能，其模块化的代码结构也为研究者测试智能体通信协议、任务分配算法提供了便捷的测试环境。项目方同时推出了针对中文市场优化的TradingAgents-CN版本，已适配A股、港股市场，接入了Tushare、AkShare等中文金融数据源，支持阿里百炼、DeepSeek、OpenAI等主流大模型调用，还配备了现代化的Web操作界面，支持多格式分析报告导出，降低了中文用户的使用门槛。

五大专业智能体模拟真实投研交易全流程

TradingAgents框架设置了五类核心专业智能体，完整覆盖了交易决策的全环节：

• 基本面分析师：负责抓取、解读企业财报、行业地位等基本面数据；
• 情绪分析师：负责处理市场舆情、社交媒体文本等非结构化信息；
• 技术分析师：负责识别KDJ、MACD等技术指标信号；
• 风险管理专家：负责设定止损线、控制最大回撤；
• 多空研究员：分别从看涨、看跌两个维度输出观点，避免单一视角决策偏差。
  各智能体并非按固定顺序执行任务，而是通过自然语言对话的形式开展讨论、交换意见，最终整合所有维度的信息形成共识性研究结论，交易员智能体再基于这份综合结论完成最终交易决策，形成从数据获取、多维度分析到决策输出的完整闭环。

LangGraph架构支撑多智能体自然语言辩论协同

该框架采用LangGraph作为底层基础架构，支持复杂工作流的编排与状态管理，能够稳定支撑多智能体之间的信息交互。不同于传统多智能体框架仅靠自然语言消息通信的模式，TradingAgents针对金融交易长周期规划、信息维度复杂的特点，优化了通信逻辑，避免纯连续对话出现的信息遗失、观点“串线”问题。所有智能体均采用ReAct提示框架，在共享环境状态下协同行动，需要时可调用工具、开展结构化辩论，确保决策的灵活性与动态性。据项目方披露的测试数据，该框架在回测实验中，累积收益、夏普比率、最大回撤等核心指标均显著优于单一AI模型的基准表现，验证了多智能体协作模式在金融交易场景的可行性。

项目方明确风险：仅可用于学习研究禁止实盘交易

项目方在公开资料中多次强调，TradingAgents本质上是用于金融AI技术研究的代码框架，仅适用于合规的学习、研究场景，不建议直接应用于任何实际交易操作，框架输出的分析结果也不构成任何投资建议。项目方同时提示，该框架的分析质量高度依赖数据源质量与大模型能力，大模型可能出现的“幻觉”问题也可能导致分析结论出现偏差，实际投研中仍需人工结合多维度信息综合判断。目前项目方已在GitHub开源v1.0基础版本，后续计划推出v2.0、v3.0版本，新增AI工作流设计器、复盘研究、持仓研究等功能，同时招募核心贡献者参与项目迭代，长期方向还包括扩充智能体角色、接入实时数据处理能力，进一步提升框架对动态金融市场的适配性。