TradingAgents-AShare

项目概述

想象一下：你坐在电脑前，想知道贵州茅台下周该不该买。传统方式需要打开券商软件翻财报、刷新闻、看技术指标——至少花半小时。而 TradingAgents-AShare 告诉你：把这事交给一个「AI 投研团队」。

这是一个基于多智能体协作的 A 股深度分析系统，模拟顶级投研机构的决策闭环，由 14 名专业 AI Agent 组成，分别负责行业研究、多空辩论、风控审查，最终输出包含方向、置信度、目标价和止损价的结构化交易建议。项目已上线公测（app.510168.xyz），并发布 OpenClaw 技能让用户直接在 AI 助手中调用投研能力。

图1：TradingAgents-AShare 系统架构 — 14 个智能体节点协同作战

背景故事：从个人工具到 AI 投研平台

A股市场信息密度极高：财报、公告、宏观政策、行业动态、主力资金流向、社交媒体情绪……普通投资者面对这些数据往往无从下手。而专业机构有完整的分析师团队——各司其职、交叉验证、集体决策。

TradingAgents-AShare 的作者 KylinMountain 将这种机构化协作方式搬到了 AI 时代。它脱胎于 TauricResearch/TradingAgents，后者是一个通用的多智能体交易框架；KylinMountain 在此基础上针对 A 股做了深度定制——接入 akshare、baostock 等本土数据源，支持上交所/深交所股票代码解析，内置中文投资逻辑。

从技术演进看，项目经历了从 Polars 到 Apache DataFusion 的 SQL 引擎切换、多智能体辩论机制的引入（Claim 驱动结构化辩论）、流式 Token 级输出……每一版迭代都在逼近更真实的「AI 投研机构」体验。

核心功能与技术细节

1. 多智能体辩论架构

系统由 7 类分析师 → 2 类研究员（多空） → 3 类风控（激进/稳健/中性） → 1 名交易员构成，形成完整的三层决策链路：

图2：七维分析师团队，覆盖基本面、情绪、新闻、技术、宏观、主力资金等维度

角色	职责	代表 Agent
基本面分析师	财报、估值、盈利能力	fundamentals_analyst
情绪分析师	市场情绪、资金流向	market_analyst
新闻分析师	实时新闻、公告解读	news_analyst
技术分析师	K线、成交量、指标	volume_price_analyst
宏观分析师	政策、利率、汇率	macro_analyst
主力资金分析师	大单资金、游资动向	smart_money_analyst
社交媒体分析师	股吧、社交网络情绪	social_media_analyst

分析师输出并非最终答案，而是进入多头研究员 vs 空头研究员的辩论环节。辩论以 Claim（主张）为单位驱动，每方提出论点、证据、对立方反驳，最终由研究总监综合裁判。

图3：多空研究员 Claim 驱动辩论 — 研究总监综合裁决

2. LangGraph 状态机编排

整个多智能体协作基于 LangGraph（来自 LangChain 团队）实现。tradingagents/graph/trading_graph.py 是核心编排引擎：

from langgraph.prebuilt import ToolNode
from langgraph.checkpoint.memory import MemorySaver
from tradingagents.graph.trading_graph import TradingAgentsGraph

# 7 个分析师可选激活
graph = TradingAgentsGraph(
    selected_analysts=["market", "social", "news", 
                        "fundamentals", "macro", 
                        "smart_money", "volume_price"],
    debug=False,
    config=config,
)

LangGraph 的优势在于：内置状态管理 + checkpoint 持久化。每轮辩论的中间状态（Claim、Evidence、Vote）会被自动记录，支持断点恢复和多轮迭代。相比手写状态机，LangGraph 让新增 Agent 类型和调整辩论流程变得模块化。

图编排还包含：intent_parser.py（自然语言 → 结构化标的/周期解析）、data_collector.py（统一数据抽象层）、signal_processing.py（信号处理）、reflection.py（反思机制）。

3. 数据源与工具生态

后端数据通过 agent_utils.py 中的抽象工具方法获取，底层依赖：

• akshare：A股实时行情、财务数据、基金持仓
• baostock：基本面数据、资产负债表、现金流
• yfinance：全球市场数据（用于宏观分析）
• stockstats：技术指标计算（MACD、RSI、布林带等）
• requests：通用 HTTP 请求

这套数据层的设计值得注意：它没有选择单一数据源，而是通过工具抽象层让不同分析师调用最适合的数据源——基本面分析师用 baostock，技术分析师用 akshare + stockstats，宏观分析师用 yfinance。数据源可以热插拔，新增数据源只需实现统一接口。

4. 前后端分离架构

后端基于 FastAPI（api/main.py），提供完整的 REST API 和 JWT 认证：

端点	说明
POST /v1/analyze	触发分析，返回 job_id
GET /v1/jobs/{job_id}	查询任务状态
GET /v1/jobs/{job_id}/result	获取分析结果
GET /v1/reports	历史研报检索
POST /v1/scheduled/batch	批量定时任务
GET /v1/dashboard/tracking-board	持仓追踪看板

前端基于 React 18 + TypeScript + TailwindCSS v4，使用 Zustand 做状态管理、Recharts 做图表、Lightweight Charts 做 K 线图、@xyflow/react 做辩论流程图可视化。

5. 定时分析与持仓追踪

系统支持定时批量分析和持仓追踪：

• 用户可导入持仓（标的、成本价、仓位），系统自动跟踪盈亏
• 定时任务支持自定义周期和触发时间，连续失败自动停用
• 自选股列表持久化在 SQLite 数据库中

图4：持仓追踪看板 — 实时价格、持仓盈亏、研报区间一屏展示

上手体验

面向普通投资者：访问 app.510168.xyz 直接使用，有内置验证码（开发环境）或邮件验证（生产环境）。配置好 OpenAI/Anthropic/DeepSeek 等 API Key 即可分析任意 A 股。输入「调研五粮液短线」，系统自动识别标的和周期，10 分钟左右输出研报。

面向开发者：Docker 部署一键启动：docker run -d -p 8000:8000 ghcr.io/kylinmountain/tradingagents-ashare:latest。如需二次开发，源码安装需要 Python 3.10+、Rust 1.89+、Node.js 18+，使用 uv 管理 Python 依赖。

局限性与风险提示

作者在 README 中明确声明：本项目仅供学习研究，不构成投资建议。这一点必须认真对待。

从技术角度，系统的局限性包括：

1. LLM 幻觉风险：分析师 Agent 可能生成看似合理但实则错误的财务数据解读。baostock 返回的数据准确性依赖上游，且 A 股财报披露有季节性延迟。

2. 辩论机制的情感偏差：多空辩论看起来很「公平」，但 Prompt 设计者的先验假设会深刻影响辩论走向——哪方分析师的数据更全、Prompt 措辞更有利于某一方，都可能造成系统性偏差。

3. 数据延迟：akshare 等数据源有不同级别的延迟，对于短线交易（尤其是日内）意义有限。

4. 成本门槛：完整 14 Agent 流程一次分析涉及数十次 LLM 调用，GPT-4o 成本不低。作者支持切换到 GPT-4o-mini 或 DeepSeek 等低成本模型，但分析质量会有所牺牲。

行业意义

TradingAgents-AShare 代表着 AI + 金融的一个具体方向：将机构化的投研流程民主化。传统上，只有券商研究所、基金公司的分析师团队才能完成这种多维度的系统性研究；现在，一个开源项目让任何人都能用上类似的工作流。

图5：交易员将研究结论转化为可执行方案 — 三方风控辩论审查后由组合经理最终裁决

从 GitHub Star 增长看，项目在 2025-2026 年间稳步增长，登上 GitHub Trending 并获得了社区的持续关注。它也带动了 OpenClaw 技能市场 上类似技能的发展——将垂直领域的 AI Agent 能力封装成可复用的 Skill，被更多 AI 助手集成调用。

这一趋势值得关注：未来的 AI 助手不会只是一个问答工具，而是会通过 Skill 生态「长出」各种专业能力——投研、代码、图像生成、数据分析。TradingAgents-AShare 正是这个方向的先行者之一。