唐杰高徒打造龙虾投资军团！量化私募全线 Agent，开源狂揽 39k 星

好家伙，投资版龙虾也来了。还是 GitHub 开源项目里最近高热高赞的那种。

一个叫TradingAgents的开源金融框架，组了个交易团队替你上钟了。

GitHub 上狂揽39k+ Star，Fork 超 7.2k，不知道的还以为是哪家量化私募把家底给捐了（doge）。

它的玩法很简单，在系统里设好几个专业角色协同干活，有基本面分析师、情绪分析师、技术分析师、研究员、交易员、风险管理师……

这些角色扒完信息、经过一番评估讨论之后，最终再一起拍板要不要交易。

框架支持多家主流模型 API 接入，OpenAI、Anthropic ……统统能用！

基金经理、风控、交易员全配齐

这个框架来自 Tauric Research 团队，是一家专注于用 AI 做智能金融交易的科研技术公司。

创始人—— TradingAgents 的核心作者，肖易佳，本科毕业于清华大学，师从智谱发起人唐杰教授，现为 UCLA 计算机系博士生。

TradingAgents 把复杂的交易拆成五个协作层：

分析师团队并行扒信息；

研究团队拿着数据来回讨论；

交易员基于讨论结果做决策；

风控照着市场现状再审一遍；

最后由基金经理签字执行。

每轮交易起手的是分析师团队，四个角色同时开工，从不同维度薅数据。

基本面分析师翻财报、盯盈利报告、扒内部交易记录，工具箱里预置了 FinnHub 接口，资产负债表、利润表、现金流量表一键拉取。

情绪分析师泡在社交平台和分析师评级里，用情绪评分算法给市场态度打分数，是 FOMO 冲顶，还是恐慌踩踏，量化得一清二楚。

新闻分析师扫全球宏观新闻、行业动态、政策事件，评估外部信息对资产价格的冲击方向与强度。

它还内置了时间分层逻辑，近 3 天的新闻权重最高，近 10 天次之，近 30 天垫底，也就是越近的消息，越当回事。

技术分析师直接调代码执行环境，RSI、MACD、布林带、EMA、ATR 一顿算，再结合 K 线形态找支撑位、阻力位、趋势反转信号。

四个老哥各忙各的，最后把报告打包成一个信息包，扔给下一层研究团队。

研究团队专门设了多头研究员和空头研究员两个对立角色，一个看涨，一个看跌，对着同一份资产正式开辩。

两位都能访问分析师的全量报告，但立场截然相反。

多头猛吹成长性、低估值、利好催化剂；空头死磕风险因素、估值泡沫、潜在利空。

每一轮辩论都有固定回合结构，陈述、反驳、再陈述。

辩论轮数可以自己调——辩得越久，博弈越充分，结论越稳。

这套设计说白了就是模仿专业投研里的魔鬼代言人制度，逼着系统在下注之前，先把对立面翻来覆去锤一遍。

交易员不参与分析，也不参与吵架，但它会把多空双方的论点从头到尾看完，结合历史交易数据，做出最终的买入、卖出或持有判断，并且附上仓位建议和逻辑依据。

关键是，它的输出是结构化的带方向、强度、置信度、主要依据的完整报告。

这份报告，就是下一层风控审核的硬核输入。

风险管理团队盯着市场波动率、流动性风险、交易对手风险、组合敞口这些因子，对交易员的方案做独立审核。

如果风控觉得某笔交易风险超限，它可以要求交易员改方案，或者直接向基金经理提否决建议。

最后一关，是基金经理。它扮演的是最高审批人，综合风控评估报告和交易员决策，做最终裁定。

实验结果显示，TradingAgents 在累积收益、夏普比率、最大回撤这些核心指标上，都明显优于基线模型。

当然也得提一嘴，这是个研究用途的框架，实际表现受骨干模型、模型温度、数据质量这些因素影响，不构成投资建议……别梭哈（doge）。

工程层面，TradingAgents 用的是 LangGraph 有状态多智能体编排框架。

这个框架天然支持循环图和条件分支。

智能体之间的通信走的是结构化协议，这样下游智能体提取上游信息不靠猜，信息损耗小，行为可预测，调试起来也更方便。

数据接入层预置了 FinnHub API 集成，覆盖基本面数据、内部交易记录、分析师评级、新闻资讯，不过用户也可以自己换数据源

在模型使用上，TradingAgents 搞了一套分层调度策略。

数据检索、信息整理这类手速活儿，交给快思考模型；深度分析、辩论论点生成、最终决策这类需要推理能力的，才调用深思考模型。

如何部署

那么如何上手部署呢？

先准备好两样东西，FinnHub 和模型的 API。

FinnHub 的 API 是用来扒股票数据的，官网注册一下就能拿到，免费版就够用。

官方推荐用 conda 管理虚拟环境，把 Python 版本和依赖隔干净。

然后照着下面这几步走。

第一步，克隆仓库（或者直接下载项目压缩包），然后进入项目目录：

git clone https://github.com/TauricResearch/TradingAgents.git

cd TradingAgents

第二步，创建并激活 conda 虚拟环境 :

conda create -n tradingagents python=3.13

conda activate tradingagents

第三步，安装依赖：

pip install -r requirements.txt

第四步，配置 API Key:

export FINNHUB_API_KEY=$YOUR_FINNHUB_API_KEY

export OPENAI_API_KEY=$YOUR_OPENAI_API_KEY

第五步，启动 CLI：

python -m cli.main

启动后会弹出一个交互界面，可以选择目标股票代码、分析日期、LLM 提供商、研究深度这些参数。

如果想当成代码包集成进自己的项目：

三行核心代码，propagate ( ) 直接返回决策结果，辩论轮数、LLM 选择这些参数都能在配置文件里随便调。

同一团队目前还在推进 Trading-R1 研究，这是专为金融交易打造的大模型，在英伟达标的上实现了 8.08% 的累计收益。

这下你还 " 亲自盯盘 " 吗……当然了，亏钱了可别找 AI（doge）。

项目地址：https://github.com/TauricResearch/TradingAgents

TradingAgents 论文：https://arxiv.org/abs/2412.20138

Trading-R1 论文：https://github.com/TauricResearch/Trading-R1

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

— 完 —

谁会代表 2026 年的 AI？

龙虾爆火，带动波 Agent 与衍生产品浪潮。

但真正值得长期关注的 AI 公司和产品，或许不止于此。

如果你正在做，或见证着这些变化，欢迎申报。

让更多人看见你。 https://wj.qq.com/s2/25829730/09xz/

一键关注 点亮星标

科技前沿进展每日见