TradingAgents-CN 快速上手从 clone 到跑通第一次个股分析【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN想让 AI 帮你跑完一次完整的个股分析——拉数据、算指标、看新闻、评风险最少要几步TradingAgents-CN 是一个基于多智能体 LLM多个 AI 角色分工协作的中文股票分析框架把这条链路压缩成输入代码 → 等报告。按本文走一遍从 clone 仓库到拿到第一份分析报告顺利的话 10 分钟以内。能力全景一个虚拟投研团队不是一个聊天框它不是单模型问答工具而是一条模拟真实投研流程的多智能体流水线。你给一个股票代码内部的市场分析师、基本面分析师、新闻分析师各自取数干活——行情、财报、资讯分别来自 Tushare、AkShare、BaoStock 等数据源最后由交易员和风控智能体汇总出结论。和问一句答一句的单大模型工具比差异有两点一是数据是各分析师实时抓取的不是模型凭记忆编的二是研究员角色会先做多空辩论bull 和 bear 两方各摆理由再输出平衡后的观点而不是直接给单边结论。A股、港股、美股代码都能进。六步走通全链路Docker 一条主线推荐路径是 Docker 部署环境隔离、一条命令起全套服务5 分钟级别。先做个判断再往下读已装好 Docker 和 Docker Compose→ 直接从第 2 步开始Windows 用户、完全不想碰终端→ 走官方公众号渠道拿绿色版压缩包解压后执行启动脚本端口占用时按端口说明改配置要改源码做定制→ 看本节末尾的源码分支第 1 步拉仓库git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN第 2 步准备.env。至少配一个 LLM API 密钥大模型调用凭证阿里百炼、DeepSeek、Google AI、OpenAI 任选其一写成DASHSCOPE_API_KEYsk-...这样的键值对放进.env。密钥没配后面所有分析都跑不动。第 3 步一键起容器docker-compose up -d这条命令同时拉起后端FastAPI端口 8000、前端Vue 3端口 3000、MongoDB 和 Redis 四个服务docker-compose logs -f可以盯着启动日志。第 4 步等健康检查通过compose 里配了 30~60 秒的 start_period耐心等浏览器打开http://localhost:3000。第 5 步用默认账号admin/admin123登录登录后第一件事是改密码。第 6 步分析前先同步股票数据——这是 README 里明确加粗的提醒不先同步数据就开始分析结果里的 PE、PB 等指标会带错误。在数据同步页把目标股票同步完成然后进股票分析页输入代码即可。想要更多分支细节源码部署、密钥清单、各市场代码格式查这份快速上手文档docs/guides/INSTALLATION_QUICK_START.md。源码分支开发者专用本地起环境需要 Python 3.10、MongoDB 4.4、Redis 6.0建虚拟环境后pip install -r requirements.txt再分别起后端和定时任务进程uvicorn app.main:app --reload python app/worker.py跑通之后下一步是用起来。输入什么、得到什么功能按操作视角拆解所有功能都围绕一个动作输入一个代码得到一套可导出的研究材料。单股分析。输入600519A股、00700.HK港股或AAPL美股勾选要参与的分析师、研究深度、LLM 模型点开始。你得到的是分层的完整报告基本面PE、PB、ROE 等财务指标、技术面MACD、RSI、布林带信号、新闻面资讯情绪、风险评估支持导出 Markdown/Word/PDF。多空辩论。这是研究员角色的核心戏份系统为同一只股票生成看涨和看跌两套论据让两个立场互相反驳最后给出折中判断。看报告时重点读辩论记录部分能看到模型推理过程的完整链路而不只是结论。风险评估。风控智能体按不同风险偏好输出风险等级和应对建议。同一只股票激进型和稳健型配置下给出的操作建议会不一样你可以根据自己的仓位承受力对照着看。交易决策。交易员智能体汇总前面所有分析师的输出给出最终交易建议方向、理由、依据。注意这只是研究结论不是下单指令。批量与筛选。一次提交多只股票并行分析按市盈率低于行业均值、ROE 高于 15% 等多维条件筛选排序个股加进自选股分组持续跟踪。另有模拟交易环境用来验证策略表现——虚拟资金不碰真实账户。踩坑速查现象 → 原因 → 解法遇到问题别从头排查先对号入座。现象原因解法启动报端口被占用3000/8000 已被其他程序占改docker-compose.yml里的ports映射如3001:80重启容器MongoDB 连接失败容器未就绪或连接串配错docker-compose logs mongodb看状态核对.env里的 URL 与密码分析结果指标明显不对没先同步股票数据就分析先完成数据同步再跑分析README 对这一点有明确警示API 密钥无效复制带空格、额度耗尽或过期重新复制、查账单额度别在密钥两侧留空格数据源频繁限流/封 IP并发拉取过快调整数据源优先级顺序启用 Redis 缓存减少重复请求股票详情页切换后内容不刷新早期版本 bug升级到 v1.0.1见版本升级说明拓展与边界能改什么、不能做什么先说边界TradingAgents-CN 定位为学习与研究工具所有分析结果仅供参考不提供实盘交易指令另外app/FastAPI 后端和frontend/Vue 前端目录属专有组件商业使用需单独取得授权个人学习研究可自由使用。能改的部分数据源实现DataProvider接口挂接私有或第三方数据改完注册进统一数据管理器即可被各分析师调用接口层在 tradingagents/dataflows/报告与提示词分析模板、报告样式、智能体提示词均可按自己的研究风格调整模型参数换 LLM 供应商、调模型选择权重、自定义风险评分逻辑日常维护只有两件事定期备份 MongoDB 数据卷tradingagents_mongodb_data以及盯着日志目录看异常compose 已把./logs映射到宿主机。升级流程固定四步备份当前数据和配置 → 读对应版本的升级指南 → 按步骤执行 → 升级后跑一只股票验证功能别跳验证直接上生产用法。收束现在就去 clone 仓库、配一个 API 密钥、docker-compose up -d先把第一份个股分析报告跑出来——跑通之后批量筛选和模拟验证都是顺手的事。再次提醒它是研究工具不是交易终端AI 的预测有不确定性任何决策请自己把关。【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 TradingAgents-CN 快速上手：从 clone 到跑通第一次个股分析
TradingAgents-CN 快速上手从 clone 到跑通第一次个股分析【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN想让 AI 帮你跑完一次完整的个股分析——拉数据、算指标、看新闻、评风险最少要几步TradingAgents-CN 是一个基于多智能体 LLM多个 AI 角色分工协作的中文股票分析框架把这条链路压缩成输入代码 → 等报告。按本文走一遍从 clone 仓库到拿到第一份分析报告顺利的话 10 分钟以内。能力全景一个虚拟投研团队不是一个聊天框它不是单模型问答工具而是一条模拟真实投研流程的多智能体流水线。你给一个股票代码内部的市场分析师、基本面分析师、新闻分析师各自取数干活——行情、财报、资讯分别来自 Tushare、AkShare、BaoStock 等数据源最后由交易员和风控智能体汇总出结论。和问一句答一句的单大模型工具比差异有两点一是数据是各分析师实时抓取的不是模型凭记忆编的二是研究员角色会先做多空辩论bull 和 bear 两方各摆理由再输出平衡后的观点而不是直接给单边结论。A股、港股、美股代码都能进。六步走通全链路Docker 一条主线推荐路径是 Docker 部署环境隔离、一条命令起全套服务5 分钟级别。先做个判断再往下读已装好 Docker 和 Docker Compose→ 直接从第 2 步开始Windows 用户、完全不想碰终端→ 走官方公众号渠道拿绿色版压缩包解压后执行启动脚本端口占用时按端口说明改配置要改源码做定制→ 看本节末尾的源码分支第 1 步拉仓库git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN第 2 步准备.env。至少配一个 LLM API 密钥大模型调用凭证阿里百炼、DeepSeek、Google AI、OpenAI 任选其一写成DASHSCOPE_API_KEYsk-...这样的键值对放进.env。密钥没配后面所有分析都跑不动。第 3 步一键起容器docker-compose up -d这条命令同时拉起后端FastAPI端口 8000、前端Vue 3端口 3000、MongoDB 和 Redis 四个服务docker-compose logs -f可以盯着启动日志。第 4 步等健康检查通过compose 里配了 30~60 秒的 start_period耐心等浏览器打开http://localhost:3000。第 5 步用默认账号admin/admin123登录登录后第一件事是改密码。第 6 步分析前先同步股票数据——这是 README 里明确加粗的提醒不先同步数据就开始分析结果里的 PE、PB 等指标会带错误。在数据同步页把目标股票同步完成然后进股票分析页输入代码即可。想要更多分支细节源码部署、密钥清单、各市场代码格式查这份快速上手文档docs/guides/INSTALLATION_QUICK_START.md。源码分支开发者专用本地起环境需要 Python 3.10、MongoDB 4.4、Redis 6.0建虚拟环境后pip install -r requirements.txt再分别起后端和定时任务进程uvicorn app.main:app --reload python app/worker.py跑通之后下一步是用起来。输入什么、得到什么功能按操作视角拆解所有功能都围绕一个动作输入一个代码得到一套可导出的研究材料。单股分析。输入600519A股、00700.HK港股或AAPL美股勾选要参与的分析师、研究深度、LLM 模型点开始。你得到的是分层的完整报告基本面PE、PB、ROE 等财务指标、技术面MACD、RSI、布林带信号、新闻面资讯情绪、风险评估支持导出 Markdown/Word/PDF。多空辩论。这是研究员角色的核心戏份系统为同一只股票生成看涨和看跌两套论据让两个立场互相反驳最后给出折中判断。看报告时重点读辩论记录部分能看到模型推理过程的完整链路而不只是结论。风险评估。风控智能体按不同风险偏好输出风险等级和应对建议。同一只股票激进型和稳健型配置下给出的操作建议会不一样你可以根据自己的仓位承受力对照着看。交易决策。交易员智能体汇总前面所有分析师的输出给出最终交易建议方向、理由、依据。注意这只是研究结论不是下单指令。批量与筛选。一次提交多只股票并行分析按市盈率低于行业均值、ROE 高于 15% 等多维条件筛选排序个股加进自选股分组持续跟踪。另有模拟交易环境用来验证策略表现——虚拟资金不碰真实账户。踩坑速查现象 → 原因 → 解法遇到问题别从头排查先对号入座。现象原因解法启动报端口被占用3000/8000 已被其他程序占改docker-compose.yml里的ports映射如3001:80重启容器MongoDB 连接失败容器未就绪或连接串配错docker-compose logs mongodb看状态核对.env里的 URL 与密码分析结果指标明显不对没先同步股票数据就分析先完成数据同步再跑分析README 对这一点有明确警示API 密钥无效复制带空格、额度耗尽或过期重新复制、查账单额度别在密钥两侧留空格数据源频繁限流/封 IP并发拉取过快调整数据源优先级顺序启用 Redis 缓存减少重复请求股票详情页切换后内容不刷新早期版本 bug升级到 v1.0.1见版本升级说明拓展与边界能改什么、不能做什么先说边界TradingAgents-CN 定位为学习与研究工具所有分析结果仅供参考不提供实盘交易指令另外app/FastAPI 后端和frontend/Vue 前端目录属专有组件商业使用需单独取得授权个人学习研究可自由使用。能改的部分数据源实现DataProvider接口挂接私有或第三方数据改完注册进统一数据管理器即可被各分析师调用接口层在 tradingagents/dataflows/报告与提示词分析模板、报告样式、智能体提示词均可按自己的研究风格调整模型参数换 LLM 供应商、调模型选择权重、自定义风险评分逻辑日常维护只有两件事定期备份 MongoDB 数据卷tradingagents_mongodb_data以及盯着日志目录看异常compose 已把./logs映射到宿主机。升级流程固定四步备份当前数据和配置 → 读对应版本的升级指南 → 按步骤执行 → 升级后跑一只股票验证功能别跳验证直接上生产用法。收束现在就去 clone 仓库、配一个 API 密钥、docker-compose up -d先把第一份个股分析报告跑出来——跑通之后批量筛选和模拟验证都是顺手的事。再次提醒它是研究工具不是交易终端AI 的预测有不确定性任何决策请自己把关。【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考