TradingAgents 是 TauricResearch 开源的 Python 多智能体 LLM 金融交易框架，用分析师、多空研究员、交易员与风控角色协作，由 LangGraph 组织流程。
项目做什么
该项目旨在把复杂的交易研究任务拆解为多个专门角色：基本面、情绪、新闻与技术分析师各自产出观点，再由看多与看空研究员进行结构化辩论，由交易员汇总成决策，并交给风险管理团队与组合经理审批，从而模拟真实交易公司的分工流程。README 明确说明其定位于研究用途，不构成金融、投资或交易建议，输出结果会受所选基础模型、温度、交易区间与数据质量等因素影响。
与同类方案相比
根据 README 自述，框架支持多种 LLM 供应商，包括 OpenAI、Google、Anthropic、xAI、DeepSeek、Qwen、GLM、MiniMax、OpenRouter，以及本地 Ollama、企业级 Azure OpenAI 与任意 OpenAI 兼容端点，可通过配置或环境变量切换。安装方式提供 pip 安装与 Docker Compose，附带交互式命令行，可选择标的、分析日期、模型与辩论轮数，并声称支持 Yahoo Finance 覆盖的多个市场代码、检查点续跑与决策日志。上述能力均来自仓库自述，本解读未独立验证。
设计与创新
README 强调的差异化设计是把真实交易机构的角色分工引入 LLM 智能体：分析师团队、多空研究员辩论、交易员决策、风控与组合经理审批形成分层流程，并借助 LangGraph 组织为可恢复的执行图。另一项被重点描述的做法是决策日志记忆，即每次运行记录决策，下次对同一标的时获取已实现收益并与基准比较，生成反思文本注入组合经理提示。这些设计相对其他多智能体框架是否更具优势，README 未提供对照实验，本解读也无法验证。
适用场景
适合用于研究性质的多智能体分析实验，例如比较不同基础模型或温度设置对同一标的、同一日期分析结论的影响，观察多空辩论轮数变化如何改变输出，或作为教学材料演示 LLM 智能体如何被组织成分工流水线。也可作为分析与回测流程的脚手架，在模拟交易所中检验决策链路与检查点恢复机制。由于 README 声明不构成投资建议，且收益率不保证复现，将其直接用于实盘交易决策缺乏依据，不宜视为已被证实的用途。
谁会受益
对希望研究 LLM 多智能体协作机制的开发者与研究者，该仓库提供了相对完整的可运行骨架：可安装的 Python 包、可导入的 TradingAgentsGraph 对象、propagate 接口、默认配置与可调参数，以及交互式命令行。它把数据获取、角色提示、辩论流程与决策输出串成一条链路，降低了从零搭建多智能体分析流水线的成本，并附带持久化与恢复相关说明。不过分析质量与稳定性取决于所选模型和数据质量，README 也提示同一标的与日期两次运行可能不同，使用者需自行评估。
使用前需要注意
README 明确说明该框架面向研究，不构成金融、投资或交易建议。由于依赖 LLM 采样，即便固定温度，同一标的与日期的两次运行也可能得到不同结果，推理型模型尤为明显；新闻、StockTwits 与 Reddit 等实时数据会随时间变化，以历史日期回看仍会读到当前内容。README 亦称回测结果不保证与任何已发布数字一致。此外，README 与变更日志中列出的版本号、模型清单（如 GPT-5.6、GLM-5.3 等）及部分功能仅见于仓库自述，本解读无法独立核实，其相对同类项目的优势同样缺少可验证依据。
本文基于抓取时的项目 README 和仓库简介整理；功能、限制与文档可能随项目更新而变化。