TradingAgents

TradingAgents 是一个把多智能体和大语言模型结合起来做金融交易的开源框架，最近在 GitHub 上热度极高。它解决的核心痛点是：传统量化交易模型通常只靠单一算法做决策，面对复杂多变的市场容易失效；而 TradingAgents 把多个“AI 交易员”聚集在一起，每个负责不同任务，比如一个看基本面、一个盯技术指标、一个分析新闻情绪、一个做风控，最后集体投票或讨论出最终交易决策。这种协作机制让交易逻辑更接近人类专业投研团队，也更容易捕捉到单个模型忽略的市场信号。 技术上，这个框架最大的亮点是它的“多代理协商”架构。每个智能体都基于大语言模型，拥有独立的提示词和工具调用权限，能实时获取市场价格、财报数据、新闻等外部信息，并通过自然语言彼此交流、辩论，最终达成一致。底层还用了一套叫“结构化记忆”的机制，让智能体记住过去决策的成败，避免重复犯错。论文已经挂在 arXiv 上，技术上很扎实。另外，项目原生支持主流 LLM 接口（如 OpenAI、Anthropic），可以直接接入，不需要额外训练。 适用场景很广：如果你是量化研究员，可以用它快速验证新的多因子策略；如果是个人交易者，可以定制自己的智能体团队，让 AI 帮你盯盘、提醒风险；甚至可以用来做投资者教育，通过模拟不同角色的辩论来理解市场博弈。由于是纯 Python 搭建，上手门槛不高，只要会用 Python 和调用 LLM API 就能跑通示例代码。新手可以先从内置的简单策略开始，替换数据源和提示词即可。项目文档和社区 Discord 很活跃，遇到问题基本能找到解答。 总体来看，TradingAgents 把多智能体协作这个前沿概念直接落地到金融场景，既能当研究工具，也能直接用于实盘（需谨慎）。对于想探索 AI 驱动的投资决策的团队或个人，是一个非常值得关注的起点。