为什么我们需要 TradingAgents-CN在量化交易领域大语言模型LLM带来的变革是有目共睹的。原本需要资深分析师花费数小时梳理的财报、新闻和舆情现在 AI 可以在几分钟内给出初步判断。然而对于国内的技术爱好者和量化研究者来说直接使用原版 TradingAgents 往往面临两道难以逾越的门槛一是网络环境限制导致无法稳定调用海外 API二是原版对 A 股和港股的数据支持不够友好缺乏本土化的数据源集成。这就催生了TradingAgents-CN这个开源项目。它不仅仅是原版的简单汉化而是针对中文语境和本土市场进行了深度重构。最核心的价值在于它原生支持接入阿里百炼、硅基流动等国产大模型平台并无缝对接 Tushare、AkShare 等国内主流金融数据接口。这意味着你不再需要为不稳定的网络连接发愁也不用担心数据合规问题就能在本地搭建一套模拟真实投行架构的多智能体交易系统。这套系统模拟了一家微型投研公司的运作流程有负责搜集信息的基本面、技术面、新闻和情绪分析师有负责多空辩论的研究员还有最终拍板的交易员和严格把关的风控官。它们通过结构化协议协作最终产出一份逻辑严密的投资分析报告。接下来我们将手把手带你完成从环境准备到系统运行的全过程确保你在一小时内拥有一套可实际运转的本地 AI 投研助手。前置环境与工具准备工欲善其事必先利其器。为了降低部署复杂度TradingAgents-CN 采用了 Docker 容器化方案。这种方式最大的好处是“一次配置到处运行”避免了在不同操作系统上反复折腾 Python 依赖库的噩梦。无论你是 Windows、macOS 还是 Linux 用户只要搞定两个核心工具剩下的工作基本就是复制粘贴命令。首先你需要安装Git。它是代码版本管理工具用于从 GitHub 拉取项目源码。Windows 用户访问 Git 官网下载安装包一路点击Next即可完成安装。安装完成后右键菜单会出现Git Bash Here选项。macOS 用户通常系统自带 Git。你可以在终端输入git --version验证。若未安装可通过 Homebrew 运行brew install git快速安装。Linux 用户使用包管理器安装如 Ubuntu 下运行sudo apt-get install git。其次必须安装Docker Desktop。这是运行容器的核心引擎。Windows/Mac前往 Docker 官网下载 Docker Desktop 安装包。注意Mac 用户需根据芯片类型选择版本Apple Silicon 选 ARM64 版Intel 芯片选 x86 版。安装后启动软件确保左下角状态灯显示为绿色Running。Linux建议安装 Docker Engine 及 Docker Compose 插件具体指令可参考官方文档此处不再赘述。安装完毕后打开你的终端Windows 推荐使用 PowerShell 或 Git BashMac/Linux 使用 Terminal输入docker --version和git --version。如果两者都返回了版本号说明环境就绪可以开始下一步。获取项目代码与配置文件环境准备好后我们需要把项目代码“搬”到本地。找一个你习惯存放代码的目录比如D:\Projects或~/Documents/Code然后在终端中执行以下命令git clone https://github.com/hsliuping/TradingAgents-CN.git cd TradingAgents-CN第一条命令会将远程仓库的代码下载到本地名为TradingAgents-CN的文件夹中第二条命令则是进入该目录。此时你可以用文件资源管理器或 VS Code 打开这个文件夹查看其内部结构。你会发现项目结构非常清晰tradingagents目录存放着所有智能体的核心逻辑web目录是前端界面config目录则是配置中心。接下来是关键的一步配置 API 密钥。项目根目录下有一个名为.env.example的文件这是一个配置模板。我们需要复制它并重命名为.env这样程序才能读取到你的私人密钥。在终端中执行# Windows (PowerShell) copy .env.example .env # Mac / Linux cp .env.example .env现在用文本编辑器如 Notepad、VS Code打开生成的.env文件。你会看到一系列类似KEYVALUE的配置项。这里我们需要重点关注两类密钥大模型 API Key和金融数据 API Key。1. 配置国产大模型密钥为了避开海外网络限制强烈推荐使用国产大模型。目前项目对阿里百炼DashScope支持最为完善。登录阿里云百炼控制台创建一个 API Key。在.env文件中找到DASHSCOPE_API_KEY字段将你的密钥填入引号内。如果你有其他偏好如硅基流动SiliconFlow或 DeepSeek也可以填入对应的SILICONFLOW_API_KEY或DEEPSEEK_API_KEY字段并在后续配置中指定模型名称。2. 配置金融数据密钥数据是量化的血液。对于 A 股和港股研究Tushare是最常用的数据源之一。访问 Tushare 官网注册账号在积分管理页面获取 Token。在.env文件中找到TUSHARE_TOKEN字段填入你的 Token。如果主要研究美股则需要填写FINNHUB_API_KEY但对于国内用户Tushare 足以覆盖大部分需求。配置示例如下请替换为你真实的密钥DASHSCOPE_API_KEYsk-xxxxxxxxxxxxxxxxxxxxxxxx TUSHARE_TOKENxxxxxxxxxxxxxxxxxxxxxxxx # 其他非必需项可保持为空或默认值 MODEL_NAMEqwen-max保存文件后切记不要将包含真实密钥的.env文件上传到公开的代码仓库以免泄露隐私。一键启动 Docker 容器一切准备就绪现在见证奇迹的时刻到了。在项目根目录下我们只需要一条命令即可启动整个系统。TradingAgents-CN 使用docker-compose来编排多个服务包括后端计算引擎、前端 Web 界面以及数据库服务。在终端中输入docker-compose up -d --build这条命令的含义是up启动服务。-d后台运行Detached mode这样你可以关闭终端而服务继续运行。--build强制重新构建镜像确保你获取的是最新版本的代码和环境依赖。首次运行时Docker 会下载基础镜像并安装项目所需的 Python 库这可能需要几分钟时间取决于你的网络速度。过程中你会看到类似Creating network,Building web,Starting tradingagents-db的日志输出。当终端停止滚动并返回命令提示符时表示容器已启动。你可以通过以下命令检查运行状态docker-compose ps如果看到State列显示为Up说明所有服务正常。此时打开浏览器访问http://localhost:8501你应该能看到 TradingAgents-CN 的 Web 操作界面。常见启动问题排查如果在访问网页时遇到连接失败或者 Docker 日志显示TradingAgents-web一直在重启这通常是因为 Web 镜像在某些环境下存在依赖冲突。别慌我们可以采用“混合部署”模式让数据库和核心计算在 Docker 中运行而 Web 界面在本地直接启动。停止 Web 容器docker-compose stop web本地安装依赖需确保已安装 Conda 或 Python 3.10conda create --name trading-agents-cn python3.10 -y conda activate trading-agents-cn pip install -r requirements-lock.txt本地启动 Web 服务python start_web.py此时数据库依然由 Docker 托管保证了数据持久化而 Web 服务则由本地 Python 进程承载稳定性更高。再次访问http://localhost:8501即可正常使用。实战演示分析一只 A 股股票系统跑通后我们来实际体验一下它的威力。假设我们要分析贵州茅台600519.SH近期的投资价值。在 Web 界面首页你会看到一个清晰的输入框。输入股票代码填入600519.SH。注意A 股代码通常需要加上.SH或.SZ后缀以便系统识别交易所。设置时间范围选择最近一个月的日期区间例如从 2026-07-28 到 2026-08-28。点击“开始分析”。接下来你将目睹一场精彩的AI 内部会议”。界面上会实时展示各个智能体的工作状态分析师团队并行工作你会看到四个进度条同时走动。基本面分析师正在读取茅台的最新财报数据计算 PE、ROE 等指标技术分析师在绘制 K 线图识别 MACD 金叉或死叉信号新闻分析师在检索近期关于白酒行业的政策新闻情绪分析师则在扫描社交媒体上的讨论热度。多空辩论环节这是最有趣的部分。看涨研究员会提炼出“消费升级”、“品牌护城河”等利好论点而看跌研究员则会反驳“估值过高”、“宏观消费疲软”等风险点。两者的辩论过程会以对话流的形式展示在界面上让你清晰看到 AI 是如何权衡利弊的。决策与风控最后交易员综合各方观点给出“买入”、“卖出”或“持有”的建议并附上详细的理由。紧接着风控官会对该建议进行压力测试给出风险等级如“中低风险”和目标价位区间。整个过程完全自动化通常只需 2-5 分钟即可生成一份结构完整的 Markdown 格式研报。你可以直接下载这份报告或者将其作为自己投资决策的辅助参考。值得注意的是由于接入了 Tushare 数据系统对 A 股的分红送转、停牌复牌等特殊事件处理得相当准确这是很多海外框架做不到的。进阶配置自定义模型与数据源如果你不满足于默认配置想要更深度的定制TradingAgents-CN 也提供了灵活的扩展能力。切换大模型在.env文件中你可以通过修改MODEL_NAME参数来切换不同的模型。例如如果你希望用更强大的模型进行深度推理可以将qwen-max改为qwen-plus或其他支持的模型名称。系统会根据任务复杂度自动调度简单的数据提取使用轻量级模型复杂的逻辑推理调用高性能模型从而在成本和效果之间取得平衡。增加数据源虽然 Tushare 已经很强但如果你有自己的私有数据如内部研报、特定行业数据库可以通过修改tradingagents/data_sources目录下的代码来接入。项目采用了模块化设计只需继承基类数据源接口实现fetch_data方法即可将新数据源融入现有的分析流程中。调整智能体行为每个智能体的“人设”和“思考模式”都定义在tradingagents/prompts目录下的 Prompt 模板中。你可以尝试修改这些模板比如让风控官变得更加保守或者让技术分析师更关注特定的技术指标。这种可解释性和可干预性正是多智能体系统相比黑盒模型的最大优势。结语至此你已经成功在本地搭建了一套基于国产大模型的 AI 量化投研系统。从环境配置到实盘演练TradingAgents-CN 展示了开源社区如何将前沿的 Multi-Agent 技术落地到具体的金融场景中。它不仅解决了国内用户访问海外服务的痛点更重要的是它提供了一种全新的研究范式不再是单一大模型的独角戏而是多角色协作、辩论、制衡的团队智能。当然需要提醒的是AI 生成的报告仅供参考金融市场瞬息万变任何模型都存在幻觉或滞后的可能。真正的投资决策仍需结合人类的专业判断与风险承受能力。但不可否认拥有这样一个不知疲倦、全天候待命的AI 投研团队”无疑会让我们的投资研究之路走得更加稳健和高效。不妨现在就动手试一试看看 AI 眼中的市场究竟是什么样子的。