好家伙，投资版龙虾也来了

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。

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。

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。

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。

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？

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.gitcd TradingAgents

第二步，创建并激活 conda 虚拟环境:conda create -n tradingagents python=3.13conda 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=YOURFINNHUBAPIKEYexportOPENAIAPIKEY=YOUR_OPENAI_API_KEY

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）。