今日国度机构颁布重要动态从智驾战术看比亚迪的“丰田蹊径” 很欣喜为您解答这个问题
，让我来助您具体注明一下。品牌授权报建电话
，急剧上门服务

和田地域白银市兴安县江苏省信阳市相城区西藏山南市贡嘎县平凉市广东省普洱市斗门区桥西区东华街路蓟州区东二营镇许昌市建安区辽宁省沈阳市湖北省孝感市汉川市江西省毕节市余江区昌平区幼汤山镇内蒙古鄂尔多斯市康巴什区辽宁省沈阳市沈河区怀柔区雁栖地域平顶山市湛河区辽宁省锦州市义县福建省内江市罗源县巴音郭楞蒙古自治州和硕县桥西区留营街路密云区古北口宜昌苏省宜昌市句容市山东省焦作市茌平区甘肃省白银市景泰县四川省凉山彝族自治州昭觉县陕西省汉中市西乡县四川省乐山市西城区天桥街路西藏山南市山东省通辽市城阳区内蒙古鄂尔多斯市鄂托克旗四川省甘孜藏族自治州定西市靖西市平顶山市湛河区陕西省汉中市西乡县塔城地域和布克赛尔蒙古自治县密云区河南寨镇平山县幼觉镇西城区月坛街路内蒙古锡林郭勒盟正镶白旗塔城地域和布克赛尔蒙古自治县青海省海北藏族自治州门源回族自治县内蒙古乌海市乌达区云南省玉溪市新平彝族傣族自治县行唐县龙州镇广东省西安市龙门县四川省德阳市广汉市甘肃省陇南市福建省达州市山西省忻州市宁武县福建省达州市定西市田林县固原市西吉县江苏省南阳市新沂市山西省晋中市灵石县内蒙古兴安盟乌兰浩特市平山县上观音堂乡武清区汊沽港镇贵州省铜仁市玉屏侗族自治县福建省达州市建瓯市阿克苏地域拜城县贵州省安顺市普定县大兴区云南省怒江傈僳族自治州福贡县向阳区双井街路山东省郑州市青州市和田地域巴音郭楞蒙古自治州和硕县四川省成都市双流区昌平区阳坊镇南阳市内乡县广东省昭通市越秀区广东省昭通市越秀区青海省玉树藏族自治州治多县长安区广安街路阿克苏地域拜城县广东省兰州市新兴县广东省临沧市龙湖区西藏山南市重庆市县巫山县江苏省漯河市浦口区辽宁省沈阳市浑南区福建省乐山市湖里区贵州省黔东南苗族侗族自治州天柱县长安区南村镇山西省忻州市定襄县井陉县测鱼镇四川省宜宾市珙县内蒙古锡林郭勒盟正镶白旗海南省固原市西沙区昌平区延寿宜昌西省毕节市余江区陕西省咸阳市兴平商人陉县测鱼镇张掖市东兴市广东省临沧市南澳县辽宁省本溪市溪湖区福建省眉山市梅列区隆安县

本月行业协会通报最新钻研成就71.4K Star的AI买卖团队：多智能体架构若何“炒”出一个华尔街
，很欣喜为您解答这个问题
，让我来助您具体注明一下:官方服务专线
，支持多品牌报建

四川省宜宾市翠屏区四川省德阳市广汉市四川省遂宁市蓬溪县江西省六盘水市上栗县内蒙古鄂尔多斯市康巴什区甘肃省庆阳市镇原县长安区广安街路四川省甘孜藏族自治州泸定县蓟州区东二营镇蓟州区官庄镇丰台区右安门街路西城区天桥街路平山县上观音堂乡上海市市辖区嘉定区甘肃省甘南藏族自治州四川省甘孜藏族自治州丹巴县内蒙古鄂尔多斯市康巴什区江苏省南阳市丰县广东省丽江市蓟州区东二营镇元氏县殷村镇南开区体育中心街路山西省乌海市平定县云南省西双版纳傣族自治州勐腊县江苏省漯河市浦口区海淀区青龙桥街路赵县沙河店镇大兴区隆安县云南省丽江市宁蒗彝族自治县湖北省襄阳市襄州区福建省乐山市湖里区江西省昆明市永新县山东省焦作市茌平区四川省宜宾市江安县辽宁省沈阳市重庆市市辖区北碚区向阳区双井街路绵阳市利辛县密云区高岭镇贵州省铜仁市印江土家族苗族自治县岳阳市庐阳区怀柔区宝山镇山东省郑州市青州市四川省遂宁市蓬溪县内蒙古呼伦贝尔市阿荣旗焦作市沁阳市元氏县苏村乡内蒙古锡林郭勒盟正镶白旗广东省丽江市四川省甘孜藏族自治州九龙县江苏省驻马店市赣榆区桥西区东华街路福建省乐山市湖里区内蒙古锡林郭勒盟正镶白旗洛阳市汝阳县内蒙古鄂尔多斯市康巴什区山东省平顶山市和田地域云南省文山壮族苗族自治州广南县青秀区蓟州区东施古镇海淀区青龙桥街路青秀区黑龙江省哈尔滨市巴彦县四川省甘孜藏族自治州九龙县博尔塔拉蒙古自治州温泉县江苏省驻马店市赣榆区山西省运城市夏县桥西区留营街路辽宁省辽阳市白塔区贵州省黔东南苗族侗族自治州天柱县辽宁省沈阳市浑南区山西省晋中市灵石县昌平区阳坊镇海南省？谑忻览记轿魇∥诤Ｊ衅蕉ㄏ仄缴较囟厣嵴蛏挛魇『褐惺辛舭酉厣挛魇『褐惺形飨缦厣虾Ｊ惺邢角味ㄇ峡ず缃致烦ぐ睬惆步致吩颇鲜∮裣行缕揭妥宕鲎遄灾蜗睾北省恩施土家族苗族自治州恩施市陕西省商洛市山阳县湖北省宜昌市秭归县辽宁省铁岭市开原市湖北省恩施土家族苗族自治州建始县重庆市县巫山县四川省遂宁市蓬溪县山东省洛阳市泰山区大兴区四川省德阳市广汉市山西省吕梁市岚县青海省果洛藏族自治州江苏省宜昌市句容市行唐县龙州宜昌西省曲靖市宜丰县哈密市伊吾县

全球服务区域:江苏省漯河市浦口区伊犁哈萨克自治州昭苏县巴音郭楞蒙古自治州和硕县怀柔区雁栖地域甘肃省甘南藏族自治州甘肃省白银市景泰县丰台区右安门街路和田地域固原市西吉县平凉市信阳市平桥区广东省西安市龙门县广东省兰州市新兴县银川市贺兰县江西省贵阳市昌江区银川市元氏县殷村镇陕西省西安市未央区广东省山南市贵州省黔东南苗族侗族自治州天柱县延庆区康庄镇长安区广安街路陕西省咸阳市兴平市内蒙古鄂尔多斯市鄂托克旗四川省乐山市巴音郭楞蒙古自治州和硕县江西省毕节市余江区四川省广安市岳池县张掖市东兴市南开区长虹街路山西省临汾市安泽县四川省凉山彝族自治州甘洛县西藏山南市贡嘎县四川省凉山彝族自治州甘洛县广东省拉萨市三水区辽宁省沈阳市沈河区四川省甘孜藏族自治州丹巴县四川省凉山彝族自治州西昌市云南省怒江傈僳族自治州福贡县鹿泉区白鹿泉乡西城区月坛街路青海省海北藏族自治州门源回族自治县昌平区延寿镇广东省山南市四川省甘孜藏族自治州泸定县四川省甘孜藏族自治州青海省玉树藏族自治州治多县濮阳市南乐县内蒙古锡林郭勒盟镶黄旗贵州省安顺市普定县平山县宅北乡甘肃省定西市渭源县重庆市市辖区北碚区广东省兰州市新兴县湖北省宜昌市西陵区陕西省汉中市西乡县北辰区平山县东回舍镇西藏山南市定西市靖西市武威市海城区西藏山南市贡嘎县西乡塘区贵州省铜仁市印江土家族苗族自治县云南省丽江市宁蒗彝族自治县吉林省长春市双阳区延庆区康庄镇上海市市辖区嘉定区怀柔区宝山镇山西省乌海市平定县桥西区苑东街路武清区上马台宜昌西省铜仁市石城县四川省德阳市广汉市银川市贺兰县福建省内江市罗源县内蒙古鄂尔多斯市鄂托克旗大兴区西青区精武镇延庆区沈家营镇向阳区幼红门地域四川省成都市新都区内蒙古鄂尔多斯市康巴什区张家界市龙子湖区元氏县殷村镇四川省德阳市广汉市桥西区东华街路固原市西吉县江西省铜仁市石城县山东省郑州市青州市山东省郑州市青州市山西省晋中市太谷区四川省广元市内蒙古兴安盟乌兰浩特市黑龙江省鹤岗市长安区南村宜昌苏省宜昌市句容市山东省焦作市冠县黑龙江省大兴安岭地域呼玛县郴州市博望区

稍早前有关部门颁布新政策71.4K Star的AI买卖团队：多智能体架构若何“炒”出一个华尔街
，很欣喜为您解答这个问题
，让我来助您具体注明一下:售后服务维建中心电话
，支持多渠路服务

全国服务区域：陕西省商洛市山阳县延庆区康庄镇湖北省恩施土家族苗族自治州恩施市福建省内江市永泰县井陉县吴家窑乡江苏省驻马店市赣榆区巴音郭楞蒙古自治州和硕县广东省西安市龙门县湖北省恩施土家族苗族自治州恩施市四川省德阳市广汉市北辰区辽宁省铁岭市开原市蓟州区官庄镇怀柔区雁栖地域青秀区平山县幼觉镇青秀区四川省宜宾市翠屏区无极县大陈镇岳阳市庐阳区河东区东新街路定西市靖西市隆安县常德市南陵县和平区南市街路岳阳市庐阳区江苏省漯河市浦口区甘肃省庆阳市镇原县元氏县苏村乡新乐市协神乡辽宁省大连市旅顺口区蓟州区东赵各庄镇濮阳市南乐县山西省长治市襄垣县甘肃省定西市渭源县南开区体育中心街路湖北省宜昌市夷陵区甘肃省庆阳市镇原县陕西省咸阳市兴平市无极县大陈镇山东省洛阳市泰山区内蒙古乌海市乌达区江苏省宜昌市句容市和平区南市街路江苏省宜昌市句容市武威市海城区博尔塔拉蒙古自治州温泉县陕西省咸阳市兴平市丰台区右安门街路鹿泉区白鹿泉乡向阳区酒仙桥街路辽宁省沈阳市四川省宜宾市珙县重庆市市辖区北碚区西藏阿里地域日土县吉林省四平市铁西区福建省广安市龙海市白银市秀峰区福建省达州市西藏阿里地域日土县阿克苏地域新和县密云区河南寨镇昌平区幼汤山镇四川省宜宾市江安县岳阳市庐阳区平凉市四川省宜宾市江安县江西省遵义市武宁县贵州省黔南布依族苗族自治州惠水县昌平区幼汤山镇陕西省汉中市西乡县广东省丽江市向阳区管庄地域平山县上观音堂乡四川省泸州市江阳区平山县岗南镇湖北省孝感市汉川市辽宁省沈阳市丰台区右安门街路西藏阿里地域日土县湖北省恩施土家族苗族自治州恩施市山东省洛阳市东平县四川省凉山彝族自治州西昌市洛阳市汝阳县广东省昭通市越秀区内蒙古鄂尔多斯市鄂托克旗洛阳市汝阳县平山县幼觉镇内蒙古呼伦贝尔市阿荣旗平山县幼觉镇湖北省襄阳市襄州区山东省洛阳市东平县延庆区沈家营镇哈密市伊吾县广东省兰州市新兴县辽宁省大连市旅顺口区四川省甘孜藏族自治州泸定县许昌市建安区甘肃省陇南市武都区山西省晋中市太谷区

售后服务上门服务电话
，智能分配单据：71.4K Star的AI买卖团队：多智能体架构若何“炒”出一个华尔街

低调上线却忽然爆火出圈
，一个无人造势的开源AI项目
，为何能横扫GitHub、引爆金融圈？背后多Agent复刻华尔街投研系统的玩法
，藏着AI金融落地的全新逻辑。

2024年12月28日
，一个叫TradingAgents的项目偷偷上线了GitHub。

没有颁布会
，没有融资通稿
，没有大V站台。只有一篇挂在arXiv上的学术论文（编号 2412.20138）
，和一个刚建好的代码仓库。背后的团队叫Tauric Research
，总共只有三个公开仓库
，社交账号粉丝刚过一千
，怎么看都不像会搞出大事的样子。

但到了2026年5月初
，这个项目拿下了超过71,400颗Star
，13,800屡次Fork
，直接冲上GitHub Python趋向榜第一。其中2026年2月颁布的v0.2.0版本引入多提供商支持后增速显著加快
，4月底到5月初的一周之内暴涨超过11,000颗Star
，24幼时内涨了3,315颗——这个增速在开源社区的汗青上都不多见。

TradingAgents GitHub Star 增长曲线（2024.12 – 2026.5）

它做的事件听起来有点“出格”：用多个AI Agent仿照一整个华尔街的投研买卖团队
，让它们分工合作、多空争吵、风控把关
，最后集体拍板做出买卖决策。

并且
，齐全开源
，一行代码就能跑起来。

（项目地址：https://github.com/TauricResearch/TradingAgents）

一个投研团队的数字化分身

要理解TradingAgents在做什么
，先得理解它仿照的对象——真实的对冲基金是怎么运作的。

在华尔街
，一家像样的对冲基金通常有这么一套运行折造：钻研部门掌管出汇报
，投决会上多空分析师相互“抬杠”
，买卖台凭据会商了局执行战术
，风控团队在最后一步把关。一笔买卖从立项到执行
，中央要经过好几路关卡
，环环相扣
，没有哪个环节是拍脑壳做出来的。这种流程不是为了折腾人
，而是由于金融决策的容错率切实太低了——一次失误可能就是几百万甚至上千万的损失。

TradingAgents做的事件
，就是把这套运行了几十年的人类组织流程翻译成AI Agent能执行的代码。它把整个买卖决策链路拆成了四层
，每层对应一个职能团队。

第一层是分析师团队
，四幼我各管一摊８娣治鍪φ乒芷拦拦静普阐发——利润率、资产回报率、现金流这些硬指标
，找内涵价值和潜在雷区。舆情分析师盯着社交媒体和论坛
，用量化感情评分算法判断市场短期风向。新闻分析师追踪全球宏观经济事务和政策改观
，评估对指标资产的冲击。技术分析师则用MACD、RSI等经典指标鉴别价值状态和趋向信号。

这四个角色各干各的
，信息源也齐全分歧。市场行情数据来自雅虎财经
，社交媒体数据来自X和Reddit
，新闻数据来自彭博和路透
，根基面数据则来自公司财报和黑幕买卖披露。四根信息管路并走运行
，互不滋扰
，最后各自输出一份结构化的分析汇报。

从项目展示的分析界面来看
，四个分析师的输出不是单一的一段话
，而是有明确论点、论据和量化指标的齐全分析文档。好比舆情分析师会给出具体的感情峰值功夫和分数
，技术分析师会列出关键指标的数值和寓意
，根基面分析师会按盈利能力、流动性、估值等维度逐项打分。

四维分析师团队输出示例（以Apple Inc.为例）

第二层是钻研员团队
，两个角色
，一个唱多一个唱空。分析师团队给出的是“证据”
，钻研员团队掌管“判断”。多头钻研员拿着分析师的汇报找买入的理由
，空头钻研员拿着统一份汇报找卖出的理由
，而后两人发展结构化争吵——类似投行里多空分析师的经典匹敌。

这不是轻易吵一架完事。争吵过程有明确的轮次节造
，默认两轮
，能够自行调整。每一轮争吵都要给出论据和推理逻辑
，输出的是经过匹敌验证的多空证据链
，而不是抽象的“我感触该买”或者“可能要跌”。

多空钻研员结构化争吵（左侧Bullish / 右侧Bearish）

第三层是买卖员Agent。买卖员不掌管原创分析
，它掌管汇总和提案。把分析师的证据和钻研员的争吵结论压缩成一份买卖提案
，明确买卖方向、机遇和仓位大幼。

这个设计很关键——决策的可追忆性因而有了保险。每一笔买卖为什么做、凭据是什么、争吵过程中有什么吩扃、风控怎么评估的
，全链条清澈可查。

买卖员最终决策输出（BUY Apple Shares）

第四层是风控与投资组合经理。风控团队从激进、中性、守旧三个维度评估提案的风险敞口
，把评估汇报交给投资组合经理做最终裁决。经理有权核准、回绝或者调整规划。只有经过审批的买卖指令
，才会被发送到仿照买卖所执行。

风控三角色（Risky / Neutral / Safe）与投资组合经理最终裁决

有意思的是
，整个系统的推理引擎嵌入了深度推理能力。TradingAgents把深度推理嵌入到了钻研员和买卖员的决策链路中
，让Agent在争吵和提案阶段能进行更深档次的逻辑推演
，而不是浅层的信息拼接。

TradingAgents 四层架构全景图

为什么不是一个Agent搞定所有事

看到这里
，有人可能会想：为什么不直接找一个最强的模型
，给它足够的高低文
，让它一口气分析完所有维度而后给个结论？这个设法很直觉
，但在金融场景里有几个绕不外去的问题。

第一个是信息过载。一个专业的量化分析师每天要处置财报数据、宏观新闻、社交舆情、技术指标、资金流向——多维度信息同时涌入
，单一模型的高低文窗口再大
，也很难在保障质量的前提下同时处置所有信息。

第二个是角色矛盾。让统一个模型“同时辰析一只股票的多空两面”
，听起来合理
，现实上模型很难在统一轮推理中既唱多又唱空
，还能维持论证的独立性。这就像让一幼我自己跟自己争吵
，怎么都感触差点意思。

第三个是决策黑箱。单Agent模式下
，模型给出“买入”建议时
，你很难追忆这个结论是怎么来的。而多Agent架构天然提供了决策审计链——每一层谁说了什么、凭据是什么、争吵了几个回合、风控怎么评估的
，全都有据可查。

TradingAgents的解法很直接：把一个大问题拆成多个幼问题
，每个幼问题由一个“专家”掌管
，专家之间通过结构化的匹敌机造来校准误差
，最终由决策层做综合判断。

这不是什么新鲜发现；值亩ゼ痘鹨幌蚨际钦饷丛诵械摹棵欧止ぁ⒆ㄒ灯サ幼⒉悴愀春。TradingAgents做的
，只是把这幼我类流程翻译成了机械能执行的代码。真正聪明的不是架构自身
，而是它选对了仿照对象：不是仿照一个买卖员的思想
，而是仿照一套买卖组织的运作机造。

上手履历：一行号令跑起来

TradingAgents的上手门槛
，说一句“险些为零”不外度。

装置就三步：克隆仓库
，建Python虚构环境
，运行装置号令。完了。配好肆意一个主流大模型的API Key之后
，启动交互式号令行
，就能看到一个配置界面——选择股票代码、分析日期、模型提供商、争吵轮数这些参数。选好之后回车
，各个Agent就起头按流程跑起来了：

模型支持方面相当风雅。OpenAI的GPT系劣注Google的Gemini、Anthropic的Claude、xAI的Grok、DeepSeek、阿里通义千问、智谱GLM
，甚至用Ollama在本地跑开源模型都行。企业级用户还能接入Azure OpenAI和AWS Bedrock。一套工厂模式的Provider架构让切换模型变得很单一
，每个Provider的原生结构化输出方式被自动适配——好比OpenAI走JSON Schema
，Anthropic走工具挪用
，其他兼容Provider走函数挪用。这也意味着
，你能够凭据成本和机能矫捷选择模型
，便宜的工作用幼模型
，复杂的推理用大模型。

单一说
，只有有肆意一个主流大模型的API Key就能跑。不必要GPU
，不必要训练模型
，不必要标注数据。

想用Python直接挪用也很方便。主题就是初始化一个图对象
，传入股票代码和分析日期
，系统自动跑完四层流程返回买卖决策。你还能够自界说各类参数——好比用大模型做深度推理、幼模型做急剧工作
，节造争吵轮数
，调整风险偏好等等。

v0.2.4版本加了一个很有意思的职能：决策影象。每次分析实现后
，决策了局会自动纪录到本地日志文件中。下次分析统一只股票时
，系统会自动调取汗青决策
，对比现实收益——蕴含相对标普500的Alpha收益——而后天生一段反思：“上次为什么对了”“上次为什么错了”。这些经验会被注入到投资组合经理的决策prompt中
，让每次分析都站在上一次的肩膀上。

这意味着TradingAgents不再是每次从零起头的“无脑机械人”。它具备了某种大局的经验堆集能力
，分析得越多
，沉淀的经验越丰硕。

新版还支持断点续跑。LangGraph在每个节点保留状态
，哪怕跑一半法式崩了或者网络断了
，下次启动也能从上次的断点自动复原
，不用重头再来。对于一套跑下来可能亏损不少Token的分析流程来说
，这个职能相当实用。

另表还有一个容易被忽略的价值：整个分析框架是白盒的。从分析师的数据输入
，到钻研员的多空争吵
，再到买卖员的提案微风控的评估
，全过程有齐全日志输出。你能够明显地看到每个Agent的推理过程和决策凭据
，这比大无数黑箱量化系统通明得多。对于做量化钻研的人来说
，这种通明度自身就很有价值。

更大的图景：垂直智能体在吃掉通用框架

TradingAgents能在GitHub上炸出这样的热度
，不只是一个项目火了这么单一
，背后是行业趋向的共振。

2026年3月
，英伟达颁布了一份《金融服务业的人为智能近况：2026年趋向》（State of AI in Financial Services: 2026 Trends）汇报
，调研了全球800多位金融从业者。汇报里有几个数据挺能注明问题：65%的金融机构已经在积极使用AI
，比去年的45%大幅跳升；89%的机构暗示AI同时带来了收入增长和成本降落；64%的受访者暗示AI援手年收入增长超过5%
，其中29%的人暗示增长超过10%。更重要的是
，42%的机构在使用或评估Agentic AI
，其中21%已经现实部署了AI智能体。

汇报指出
，金融行业在经历它的“深度进建时刻”——从前算法买卖依赖量化分析师做大量人为特点工程
，此刻AI系统能够自动钻研海量数据、发现法规、输出买卖信号。这种转变在重塑量化团队的人才结构和钻研流程。英伟达CEO黄仁勋在同期的GTC大会上也提到
，AI产业在从模型训练转向推理当用
，Token经济起头成熟
，AI能力在造成一种可量化、可买卖的出产身分。金融机构的采购部门已经起头像对待云推算资源一样
，对AI算力进行成本核算和供给商比价。

再看开源社区的趋向。2024年GitHub趋向榜的？褪荓angChain、CrewAI这类通用编排框架。但到了2026年4月底5月初
，TradingAgents一个金融垂直项目就把它们挤出了前20。同期上榜的还有专一自主金融钻研的Dexter、做网络调查的Maigret等垂直领域项目
，整个榜单前20找不到一个通用编排框架的地位。

这背后的逻辑并不复杂：当大模型的工具挪用能力足够靠得住、推理成本断崖式降落的时辰
，用户要的不再是“助我搭一个智能体框架”
，而是“直接给我一个能跑通的工作流”。通用框架承诺的“矫捷编排”
，在垂直领域用户眼里造成了配置职守——他们要的是经过验证的战术逻辑和端到端的解决规划
，不是可配置的工作流图表。

TradingAgents的真正价值
，不是它的多智能体架构有多精妙
，而是它提供了一个经过验证的、能够直接投入钻研使用的金融分析系统。结构化的多空争吵机造、带影象的决策系统、通明的分析日志——这些才是真正组成壁垒的器材
，也是通用框架开箱即用提供不了的能力。

当然
，有必要泼一盆冷水。TradingAgents在项目首页就写得很明确：本框架仅供钻研主张
，不组成任何金融、投资或买卖建议。

这不是例行公务的免责申明
，而是对项目当前状态的事实描述。它的分析基于汗青数据和LLM推理
，买卖表此刻真实市场中会因模型选择、参数设置、数据质量和大量非确定性成分而产生误差。在金融这个容错率极低的领域
，距离真正的出产级部署
，中央还有不短的路要走。

但它的确证了然一件事：多Agent系统在金融分析场景中的可行性
，已经从学术概想走向了工程实际。从“能不能做”进入了“怎么做更好”的阶段。

对于关注AI在垂直领域落地的开发者来说
，TradingAgents提供了一个值得钻研的范本——不是由于它能助你赢利
，而是由于它展示了若何把一个真实世界的复杂业务流程
，系统地分化为AI Agent能够合作执行的架构。这种“把行业know-how翻译成Agent合作流程”的思路
，远比项目自身的买卖职能更有参考价值。（本文首发钛媒体APP
，作者 | 硅谷Tech_news
，编纂 | 焦燕）

本月行业协会颁布重磅传递71.4K Star的AI买卖团队：多智能体架构若何“炒”出一个华尔街

低调上线却忽然爆火出圈
，一个无人造势的开源AI项目
，为何能横扫GitHub、引爆金融圈？背后多Agent复刻华尔街投研系统的玩法
，藏着AI金融落地的全新逻辑。

2024年12月28日
，一个叫TradingAgents的项目偷偷上线了GitHub。

没有颁布会
，没有融资通稿
，没有大V站台。只有一篇挂在arXiv上的学术论文（编号 2412.20138）
，和一个刚建好的代码仓库。背后的团队叫Tauric Research
，总共只有三个公开仓库
，社交账号粉丝刚过一千
，怎么看都不像会搞出大事的样子。

但到了2026年5月初
，这个项目拿下了超过71,400颗Star
，13,800屡次Fork
，直接冲上GitHub Python趋向榜第一。其中2026年2月颁布的v0.2.0版本引入多提供商支持后增速显著加快
，4月底到5月初的一周之内暴涨超过11,000颗Star
，24幼时内涨了3,315颗——这个增速在开源社区的汗青上都不多见。

TradingAgents GitHub Star 增长曲线（2024.12 – 2026.5）

它做的事件听起来有点“出格”：用多个AI Agent仿照一整个华尔街的投研买卖团队
，让它们分工合作、多空争吵、风控把关
，最后集体拍板做出买卖决策。

并且
，齐全开源
，一行代码就能跑起来。

（项目地址：https://github.com/TauricResearch/TradingAgents）

一个投研团队的数字化分身

要理解TradingAgents在做什么
，先得理解它仿照的对象——真实的对冲基金是怎么运作的。

在华尔街
，一家像样的对冲基金通常有这么一套运行折造：钻研部门掌管出汇报
，投决会上多空分析师相互“抬杠”
，买卖台凭据会商了局执行战术
，风控团队在最后一步把关。一笔买卖从立项到执行
，中央要经过好几路关卡
，环环相扣
，没有哪个环节是拍脑壳做出来的。这种流程不是为了折腾人
，而是由于金融决策的容错率切实太低了——一次失误可能就是几百万甚至上千万的损失。

TradingAgents做的事件
，就是把这套运行了几十年的人类组织流程翻译成AI Agent能执行的代码。它把整个买卖决策链路拆成了四层
，每层对应一个职能团队。

第一层是分析师团队
，四幼我各管一摊８娣治鍪φ乒芷拦拦静普阐发——利润率、资产回报率、现金流这些硬指标
，找内涵价值和潜在雷区。舆情分析师盯着社交媒体和论坛
，用量化感情评分算法判断市场短期风向。新闻分析师追踪全球宏观经济事务和政策改观
，评估对指标资产的冲击。技术分析师则用MACD、RSI等经典指标鉴别价值状态和趋向信号。

这四个角色各干各的
，信息源也齐全分歧。市场行情数据来自雅虎财经
，社交媒体数据来自X和Reddit
，新闻数据来自彭博和路透
，根基面数据则来自公司财报和黑幕买卖披露。四根信息管路并走运行
，互不滋扰
，最后各自输出一份结构化的分析汇报。

从项目展示的分析界面来看
，四个分析师的输出不是单一的一段话
，而是有明确论点、论据和量化指标的齐全分析文档。好比舆情分析师会给出具体的感情峰值功夫和分数
，技术分析师会列出关键指标的数值和寓意
，根基面分析师会按盈利能力、流动性、估值等维度逐项打分。

四维分析师团队输出示例（以Apple Inc.为例）

第二层是钻研员团队
，两个角色
，一个唱多一个唱空。分析师团队给出的是“证据”
，钻研员团队掌管“判断”。多头钻研员拿着分析师的汇报找买入的理由
，空头钻研员拿着统一份汇报找卖出的理由
，而后两人发展结构化争吵——类似投行里多空分析师的经典匹敌。

这不是轻易吵一架完事。争吵过程有明确的轮次节造
，默认两轮
，能够自行调整。每一轮争吵都要给出论据和推理逻辑
，输出的是经过匹敌验证的多空证据链
，而不是抽象的“我感触该买”或者“可能要跌”。

多空钻研员结构化争吵（左侧Bullish / 右侧Bearish）

第三层是买卖员Agent。买卖员不掌管原创分析
，它掌管汇总和提案。把分析师的证据和钻研员的争吵结论压缩成一份买卖提案
，明确买卖方向、机遇和仓位大幼。

这个设计很关键——决策的可追忆性因而有了保险。每一笔买卖为什么做、凭据是什么、争吵过程中有什么吩扃、风控怎么评估的
，全链条清澈可查。

买卖员最终决策输出（BUY Apple Shares）

第四层是风控与投资组合经理。风控团队从激进、中性、守旧三个维度评估提案的风险敞口
，把评估汇报交给投资组合经理做最终裁决。经理有权核准、回绝或者调整规划。只有经过审批的买卖指令
，才会被发送到仿照买卖所执行。

风控三角色（Risky / Neutral / Safe）与投资组合经理最终裁决

有意思的是
，整个系统的推理引擎嵌入了深度推理能力。TradingAgents把深度推理嵌入到了钻研员和买卖员的决策链路中
，让Agent在争吵和提案阶段能进行更深档次的逻辑推演
，而不是浅层的信息拼接。

TradingAgents 四层架构全景图

为什么不是一个Agent搞定所有事

看到这里
，有人可能会想：为什么不直接找一个最强的模型
，给它足够的高低文
，让它一口气分析完所有维度而后给个结论？这个设法很直觉
，但在金融场景里有几个绕不外去的问题。

第一个是信息过载。一个专业的量化分析师每天要处置财报数据、宏观新闻、社交舆情、技术指标、资金流向——多维度信息同时涌入
，单一模型的高低文窗口再大
，也很难在保障质量的前提下同时处置所有信息。

第二个是角色矛盾。让统一个模型“同时辰析一只股票的多空两面”
，听起来合理
，现实上模型很难在统一轮推理中既唱多又唱空
，还能维持论证的独立性。这就像让一幼我自己跟自己争吵
，怎么都感触差点意思。

第三个是决策黑箱。单Agent模式下
，模型给出“买入”建议时
，你很难追忆这个结论是怎么来的。而多Agent架构天然提供了决策审计链——每一层谁说了什么、凭据是什么、争吵了几个回合、风控怎么评估的
，全都有据可查。

TradingAgents的解法很直接：把一个大问题拆成多个幼问题
，每个幼问题由一个“专家”掌管
，专家之间通过结构化的匹敌机造来校准误差
，最终由决策层做综合判断。

这不是什么新鲜发现；值亩ゼ痘鹨幌蚨际钦饷丛诵械摹棵欧止ぁ⒆ㄒ灯サ幼⒉悴愀春。TradingAgents做的
，只是把这幼我类流程翻译成了机械能执行的代码。真正聪明的不是架构自身
，而是它选对了仿照对象：不是仿照一个买卖员的思想
，而是仿照一套买卖组织的运作机造。

上手履历：一行号令跑起来

TradingAgents的上手门槛
，说一句“险些为零”不外度。

装置就三步：克隆仓库
，建Python虚构环境
，运行装置号令。完了。配好肆意一个主流大模型的API Key之后
，启动交互式号令行
，就能看到一个配置界面——选择股票代码、分析日期、模型提供商、争吵轮数这些参数。选好之后回车
，各个Agent就起头按流程跑起来了：

模型支持方面相当风雅。OpenAI的GPT系劣注Google的Gemini、Anthropic的Claude、xAI的Grok、DeepSeek、阿里通义千问、智谱GLM
，甚至用Ollama在本地跑开源模型都行。企业级用户还能接入Azure OpenAI和AWS Bedrock。一套工厂模式的Provider架构让切换模型变得很单一
，每个Provider的原生结构化输出方式被自动适配——好比OpenAI走JSON Schema
，Anthropic走工具挪用
，其他兼容Provider走函数挪用。这也意味着
，你能够凭据成本和机能矫捷选择模型
，便宜的工作用幼模型
，复杂的推理用大模型。

单一说
，只有有肆意一个主流大模型的API Key就能跑。不必要GPU
，不必要训练模型
，不必要标注数据。

想用Python直接挪用也很方便。主题就是初始化一个图对象
，传入股票代码和分析日期
，系统自动跑完四层流程返回买卖决策。你还能够自界说各类参数——好比用大模型做深度推理、幼模型做急剧工作
，节造争吵轮数
，调整风险偏好等等。

v0.2.4版本加了一个很有意思的职能：决策影象。每次分析实现后
，决策了局会自动纪录到本地日志文件中。下次分析统一只股票时
，系统会自动调取汗青决策
，对比现实收益——蕴含相对标普500的Alpha收益——而后天生一段反思：“上次为什么对了”“上次为什么错了”。这些经验会被注入到投资组合经理的决策prompt中
，让每次分析都站在上一次的肩膀上。

这意味着TradingAgents不再是每次从零起头的“无脑机械人”。它具备了某种大局的经验堆集能力
，分析得越多
，沉淀的经验越丰硕。

新版还支持断点续跑。LangGraph在每个节点保留状态
，哪怕跑一半法式崩了或者网络断了
，下次启动也能从上次的断点自动复原
，不用重头再来。对于一套跑下来可能亏损不少Token的分析流程来说
，这个职能相当实用。

另表还有一个容易被忽略的价值：整个分析框架是白盒的。从分析师的数据输入
，到钻研员的多空争吵
，再到买卖员的提案微风控的评估
，全过程有齐全日志输出。你能够明显地看到每个Agent的推理过程和决策凭据
，这比大无数黑箱量化系统通明得多。对于做量化钻研的人来说
，这种通明度自身就很有价值。

更大的图景：垂直智能体在吃掉通用框架

TradingAgents能在GitHub上炸出这样的热度
，不只是一个项目火了这么单一
，背后是行业趋向的共振。

2026年3月
，英伟达颁布了一份《金融服务业的人为智能近况：2026年趋向》（State of AI in Financial Services: 2026 Trends）汇报
，调研了全球800多位金融从业者。汇报里有几个数据挺能注明问题：65%的金融机构已经在积极使用AI
，比去年的45%大幅跳升；89%的机构暗示AI同时带来了收入增长和成本降落；64%的受访者暗示AI援手年收入增长超过5%
，其中29%的人暗示增长超过10%。更重要的是
，42%的机构在使用或评估Agentic AI
，其中21%已经现实部署了AI智能体。

汇报指出
，金融行业在经历它的“深度进建时刻”——从前算法买卖依赖量化分析师做大量人为特点工程
，此刻AI系统能够自动钻研海量数据、发现法规、输出买卖信号。这种转变在重塑量化团队的人才结构和钻研流程。英伟达CEO黄仁勋在同期的GTC大会上也提到
，AI产业在从模型训练转向推理当用
，Token经济起头成熟
，AI能力在造成一种可量化、可买卖的出产身分。金融机构的采购部门已经起头像对待云推算资源一样
，对AI算力进行成本核算和供给商比价。

再看开源社区的趋向。2024年GitHub趋向榜的？褪荓angChain、CrewAI这类通用编排框架。但到了2026年4月底5月初
，TradingAgents一个金融垂直项目就把它们挤出了前20。同期上榜的还有专一自主金融钻研的Dexter、做网络调查的Maigret等垂直领域项目
，整个榜单前20找不到一个通用编排框架的地位。

这背后的逻辑并不复杂：当大模型的工具挪用能力足够靠得住、推理成本断崖式降落的时辰
，用户要的不再是“助我搭一个智能体框架”
，而是“直接给我一个能跑通的工作流”。通用框架承诺的“矫捷编排”
，在垂直领域用户眼里造成了配置职守——他们要的是经过验证的战术逻辑和端到端的解决规划
，不是可配置的工作流图表。

TradingAgents的真正价值
，不是它的多智能体架构有多精妙
，而是它提供了一个经过验证的、能够直接投入钻研使用的金融分析系统。结构化的多空争吵机造、带影象的决策系统、通明的分析日志——这些才是真正组成壁垒的器材
，也是通用框架开箱即用提供不了的能力。

当然
，有必要泼一盆冷水。TradingAgents在项目首页就写得很明确：本框架仅供钻研主张
，不组成任何金融、投资或买卖建议。

这不是例行公务的免责申明
，而是对项目当前状态的事实描述。它的分析基于汗青数据和LLM推理
，买卖表此刻真实市场中会因模型选择、参数设置、数据质量和大量非确定性成分而产生误差。在金融这个容错率极低的领域
，距离真正的出产级部署
，中央还有不短的路要走。

但它的确证了然一件事：多Agent系统在金融分析场景中的可行性
，已经从学术概想走向了工程实际。从“能不能做”进入了“怎么做更好”的阶段。

对于关注AI在垂直领域落地的开发者来说
，TradingAgents提供了一个值得钻研的范本——不是由于它能助你赢利
，而是由于它展示了若何把一个真实世界的复杂业务流程
，系统地分化为AI Agent能够合作执行的架构。这种“把行业know-how翻译成Agent合作流程”的思路
，远比项目自身的买卖职能更有参考价值。（本文首发钛媒体APP
，作者 | 硅谷Tech_news
，编纂 | 焦燕）

记者梳理了一下
，今年以来
，全国多地结合人民日常居住刚需
，持续扩容公积金便民使用场景。内蒙古、甘肃等多个城市出台新规
，支持缴存职工提取住房公积金缴纳年度取暖用度
，缓解家庭季节性大额生涯开支。

k8凯发天生赢家

从智驾战术看比亚迪的“丰田蹊径”