火遍全网的TradingAgents 中文增强版来了!


项目目标

原始项目简介

TradingAgents 是由 Tauric Research 开发的创新性多智能体交易框架,模拟真实交易公司的协作决策流程,通过多个专业化AI智能体的协作来评估市场条件并做出交易决策。

我们的增强目标

本项目旨在为中文用户提供:

  • 📚 完整的中文文档体系 – 详细的架构说明、使用指南和最佳实践
  • 🇨🇳 中国市场适配 – 支持A股、港股等中国金融市场
  • 🧠 国产LLM集成 – 集成阿里百炼、通义千问等国产大模型
  • 📊 中文数据源 – 整合通达信API、AkShare等中文金融数据源
  • 🎓 教育和研究 – 为中文用户提供金融AI学习和研究平台

🚀 核心优势

  • 🎛️ 开箱即用: 完整的Web界面,无需命令行操作
  • 🇨🇳 中国优化: A股数据 + 国产LLM + 中文界面
  • 🔧 智能配置: 自动检测,智能降级,零配置启动
  • 📊 实时监控: Token使用统计,缓存状态,系统监控
  • 🛡️ 稳定可靠: 多层数据源,错误恢复,生产就绪

🔧 技术栈 (v0.1.4)

技术领域
使用技术
版本要求
🐍 核心语言
Python
3.10+
🧠 AI框架
LangChain, LangGraph
最新版
🌐 Web界面
Streamlit
1.28+
🗄️ 数据库
MongoDB, Redis
4.4+, 6.0+
📊 数据处理
Pandas, NumPy
最新版
🔌 API集成
通达信API, FinnHub, Google News
🧠 LLM支持
阿里百炼, Google AI, OpenAI, Anthropic

✨ 核心特性

🤖 多智能体协作架构

  • 分析师团队: 基本面、技术面、新闻面、社交媒体四大专业分析师
  • 研究员团队: 看涨/看跌研究员进行结构化辩论
  • 交易员智能体: 基于所有输入做出最终交易决策
  • 风险管理: 多层次风险评估和管理机制
  • 管理层: 协调各团队工作,确保决策质量

🧠 多LLM模型支持

  • 🇨🇳 阿里百炼: qwen-turbo, qwen-plus-latest, qwen-max ✅ 已完整支持
  • Google AI: gemini-2.0-flash, gemini-1.5-pro, gemini-1.5-flash ✅ 已完整支持
  • OpenAI: GPT-4o, GPT-4o-mini, GPT-3.5-turbo ⚙️ 配置即用
  • Anthropic: Claude-3-Opus, Claude-3-Sonnet, Claude-3-Haiku ⚙️ 配置即用
  • 智能混合: Google AI推理 + 阿里百炼嵌入 ✅ 已优化

🌐 Web管理界面 ✅ 已完整支持

  • Streamlit Web平台: 直观的股票分析界面 ✅
  • 实时进度显示: 分析过程可视化跟踪 ✅
  • 多模型选择: 支持阿里百炼和Google AI切换 ✅
  • 分析师配置: 灵活的分析师组合选择 ✅
  • 结果可视化: 专业的分析报告展示 ✅
  • 响应式设计: 支持桌面和移动端访问 ✅
  • 🎛️ 配置管理: API密钥管理、模型选择、系统配置 ✅ v0.1.2新增
  • 💰 Token统计: 实时Token使用统计和成本追踪 ✅ v0.1.2新增
  • 💾 缓存管理: 数据缓存状态监控和管理 ✅ v0.1.3新增

📊 全面数据集成

  • 🇨🇳 A股数据: 通达信API 实时行情和历史数据 ✅ 已完整支持
  • 美股数据: FinnHub、Yahoo Finance 实时行情 ✅ 已完整支持
  • 新闻数据: Google News、财经新闻、实时新闻API ✅ 已完整支持
  • 社交数据: Reddit情绪分析 ✅ 已完整支持
  • 🗄️ 数据库支持: MongoDB 数据持久化 + Redis 高速缓存 ✅ 已完整支持
  • 🔄 智能降级: MongoDB → 通达信API → 本地缓存的多层数据源 ✅ 已完整支持
  • ⚙️ 统一配置: .env文件统一管理,启用开关完全生效 ✅ v0.1.4新增

🚀 高性能特性

  • 并行处理: 多智能体并行分析,提高效率
  • 智能缓存: 多层缓存策略,减少API调用成本
  • 实时分析: 支持实时市场数据分析
  • 灵活配置: 高度可定制的智能体行为和模型选择

💰 Token使用统计和成本跟踪 ✅ 已完整支持

  • 自动Token统计: 自动记录所有LLM调用的输入/输出token数量 ✅
  • 实时成本计算: 基于官方定价自动计算使用成本 ✅
  • 多存储支持: 支持JSON文件和MongoDB两种存储方式 ✅
  • 成本监控: 提供会话成本跟踪和成本警告机制 ✅
  • 统计分析: 按供应商、模型、时间等维度统计使用情况 ✅
  • 成本优化: 帮助用户优化LLM使用成本和效率 ✅

📋 详细更新日志: CHANGELOG.md

🆚 与原版的主要区别

✅ 已完成的增强

功能
原版
中文增强版
文档语言
英文
完整中文文档体系
架构说明
基础说明
详细的架构设计文档
使用指南
简单示例
从入门到高级的完整指南
配置说明
基础配置
详细的配置优化指南
故障排除
完整的FAQ和故障排除
代码注释
英文
中文注释和说明
成本控制
Token统计和成本跟踪

🚀 快速开始

环境要求

  • Python 3.10+ (推荐 3.11)
  • 4GB+ RAM (推荐 8GB+)
  • 稳定的网络连接

安装步骤

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line# 1. 克隆项目git clone https://github.com/hsliuping/TradingAgents-CN.gitcd TradingAgents-CN
# 2. 创建虚拟环境python -m venv tradingagentssource tradingagents/bin/activate  # Linux/macOS# tradingagents\Scripts\activate  # Windows
# 3. 安装依赖pip install -r requirements.txt

配置API密钥

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line# 复制环境变量模板cp .env.example .env
# 编辑 .env 文件,添加您的API密钥# 阿里百炼API(推荐,国产模型)DASHSCOPE_API_KEY=your_dashscope_api_key
# Google AI API(可选,支持Gemini模型)GOOGLE_API_KEY=your_google_api_key
# 金融数据API(可选)FINNHUB_API_KEY=your_finnhub_api_key
# Reddit API(可选,用于社交媒体分析)REDDIT_CLIENT_ID=your_reddit_client_idREDDIT_CLIENT_SECRET=your_reddit_client_secretREDDIT_USER_AGENT=your_reddit_user_agent
# Token使用统计配置(可选)# 启用MongoDB存储(高性能,适合生产环境)USE_MONGODB_STORAGE=falseMONGODB_CONNECTION_STRING=mongodb://localhost:27017MONGODB_DATABASE_NAME=tradingagents

🌐 Web界面使用 (推荐)

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line# 启动Web管理界面python -m streamlit run web/app.py
# 或使用快捷脚本# Windowsstart_web.bat
# Linux/macOS./start_web.sh

然后在浏览器中访问 http://localhost:8501,您可以:

  • 🎯 选择LLM提供商(阿里百炼/Google AI)
  • 🤖 选择AI模型(qwen-plus/gemini-2.0-flash等)
  • 📊 配置分析师组合(市场/基本面/新闻/社交媒体)
  • 📈 输入股票代码进行分析
  • 📋 查看详细的分析报告和投资建议

🖥️ 命令行界面

ounter(lineounter(lineounter(lineounter(lineounter(line# 启动交互式命令行界面python -m cli.main
# 或者使用参数直接分析python -m cli.main --stock AAPL --analysts market fundamentals

🐍 Python API使用

ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(linefrom tradingagents.graph.trading_graph import TradingAgentsGraphfrom tradingagents.default_config import DEFAULT_CONFIG
# 配置使用阿里百炼模型config = DEFAULT_CONFIG.copy()config["llm_provider"] = "dashscope"config["deep_think_llm"] = "qwen-plus"config["quick_think_llm"] = "qwen-turbo"
# 创建交易智能体ta = TradingAgentsGraph(["market""fundamentals"], config=config)
# 分析股票 (以苹果公司为例)state, decision = ta.propagate("AAPL""2025-06-27")
# 输出分析结果print(f"推荐动作: {decision['action']}")print(f"置信度: {decision['confidence']:.1%}")print(f"风险评分: {decision['risk_score']:.1%}")print(f"推理过程: {decision['reasoning']}")
# 查看Token使用统计和成本from tradingagents.config.config_manager import config_manager, token_tracker
# 获取当前会话成本session_cost = token_tracker.get_session_cost()print(f"当前会话成本: ¥{session_cost:.4f}")
# 获取使用统计stats = config_manager.get_usage_statistics()print(f"总成本: ¥{stats['total_cost']:.4f}")print(f"总调用次数: {stats['total_requests']}")print(f"总Token数: {stats['total_input_tokens'] + stats['total_output_tokens']}")
# 成本估算estimated_cost = token_tracker.estimate_cost("dashscope""qwen-turbo"1000500)print(f"预估成本: ¥{estimated_cost:.4f}")

项目地址

https://github.com/hsliuping/TradingAgents-CN/blob/main/README-CN.md





扫码加入技术交流群,备注「开发语言-城市-昵称

(文:GitHubStore)

发表评论