TradingAgents 是什麼?突破 12 萬星的多代理 AI 金融研究框架實戰:模擬華爾街團隊辯論、本地部署與風險邊界解析
TauricResearch/TradingAgents 在 GitHub 突破 12 萬顆星,用 LangGraph 編排四大分析師、多空研究員辯論、交易員與風控團隊。本文提供完整安裝步驟、CLI 實戰教學、工具比較表與關鍵風險免責解析。
叫單一一個 ChatGPT 幫你分析台積電或 NVIDIA 的財報,結果通常很像在看星座運勢:你問它偏多還是偏空,它會給你一段四平八穩的「基本面強勁但須留意總經風險」廢話,因為單一大型語言模型(LLM)缺乏對立觀點的交叉詰問機制。
為了解決單一模型盲點,由 Tauric Research 開源的 TradingAgents 在 GitHub 上一路衝破 12 萬顆星。它不做傳統的單一指標預測器,而是直接用 LangGraph 編排一套模擬真實量化與對沖基金機構的分工流程。
在這個框架裡,一檔股票的研究會經過「四大分析師團隊 → 多空研究員結構化辯論 → 交易員擬定決策 → 風控團隊審查核可」四道關卡。它支援 OpenAI、Anthropic Claude、Google Gemini、DeepSeek、Qwen 與本地 Ollama 模型,並整合 FRED 總經數據與 Polymarket 等外部資訊源。
這篇文章會帶你實際把 TradingAgents 裝進本機終端機,看懂它的多代理辯論架構如何運作,同時也把官方再三強調的「非投資建議」與「LLM 非確定性」邊界說清楚,讓台灣投資研究者與工程師能安全且正確地使用這套工具。

為什麼需要「多代理辯論」?拆解 TradingAgents 的四大核心角色
在真實的投資機構裡,沒有一位操盤手會自己看 K 線、自己寫財報摘要、又自己批核風險額度。TradingAgents 把這種權責分離的組織架構搬進了 LangGraph 狀態機中,讓不同 Prompt 與工具權限的代理(Agent)各司其職:
1. 四路並行的分析師團隊(Analysts)
當你輸入一個股票代號與分析日期,系統首先會派出四位專職分析師各自撈取資料並產出獨立報告: - 基本面分析師(Fundamentals Analyst):檢視公司資產負債表、損益表、現金流與估值倍數,評估企業長期體質。 - 情緒面分析師(Sentiment Analyst):掃描社群媒體、討論區與市場情緒指標,捕捉散戶與機構的樂觀或恐慌程度。 - 新聞面分析師(News Analyst):彙整近期總經新聞、產業事件、FRED 宏觀經濟指標以及 Polymarket 等預測市場動向,判讀突發催化劑。 - 技術面分析師(Technical Analyst):計算移動平均線、RSI、MACD 與波動率等技術指標,辨識短線趨勢與支撐壓力位。
2. 多空研究員的結構化辯論(Bull & Bear Researchers)
這是 TradingAgents 最精彩的一層設計。四位分析師的報告不會直接送到交易員桌上,而是先交給多方研究員(Bull Researcher)與空方研究員(Bear Researcher)進行多輪交鋒。多方專注挖掘成長動能與護城河證據,空方則專門挑出估值過高、競爭惡化或總經逆風的漏洞來反駁,逼出單一 LLM 對話中極難出現的深度思辨。
3. 交易員與風控團隊(Trader & Risk Management)
辯論結束後,交易員代理(Trader)會綜合雙方論點提出具體的模擬買賣建議與理由;但這份建議還得經過風險管理團隊(Risk Management)審核波動率、部位曝險與最壞情境,最終才由投資組合經理(Portfolio Manager)拍板輸出研究結論。
延伸閱讀:Dify 是什麼?16.1 萬星開源 LLM 應用平台懶人包:RAG 知識庫與 AI Agent 視覺化建置教學
本機安裝與 CLI 實戰教學:5 分鐘跑通第一份多代理研究報告
TradingAgents 採用純 Python 架構開發,只要你的電腦有 Python 3.11 以上環境(官方常用 3.13 測試),就能用終端機在幾分鐘內完成部署。
第一步:複製儲存庫與建立獨立虛擬環境
強烈建議使用 Conda 或 Python 內建的 venv 隔離相依套件,避免污染本機系統環境:
# 1. 下載官方程式碼
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
# 2. 使用 Conda 建立 Python 3.13 環境(或改用 python3 -m venv .venv)
conda create -n tradingagents python=3.13 -y
conda activate tradingagents
# 3. 安裝專案與必要套件
pip install .
如果你的分支版本需要從 requirements.txt 安裝,也可以直接執行 pip install -r requirements.txt。
第二步:設定 LLM 與金融數據 API 金鑰
TradingAgents 需要呼叫語言模型與金融數據來源。請先從範本複製環境設定檔:
cp .env.example .env
打開 .env 檔案後,填入你手邊有的模型金鑰(例如 OPENAI_API_KEY、ANTHROPIC_API_KEY、GOOGLE_API_KEY 或本地 Ollama 端點)以及數據服務金鑰(例如 FINNHUB_API_KEY、ALPHA_VANTAGE_API_KEY 等)。如果只想測試流程而不想花太多 API 費用,可以把需要頻繁思考的「分析師與辯論輪次」接上便宜或免費的本地 Ollama 模型,只讓最終決策節點使用高階雲端模型。
第三步:啟動互動式 CLI 開始研究
設定完成後,在專案根目錄執行官方 CLI 指令:
python -m cli.main
終端機隨即會出現彩色互動面板,引導你選擇要研究的標的代碼(例如 NVDA、AAPL 或 TSM)、基準分析日期、要啟用的分析師團隊、辯論深度(輪數)以及對應的 LLM 模型。按下執行後,你可以即時在畫面上看到每位分析師撈數據、多空研究員互槓、最後交由風控團隊審查的完整思維鏈過程。
工具定位比較:TradingAgents vs 傳統量化回測框架 vs 通用 Agent 平台
很多讀者會好奇:TradingAgents 可以取代 Backtrader 或 QuantConnect 嗎?或者它跟一般的通用研究代理有什麼不同?以下這張比較表清楚界定三者的邊界。
| 比較項目 | TradingAgents (12 萬+ 星) | 傳統量化框架 (Backtrader / VectorBT) | 通用型 AI Agent 平台 (Langflow / Dify) |
|---|---|---|---|
| 核心引擎 | LangGraph 多代理狀態機+LLM 推理 | 確定性數學公式、歷史 K 線與策略邏輯 | 通用工作流節點+外部工具呼叫 |
| 擅長處理的資料 | 非結構化文字(財報電話會議、新聞、社群情緒、總經敘事) | 結構化數值(OHLCV 價格、成交量、財務因子矩陣) | 任意自訂資料源,但需自行設計金融分析 Prompt |
| 結果可重現性 | 低(非確定性),受模型版本、溫度參數與網路資料變動影響 | 100% 可重現,相同數據與參數跑一百次結果完全一致 | 取決於節點設計,LLM 節點同樣具備非確定性 |
| 主要產出價值 | 模擬投研團隊的多角度辯論報告、研究靈感與邏輯盲點檢查 | 精確的夏普比率、最大回撤、勝率與歷史績效曲線 | 通用客服、文件問答或自動化日常工作流 |
| 推論速度與成本 | 較慢,單次研究需數十次 LLM 呼叫與較長 Token 消耗 | 極快,數秒內可跑完數十年歷史數據回測 | 視工作流複雜度而定 |
這張表說明了一個關鍵事實:TradingAgents 並不是用來取代傳統數值量化回測的「印鈔機」,它的真正價值在於把傳統量化抓不到的「非結構化基本面與新聞敘事」,用結構化的多空辯論整理出來,當作人類研究員的第二大腦與紅隊演練工具。
延伸閱讀:讓 AI 像人一樣幫你滑滑鼠填表單!Browser Use 12.1 萬星開源瀏覽器代理完整實戰與避坑指南
必讀風險與限制:為什麼官方強調這不是投資建議?
在把任何開源 AI 金融專案接上真實資金之前,有三個硬性技術限制你必須完全理解:
- LLM 的非確定性導致回測無法保證重現:Tauric Research 官方在文件裡明確聲明,TradingAgents 是一個研究與教學框架,不構成任何投資建議。由於大型語言模型本身具有機率生成特性,加上線上新聞與數據介面會動態變化,昨天跑出「買進」結論的同一組日期與參數,今天重跑一次可能會因為多空辯論的某個措辭微調而變成「觀望」。
- 前瞻偏差(Look-ahead Bias)的潛在風險:如果你用 LLM 去回測歷史某個日期(例如 2024 年 10 月)的表現,別忘了模型本身的預訓練記憶裡可能已經看過 2024 年底甚至 2025 年的財報結果。沒有嚴格隔離模型知識截止日與歷史新聞時間戳記的回測,績效看起來都會異常亮眼,但那只是模型在「偷看答案」。
- Token 消耗量比想像中大:因為系統包含四位分析師、多輪多空辯論以及交易員與風控團隊的多階段思考,單次完整分析一檔股票就可能觸發二、三十次 LLM 呼叫。實測時若直接使用最貴的旗艦推理模型,跑幾十次實驗就會產生可觀的帳單。
台灣開發者實戰避坑指南
針對台灣本地研究者的使用情境,整理 4 個最實用的避坑建議:
- 台股代碼與資料源適配:內建整合的 Finnhub、Alpha Vantage 與 Polymarket 等介面主要針對美股(如
NVDA、TSM)與全球宏觀指標最佳化。如果你想研究台股本地標的(如2330.TW),建議在資料載入層改接yfinance或台灣證交所開放資料/財報狗等公開資訊,並把新聞爬蟲關鍵字改成繁體中文財經媒體來源,分析品質會大幅提升。 - 採用「大小模型混搭」壓低成本:TradingAgents 支援針對「深度思考(Deep Thinking)」與「快速思考(Quick Thinking)」設定不同模型。實戰上建議把大量閱讀新聞、整理 K 線數據的 Quick 任務交給便宜快速的模型(如 Gemini Flash、GPT-4o-mini 或本機 Ollama 的 Qwen 模型),把真正需要邏輯交鋒的多空辯論與最終決策交給旗艦模型。
- 限制辯論輪數避免無限迴圈與成本暴衝:剛開始測試新標的時,先把辯論輪數(Max Debate Rounds)與風控討論輪數設為
1或2輪即可。跑通整個資料管線確認 API 沒斷線後,再視需求調高思考深度。 - 永遠只用來輔助人類決策,不要直接串接實盤下單 API:請把 TradingAgents 產出的 Markdown 研究報告當成「一位勤奮研究員幫你寫好的正反面摘要」,最後的資金控管與下單點擊必須由人類親自把關。
官方影音與實戰導讀
如果你想看完整的終端機設定過程,以及多代理團隊在 CLI 中如何一步步產出研究報告,可以觀看這支實作教學影片(TradingAgents Full Setup — Multi-Agent LLM Trading Framework!,作者 StraightToPoint)。
影片實際示範了從 Git Clone、環境變數設定、API Key 填入到執行 python -m cli.main 的完整操作流程,並帶你查看不同代理產出的分析日誌,適合在動手安裝前先快速瀏覽一遍。
常見問題(FAQ)
Q1:TradingAgents 支援完全離線使用本地模型(如 Ollama)嗎?
支援。框架支援透過標準 OpenAI-compatible 介面串接本地端運行的 Ollama 模型(例如 Llama、Qwen 或 DeepSeek 本地量化版本),也能搭配 OpenAI、Anthropic Claude、Google Gemini 與 DeepSeek 雲端 API。不過要注意的是,多代理架構對模型的指令遵循(Instruction Following)與結構化輸出能力要求較高,太小的 7B 以下模型在多輪辯論中偶爾會出現格式跑掉的狀況,建議本地端至少使用 14B 至 32B 以上模型。
Q2:跑一次 TradingAgents 分析大概要花多少錢與時間?
視你選用的模型與辯論輪數而定。如果全部使用高階旗艦雲端模型且設定多輪辯論,單次分析可能需要 2 到 5 分鐘,消耗數萬至十數萬 Tokens;如果採用「快速模型做資料摘要 + 旗艦模型做最終決策」的混搭設定,單次成本通常可以壓低到幾毛台幣以內。
Q3:TradingAgents 適合用來做當沖或高頻交易嗎?
不適合。LLM 的推論延遲以「秒」甚至「分鐘」計算,根本無法跟微秒級的傳統高頻量化系統競爭。TradingAgents 的設計初衷是針對波段、中長線基本面與事件驅動型研究,協助整理多維度資訊與檢視投資邏輯的盲點。
Q4:我可以自己新增一位專看「台灣籌碼面」或「三大法人買賣超」的分析師嗎?
可以。因為 TradingAgents 是基於 LangGraph 建置的開源 Python 框架,程式碼結構相當模組化。你只要依照現有分析師的節點介面撰寫一個新的資料擷取工具(Tool)與對應的 System Prompt,就能把「外資/投信籌碼分析師」註冊進分析團隊裡,一起參與後續的多空辯論。