企业官网建设流程全解析

TradingAgents-CN 多智能体股票分析平台上手指南：5 步部署，让 AI 分析师团队给出投资结论

【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN

TradingAgents-CN 是一个基于大模型（LLM，即对话式 AI 引擎）的中文多智能体股票分析平台：把一只股票交给多个分工不同的 AI 角色，由它们辩论、评审后产出一份完整中文分析报告，面向想动手学习 AI 股票研究的新手和普通用户。

从一次真实纠结说起：这只股票到底该不该拿

假设你手里有一支股票，最近行情反复，K 线看不出明确方向，你心里没有底：继续拿、加仓，还是先卖？单看指标各执一词，缺一个把多方证据摆在一起互相质证的流程。TradingAgents-CN 就是为此设计的：输入一个股票代码，它会派出市场、新闻、社媒、基本面四类分析师各自出报告，再让看涨与看跌两名研究员当面对辩，交易员把争论落成具体买卖方案，风控团队按三种风险偏好分别把关，经理最终给出"持有 / 买入 / 卖出"方向的结论、置信度与风险评分。你拿到的不是一句干巴巴的"建议买入"，而是可以逐层追溯的完整推理链。

最快部署路线：Docker 五步跑起本地股票分析平台

下面这条路线假设你已安装 Docker，全程不到十分钟：

1. 把仓库克隆到本地：

git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN

2. 复制配置模板并填入一个大模型 API 密钥（DeepSeek、通义千问、OpenAI 任选其一，这是跑通分析的前置条件）：

cp .env.example .env

3. 用 Compose 文件（docker-compose.yml，声明了一整套容器服务）启动全部服务：

docker-compose up -d

4. 浏览器打开 http://localhost:3000 ，即 Web 管理界面；后端 API 在 http://localhost:8000 。
5. 在界面里确认模型与数据源配置无误，先同步股票数据，再发起第一次分析。

另外两条路线一句话带过：本地源码方式适合二次开发（需自备 Python 3.10+、MongoDB、Redis），免安装绿色版适合无 Python、Docker 环境的 Windows 机器；详见 docs/QUICK_START.md 与 docs/deployment/。

平台工作机制：一份输入如何变成一份投资结论

这一节解释数据在平台内部的流向，帮你理解报告里每段话的来源。

输入：你只提供三样东西——市场与股票代码、分析日期、参与分析的分析师组合。系统先从本地行情库取数据（没有就先同步一次），再把行情、新闻、社媒、基本面四类信息分发给各智能体。

处理：五类分析师并行产出专业报告；随后多头、空头研究员就同一标的展开多轮辩论；交易员把辩论结果翻译成买入或卖出提案；风控团队按激进、中性、保守三档偏好分别评审；经理汇总全部材料形成最终决策。

输出：投资建议（持有 / 买入 / 卖出）、置信度、风险评分、目标价、AI 推理说明，外加各团队的详细报告，可导出 Markdown、Word、PDF 三种格式。

角色与源码位置一一对应，方便你日后按图索骥：

操作走查：照着界面点完一次完整分析

下面按实际操作顺序，带你走一遍分析全流程。

第一步：进入首页，确认模型已配置

打开 http://localhost:3000 进入首页。左侧"AI 模型配置"区选择 LLM 提供商与模型版本；这里没配好密钥，后面的分析都跑不起来。

第二步：填写分析配置并发起任务

进入"股票分析"页，依次选择市场（A股 / 港股 / 美股）、填写股票代码与分析日期，拖动"研究深度"滑杆（1 级快速到 5 级全面），勾选要参与的分析师，点击开始分析。

第三步：等待执行，留意进度条

分析启动后页面展示进度、已用时间与预计剩余。一次完整分析约需数分钟到十几分钟，期间可随时刷新，不必担心丢进度。

第四步：逐页翻查各团队报告

分析结束后点击"查看分析报告"。顶部一排标签页对应各团队产出，"市场技术分析"标签里能看到价格趋势、均线系统、MACD、RSI 及支撑位阻力位的完整解读。

"研究团队决策"标签同时展示多空双方：多头研究员先陈述看多逻辑，空头随后逐条反驳，多轮交锋的原文都保留在页面上。

"风险管理团队"标签呈现激进、中性、保守三档风控各自的评估意见，你可以对照三种偏好下的风险表述差异。

报告关键字段解读：结论卡片上的四个数字

分析结果页顶部是一张摘要卡，四个字段按此顺序读：

• 投资建议：持有 / 买入 / 卖出，经理综合所有团队输出后的最终方向。
• 置信度：模型对这一建议的确信程度，数值越高，说明各团队立场越收敛；数值低时优先看辩论环节的反对意见。
• 风险评分：0–100 的风险量化，可与风控团队文字意见对照理解。
• 目标价：模型给出的参考价位，属于研究参考，并非交易指令。

摘要卡下方的"AI 推理说明"用一段话概括理由；展开"详细分析报告"可逐团队细读，原始报告以 Markdown 文件保存在 data/analysis_results/ 目录（如data/reports/下的*_enhanced_analysis_*.md），网页端也支持导出 Word / PDF。

关键配置与数据源速查：一张表加三条建议

三条配置建议：

1. 先用免费或低价模型（如通义千问、DeepSeek）跑通全流程，确认链路正常后再换更强模型。
2. 分析前务必先完成该股票的数据同步，否则报告会基于残缺数据，指标与估值都可能失真。
3. 按使用频率给数据源设优先级，并合理设置缓存时长，减少对外部接口的重复请求。

排障速查：三个高频故障的现象、原因与修复

端口被占用→ 现象：启动后打不开 http://localhost:3000 ，日志提示端口冲突；原因：本机 3000 或 8000 已被其他程序占用；修复：执行netstat -tuln | grep 3000找到占用进程并结束，或在docker-compose.yml中把映射改为3001:3000后重启。

数据库连接失败→ 现象：后端启动报错、页面加载失败；原因：MongoDB 或 Redis 容器未就绪，或.env中连接串不匹配；修复：docker-compose ps确认全部容器为运行状态，再核对.env里的数据库配置。

依赖安装极慢或超时（源码部署场景） → 现象：pip 下载长时间卡住；原因：默认访问海外源不稳定；修复：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

另外，若报告里行情或财务数据为空，几乎都是该股历史数据尚未入库所致：先在界面执行数据同步，等同步完成再发起分析。

下一步往哪走：源码目录与文档入口

• 智能体提示词与行为：tradingagents/agents/，analysts、researchers、trader、risk_mgmt、managers 五个子目录分别对应分析师、研究员、交易员、风控、经理。
• 工作流编排与信号处理：tradingagents/graph/，含多智能体图结构与辩论调度逻辑。
• 数据接口与抓取示例：tradingagents/dataflows/、examples/crawlers/，接私有或第三方数据源从这里入手。
• 官方文档：快速上手见 docs/QUICK_START.md，版本手册见 docs/guides/，生产部署细节见 docs/deployment/。

收尾：三步行动清单

1. 用 Docker 路线把界面跑起来，在左侧配置区填入一个大模型 API 密钥。
2. 对一只你持仓的股票执行数据同步，随后发起第一次完整分析。
3. 换一组分析师组合、把研究深度从 3 级拉到 5 级再跑一次，对比两份结论的差异。

本项目定位为学习与研究工具，不提供实盘交易建议；投资有风险，决策请自行判断。

【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN