用 7 个 AI 分析师做 A 股投研辩论（TradingAgents-Astock）

原版 TradingAgents 的多 Agent 辩论架构是按美股搭的：行情走 Yahoo Finance 和 Alpha Vantage，分析师角色里没有政策、游资、解禁这些概念，交易规则按 T+0、无涨跌停写。把它直接指向 A 股标的，数据取不到，辩论赖以成立的前提也不对。

TradingAgents-Astock 在这个架构上做了替换：数据层换成 mootdx、东方财富、新浪财经、同花顺这批国内接口，分析师从 4 位扩到 7 位，交易约束改写成 T+1、涨跌停、最小手数和交易时段。辩论与决策的流程骨架沿用上游，改动记录单独放在 CHANGES_FROM_UPSTREAM.md 里。

TradingAgents-Astock 是用 Python 写的 A 股多智能体投研框架，输入一个股票代码，7 位分析师分头取数写研报，经多空辩论与风险辩论后输出投资计划与评级。

它不做什么

README 在显眼位置写了：本项目面向研究与教学，不构成任何投资建议，也不提供任何投资服务。它产出的是分析文本与评级，不接券商、不下单。

能分析的范围限于 A 股。数据源清单和 7 个分析师角色都围绕 A 股制度设计，仓库没有说明支持港股或美股。Issue 里出现过「什么时候可以加上港股分析」的需求，事实表没有给出该能力已经落地的说明。

它自身不是模型。每次完整分析要发起 30-50 次 LLM 调用，默认按 API Key 计费；不接 LLM 供应商，跑起来不会有任何输出。

部署上不依赖外部服务，装完即可用，Docker 只是可选的部署方式。仓库地址 https://github.com/simonlin1212/TradingAgents-astock ，采用 Apache License 2.0，主要语言 Python，语言占比 99.8%。

用之前先准备好什么

• Python >= 3.10 的运行环境。
• 至少一个 LLM 供应商的凭据，可选 MiniMax、DeepSeek、智谱 GLM、通义千问、OpenAI、Anthropic、Kimi，或任意 OpenAI 兼容网关。
• 走 Kimi 时，ANTHROPIC_API_KEY 和 ANTHROPIC_BASE_URL 两个都要设，只给 key 会把请求发到 Anthropic 官方并返回 401。ANTHROPIC_AUTH_TOKEN 不认，那是 Claude Code CLI 的写法，本项目走 langchain。
• 要用 Google Gemini，需要额外装 langchain-google-genai、google-genai、httpx 三个包，仓库没有把它放进默认 extra。
• 想让节点走个人 Claude Pro/Max 订阅额度，安装时要带 [agentsdk] extra。

主要功能

• 7 位分析师分工出研报。市场分析师负责 K 线形态、技术指标与量价，工具是 get_stock_data、get_indicators；舆情分析师看散户讨论热度；新闻分析师看行业新闻、公告与宏观事件；基本面分析师看财报三表与估值。此外新增三位 A 股特化角色：政策分析师（监管与产业政策）、游资追踪师（龙虎榜、大单流向、主力资金）、解禁监控师（限售股解禁、大股东减持、股权质押）。每位分析师的报告都会流入后续辩论。
• 多空辩论与研究经理研判。Bull Researcher 与 Bear Researcher 按配置的轮数对辩，之后由 Research Manager 综合成投资计划。
• A 股约束下的交易方案。Trader 节点在 T+1、涨跌停、最小手数的框架里给出方案。
• 三方风险辩论与最终决策。Aggressive、Conservative、Neutral 三方辩论后，Portfolio Manager 输出评级与理由。
• 双 LLM 分工。quick_think_llm 承担所有 Analyst、Researcher、Trader 和风险辩手；deep_think_llm 只给需要综合全局信息的 Research Manager 和 Portfolio Manager。
• 免费数据源直连。mootdx 走 TCP 7709 提供 OHLCV K 线、财务快照和 F10 文本；腾讯财经 qt.gtimg.cn 给实时 PE/PB/市值/换手率；东方财富提供龙虎榜、限售解禁、板块行情、个股信息；新浪财经给 K 线历史和财报三表；同花顺给 EPS 一致预期；财联社给全球财经快讯；百度股市通给概念板块分类和资金流向。全部不需要 API Key。
• 东财节流。所有东财请求统一走 _em_get()，串行限流默认间隔 ≥1s 再加 0.1~0.5s 随机抖动，复用 Keep-Alive 会话。README 里给出的东财风控实测阈值是每秒超过 5 次、并发不低于 10、一分钟超过 200 次会触发封禁；mootdx、腾讯、新浪、同花顺、财联社、百度不受这套限流影响。
• Web UI 记住 LLM 配置。从 v0.5.17 起，侧栏选的供应商、快速/深度模型、API Base URL、订阅覆盖、自定义模型 ID 会在点「开始分析」时写入 ~/.tradingagents/llm_config.json，页面加载时恢复；写盘失败只记 warning，不打断分析。

安装与最短示例

# Python >= 3.10
git clone https://github.com/simonlin1212/tradingagents-astock.git
cd tradingagents-astock
pip install -e .

在项目根目录建一个 .env，按你选的供应商填 key，例如 MiniMax：

MINIMAX_API_KEY=sk-xxx

然后在根目录跑：

uv run python main.py

根目录自带的 main.py 就是一个最小可运行示例，内部构造 TradingAgentsGraph(config=...) 并跑一次完整分析。Web 界面用 streamlit run web/app.py 启动，命令行入口是 tradingagents。README 里提示 config 不是仓库里的某个配置文件，而是传给 TradingAgentsGraph 的字典，只写要覆盖的项，其余取 tradingagents/default_config.py 里的默认值。

关键参数

• llm_provider、quick_think_llm、deep_think_llm、output_language：README 的快速开始示例里出现的四个键，分别控制供应商、快速模型、深度模型和报告语言。
• llm_timeout：v0.5.19 新增，默认 150 秒，覆盖所有走 LangChain 客户端的 provider，以及订阅撞额度后的降级客户端。单轮按配置值计时，内部工具循环按允许轮数换算总预算。
• backend_url：指定端点，也可以改 Web 侧栏的 Base URL；glm 和 qwen 的默认端点在 v0.5.18 统一到国内站。
• data_cache_dir：数据缓存目录，TradingAgentsGraph.__init__ 会用它建目录。
• EM_MIN_INTERVAL：环境变量，批量场景设成 1.5~2 可以进一步降低东财请求频率，只影响东财。

结果在哪里看

• Web UI 页面里呈现分析过程与最终结论。
• CLI 方式在终端输出。
• PDF 报告。仓库里没有说明 PDF 具体落在哪个目录。
• data_cache_dir 指定的目录存放抓到的数据缓存。
• Web UI 的 LLM 配置存在 ~/.tradingagents/llm_config.json。

实际使用中的坑

• 没配 API Key 就运行，报 The api_key client option must be set either by passing，分析直接失败。这条 Issue 有 21 条评论，是目前反馈最多的一个，状态已解决。
• 用中文股票名当 ticker 会失败，报 ticker contains characters not allowed in a filesystem path: '福晶科技'。原因是标的会被拼进文件系统路径，中文名不合规，得用股票代码。该 Issue 11 条评论，已解决。
• 在 Ubuntu 上执行 pip install -e . 时依赖解析进入死循环，用户怀疑是 pyproject.toml 里的 dependencies 有问题。这条 4 条评论，已解决。
• 生成 PDF 报告时中文字符渲染失败，报 fpdf.errors.FPDFUnicodeEncodingException: Character "股" … outside the range of characters supported by the font used: "helvetica"，需要换 Unicode 字体。相关反馈还有 fpdf.errors.FPDFException: Not enough horizontal space to render a single character，都在 7 条评论前后，状态已解决。

横向对照

只要数据、不要结论的话，a-stock-data 这类数据工具包比本项目省事：本项目把数据抓取和 LLM 辩论绑在一起，装完还得配 key，跑 30-50 次调用才出结果。反过来，如果你要的是一条从原始数据到评级、并且把 A 股交易制度写进决策流程的链路，纯数据工具包不提供后半段。

合规与授权边界

这个项目的数据来自第三方财经站点的公开接口，走 HTTP 或 TCP 直连，包括东方财富、新浪财经、腾讯财经、同花顺、财联社和百度股市通。项目侧做了节流处理，但那只是降低触发风控的概率，不代表上游站点授权了批量抓取。使用前请自行确认各数据源的服务条款，把请求频率控制在对方允许的范围内。

项目本身定位是研究与教学，输出不构成投资建议。如果要把它的结果用于任何真实的资金决策，风险和合规责任在使用者一侧。

适合谁

适合想研究多 Agent 辩论架构怎么落到具体市场的人，适合需要一条从 A 股数据抓取到评级输出完整链路的研究者，也适合已经把 LLM 供应商和 key 准备好、愿意照着 config 字典改参数的人。

不适合想直接拿到买卖信号的人，不适合不愿意配 API Key 或不愿承担每次 30-50 次调用成本的人，也不适合需要港美股覆盖的场景——这个仓库的数据源和角色都围绕 A 股设计。

焚评：这个项目的量化评分

本项目的选题来自 焚.com（一个按公开公式给 GitHub 项目打分的站）。焚评当前总分 9.4 分（满分 10）。下表是各维度的得分：

评分口径、权重与计算方式见焚.com 的评分方法页；数据随 GitHub 指标刷新，具体数值以焚.com 当前页面为准。本文正文为诀.com 独立撰写，评分数据由焚.com 授权引用。