GitHub - simonlin1212/TradingAgents-astock: A股多Agent投研框架 — 适配A股数据源(龙虎榜/游资/解禁等)，7位分析师基于A股规则的辩论决策，基于TradingAgents深度改造，适配大A。A-share multi-agent

简体中文 | English

TradingAgents-Astock

基于 TauricResearch/TradingAgents （65K ⭐）的 A 股深度特化 fork

全 Apache 2.0 开源 · pip install 即跑 · 零外部服务依赖

⚠️ 本项目是 TradingAgents 论文 框架的工程实现与研究复现，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。

为什么做这个 Fork · 与上游对比 · 架构概览 · Analyst 角色 · 数据源 · 快速开始 · Web UI · 排错

为什么做这个 Fork

原版 TradingAgents 是一个出色的多 Agent 投研框架，但它针对美股设计：数据走 Yahoo Finance / Alpha Vantage，分析师不懂 A 股制度，辩论和决策完全面向美股市场。

本 Fork 的目标 ：把 TradingAgents 的多 Agent 辩论架构真正落地到 A 股，不是简单翻译，而是从数据层、Agent 角色、交易规则三个维度做深度特化。

核心改造

维度 原版 本 Fork

数据源 Yahoo Finance / Alpha Vantage mootdx + 东财 + 新浪 + 同花顺（全免费直连）

Analyst 角色 4 个（市场/情绪/新闻/基本面） 7 个 （+政策分析师/游资追踪/解禁监控）

交易规则 美股（T+0、无涨跌停） A 股（T+1、涨跌停、最小手数、交易时段）

输出语言 英文 中文报告（内部辩论保持英文以保证推理质量）

Alpha 基准 SPY 沪深 300（CSI 300）

与上游对比

特性 原版 TradingAgents 本 Fork

许可证 Apache 2.0 全 Apache 2.0

部署依赖

pip install

开箱即用

A 股数据 ❌ mootdx + 东财 + 新浪 + 同花顺（直连 HTTP）

A 股特化角色 ❌ 政策/游资/解禁 3 个深度角色

A 股交易约束 ❌ T+1/涨跌停/手数/ST 全覆盖

架构概览

┌─────────────────────────────────────────────────────────┐ │ 7 Analyst 研报生成 │ │ Market → Social → News → Fundamentals │ │ → Policy → Hot Money → Lockup │ │ （每个 Analyst 带工具循环） │ ├─────────────────────────────────────────────────────────┤ │ Bull vs Bear 投研辩论 │ │ Bull Researcher ←→ Bear Researcher │ │ （最多 N 轮辩论） │ ├─────────────────────────────────────────────────────────┤ │ Research Manager 综合研判 │ │ （深度思考 LLM，输出投资计划） │ ├─────────────────────────────────────────────────────────┤ │ Trader 交易方案 │ │ （A 股约束：T+1/涨跌停/手数） │ ├─────────────────────────────────────────────────────────┤ │ Aggressive ←→ Conservative ←→ Neutral │ │ 三方风险辩论 │ ├─────────────────────────────────────────────────────────┤ │ Portfolio Manager 最终决策 │ │ （深度思考 LLM，输出评级 + 理由） │ └─────────────────────────────────────────────────────────┘

双 LLM 设计 ：

• quick_think_llm ：所有 Analyst、Researcher、Trader、Risk Debater

• deep_think_llm ：Research Manager 和 Portfolio Manager（需要综合全局信息做决策）

7 个 Analyst 角色

原版 4 角色（A 股适配）

角色 职责 数据工具

🏪 市场分析师 K 线形态、技术指标、量价分析 get_stock_data , get_indicators

💬 舆情分析师 社交媒体情绪、散户讨论热度 get_news

📰 新闻分析师 行业新闻、公告、宏观事件 get_news , get_global_news , get_insider_transactions

📊 基本面分析师 财报三表、盈利能力、估值 get_fundamentals , get_balance_sheet , get_cashflow , get_income_statement

A 股特化 3 角色（新增）

角色 职责 数据工具 为什么需要

🏛️ 政策分析师 监管政策、产业政策、窗口指导 get_news , get_global_news A 股是政策市，政策变化直接影响板块轮动

🔥 游资追踪师 龙虎榜、大单流向、主力资金动态 get_stock_data , get_news , get_insider_transactions 游资是 A 股短线定价的核心力量

🔓 解禁监控师 限售股解禁、大股东减持、股权质押 get_insider_transactions , get_news , get_fundamentals 解禁是 A 股特有的重大供给冲击因素

所有 7 个 Analyst 的报告会流入后续的 Bull/Bear 辩论和三方风险辩论，确保 A 股特色因素贯穿整条决策链。

数据源

全部免费，无需 API Key，无积分墙：

来源 协议 提供内容

mootdx TCP 7709 OHLCV K 线、财务快照、F10 文本

腾讯财经 HTTP ( qt.gtimg.cn ) PE / PB / 市值 / 换手率（实时）

东方财富 HTTP (datacenter / push2) 龙虎榜、限售解禁、板块行情、个股信息

新浪财经 HTTP K 线历史、财报三表

同花顺 HTTP (10jqka) EPS 一致预期

财联社 HTTP (cls.cn) 全球财经快讯

百度股市通 HTTP (finance.pae.baidu) 概念板块分类、资金流向

完全不依赖 Tushare（积分墙）、Alpha Vantage（海外 API）、Yahoo Finance（不支持 A 股）。

数据源优先级 & 东财防封（v0.2.11） ：行情 / K线 / 市值 / 财务能从 mootdx（通达信 TCP，不封 IP）或腾讯拿到的，一律走它们；东财只用于它独有的数据（龙虎榜 / 解禁 / 资金流 / 板块 / 个股新闻等）。所有东财请求统一走内置节流入口 _em_get() ：串行限流（默认间隔 ≥1s + 0.1~0.5s 随机抖动）+ 复用 Keep-Alive 会话，多 Agent 跑批量分析不再触发临时封 IP（东财风控实测：每秒 >5 / 并发 ≥10 / 1 分钟 ≥200 触发封禁）。

批量场景可设环境变量 EM_MIN_INTERVAL=1.5~2 进一步降速。 仅东财限流，mootdx / 腾讯 / 新浪 / 同花顺 / 财联社 / 百度 不受影响。

快速开始

1. 环境准备

Python >= 3.10

git clone https://github.com/simonlin1212/tradingagents-astock.git

cd tradingagents-astock

pip install -e .

如需使用 Google Gemini 模型（无 [google] extra，需显式装，见下方 FAQ）：

pip install --no-deps " langchain-google-genai>=4.0.0 "

pip install " google-genai>=1.53.0 " " httpx>=0.28.1 "

如需让节点走你个人 Claude Pro/Max 订阅额度而非 API 计费（可选）：

pip install -e " .[agentsdk] "

装完即可用，无需 Docker。 安装后直接跑 streamlit run web/app.py （Web UI）或 tradingagents （CLI）即可，详见下方「Web UI」「CLI 方式」两节。

Docker 仅是可选的部署方式

，本地开发不需要。

1. 配置 LLM

默认走 API Key 计费 。每次分析需 30-50 次 LLM 调用。

例外（v0.4.0 新增） ：装 [agentsdk] 后可让部分或全部节点经 Claude Agent SDK 走你 个人 Claude Pro/Max 订阅额度 ，不产生 API 账单。见下方「用个人 Claude 订阅额度」。

在项目根目录创建 .env 文件，按你选择的供应商配置：

── 方案 A：MiniMax（推荐，国内直连，性价比高）──────────

MINIMAX_API_KEY=sk-xxx

申请地址：https://platform.minimaxi.com/

── 方案 B：DeepSeek ─────────────────────────────────

DEEPSEEK_API_KEY=sk-xxx

申请地址：https://platform.deepseek.com/

── 方案 C：智谱 GLM ─────────────────────────────────

ZHIPU_API_KEY=xxx

申请地址：https://open.bigmodel.cn/

── 方案 D：通义千问 Qwen ────────────────────────────

DASHSCOPE_API_KEY=sk-xxx

申请地址：https://dashscope.console.aliyun.com/

── 方案 E：OpenAI ───────────────────────────────────

OPENAI_API_KEY=sk-xxx

── 方案 F：Anthropic ────────────────────────────────

ANTHROPIC_API_KEY=sk-ant-xxx

── 方案 G：Kimi（Anthropic 兼容 API）────────────────

ANTHROPIC_API_KEY=your-kimi-token

ANTHROPIC_BASE_URL=https://api.kimi.com/coding/

⚠️ 两个都要设。只给 key 不给端点，请求会发到 Anthropic 官方并报

「401 invalid x-api-key」。端点也可以写在 config 的 backend_url 里（见下）。

⚠️ 别用 ANTHROPIC_AUTH_TOKEN——那是 Claude Code CLI 的写法，本项目走 langchain，

只认 ANTHROPIC_API_KEY。

── 方案 H：任意 OpenAI 兼容网关（9Router / AI Router / 自建代理）──

OPENAI_COMPATIBLE_API_KEY=sk-xxx # 也接受 OPENAI_API_KEY

BACKEND_URL=https://your-relay.example/v1 # 你的网关地址（也可在 Web 侧栏「API Base URL」填）

1. 运行分析

新建一个 Python 文件（比如项目根目录下的 run.py ），把下面这段粘进去，按你选的供应商改 config 后运行 uv run python run.py 。根目录自带的 main.py 就是这个示例的可运行版本，直接 uv run python main.py 也行。

config 不是仓库里的某个配置文件，而是传给 TradingAgentsGraph(config=...) 的一个字典：只写你要覆盖的项，其余项自动取 tradingagents/default_config.py 里的默认值（完整可选项见下文「配置说明」一节）。

from tradingagents . graph . trading_graph import TradingAgentsGraph

── MiniMax 示例（推荐）─────────────────────────────

config = { "llm_provider" : "minimax" , "deep_think_llm" : "MiniMax-M2.7" , "quick_think_llm" : "MiniMax-M2.7-highspeed" , "output_language" : "Chinese" , }

── DeepSeek 示例 ───────────────────────────────────

config = {

"llm_provider": "deepseek",

"deep_think_llm": "deepseek-chat",

"quick_think_llm": "deepseek-chat",

"output_language": "Chinese",

}

── Anthropic + Kimi 示例 ───────────────────────────

config = {

"llm_provider": "anthropic",

"deep_think_llm": "claude-sonnet-4-6",

"quick_think_llm": "claude-sonnet-4-6",

"backend_url": "https://api.kimi.com/coding/",

"output_language": "Chinese",

}

ta = TradingAgentsGraph ( debug = True , config = config ) final_state , decision = ta . propagate ( "688017" , "2026-05-12" ) print ( decision )

1. CLI 方式

tradingagents # 交互式 CLI tradingagents analyze # 同上（默认命令） tradingagents performance # 决策绩效统计（见下） tradingagents --help # 查看所有选项

1. 决策绩效统计（v0.5.2 新增）

想知道 这套流程过往的判断准不准 ，跑：

tradingagents performance # 人读的报告 tradingagents performance --json # 机器读的 JSON

数据来自记忆日志：每次分析会落一条决策，下次分析同一只股票时自动拉真实行情回填收益与 alpha（对沪深 300）。 统计本身零 LLM 调用 ，只读已经落盘的结果。

输出的核心指标是 direction_accuracy （方向正确率） —— 只有它衡量判断准不准 ：看多要跑赢、看空要跑输才算对，Hold 不表态不计入。另外给出 up_rate （标的上涨占比）与 outperform_rate （跑赢沪深300占比），这两个只描述标的怎么走， 与判断对错无关 ：给出卖出评级后股价下跌是判断正确，但它不会计入「上涨占比」。

还有按评级、按标的分组，以及一项 评级区分度检验 ——五档评级从 Buy 到 Sell，平均 alpha 是否真的单调递减。评级不单调，说明这套流程的评级没有实际区分能力。

几点务必注意：

• 这不是回测，也不是策略业绩。 每条记录是「某天做出的判断在固定持有期后的表现」：持有窗口互相重叠、没有仓位管理、未计交易成本与冲击成本，样本还可能有选择偏差。

• A 股 beta 很强 ，跟着大盘涨不代表判断对，所以方向正确率用 alpha 口径判定，看绝对收益容易高估判断力。

• 样本量分开算 ：方向正确率只统计有方向的评级，已结算总数够、但有方向的不足 20 条时，报告会单独提示这个指标仍是噪音。

• 样本少于 20 条时报告会自己标注「这些比率基本是噪音」 ，不要拿三五条记录下结论。

• 收益解析不出来的记录会被 跳过 而不是当成 0%——后者会把统计悄悄拉向中性。

Web UI

内置 Streamlit 可视化界面，支持在侧边栏选择 LLM 供应商和模型，输入股票代码即可一键分析，适合不写代码的用户。

启动

方式一：命令行启动（推荐）

tradingagents-web

方式二：直接运行

streamlit run web/app.py

打开浏览器访问 http://localhost:8501 。

功能

• 配置记住 ：侧栏选的供应商 / 模型 / Base URL / 订阅覆盖写入 ~/.tradingagents/llm_config.json ，重开标签页或重启后自动恢复（v0.5.17）

• 模型自选 ：侧边栏支持 10 个 LLM 供应商切换（MiniMax/DeepSeek/Qwen/GLM/OpenAI/Anthropic/Google/xAI/OpenRouter/Ollama），外加 「OpenAI 兼容（自定义 base_url）」 一档可接任意 OpenAI 兼容网关（9Router / AI Router / 自建代理）

• 一键分析 ：输入 6 位 A 股代码 + 分析日期 +「数据起始日期」（默认本月第一天，可自定义技术分析回溯区间，支持按月/自定义时段分析），点击「开始分析」

• 实时进度 ：12 阶段 pipeline 实时显示（7 分析师 → 质量门控 → 辩论 → 风控 → 决策），所有已完成阶段的报告均可展开查看

• 完整报告 ：信号卡片（Buy/Hold/Sell）、7 份分析师报告、多空辩论、风控评估

• 报告导出 ：一键下载 Markdown （零依赖，永远可用）或 PDF 完整分析报告（PDF 自动适配 Windows/macOS/Linux 中文字体）

• 历史记录 ：自动保存并展示所有历史分析

截图

配置说明

所有配置通过 config 字典传入，完整选项：

参数 默认值 说明

llm_provider "minimax" LLM 提供商： minimax / deepseek / qwen / glm / openai / anthropic / google / xai / ollama

deep_think_llm "MiniMax-M2.7" Research Manager + Portfolio Manager 用的模型

quick_think_llm "MiniMax-M2.7-highspeed" 所有 Analyst / Researcher / Trader 用的模型

backend_url None 自定义 API 端点 / 第三方中转网关。可在 Web UI 侧边栏填写，或用 .env 的 BACKEND_URL ；方便国内通过代理访问 Claude / OpenAI。 跑远程 Ollama 也是填这里 ： llm_provider 选 ollama 、 backend_url 填 http://<主机>:11434/v1 ，不填则默认本机 http://localhost:11434/v1 （#61）

role_llms {} 可选 ：给单个角色指定另一家模型（如多空辩手用不同厂商），留空 = 全部沿用 quick/deep 两档，行为不变。见下方「分角色模型」 #39

max_tokens None 单次回复的最大输出 token 数。 None = 用 provider 默认值。 报告写到一半就断，先调这里 （不是上下文超长）；也可用环境变量 TRADINGAGENTS_MAX_TOKENS 。#91

output_language "Chinese" 报告输出语言（内部辩论始终英文）

market_lookback_days None 技术分析回溯天数（分析区间 = 起始日期 → 分析日期）。Web/CLI 由「数据起始日期」自动算出； None = 模型自选（约 30 天）。#16

llm_timeout 150 单次 LLM 请求超时（秒）， 对所有走 LangChain 客户端的 provider 生效 （ openai / anthropic / google / azure 及全部 OpenAI 兼容项，订阅撞额度后的降级客户端也带）。

此前没有超时：LangChain 的三个封装层（ChatOpenAI / ChatAnthropic / AzureChatOpenAI）在没给超时时都把 None 显式 传给底层 SDK，而这在 httpx 里的语义是「不设超时」——挂起的网关会让分析 永久卡住 （进程活着、零输出、永不返回）。 claude_agent_sdk 订阅覆盖的 主路径 不走 LangChain 客户端，v0.5.

20 起由客户端自己实现同一个配置项：订阅调用的整段预算 = 本项 × 该次调用允许的模型轮数（Agent SDK 把整个工具循环跑在 一次 调用里，单轮调用就等于本项本身），超时按限流同样的路径降级。深度推理模型如果经常在吐出首个 token 之前就超过这个值，把它调大（#100）

llm_max_retries 3 应用层重试次数，覆盖 408 / 409 / 429 / 5xx 与连接类错误（含读超时），即 OpenAI SDK 原本会重试的那一套。 仅作用于走 OpenAI 兼容客户端的 provider （ openai / deepseek / qwen / glm / minimax / xai / openrouter / ollama / openai_compatible ）：只有它们的 SDK 层重试被置 0 并交给应用层；Anthropic / Google / Azure 沿用各家 SDK 自己的重试，不碰

llm_retry_delay 5 重试初始退避秒数，指数翻倍：5s → 10s → 20s

max_debate_rounds 1 Bull vs Bear 辩论轮数

max_risk_discuss_rounds 1 风险三方辩论轮数

data_vendors 全部 "a_stock" 数据供应商路由

checkpoint_enabled False 启用 SQLite 断点续跑

memory_log_max_entries None 交易记忆最大条目数

分角色模型（可选，v0.5.0 新增）

默认所有角色共用 quick_think_llm / deep_think_llm 两档—— 大多数人只有一家模型，不需要碰这一项 。

如果你手上有多家模型，可以给单个角色单独指定。最典型的用法是 让多空辩手用不同厂商的模型 ：同一个模型分饰多角时倾向于互相附和，换成不同底座才会真的出现反驳。

config = { "llm_provider" : "deepseek" , # 未单独配置的角色仍走这里 "deep_think_llm" : "deepseek-chat" , "quick_think_llm" : "deepseek-chat" , "role_llms" : { "bull" : { "provider" : "qwen" , "model" : "qwen-plus" }, "bear" : { "provider" : "glm" , "model" : "glm-4.6" },

provider 省略则沿用 llm_provider，只换模型：

"portfolio_manager" : { "model" : "deepseek-reasoner" }, }, }

合法角色名（其余角色自动沿用两档默认）：

分组 角色名

7 个分析师 market social news fundamentals policy hot_money lockup

辩论与决策 bull bear research_manager trader

风险三方 risk_aggressive risk_neutral risk_conservative

其他 quality_gate portfolio_manager

几点说明：

• 角色名写错会直接报错 ，不会静默忽略——否则你会以为配置生效了，实际没有。

• 相同的 provider + model 只建一个实例 ，写 7 个角色不会开 7 条连接。

• 每家 provider 用 自己的 API Key 环境变量（ DEEPSEEK_API_KEY / DASHSCOPE_API_KEY / ZHIPU_API_KEY …），缺哪个会指名报出来。

• 换了 provider 时 不会 把 backend_url 带过去（那是给主 provider 配的端点），需要的话在该角色里单独写 backend_url 。

• 同时开着 claude_agent_sdk 订阅覆盖时， role_llms 里配的角色会 绕开订阅按 token 计费 ，启动时会点名警告是哪几个。

常见问题排错

Q: 用 DeepSeek/通义/智谱，却报 OpenAIError: The api_key client option must be set . OPENAI_API_KEY ？

每个供应商用 各自的环境变量 ，不是 OPENAI_API_KEY：DeepSeek= DEEPSEEK_API_KEY 、通义= DASHSCOPE_API_KEY 、智谱= ZHIPU_API_KEY 、MiniMax= MINIMAX_API_KEY 、xAI= XAI_API_KEY 、OpenRouter= OPENROUTER_API_KEY 、OpenAI 兼容（自定义）= OPENAI_COMPATIBLE_API_KEY 。在项目根目录 .env 里设置对应变量后 重启 程序。（v0.2.

12 起缺 key 会直接提示该用哪个变量名。）

Q: 想接一个 OpenAI 兼容的第三方网关/中继（9Router、AI Router、自建代理），自定义 base_url + model？

用 「OpenAI 兼容（自定义 base_url）」 这一档（v0.2.20 新增）。Web 侧栏「LLM 供应商」选它 →「快速/深度思考模型 ID」手动填你网关支持的 model 名 →「API Base URL」填你的网关地址（如 https://your-relay.example/v1 ）→ .env 里设 OPENAI_COMPATIBLE_API_KEY=你的key （也接受 OPENAI_API_KEY ）。CLI 方式选 OpenAI-Compatible 后会提示输入 Base URL。它走标准 Chat Completions（非 OpenAI Responses API，兼容性最好），model 名自由填、不受内置清单限制。配置方式等价：

llm_provider="openai_compatible" + backend_url="<你的网关>" + deep_think_llm/quick_think_llm="<你的model>"

。

Q: 明明装了 Python 3.12/3.14，

pip install -e . 却报 requires a different Python: 3.9.6 not in '>=3.10' ？

报错里的 3.9.6 就是当前这个 pip 绑定的解释器版本 ——你装的新版本没被它用上（macOS 自带的 pip3 常指向系统 3.9）。先确认是哪个解释器在跑：

pip3 -V # 末尾括号里就是它绑定的 Python

python3.12 -m pip -V # 换成你想用的版本再看

用 python -m pip 的写法就不会认错人，推荐配合虚拟环境：

python3.12 -m venv .venv && source .venv/bin/activate

python -m pip install -e .

Windows 用 py -3.12 -m venv .venv + .venv\Scripts\activate 。（#92）

Q: 报告写到一半就结束了，上下文明明没超长？ 撞的是 输出 上限，不是上下文上限——模型一次回复能吐多少 token 是另一个限制。v0.4.1 起，这种截断会在日志里明确告诉你（ 因为达到输出上限被截断 ），不再是默默给你半篇报告。调大即可：config 里设 max_tokens （例如 "max_tokens": 16000 ），或设环境变量 TRADINGAGENTS_MAX_TOKENS=16000 。

另外，用 Kimi 等第三方模型名走 anthropic 通道 时，langchain 认不出模型名，会默认一个很小的输出上限（旧版本表现为报告普遍偏短）。v0.4.1 起这种情况会自动放宽到 8192，仍不够就显式配 max_tokens 。#91

Q: 接 Kimi 报 401 invalid x-api-key ？ 说明请求发到了 Anthropic 官方 而不是 Kimi——光给 key 没给端点。两个都要给：

ANTHROPIC_API_KEY=你的kimi-token

ANTHROPIC_BASE_URL=https://api.kimi.com/coding/ # 或在 config 里写 backend_url

注意 ANTHROPIC_AUTH_TOKEN 在本项目里不生效 （那是 Claude Code CLI 的写法），本项目走 langchain，只读 ANTHROPIC_API_KEY 。v0.4.1 起，用非 Claude 模型名却没配端点会 在启动时 直接告诉你缺什么，而不是等 Anthropic 回一句看不懂的 401。#89

Q: 导出 PDF 报 UnicodeEncodeError: 'latin-1' codec can't encode ？

你的环境里装了 旧版 fpdf （pyfpdf） ，它和本项目用的 fpdf2 都以 fpdf 名称导入、互相冲突。执行

pip uninstall -y fpdf && pip install "fpdf2>=2.8.6" 。实在不行可改用「下载 Markdown」导出（零依赖，永远可用）。

Q

Docker 里怎么跑 Web UI？容器启动报 Invalid value: File does not exist: web/app.py ？

用 compose 里的 web 服务

docker compose up web ，然后开 http://localhost:8501 。

报这个错通常是因为命令写成了 streamlit run web/app.py ——这条 依赖当前工作目录 ，工作目录不对就找不到文件。正确的入口是 tradingagents-web （即 web.launch:main ），它按 __file__ 解析 app.py 的绝对路径，跟工作目录无关。本地跑同理，装完后直接 tradingagents-web 最稳。

Q

Docker 里导出 PDF 报「未找到中文字体」？

v0.2.12 起 Dockerfile 已内置 fonts-noto-cjk ，重新 docker build 即可。旧镜像可临时 apt install fonts-noto-cjk ，或改用 Markdown 导出。

Q

Docker 启动报 [Errno 13] Permission denied: /home/appuser/.tradingagents/cache ？

旧版镜像里没预建数据目录， docker-compose 的命名卷挂上来时被 Docker 建成 root 属主，而容器内进程以 appuser 运行、写不进去。v0.2.14 起 Dockerfile 已预建 /home/appuser/.tradingagents （cache/logs/memory）并归属 appuser，命名卷会继承该属主。 升级方式 ：

git pull 后 docker compose build --no-cache 重建镜像

；若想保留旧数据卷可先 docker run --rm -v tradingagents_data:/d alpine chown -R 1000:1000 /d 修正属主，否则 docker volume rm tradingagents_data 后重建即可。

Q: 部分分析师报告（情绪/新闻/基本面/政策/游资/解禁）空白不显示？ 这些报告由对应 Analyst 调用数据工具后生成， 空报告会被自动跳过不显示 。数据源本身是健康的（腾讯/mootdx/同花顺/东财实测出数）；报告为空通常是 所选模型 tool-call 能力弱 （如部分 deepseek/minimax 轻量模型不稳定地调用工具）。建议换用 tool-call 更稳的模型（deepseek-chat / 通义 / GLM-4 / Claude / GPT 等），或重试。

Q: 为什么没有 [google] extra 了？装 Gemini 报 httpx 冲突怎么办？ v0.3.1 起移除了 [google] extra （ #87 ）。原因： langchain-google-genai>=4.0.0 要求 google-genai>=1.53.0 ，而该区间内 每一个 google-genai 版本都要求 httpx>=0.28.1 ；mootdx（核心 A 股数据源）钉死 httpx>=0.25,<0.26 。 没有任何版本组合能同时满足，冲突是结构性的。

真正的问题是

uv 构建的是覆盖所有 extra 的 universal lock ，所以只要这个 extra 存在， uv sync 就对 所有人 失败——包括从不用 Gemini 的用户。把 extra 留空更糟（ pip install .[google] 会静默什么都不装，用户以为装好了）。所以直接移除，并在 google_client.py 导入失败时给出可直接执行的安装命令。

需要 Gemini 时显式安装（ mootdx 取行情走 TCP 协议、运行时根本不 import httpx ，所以抬高 httpx 实测不影响取数）：

pip install --no-deps " langchain-google-genai>=4.0.0 "

pip install " google-genai>=1.53.0 " " httpx>=0.28.1 "

或把 Gemini 与数据层分到不同 venv。最省心是用 DeepSeek / MiniMax / 通义 / OpenAI 兼容中继等，完全不涉及这个冲突。

另澄清： litellm / mcp 不是本项目的依赖 ——报错里若提到它们，是你环境里其它包带来的。

Q: 不进 CLI 交互，怎么批量跑多只标的、拿到和 CLI 一样的完整报告？

看 examples/run_cases.py ：它复用 CLI 的 save_report_to_disk() ，每只标的输出与 CLI 一致的 complete_report.md （分析师 / 研究 / 交易 / 风险 / 组合五个分区）+ 一份字段齐全的 summary.json 。用法：

uv run python examples/run_cases.py

（跑全部）或

uv run python examples/run_cases.py 688017

（单只）；改 build_config() 切换 provider/model。

项目结构

TradingAgents-Astock/ ├── tradingagents/ │ ├── agents/ │ │ ├── analysts/ # 7 个分析师 │ │ │ ├── market_analyst.py │ │ │ ├── social_media_analyst.py │ │ │ ├── news_analyst.py │ │ │ ├── fundamentals_analyst.py │ │ │ ├── policy_analyst.

py # A 股特化 │ │ │ ├── hot_money_tracker.py # A 股特化 │ │ │ └── lockup_watcher.

py # A 股特化 │ │ ├── researchers/ # Bull / Bear 研究员 │ │ ├── risk_mgmt/ # 激进 / 保守 / 中立 辩手 │ │ ├── managers/ # Research Manager + Portfolio Manager │ │ ├── trader/ # Trader（A 股交易约束） │ │ └── utils/ # 状态定义、工具函数 │ ├── dataflows/ │ │ ├── a_stock.

py # A 股数据 vendor（直连 HTTP API，零第三方库） │ │ ├── interface.py # 数据接口抽象层 │ │ └── . │ └── graph/ │ ├── trading_graph.py # 主入口：TradingAgentsGraph │ ├── setup.py # LangGraph 拓扑定义 │ ├── propagation.py # 状态初始化与传播 │ ├── reflection.

py # 交易反思（CSI 300 基准） │ └── conditional_logic.py ├── web/ │ ├── app.py # Streamlit 主入口 │ ├── runner.py # 后台线程运行分析 │ ├── progress.py # 线程安全进度追踪 │ ├── history.py # 历史记录扫描 │ ├── pdf_export.py # PDF 报告生成 │ ├── launch.

py # CLI 启动器 │ └── components/ # UI 组件 │ ├── sidebar.py # 侧边栏（输入 + 历史） │ ├── progress_panel.py # 实时进度面板 │ └── report_viewer.py # 报告展示 ├── test_astock.py # E2E 集成测试 ├── CHANGES_FROM_UPSTREAM.md # 与上游的完整改动记录 ├── NOTICE # Apache 2.0 归属声明 ├── LICENSE # Apache 2.

0 许可证 └── pyproject.toml # 包定义与依赖

致谢

本项目基于 TauricResearch/TradingAgents 开源项目进行 A 股特化改造。感谢原作者的出色工作和 Apache 2.0 开源精神。

原始论文 ： TradingAgents: Multi-Agents LLM Financial Trading Framework

项目定位

这是一个框架的工程实现，不是一个投资产品。

• 它是什么 ： TradingAgents 论文 （TauricResearch）多 Agent 架构的 A 股工程实现，用于研究与教学——研究多 Agent 辩论在金融文本上的行为、A 股数据源如何接入、结构化输出如何落地。

• 它不是什么 ：不是投资顾问、不是荐股软件、不提供任何投资服务。本仓库不发布针对具体证券的分析报告、评级或买卖建议； examples/ 下只有可自行运行的脚本，没有任何预生成的个股结论。

• 模型和数据都是你自己的 ：你配置自己的 LLM API key，在自己的机器上运行，产出的内容归你所有、由你判断、由你负责。项目本身不托管服务、不代为分析、不接触你的运行结果。

• 不产出可执行价位 ：框架内 没有 建仓价 / 止损位 / 仓位 / 目标价这类输出——不是默认关闭，是代码里就没有。Trader 与 Portfolio Manager 只给方向、评级与理由。需要这类能力的使用者可以自行 fork 添加（Apache-2.0 允许），并自行承担相应责任、自行确认所在司法辖区的资质要求。

⚠️ 免责声明

• 本系统产出的所有内容均由 AI 自动生成，可能存在错误或偏差

• 本项目不构成任何投资建议；投资决策请咨询持有中国证监会颁发资质的专业机构

• 作者不对使用本工具产生的任何投资损失承担责任

• 股市有风险，投资需谨慎

License

Apache License 2.0

本项目是 TauricResearch/TradingAgents 的 fork，继承 Apache 2.0 许可证。详见 NOTICE 。

作者： Simon 林 · X @linsizhen · 邮箱： [email protected]

用个人 Claude 订阅额度（可选，v0.4.0 新增）

让节点经 Claude Agent SDK 走你 个人 Claude Pro/Max 订阅额度 ，而不是按 token 计费的 Anthropic API。

与内置 anthropic provider 的区别： anthropic 走 ANTHROPIC_API_KEY = 按 token 计费 ；本 provider 走本机已登录的 claude CLI = 消耗订阅额度，不产生 API 账单 。

仅供 个人自用 ——它消耗的是你自己账号的订阅额度。把它做成给别人用的产品需要 Anthropic 授权，不在本项目范围内。

1. 准备

pip install -e " .[agentsdk] "

本机 claude 已登录即可；headless / CI 环境需要显式 token：

claude setup-token # 输出的 token 设为 CLAUDE_CODE_OAUTH_TOKEN

不打算保留付费降级的话，顺手清掉（可选）

unset ANTHROPIC_API_KEY

关于 ANTHROPIC_API_KEY ：它的优先级高于订阅凭据， 但不会泄进 Agent SDK 子进程 ——客户端在子进程环境里已把它显式置空，订阅额度照常生效。父进程保留它是为了让 anthropic 仍能作为撞额度后的降级 provider（否则就成死结：留着启动被拦、删掉又在真要降级时认证失败）。启动时只告警不中止。

1. 开启

Web UI 侧栏「个人 Claude 订阅覆盖 (Agent SDK)」三档，或在 config 里设：

config [ "deep_think_provider_override" ] = "claude_agent_sdk" # 仅深度节点 config [ "quick_think_provider_override" ] = "claude_agent_sdk" # 再加这条 = 全节点 config [ "agent_sdk_model" ] = "opus" # 深度节点 config [ "agent_sdk_quick_model" ] = "sonnet" # 分析师节点

模型建议填别名 opus / sonnet —— claude CLI 的别名恒指向最新模型，写死 claude-opus-4-8 这类完整 id 会随版本迭代过期。完整 id 同样支持。

1. 两条边界

• 额度而非 token ：订阅是按额度限流的。「所有节点」会把 7 个分析师 + 多空/交易员/风险辩手全压上去，跑几轮就可能撞上限——所以 agent_sdk_quick_model 默认给的是更省的 sonnet 。撞额度会自动降级到你配的付费 provider（可用 agent_sdk_fallback_provider / agent_sdk_fallback_model 指定）。

• 凭据失效不降级 ：OAuth token 过期时 直接报错中止 ，不会静默降级到计费 provider——你开订阅模式就是为了避免账单，悄悄开始计费比报错更糟。报错里会给出 claude setup-token 的修复步骤。

依赖说明

[agentsdk] 的依赖链是 claude-agent-sdk → mcp → httpx2 ， 不碰 httpx ，与 mootdx 的 httpx<0.26 无冲突（已 uv lock 实测）——和 #87 里被移除的 [google] 情况不同，不需要单开 venv。

— 本文由 AI 根据公开来源辅助整理，命令、版本与许可证请在使用前到原始页面复核。