TradingAgents-CN 是一款基于多智能体与大语言模型（LLM）构建的中文金融分析与交易研究框架，专为中文用户设计，旨在帮助投资者与研究者进行系统化股票分析与策略研究。该系统模拟真实交易团队的协作流程，通过多个AI智能体协同完成市场分析、风险评估和报告生成等任务，适用于A股、港股及美股市场的研究学习场景。
TradingAgents-CN GitHub 地址：https://github.com/hsliuping/TradingAgents-CN
从功能定位来看，TradingAgents-CN更像是一套智能投研助手，而非自动交易软件。系统整合基本面分析、技术分析、新闻情绪分析与数据建模，并支持多种数据源与AI模型，使分析过程更加系统化和结构化。平台支持DeepSeek、通义千问、Gemini以及GPT等模型，通过智能路由机制选择合适模型完成任务，并生成专业分析报告。
在系统架构方面，TradingAgents-CN采用多智能体协作模式，模拟分析师团队协同工作：不同智能体分别负责市场情绪、基本面、技术指标与风险控制，再由决策模块综合输出投资建议。系统支持Web界面、API与CLI交互，并结合MongoDB与Redis实现数据持久化与缓存优化，同时支持Docker容器化部署，方便扩展与维护。
Windows 安装 TradingAgents-CN 方法
在 Windows 系统中安装 TradingAgents-CN 的过程相对简单，适合初学者快速上手。首先需要准备运行环境，包括 Python 3.10 以上版本、Git 以及可选的 Docker Desktop（推荐用于隔离部署环境）。如果希望以本地方式运行，可直接克隆项目源码并创建虚拟环境，然后安装依赖包。
基本安装步骤如下：首先通过 Git 克隆项目源码；接着创建并激活 Python 虚拟环境；然后使用 pip 安装 requirements.txt 中的依赖；最后复制示例 .env 配置文件并填写 API Key（如LLM模型及数据源接口）。系统统一通过 .env 文件进行配置管理，便于部署与迁移。
如果选择 Docker 部署，只需安装 Docker Desktop 并执行 docker compose up 即可完成容器化启动，这种方式能够自动配置数据库、缓存服务及Web界面组件，适合希望快速部署完整环境的用户。
启动与使用方法
完成安装后，可以通过命令行启动 Web 界面：
streamlit run web/app.py启动成功后，在浏览器访问 http://localhost:8501 即可进入操作界面。系统提供直观的分析配置区域，用户只需输入股票代码（如AAPL、000001或0700.HK）、选择AI模型并点击开始分析，即可实时查看分析进度与结果。
分析完成后，平台会生成结构化报告，支持导出为 Word、PDF 或 Markdown 格式，方便保存或分享研究成果。系统还提供Token使用统计、缓存管理与配置管理功能，帮助用户监控成本与性能。
使用体验与适用场景
TradingAgents-CN 更适合学习研究、量化思路探索及投资决策辅助，而非直接实盘交易工具。它能够帮助用户理解市场分析流程、学习AI辅助投资方法，并构建自己的投研体系。部分用户反馈在普通电脑环境下运行可能较为占用资源，但整体安装与使用流程较为友好，上手难度较低。
对于金融研究者、量化交易爱好者、AI开发者及希望借助AI提升投资分析效率的人群来说，TradingAgents-CN 是一个值得尝试的开源工具。借助多智能体协作与大模型能力，它为中文金融AI应用提供了一种清晰而实用的实现范式。
