能力标签

🤖 Agent 🔄 工作流 🐳 Docker 💻 CLI 🧠 Claude ✨ GPT 🖥 本地 LLM ⛓ LangChain 🕸 采集

⚙️

Agent工作流

交易代理工作室

基于 Python · 无代码搭建完整 AI 自动化流程

英文名：TradingAgents-Studio

⭐ 44 Stars 🍴 4 Forks 💻 Python 📄 Apache-2.0 🏷 AI 8.0分

8.0AI 综合评分

AI交易LLM多智能体

⬇ 下载源码 ZIP ⚙️ 配置说明

✦ AI Skill Hub 推荐

交易代理工作室是 AI Skill Hub 本期精选Agent工作流之一。综合评分 8.0 分，整体质量较高。我们强烈推荐将其纳入你的 AI 工具库，帮助提升工作效率。

📚 深度解析

交易代理工作室是一套完整的 AI Agent 自动化工作流方案。随着 AI 能力的不断提升，基于 Agent 的自动化工作流正在成为提升个人和团队效率的核心方式。区别于传统的 RPA 自动化（模拟鼠标键盘操作），AI Agent 工作流通过理解任务意图、动态规划执行路径，能够处理更复杂的非结构化任务。

交易代理工作室工作流的设计遵循"最小配置，最大复用"原则：核心逻辑已经封装好，用户只需配置自己的 API Key 和业务参数即可快速上手。工作流内置错误处理和重试机制，在网络波动或 API 限速等情况下仍能稳定运行，适合作为生产环境的自动化基础设施。

在实际部署时，建议先在测试环境中运行 3-5 次，验证各个环节的输出结果符合预期，再部署到生产环境。AI Skill Hub 评分 8.0 分，是同类 Agent 工作流中的精选推荐。

📋 工具概览

交易代理工作室是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。

GitHub Stars

⭐ 44

开发语言

Python

支持平台

Windows / macOS / Linux

维护状态

轻量级项目，按需更新

开源协议

Apache-2.0

AI 综合评分

8.0 分

工具类型

Agent工作流

Forks

📖 中文文档

以下内容由 AI Skill Hub 根据项目信息自动整理，如需查看完整原始文档请访问底部「原始来源」。

📌 核心特色

可视化 Agent 工作流编排，无需编写复杂代码
支持多步骤自动化任务链，实现全流程无人值守
与外部 API、数据库和第三方服务无缝集成
内置错误处理与自动重试机制，保障稳定运行
提供可复用的自动化模板，快速在同类场景部署

🎯 主要使用场景

自动化日常重复性工作，将精力集中于创造性任务
构建数据采集 → 处理 → 输出的完整自动化管线
实现跨平台、跨系统的数据流转和业务协同

以下安装命令基于项目开发语言和类型自动生成，实际以官方 README 为准。

安装命令

# 方式一：pip 安装（推荐）
pip install tradingagents-studio

# 方式二：虚拟环境安装（推荐生产环境）
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
pip install tradingagents-studio

# 方式三：从源码安装（获取最新功能）
git clone https://github.com/wjhccc/TradingAgents-Studio
cd TradingAgents-Studio
pip install -e .

# 验证安装
python -c "import tradingagents_studio; print('安装成功')"

📋 安装步骤说明

访问 GitHub 仓库获取工作流文件
在对应平台（Dify / Flowise / Make 等）中找到「导入工作流」功能
上传工作流文件
按照提示配置必要的环境变量和 API Key
运行测试确认流程正常后投入使用

以下用法示例由 AI Skill Hub 整理，涵盖最常见的使用场景。

常用命令 / 代码示例

# 命令行使用
tradingagents-studio --help

# 基本用法
tradingagents-studio input_file -o output_file

# Python 代码中调用
import tradingagents_studio

# 示例
result = tradingagents_studio.process("input")
print(result)

以下配置示例基于典型使用场景生成，具体参数请参照官方文档调整。

配置示例

# tradingagents-studio 配置文件示例（config.yml）
app:
  name: "tradingagents-studio"
  debug: false
  log_level: "INFO"

# 运行时指定配置文件
tradingagents-studio --config config.yml

# 或通过环境变量配置
export TRADINGAGENTS_STUDIO_API_KEY="your-key"
export TRADINGAGENTS_STUDIO_OUTPUT_DIR="./output"

📑 README 深度解析真实文档完整度 52/100 查看 GitHub 原文 →

以下内容由系统直接从 GitHub README 解析整理，保留代码块、表格与列表结构。

TradingAgents-Studio

可视化多智能体 LLM 交易研究平台 — 看见 Agent 怎么想、怎么辩、怎么决策,而不是只看最后一个 BUY/SELL。 A visual multi-agent LLM trading research workbench. Watch the agents debate, see the causal chain unfold, replay history with one click.

English | 简体中文

⚠️ Research / educational tool only. Not investment advice. Full disclaimer ↓

---

1. Install

```bash git clone <your-repo-url> TradingAgents-Studio cd TradingAgents-Studio

Install — pick the extras you need:

pip install -e ".[web,cn]" # Web UI + A-share (recommended)

pip install -e ".[web]" # US-only, skip akshare/tushare

pip install -e ".[all]" # everything except dev tooling

pip install -e ".[web,cn,dev]" # contributors (adds pytest)

```

🚀 Quick start

🐍 Programmatic usage

from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "deepseek"
config["deep_think_llm"] = "deepseek-v4-pro"
config["quick_think_llm"] = "deepseek-v4-flash"
config["max_debate_rounds"] = 2

ta = TradingAgentsGraph(
    selected_analysts=["market", "cn_social", "event", "news", "fundamentals"],
    config=config,
)
_, decision = ta.propagate("贵州茅台", "2026-01-15")  # or "600519"
print(decision)

A-share tickers are auto-routed through AKShare → Tushare → yfinance regardless of the global data_vendors setting. See tradingagents/default_config.py for the cn_data_vendors chain.

See examples/quickstart.py for a minimal runnable.

---

Recommended: virtual env

python -m venv .venv .venv\Scripts\activate # Windows

source .venv/bin/activate # Linux/macOS

2. Configure API keys

```bash cp .env.example .env

Edit .env: set at least ONE LLM provider's key.

Data-source keys (TUSHARE_TOKEN / ALPHA_VANTAGE_API_KEY) are all optional —

🛠 Complete workflow, not just one-shot inference

Studio bundles the muscles a research workbench actually needs:

Feature	What it does
Natural-language entry	"研究茅台短期" / "AAPL 30 天" → ticker + date + period auto-filled. Rule-based first (deterministic, free), optional LLM fallback.
Holdings tracking	A-share / global positions with shares, cost, real-time quote, P&L, and latest analysis signal per ticker. CSV import accepts 代码/股数/成本价 Chinese headers.
Scheduled analyses	Interval / daily / weekly background runs. Analyst + LLM config snapshotted at create time. Auto-disable after 3 consecutive failures so a broken setup can't silently burn through your quota.
Paper trading	Virtual account, cash, positions, daily NAV snapshots. One-click "按此决策模拟下单" parses the trader proposal's Action + Entry/Target/Stop and opens a virtual position. Enforces A-share T+1.
决策回放回测 (Decision Replay)	Event-driven backtest replays Studio's stored Agent decisions over any window — answers "if I'd followed the agents' Buy/Sell calls, what would my net worth look like?". Zero LLM cost since it replays history. Reports total return, max drawdown, Sharpe, Sortino, win rate, profit factor, alpha vs benchmark. Each trade links back to its source analysis report.
决策质量看板 (Decision Quality)	The next step after backtest. Scores every individual completed analysis against real N-day price moves (5 / 30 / 60-day horizons), benchmarked against the regional index. Surfaces overall win-rate / avg α / Sharpe, a confidence-calibration curve (does "0.8 confidence" actually win 80%?), breakdowns by ticker / signal / single analyst / analyst combo / LLM model (so you can answer "did adding `capital_flow` improve alpha?"), and a per-day calendar heatmap. Computed on demand — no extra tables, no LLM cost.
K-line panel	Per-ticker drawer from Holdings or Paper rows. Daily + 1/5/15/30/60-min bars, MA(5/10/20) + volume overlays, optional entry/target/stop reference lines, fullscreen mode.
API key & model picker	Per-provider model catalog (e.g. DeepSeek V4 Pro / V3.2 thinking / …, Claude Opus 4.7 / Sonnet 4.6 / …). API keys editable from Settings → written through to `.env` so the CLI sees the same values. Keys masked in read path, raw never echoed.

Everything inherited from upstream — the LangGraph workflow, multi-provider LLMs, decision log, checkpoint resume — still works as before.

---

the pipeline runs entirely on free sources by default.

```

You can also manage LLM API keys from the Web Studio's Settings page — values are written through to .env so the CLI sees the same keys.

⚡ 核心功能

可视化 Agent 工作流编排，无需编写复杂代码
支持多步骤自动化任务链，实现全流程无人值守
与外部 API、数据库和第三方服务无缝集成
内置错误处理与自动重试机制，保障稳定运行
提供可复用的自动化模板，快速在同类场景部署

👥 适合人群

自动化工程师和运维人员项目经理和业务分析师希望减少重复性工作的专业人士数字化转型团队

🎯 使用场景

自动化日常重复性工作，将精力集中于创造性任务
构建数据采集 → 处理 → 输出的完整自动化管线
实现跨平台、跨系统的数据流转和业务协同

⚖️ 优点与不足

✅ 优点

+Apache-2.0 协议，可免费商用
+大幅减少重复性人工操作
+可视化流程，清晰直观
+可扩展性强，支持复杂场景

⚠️ 不足

−初始配置和调试需投入一定时间
−强依赖外部服务的稳定性
−复杂场景需具备一定技术基础

⚠️ 使用须知

AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。

建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。

📄 License 说明

🔗 相关工具推荐

ai-agents-for-beginners Agent工作流

微软官方开源项目，提供12堂系统课程学习AI智能体框架。涵盖工作流设计、RAG检索增强、多智能体协作等核心技能。适合AI

n8n AI工作流自动化

Agent工作流

🧩 你可能还需要

基于当前 Skill 的能力图谱，自动补全的工具组合

natively-cluely-ai-assistant — Claude Skill 中文使用文档

免费开源的AI面试助手，实时转录，隐蔽模式，局部RAG，BYOK。无订阅，防止数据泄露。

❓ 常见问题 FAQ

如何使用该平台?−

参考README文档和示例代码

什么是 Agent 工作流？和普通自动化有什么区别？+

导入工作流后，我需要修改哪些配置？+

工作流运行失败了，如何排查问题？+

这个工作流每次运行会产生哪些费用？+

工作流可以定时自动运行吗？+

💡 AI Skill Hub 点评

经综合评估，交易代理工作室在Agent工作流赛道中表现稳健，质量优秀。如果你已有明确的使用需求，可以直接上手体验；如果还在评估阶段，建议对比同类工具后再做决策。

⬇️ 获取与下载

⬇ 下载源码 ZIP

✅ Apache-2.0 协议 · 可免费商用 · 直接从 aiskill88 服务器下载，无需跳转 GitHub

📚 深入学习交易代理工作室

查看分步骤安装教程和完整使用指南，快速上手这款工具

⚙️ 安装教程 📚 使用教程

🌐 原始信息

原始名称	`TradingAgents-Studio`
Topics	`AI交易LLM多智能体`
GitHub	https://github.com/wjhccc/TradingAgents-Studio
License	Apache-2.0
语言	Python

🔗 原始来源

🐙 GitHub 仓库 https://github.com/wjhccc/TradingAgents-Studio

收录时间：2026-06-03 · 更新时间：2026-06-03 · License：Apache-2.0 · AI Skill Hub 不对第三方内容的准确性作法律背书。

Feature	What it does
Natural-language entry	"研究茅台短期" / "AAPL 30 天" → ticker + date + period auto-filled. Rule-based first (deterministic, free), optional LLM fallback.
Holdings tracking	A-share / global positions with shares, cost, real-time quote, P&L, and latest analysis signal per ticker. CSV import accepts 代码/股数/成本价 Chinese headers.
Scheduled analyses	Interval / daily / weekly background runs. Analyst + LLM config snapshotted at create time. Auto-disable after 3 consecutive failures so a broken setup can't silently burn through your quota.
Paper trading	Virtual account, cash, positions, daily NAV snapshots. One-click "按此决策模拟下单" parses the trader proposal's Action + Entry/Target/Stop and opens a virtual position. Enforces A-share T+1.
决策回放回测 (Decision Replay)	Event-driven backtest replays Studio's stored Agent decisions over any window — answers "if I'd followed the agents' Buy/Sell calls, what would my net worth look like?". Zero LLM cost since it replays history. Reports total return, max drawdown, Sharpe, Sortino, win rate, profit factor, alpha vs benchmark. Each trade links back to its source analysis report.
决策质量看板 (Decision Quality)	The next step after backtest. Scores every individual completed analysis against real N-day price moves (5 / 30 / 60-day horizons), benchmarked against the regional index. Surfaces overall win-rate / avg α / Sharpe, a confidence-calibration curve (does "0.8 confidence" actually win 80%?), breakdowns by ticker / signal / single analyst / analyst combo / LLM model (so you can answer "did adding `capital_flow` improve alpha?"), and a per-day calendar heatmap. Computed on demand — no extra tables, no LLM cost.
K-line panel	Per-ticker drawer from Holdings or Paper rows. Daily + 1/5/15/30/60-min bars, MA(5/10/20) + volume overlays, optional entry/target/stop reference lines, fullscreen mode.
API key & model picker	Per-provider model catalog (e.g. DeepSeek V4 Pro / V3.2 thinking / …, Claude Opus 4.7 / Sonnet 4.6 / …). API keys editable from Settings → written through to `.env` so the CLI sees the same values. Keys masked in read path, raw never echoed.

交易代理工作室

📚 深度解析

📋 工具概览

📖 中文文档

TradingAgents-Studio

1. Install

Install — pick the extras you need:

pip install -e ".[web]" # US-only, skip akshare/tushare

pip install -e ".[web,cn,cn-pro,cn-social]" # + Tushare paid + 股吧/微博 sentiment

pip install -e ".[all]" # everything except dev tooling

pip install -e ".[web,cn,dev]" # contributors (adds pytest)

🚀 Quick start

🐍 Programmatic usage

Recommended: virtual env

source .venv/bin/activate # Linux/macOS

2. Configure API keys

Edit .env: set at least ONE LLM provider's key.

Data-source keys (TUSHARE_TOKEN / ALPHA_VANTAGE_API_KEY) are all optional —

🛠 Complete workflow, not just one-shot inference

the pipeline runs entirely on free sources by default.

⚡ 核心功能

👥 适合人群

🎯 使用场景

⚖️ 优点与不足

🔗 相关工具推荐

❓ 常见问题 FAQ

🤖 交给 Agent 安装 · 交易代理工作室