快速开始

1. 环境准备

```bash

3. 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）。

```python 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 ───────────────────────────────────

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

启动

```bash

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。

截图

<p align="center"> <img src="assets/web-ui-welcome.png" width="80%" alt="Web UI 欢迎页"/> </p>

---

2. 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：

```bash

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

config = {

config = {

配置说明

所有配置通过 config 字典传入，完整选项：

---

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。

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

ANTHROPIC_API_KEY=your-kimi-token ANTHROPIC_BASE_URL=https://api.kimi.com/coding/

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

只认 ANTHROPIC_API_KEY。

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

4. 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

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）：

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。

---

与上游对比

---

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"

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。

---