能力标签

🤖 Agent 🔄 工作流 🌐 翻译 🐳 Docker 💻 CLI 🔗 REST API 🧠 Claude ✨ GPT 🖥 本地 LLM ⛓ LangChain

⚙️

Agent工作流

A股多Agent投研框架

基于 Python · 无代码搭建完整 AI 自动化流程

英文名：TradingAgents-astock

⭐ 949 Stars 🍴 290 Forks 💻 Python 📄 Apache-2.0 🏷 AI 8.0分

8.0AI 综合评分

AI股票投研

⬇ 下载源码 ZIP ⚙️ 配置说明

✦ AI Skill Hub 推荐

AI Skill Hub 强烈推荐：A股多Agent投研框架是一款优质的Agent工作流。AI 综合评分 8.0 分，在同类工具中表现稳健。如果你正在寻找可靠的Agent工作流解决方案，这是一个值得深入了解的选择。

📚 深度解析

A股多Agent投研框架是一套完整的 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。

A股多Agent投研框架工作流的设计遵循"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

A股多Agent投研框架是一套完整的 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

⭐ 949

开发语言

Python

支持平台

Windows / macOS / Linux

维护状态

正常维护，社区驱动

开源协议

Apache-2.0

AI 综合评分

8.0 分

工具类型

Agent工作流

Forks

290

📖 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-astock

# 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-astock

# 方式三：从源码安装（获取最新功能）
git clone https://github.com/simonlin1212/TradingAgents-astock
cd TradingAgents-astock
pip install -e .

# 验证安装
python -c "import tradingagents_astock; 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-astock --help

# 基本用法
tradingagents-astock input_file -o output_file

# Python 代码中调用
import tradingagents_astock

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

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

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

📑 README 深度解析真实文档完整度 86/100 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。

简介

TradingAgents-Astock

基于 <a href="https://github.com/TauricResearch/TradingAgents">TauricResearch/TradingAgents</a>（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

⚠️ 免责声明：本项目仅供学习研究与技术演示，不构成任何投资建议。投资决策请咨询持牌专业机构。

---

功能

模型自选：侧边栏支持 9 个 LLM 供应商切换（MiniMax/DeepSeek/Qwen/GLM/OpenAI/Anthropic/Google/xAI/Ollama）
一键分析：输入 6 位 A 股代码 + 日期，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

快速开始

1. 环境准备

```bash

如需使用 Google Gemini 模型（可选）：

pip install -e ".[google]" ```

3. 运行分析

根据你选择的供应商修改 config：

```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

---

2. 配置 LLM

必须使用 API Key，不能用 Claude/ChatGPT 订阅版。每次分析需 30-50 次 LLM 调用，只有 API 模式支持。

在项目根目录创建 .env 文件，按你选择的供应商配置：

```bash

config = {

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

---

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

ANTHROPIC_AUTH_TOKEN=your-kimi-token ```

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

4. CLI 方式

tradingagents            # 交互式 CLI
tradingagents --help     # 查看所有选项

---

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

---

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。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: 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>=2.8.0"。实在不行可改用「下载 Markdown」导出（零依赖，永远可用）。

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: 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。

---

🎯 aiskill88 AI 点评 A 级 2026-06-03

高质量的AI工作流，适配A股数据源