企业官网建设流程全解析

TradingAgents-CN 快速上手：从 clone 到跑通第一次个股分析

【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN

想让 AI 帮你跑完一次完整的个股分析——拉数据、算指标、看新闻、评风险，最少要几步？TradingAgents-CN 是一个基于多智能体 LLM（多个 AI 角色分工协作）的中文股票分析框架，把这条链路压缩成"输入代码 → 等报告"。按本文走一遍，从 clone 仓库到拿到第一份分析报告，顺利的话 10 分钟以内。

能力全景：一个"虚拟投研团队"，不是一个聊天框

它不是单模型问答工具，而是一条模拟真实投研流程的多智能体流水线。你给一个股票代码，内部的市场分析师、基本面分析师、新闻分析师各自取数干活——行情、财报、资讯分别来自 Tushare、AkShare、BaoStock 等数据源，最后由交易员和风控智能体汇总出结论。

和"问一句答一句"的单大模型工具比，差异有两点：一是数据是各分析师实时抓取的，不是模型凭记忆编的；二是研究员角色会先做多空辩论（bull 和 bear 两方各摆理由），再输出平衡后的观点，而不是直接给单边结论。A股、港股、美股代码都能进。

六步走通全链路：Docker 一条主线

推荐路径是 Docker 部署，环境隔离、一条命令起全套服务，5 分钟级别。先做个判断再往下读：

• 已装好 Docker 和 Docker Compose？→ 直接从第 2 步开始
• Windows 用户、完全不想碰终端？→ 走官方公众号渠道拿绿色版压缩包，解压后执行启动脚本，端口占用时按端口说明改配置
• 要改源码做定制？→ 看本节末尾的源码分支

第 1 步，拉仓库：

git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN

第 2 步，准备.env。至少配一个 LLM API 密钥（大模型调用凭证），阿里百炼、DeepSeek、Google AI、OpenAI 任选其一，写成DASHSCOPE_API_KEY=sk-...这样的键值对放进.env。密钥没配，后面所有分析都跑不动。

第 3 步，一键起容器：

docker-compose up -d

这条命令同时拉起后端（FastAPI，端口 8000）、前端（Vue 3，端口 3000）、MongoDB 和 Redis 四个服务，docker-compose logs -f可以盯着启动日志。

第 4 步，等健康检查通过（compose 里配了 30~60 秒的 start_period，耐心等），浏览器打开http://localhost:3000。

第 5 步，用默认账号admin/admin123登录，登录后第一件事是改密码。

第 6 步，分析前先同步股票数据——这是 README 里明确加粗的提醒：不先同步数据就开始分析，结果里的 PE、PB 等指标会带错误。在数据同步页把目标股票同步完成，然后进股票分析页输入代码即可。

想要更多分支细节（源码部署、密钥清单、各市场代码格式），查这份快速上手文档：docs/guides/INSTALLATION_QUICK_START.md。

源码分支（开发者专用）：本地起环境需要 Python 3.10+、MongoDB 4.4+、Redis 6.0+，建虚拟环境后pip install -r requirements.txt，再分别起后端和定时任务进程：

uvicorn app.main:app --reload python app/worker.py

跑通之后，下一步是用起来。

输入什么、得到什么：功能按操作视角拆解

所有功能都围绕一个动作：输入一个代码，得到一套可导出的研究材料。

单股分析。输入600519（A股）、00700.HK（港股）或AAPL（美股），勾选要参与的分析师、研究深度、LLM 模型，点开始。你得到的是分层的完整报告：基本面（PE、PB、ROE 等财务指标）、技术面（MACD、RSI、布林带信号）、新闻面（资讯情绪）、风险评估，支持导出 Markdown/Word/PDF。

多空辩论。这是研究员角色的核心戏份：系统为同一只股票生成看涨和看跌两套论据，让两个立场互相反驳，最后给出折中判断。看报告时重点读"辩论记录"部分，能看到模型推理过程的完整链路，而不只是结论。

风险评估。风控智能体按不同风险偏好输出风险等级和应对建议。同一只股票，激进型和稳健型配置下给出的操作建议会不一样，你可以根据自己的仓位承受力对照着看。

交易决策。交易员智能体汇总前面所有分析师的输出，给出最终交易建议（方向、理由、依据）。注意这只是研究结论，不是下单指令。

批量与筛选。一次提交多只股票并行分析；按市盈率低于行业均值、ROE 高于 15% 等多维条件筛选排序；个股加进自选股分组持续跟踪。另有模拟交易环境，用来验证策略表现——虚拟资金，不碰真实账户。

踩坑速查：现象 → 原因 → 解法

遇到问题别从头排查，先对号入座。🔧

拓展与边界：能改什么、不能做什么

先说边界：TradingAgents-CN 定位为学习与研究工具，所有分析结果仅供参考，不提供实盘交易指令；另外app/（FastAPI 后端）和frontend/（Vue 前端）目录属专有组件，商业使用需单独取得授权，个人学习研究可自由使用。

能改的部分：

• 数据源：实现DataProvider接口挂接私有或第三方数据，改完注册进统一数据管理器即可被各分析师调用，接口层在 tradingagents/dataflows/
• 报告与提示词：分析模板、报告样式、智能体提示词均可按自己的研究风格调整
• 模型参数：换 LLM 供应商、调模型选择权重、自定义风险评分逻辑

日常维护只有两件事：定期备份 MongoDB 数据卷（tradingagents_mongodb_data），以及盯着日志目录看异常（compose 已把./logs映射到宿主机）。升级流程固定四步：备份当前数据和配置 → 读对应版本的升级指南 → 按步骤执行 → 升级后跑一只股票验证功能，别跳验证直接上生产用法。

收束

现在就去 clone 仓库、配一个 API 密钥、docker-compose up -d，先把第一份个股分析报告跑出来——跑通之后，批量筛选和模拟验证都是顺手的事。再次提醒：它是研究工具不是交易终端，AI 的预测有不确定性，任何决策请自己把关。

【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN