企业官网建设流程全解析

一个LangGraph实战案例：TradingAgents-Astock 12阶段分析流水线的完整代码拆解

【免费下载链接】TradingAgents-astockA股多Agent投研框架 — 适配A股数据源(龙虎榜/游资/解禁等)，7位分析师基于A股规则的辩论决策，基于TradingAgents深度改造，适配大A。A-share multi-agent investment research framework — 7 AI analysts, bull/bear debate, risk assessment。项目地址: https://gitcode.com/gh_mirrors/tr/TradingAgents-astock

TradingAgents-Astock 是一个基于 LangGraph 构建的 A股多Agent投研框架：7 位 AI 分析师分工采集数据，再经质量门控、多空辩论、风控辩论，最终由组合经理输出买卖决策。本文不堆代码，带你看清这条12 阶段分析流水线在 tradingagents/graph/ 目录下的完整实现思路，是学习 LangGraph 状态图、条件边和 ToolNode 的绝佳实战样本。

一、全景：12 个阶段如何串成流水线 📊

Web 端把整条流程显式定义为 12 个阶段，源码见 web/progress.py：

上图就是整条流水线的拓扑：左侧数据源喂给分析师团队，中间 Bullish / Bearish 辩论，右侧风控小组把关，最后落到 Execution。

二、建图：setup.py 里节点与边的装配方式

核心逻辑在 tradingagents/graph/setup.py 的GraphSetup.setup_graph()。它用 LangGraph 的StateGraph(AgentState)做三件事：

1. 注册节点：每位分析师注册三个节点——分析节点（如"Market Analyst"）、消息清理节点（Msg Clear Market）、工具节点（tools_market）。
2. 串接顺序边：START → 第一位分析师，分析师之间顺序传递，最后一位分析师的清理节点接Quality Gate。
3. 编织条件边：分析师 → 工具节点 → 分析师自身形成回环，辩论与风控阶段则是多向条件跳转，最后Portfolio Manager → END。

每个分析师节点背后配一个专属ToolNode，工具清单在 tradingagents/graph/trading_graph.py 的_create_tool_nodes()中定义。以游资追踪师为例，它拥有龙虎榜、北向资金、资金流向、概念板块等 9 个 A 股特色工具——这是该框架适配「大 A」规则的关键。

CLI 运行时可以在左侧面板实时看到 12 个阶段的推进状态，右侧是消息与工具调用日志：

三、条件分支：conditional_logic.py 只有 3 类判断

整条流水线的「转向」全部由 tradingagents/graph/conditional_logic.py 一个类完成，逻辑极简：

工具调用回环（7 个分析师通用）：看最后一条消息有没有tool_calls——有，就去tools_xxx节点执行工具，然后回到分析师节点继续推理；没有，说明报告写完了，进清理节点。这就是 LangGraph 中 ReAct 循环的标准写法。

辩论轮数控制：should_continue_debate()检查investment_debate_state["count"] >= 2 * max_debate_rounds，达到轮数上限就交给 Research Manager 裁决，否则按「当前是谁在说」交替路由 Bull / Bear。

风控轮转：should_continue_risk_analysis()让激进 → 保守 → 中性三方循环发言，满3 * max_risk_discuss_rounds轮后进入 Portfolio Manager。

四、质量门控：代码硬检查 + LLM 复审的双层设计

tradingagents/agents/quality_gate.py 是 7 份报告进入辩论前的「质检站」，两层结构很值得借鉴：

• 第一层硬检查（纯代码）：空报告直接 F；少于 200 字给 D；报告里出现「无法获取」「工具调用失败」等失败标记占比过高给 D；缺少汇总表格或含「[数据缺失]」标记降为 B / C。
• 第二层 LLM 复审：只有硬检查失败数少于 4 时才调用大模型，让「数据质量审核员」逐份打分并给出 A-F 评级和数据可信度结论；结果写入 state 的data_quality_summary，供后续辩论阶段引用——低质量报告会明确提示「谨慎使用」。

这种「确定性检查兜底 + LLM 精评」的分层模式，比单纯让大模型自评更稳定、更省 token。

五、执行与断点续跑：trading_graph.py 的三段式生命周期

入口类 TradingAgentsGraph 把一次运行拆成三个清晰的方法：

亮点是断点续跑：开启checkpoint_enabled后，图会用 SqliteSaver 重新编译，中断后再次运行同一标的和日期，会从最后一个成功节点继续，而不是从头烧一遍 token。

风控辩论阶段则是三方观点交锋，最终由组合经理统一裁决：

六、如何跑起来体验这条流水线 🚀

不想啃代码的话，克隆仓库后启动内置 Web UI 即可：

git clone https://gitcode.com/gh_mirrors/tr/TradingAgents-astock tradingagents-web

打开http://localhost:8501，在侧边栏选 LLM 供应商，输入 6 位 A 股代码和分析日期，点击开始分析，就能实时观看 12 个阶段逐个点亮：

总结

TradingAgents-Astock 证明了 LangGraph 的一个核心范式：把复杂业务拆成无状态节点，用共享 State 传递数据，用条件边控制流转。如果你想复刻自己的多Agent工作流，建议按这个顺序读源码：setup.py 看建图 → conditional_logic.py 看分支 → quality_gate.py 看节点设计 → trading_graph.py 看生命周期管理。四份文件读完，一条生产级 LangGraph 流水线的完整骨架就装进你脑子里了。

【免费下载链接】TradingAgents-astockA股多Agent投研框架 — 适配A股数据源(龙虎榜/游资/解禁等)，7位分析师基于A股规则的辩论决策，基于TradingAgents深度改造，适配大A。A-share multi-agent investment research framework — 7 AI analysts, bull/bear debate, risk assessment。项目地址: https://gitcode.com/gh_mirrors/tr/TradingAgents-astock