开源项目_金融分析工具TradingAgents
TradingAgents 是一个由 加州大学洛杉矶分校 和 麻省理工学院 联合开发的 多智能体金融交易框架 ，旨在通过 大型语言模型 （LLM）驱动的多个专业化智能体协作完成金融交易决策。
1 源码分析
标准版：https://github.com/TauricResearch/TradingAgents，18.2K star（2 个月前更新）
为简化内容，本文仅介绍标准版。
中文加强版：https://github.com/hsliuping/TradingAgents-CN，4.7K star（一周前更新）
针对 A 股信息源进行调整
加强了新闻功能的使用
加强了 Docker 部署部分
Streamlit 界面
基于国内模型优化
1.1 数据来源
用法见：获取金融数据_总览
1.2 模型
实验中使用 o1-preview 和 gpt-4o 分别作为深度思考与快速思考的大语言模型。但测试时建议使用 o4-mini 和 gpt-4.1-mini 以节省成本，框架会发起大量 API 调用。
1.3 代码
概览：该项目由 Python 语言编写，代码 3500+ 行，分为三个主要部分：
agent：定义了每个组和组内各成员的功能及实现，请参见具体 Prompt。
dataflow：实现各种工具功能，如新闻抓取、信息和数据采集，以及指标计算。
graph：构建组与成员之间的关系框架，是系统的调用入口，包含以下组件：
ConditionalLogic：处理条件逻辑
GraphSetup：设置和配置图结构
Propagator：管理信息传播和状态
Reflector：负责反思机制和记忆更新
SignalProcessor：处理交易信号并生成最终决策
TradingAgentsGraph：核心功能入口
├── assets 资源数据│ └── cli├── cli 与用户界面交互，实时跟踪各个 agent 的状态和执行流│ └── static└── tradingagents（下面详述） ├── agents │ ├── analysts │ ├── managers │ ├── researchers │ ├── risk_mgmt │ ├── trader │ └── utils ├── dataflows使用的库接口都非常简便，极为用户友好，无需在细节上浪费过多时间，用起来轻松愉快。
新闻来源包括：FinnHub、Google 新闻、Reddit，也尝试通过 OpenAI 获取新闻信息。处理方式是：将计算的指标和收集的信息提交给大模型，由其筛选出最重要的 topN 个指标并进行解释，最后提供建议。
指标计算使用了 Python 的 StockStats 库。
记忆存储使用 ChromaDB 管理，在思考过程中每个代理都会记录，并进行嵌入。
接口大多与美股相关。尽管使用了 FinnHub 数据，但只是读取了之前下载的数据文件，没有真正从 FinnHub、SimFin 下载数据。调用 yfinance 库时频繁出现 429 错误，不过 GoogleNews_Utils 库依旧可用。实际使用时还需要修改。
2 依赖工具介绍
2.1 ChromaDB
ChromaDB （通常称为 Chroma ）是一个开源的向量数据库，专注于存储、索引和查询向量数据，主要用于自然语言处理（NLP）和计算机视觉等领域。它提供轻量化数据存储方案，支持多模态嵌入检索，并可与大型语言模型（如 Llama3 ）结合使用，实现精准文档查询。
基于 SQLite 数据库，无需复杂配置即可运行，适合中小型项目。
ChromaDB 支持这两种模式：
2.1.1 客户端 - 服务器模式（多客户端共享）
可以启动一个 ChromaDB 服务器，多个客户端连接：
启动 ChromaDB 服务器
chroma run --host localhost --port 8000客户端连接到服务器
2.1.2 嵌入式模式（单客户端，类似 SQLite）
就像当前代码中使用的方式，直接创建本地客户端：
当前代码使用的方式 - 嵌入式模式
client = chromadb.Client(Settings(allow_reset=True))或者指定持久化路径
client = chromadb.PersistentClient(path="/path/to/chroma/data")2.2 LangGraph
LangGraph 是一种基于 LangChain 构建的智能体编排框架，通过状态机驱动，将 Agent 系统设计为有向图流程图。