复刻一家交易公司的多智能体分工，四路分析师辩论到风控终审。架构思路值得拆开学，回测收益不是实盘，别拿真钱。
UCLA 和 MIT 团队的论文项目（arXiv 2412.20138，AAAI 2025），v0.5.2 仍在活跃更新。它把一家交易公司的完整分工搬进了多智能体流水线：基本面、情绪、新闻、技术四路分析师并行开工，多空研究员先辩一轮，交易员据此下单，三种风格的风控再辩一轮，最后基金经理终审。
单模型问「该不该买」，答案看运气；把决策拆成互相制衡的角色链，结论至少经过了对抗和复核。这套编排思路是它真正的资产——任何需要多方制衡决策的场景，都能把这套架构拆走改用。
02仓库健康度
学术项目常见的命运是论文一发仓库就凉，它反着来——发完论文还在认真做版本号，这在同类里不多见。
03决策流水线
- 四路分析师并行：基本面、情绪、新闻、技术各出各的报告，互不干扰
- 辩论机制：多空研究员正反对抗，结论是辩出来的不是问出来的
- 风控终审制：交易员决策后，三种风格的风控再复核一轮，基金经理拍板
- 模型无关全本地：OpenAI/Claude/Gemini/DeepSeek 随意换，接 Ollama 数据不出本机
04同类对比
市面上挂「AI 炒股」名号的项目，多数是一个模型套个行情接口，吐一个买卖信号完事。信号从哪来、有没有人反对，你看不到。
TradingAgents 的差异全在过程里：观点要经过辩论、下单要过风控、终审还有一道关。说句实在的，对开发者来说价值不在它给的信号，而在这套「多方制衡」的编排写法——这才是能搬走的东西。
05亮点
- AAAI 2025 背书：有同行评审的论文工作，不是套壳营销项目
- 辩论机制可迁移：任何需要多方制衡决策的场景——内容审核、风控评审、方案比选——都能套这套架构
- 模型无关：商业模型和本地模型随插随换，DeepSeek、Ollama 都在支持列表里
06谁在生产用它
量化研究岗拿它跑研究流程，金融方向的学生拿它当多智能体的活教材，AI 工程师拆它的辩论编排用到别的业务里。
说句实在的：把它当「印钞机」的人用错了对象——它是研究框架，不是交易系统；把它当「多智能体架构参考实现」的人，才拿走了真金白银之外最值钱的部分。
07快速上手
前置：Python 环境，一个模型 API key（或本地跑 Ollama）。
$ git clone https://github.com/TauricResearch/TradingAgents $ cd TradingAgents $ pip install -r requirements.txt # 配好模型（OpenAI/Claude/Gemini/DeepSeek，或接 Ollama 全本地） # 指定标的，跑一轮「分析师→辩论→交易→风控→终审」完整流程
建议先用本地模型跑通流水线看过程，再考虑换商业模型比质量。
年化 30.5% 是回测数字，不是实盘——回测不会告诉你滑点和流动性是什么。官方明言仅供研究用途（research purposes），非投资建议。市场覆盖以美股为主，其他市场没有承诺。说到底：真金白银别碰，这条线踩了没有技术补救。
09适合谁
想学多智能体编排的 AI 工程师（辩论机制是重点）；金融方向的研究者和学生；用本地模型做量化研究的团队。
想拿信号直接实盘的（官方定位研究用途）；期待覆盖 A 股或加密市场的（以美股为主）。