当 LLM 组建一家交易公司：TradingAgents 如何把华尔街分工搬进 GPU

场景开篇

想象你走进一家华尔街交易公司。前台挂着分析师的工牌，基本面分析师在左，情绪分析师在右，新闻分析师盯着彭博终端，技术分析师对着 K 线图。里间是研究员——多头和空头各一队，隔着桌子辩论。再往里走，交易员综合所有人意见下单，风控团队在旁边盯着波动率和流动性，最后投资组合经理拍板批准。

TauricResearch 的 TradingAgents 做的事情，就是把这套分工原封不动搬进 LLM。每个角色由一个 LLM agent 扮演，agent 之间通过结构化对话协作，最终输出一个交易决策。不是单个模型拍脑袋，而是一整支 LLM 团队在跑流程。

架构：交易公司的 LLM 版

TradingAgents 的核心设计是角色分工 + 辩论机制。框架分为四层：

分析师团队——四个 agent 各管一摊：

• 基本面分析师：读公司财报、业绩指标，找内在价值和红旗
• 情绪分析师：聚合新闻标题、StockTwits、Reddit 帖子，输出单一情绪读数
• 新闻分析师：监控全球新闻和宏观指标，解读事件对市场的影响
• 技术分析师：用 MACD、RSI 等指标检测交易形态

研究员团队——多头和空头各一个 agent，对分析师的洞察做批判性评估。通过结构化辩论，平衡潜在收益和风险。这一步是关键——不是直接下单，而是先吵一架。

交易员 agent——综合分析师报告和研究员辩论，决定交易时机和规模。

风控 + 投资组合经理——风控团队持续评估波动率、流动性等风险因素，调整策略，给出评估报告。投资组合经理批准或拒绝提案。批准后，订单发往模拟交易所执行。

这个架构最值得注意的地方：它不是让一个 LLM 做所有事，而是把交易决策分解为专业角色，让每个 agent 只做自己的部分。这和真实交易公司的组织结构同构——不是巧合，而是刻意设计。

论文背书：被引 267 次

TradingAgents 不是凭空造的框架，背后有学术论文支撑。论文 arXiv:2412.20138 发表于 2024 年 12 月，截至现在已被引用 267 次——在 AI for Finance 领域是相当扎实的引用量。

论文的核心贡献是证明了多 agent 辩论机制比单 agent 决策更稳定。多头和空头的研究员辩论不是表演，而是通过对抗性讨论暴露盲点。这和人类交易公司的投委会辩论逻辑一致——不是一个人想清楚所有事，而是不同视角碰撞后做决策。

工程化：从论文到开源框架

从 2026 年 1 月首次发布到现在，TradingAgents 已经迭代到 v0.3.1（2026 年 7 月）。迭代节奏相当密集：

• v0.2.0（2 月）：多 provider 支持，GPT-5.x、Gemini 3.x、Claude 4.x、Grok 4.x
• v0.2.3（3 月）：多语言支持、GPT-5.4 模型、回测日期保真
• v0.2.4（4 月）：结构化输出 agent、LangGraph checkpoint resume、持久化决策日志、Docker 支持
• v0.2.5（5 月）：grounded 情绪分析师、Qwen/GLM/MiniMax 双区域支持、Ollama 本地模型
• v0.3.0（6 月）：验证数据访问契约、扩展 provider 注册表（NVIDIA、Kimi、Groq、Mistral、Bedrock）、FRED 和 Polymarket 数据源
• v0.3.1（7 月）：Alpha Vantage 前瞻过滤、graph-router 崩溃安全、graph-shape-aware checkpoint resume、Claude Sonnet 5 / Fable 5 支持

从工程角度看，几个设计决策值得注意：

1. 多 provider 不绑死：支持 OpenAI、Anthropic、Google、xAI、DeepSeek、Qwen、GLM、Mistral、Groq、NVIDIA、Bedrock，以及任何 OpenAI 兼容端点。这意味着你可以用不同模型扮演不同角色——比如用 GPT-5.5 做基本面分析、用 Claude 4.6 做辩论、用本地 Ollama 做情绪分析。

2. LangGraph checkpoint resume：交易流程可能很长（分析师→研究员→交易员→风控），中途崩了不用从头来。checkpoint 机制让你能从断点恢复。

3. 前瞻过滤：回测时过滤掉未来信息，防止数据泄露导致虚高收益。这是量化回测的经典坑，v0.3.1 专门修了。

4. 结构化输出：Research Manager、Trader、Portfolio Manager 都用结构化输出，不是自由文本。这让下游 agent 能可靠解析上游输出。

类比：分工比统一更有效

TradingAgents 的架构让我想到一个反复出现的工程原则：分工比统一更有效。

• 章鱼的 DNA 预训练 + RNA 推理时计算——不同层面处理不同问题
• SOPHIA 的差流方向——不同状态用不同出口方向
• Euclid-MCP 的 LLM + Prolog——让 LLM 当诗人，让 Prolog 当会计
• Rebucca 的小模型 + 大模型复核——小模型初筛，大模型验证

TradingAgents 是这个原则在金融交易领域的实例：不追求一个 LLM 做所有事，而是让专业角色做专业事。基本面分析师不需要懂技术指标，技术分析师不需要读新闻——每个 agent 只管自己的领域，最后通过结构化对话整合。

这个设计还有一个隐含优势：可调试性。如果交易决策出了问题，你能定位到是哪个环节——是情绪分析师读错了 Reddit 情绪？还是多头研究员辩论不够充分？还是风控团队漏看了流动性风险？单 LLM 黑盒决策无法做到这种颗粒度的归因。

现实限制

TradingAgents 明确声明仅供研究用途，不是投资建议。交易表现取决于很多因素：骨干模型选择、温度参数、交易周期、数据质量，以及非确定性因素。框架目前连接的是模拟交易所，不是真实交易。

这个限制是合理的。LLM agent 在金融交易上的可靠性还没到能管理真金白银的程度。但作为研究框架，它提供了一个可复现、可调试、可对比的多 agent 交易实验平台。

数据

• GitHub: https://github.com/TauricResearch/TradingAgents
• 论文: https://arxiv.org/abs/2412.20138（被引 267 次）
• 最新版本: v0.3.1（2026-07）
• 支持 provider: OpenAI / Anthropic / Google / xAI / DeepSeek / Qwen / GLM / Mistral / Groq / NVIDIA / Bedrock / Ollama
• License: MIT

为什么值得关注

TradingAgents 把"多 agent 协作"这个抽象概念落到了一个具体领域——金融交易。它的价值不只是交易本身，而是示范了如何把人类组织的分工结构映射到 LLM agent 架构。分析师→研究员→交易员→风控→投资组合经理，这条链路和真实交易公司一一对应。

这种"组织结构同构"的设计思路，可以迁移到其他需要多角色协作的领域——医疗诊断（症状分析→鉴别诊断→治疗决策→风险审核）、法律分析（事实梳理→法条匹配→辩论→审核）、甚至代码审查（静态分析→安全审计→性能评估→架构审核）。

当 LLM agent 从"单兵作战"走向"团队协作"，TradingAgents 提供了一个值得研究的范本。