TradingAgents-Astock：把多 Agent 投研辩论改造成 A 股形状
A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。
秒懂
- 它是什么？
- TradingAgents-Astock 是 TradingAgents 的 A 股特化 fork，新增政策、游资、解禁三位分析师，并把交易约束换成 T+1、涨跌停和手数。本文拆解它的架构、数据源取舍和上手成本。
- 适合谁用？
- 适合做 A 股投研实验、教学演示，或者想研究多 Agent 辩论如何适配本地市场规则的研究者。它把上游的 4 个分析师扩到 7 个，把美股规则换成 T+1、涨跌停、手数和 ST 覆盖，数据源全部免费直连，这点对个人开发者很友好。
- 能商用吗？
- 可以。Apache-2.0 是宽松许可证：你可以使用、修改并销售基于它的软件，只需保留版权和许可证声明。
- 还在维护吗？
- 在维护。仓库最近一次提交在 11 天前。
- 用什么语言写的？
- 主要是 Python（依据 GitHub 的语言统计）。
以上回答依据项目的 GitHub 数据（最近同步于 2026年9月15日）和我们的分析，不构成法律意见。
开源项目深度解析
一个为 A 股重写的 TradingAgents
TradingAgents 原本是美股的多 Agent 投研框架，数据走 Yahoo Finance 和 Alpha Vantage，分析师只懂美股规则，辩论和决策也都围绕美股展开。TradingAgents-Astock 把这个框架拆开，从数据层、角色定义到交易约束都换成 A 股版本。它保留了上游的辩论架构，但新增了三个上游没有的角色：政策分析师、游资追踪师、解禁监控师。作者的判断很直接：A 股是政策市，游资是短线定价核心，解禁是特有的供给冲击，这三个因素在美股框架里完全不存在。这个 fork 不是翻译，是重新适配。
7 位分析师如何分工
上游 TradingAgents 有 4 个分析师角色：市场、舆情、新闻、基本面。TradingAgents-Astock 保留了这 4 个，并针对 A 股加了 3 个。政策分析师负责监管政策、产业政策和窗口指导，用的是新闻和全球新闻工具。游资追踪师盯龙虎榜、大单流向和主力资金，用的是行情数据加内部人交易数据。解禁监控师看限售股解禁、大股东减持和股权质押，工具组合是内部人交易、新闻和基本面。每个分析师都带着工具循环，不是只读静态数据。这 7 份报告会流入后面的多空辩论和风险辩论，确保 A 股特色因素贯穿整条决策链。
双 LLM 设计与辩论流程
框架用两个 LLM 分工。quick_think_llm 负责所有分析师、研究员、交易员和风险辩论者，这些角色需要快速响应。deep_think_llm 只给 Research Manager 和 Portfolio Manager 用，因为他们要综合全局信息做最终判断。流程是：7 位分析师先出报告，然后多空研究员辩论，最多 N 轮，接着 Research Manager 输出投资计划，Trader 按 A 股约束生成交易方案，最后 Aggressive、Conservative、Neutral 三方做风险辩论，Portfolio Manager 给出评级和理由。这个分层在 README 的架构图里写得很清楚。
免费数据源与东财防封策略
数据源全部免费，不需要 API Key。mootdx 走 TCP 7709 提供 K 线和财务快照，腾讯财经提供实时 PE、PB、市值，东方财富提供龙虎榜、解禁、板块行情，新浪提供历史 K 线和财报，同花顺提供 EPS 一致预期，财联社提供全球快讯，百度股市通提供概念板块和资金流向。作者特意避开了 Tushare 的积分墙和 Yahoo Finance 对 A 股的支持不足。东财接口有风控，实测每秒超过 5 次请求、并发超过 10、一分钟超过 200 次就会封 IP。所以所有东财请求都走内置的 _em_get() 入口，默认间隔至少 1 秒，加 0.1 到 0.5 秒随机抖动，并复用 Keep-Alive 会话。批量场景可以设置环境变量 EM_MIN_INTERVAL=1.5 到 2 进一步降速。其他数据源不受限流影响。
安装与配置：一条命令起步
安装很简单，Python 3.10 以上，克隆仓库后 pip install -e . 即可，不需要 Docker。装完可以直接跑 streamlit run web/app.py 启动 Web UI，或者用 tradingagents 命令走 CLI。配置 LLM 需要创建 .env 文件，支持 MiniMax、DeepSeek、智谱 GLM、通义千问 Qwen、OpenAI 等供应商。README 推荐 MiniMax，理由是国内直连、性价比高。每次分析要 30 到 50 次 LLM 调用，这是成本的关键。如果你有 Claude Pro 或 Max 订阅，可以装 [agentsdk] extra，让部分或全部节点走 Claude Agent SDK，用订阅额度而不是 API 计费。这个选项在 v0.4.0 加入，对个人用户能省不少钱。
输出语言与内部推理的取舍
最终报告是中文，但内部辩论保持英文。README 的解释是英文能保证推理质量。这是个刻意的选择，但也意味着如果你想调试或理解辩论过程，得读英文。对中文用户来说，最终输出友好，但中间过程有语言门槛。另外，报告基准从 SPY 换成了沪深 300，这对 A 股用户更有意义。不过 README 没有提供任何回测数据或实际分析案例，所以辩论质量到底如何，只能靠你自己跑一遍看效果。
维护状态与上游差异
项目最近一次推送是 2026 年 9 月，v0.5.17 版本加入了 Web UI 记住 LLM 配置的功能，v0.5.15 支持 role_llms 按角色配置 api_key。这说明作者还在活跃维护。许可证是 Apache 2.0，和上游一致，改动记录有专门的 CHANGES_FROM_UPSTREAM.md 文件。但要注意，README 里也写了作者在找工作，这可能影响长期维护的持续性。另外，项目明确声明是论文框架的工程实现，面向研究与教学，不构成投资建议。如果你在生产环境用它做自动交易，风险自担。
局限性与适用边界
最明显的限制是 LLM 调用次数。每次分析 30 到 50 次调用，即使有订阅额度方案，规模化使用也会遇到速率限制或成本问题。东财防封是另一个约束，虽然做了限流，但如果你需要批量分析很多股票，速度会明显下降。数据源免费是优点，但免费接口的稳定性和数据完整性没有保证。还有一点，项目只支持 A 股，如果你需要港美股或加密货币，它完全不适合。上游 TradingAgents 本身就是替代方案，但它的数据源和分析师都不懂 A 股。另一个思路是直接用 Tushare 这类专业数据服务，自己搭 Agent 流程，但那样要处理积分墙和更多工程工作。
编辑结论
适合做 A 股投研实验、教学演示，或者想研究多 Agent 辩论如何适配本地市场规则的研究者。它把上游的 4 个分析师扩到 7 个，把美股规则换成 T+1、涨跌停、手数和 ST 覆盖，数据源全部免费直连，这点对个人开发者很友好。但如果你指望它直接产生可交易的信号，或者你没有稳定的 LLM API 预算，那它不适合你。每次分析要 30 到 50 次 LLM 调用，成本得先算清楚。部署前先确认三件事：你选的模型供应商是否国内直连，东财接口在批量场景下是否需要调大 EM_MIN_INTERVAL，以及你是否接受内部辩论用英文、最终报告用中文这种混合输出。这个项目明确声明不构成投资建议，把它当研究工具而不是交易机器人，边界就清楚了。
社区笔记