直接问大模型"某只股票该不该买"，通常只能得到一次性的回答。回答看起来完整，但分析过程可能缺少数据验证，结论也容易受到模型偏好和提示词的影响。 一个叫 TradingAgents 的开源框架想换个思路：把真实交易机构里的研究、讨论和风控流程，组织成一套可以由大模型协作完成的工作流。它在 GitHub 上已经获得超过 10.8 万 Star ，并且持续迭代。 一家公司被拆成几个角色 TradingAgents 基于 LangGraph 构建，把股票研究拆分为几类角色。基本面分析师、技术分析师、新闻分析师、情绪分析师各自处理数据，研究员团队会进一步审查这些分析。 之后交易员负责形成交易计划，风险管理团队评估波动率、流动性和组合风险，最后由组合经理审核交易方案。整个链条不是一次问答，而是一轮轮分工与复核。 决策日志与回测 这套框架支持决策日志和回测功能。系统可以记录过去的分析结果，并在后续运行时参考相同股票的历史决策和实际表现。 这一点和单次提问拉开了距离：分析不再是一次性的输出，而是可以被留存、被回溯、被后续运行调用的过程记录。 部署方面，项目支持多家模型服务商，包括 OpenAI、Google、Anthropic、DeepSeek、Qwen、GLM、Ollama 等，同时支持 Docker 部署。 数据源才是真正的门槛 TradingAgents 并不自带一套完全独立的行情数据库，很多数据依赖外部服务。项目能否顺利运行，除了取决于模型 API，也取决于行情、新闻和情绪数据源是否能够正常访问。 它更适合用来研究多智能体如何参与金融分析，也可以作为个人投资研究和量化实验的工具。想跑通它，先准备好模型接口，再准备好数据源。 特别