[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-TauricResearch--TradingAgents":3,"similar-TauricResearch--TradingAgents":118},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":9,"readme_en":10,"readme_zh":11,"quickstart_zh":12,"use_case_zh":13,"hero_image_url":14,"owner_login":15,"owner_name":16,"owner_avatar_url":17,"owner_bio":18,"owner_company":19,"owner_location":19,"owner_email":19,"owner_twitter":15,"owner_website":19,"owner_url":20,"languages":21,"stars":30,"forks":31,"last_commit_at":32,"license":33,"difficulty_score":34,"env_os":35,"env_gpu":36,"env_ram":37,"env_deps":38,"category_tags":48,"github_topics":52,"view_count":34,"oss_zip_url":19,"oss_zip_packed_at":19,"status":58,"created_at":59,"updated_at":60,"faqs":61,"releases":97},5260,"TauricResearch\u002FTradingAgents","TradingAgents","TradingAgents: Multi-Agents LLM Financial Trading Framework","TradingAgents 是一个基于大语言模型（LLM）的多智能体金融交易框架，旨在模拟真实世界中专业交易公司的运作模式。它通过部署多个具备不同专长的 AI 智能体——如基本面分析师、情绪分析专家和量化研究员等，让它们像人类团队一样协作、辩论并最终生成交易决策，从而将复杂的金融分析过程自动化。\n\n这一工具主要解决了传统量化策略开发门槛高、单一模型难以全面捕捉市场动态以及缺乏可解释性等问题。通过多智能体协作机制，TradingAgents 能够整合多维度的市场信息，提供更稳健且逻辑透明的交易建议，同时支持灵活的回测与策略迭代。\n\nTradingAgents 非常适合金融科技研究人员、量化开发者以及对 AI 驱动交易策略感兴趣的高级用户。对于希望探索大模型在金融领域落地应用的团队，它提供了一个模块化、可扩展的实验平台。\n\n其技术亮点在于独特的“多智能体协作”架构，不仅支持 GPT-5.x、Gemini、Claude 等多种主流大模型的接入与对比，还引入了类似真实投研团队的讨论与评级机制。此外，项目持续更新，已具备多语言支持、高保真回测及跨平台稳定性，让构建复杂的算法交易策略变得更加直观和","TradingAgents 是一个基于大语言模型（LLM）的多智能体金融交易框架，旨在模拟真实世界中专业交易公司的运作模式。它通过部署多个具备不同专长的 AI 智能体——如基本面分析师、情绪分析专家和量化研究员等，让它们像人类团队一样协作、辩论并最终生成交易决策，从而将复杂的金融分析过程自动化。\n\n这一工具主要解决了传统量化策略开发门槛高、单一模型难以全面捕捉市场动态以及缺乏可解释性等问题。通过多智能体协作机制，TradingAgents 能够整合多维度的市场信息，提供更稳健且逻辑透明的交易建议，同时支持灵活的回测与策略迭代。\n\nTradingAgents 非常适合金融科技研究人员、量化开发者以及对 AI 驱动交易策略感兴趣的高级用户。对于希望探索大模型在金融领域落地应用的团队，它提供了一个模块化、可扩展的实验平台。\n\n其技术亮点在于独特的“多智能体协作”架构，不仅支持 GPT-5.x、Gemini、Claude 等多种主流大模型的接入与对比，还引入了类似真实投研团队的讨论与评级机制。此外，项目持续更新，已具备多语言支持、高保真回测及跨平台稳定性，让构建复杂的算法交易策略变得更加直观和高效。","\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTauricResearch_TradingAgents_readme_fc1788d11571.png\" style=\"width: 60%; height: auto;\">\n\u003C\u002Fp>\n\n\u003Cdiv align=\"center\" style=\"line-height: 1;\">\n  \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2412.20138\" target=\"_blank\">\u003Cimg alt=\"arXiv\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv-2412.20138-B31B1B?logo=arxiv\"\u002F>\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fdiscord.com\u002Finvite\u002Fhk9PGKShPK\" target=\"_blank\">\u003Cimg alt=\"Discord\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDiscord-TradingResearch-7289da?logo=discord&logoColor=white&color=7289da\"\u002F>\u003C\u002Fa>\n  \u003Ca href=\".\u002Fassets\u002Fwechat.png\" target=\"_blank\">\u003Cimg alt=\"WeChat\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FWeChat-TauricResearch-brightgreen?logo=wechat&logoColor=white\"\u002F>\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fx.com\u002FTauricResearch\" target=\"_blank\">\u003Cimg alt=\"X Follow\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FX-TauricResearch-white?logo=x&logoColor=white\"\u002F>\u003C\u002Fa>\n  \u003Cbr>\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTauricResearch\u002F\" target=\"_blank\">\u003Cimg alt=\"Community\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FJoin_GitHub_Community-TauricResearch-14C290?logo=discourse\"\u002F>\u003C\u002Fa>\n\u003C\u002Fdiv>\n\n\u003Cdiv align=\"center\">\n  \u003C!-- Keep these links. Translations will automatically update with the README. -->\n  \u003Ca href=\"https:\u002F\u002Fwww.readme-i18n.com\u002FTauricResearch\u002FTradingAgents?lang=de\">Deutsch\u003C\u002Fa> | \n  \u003Ca href=\"https:\u002F\u002Fwww.readme-i18n.com\u002FTauricResearch\u002FTradingAgents?lang=es\">Español\u003C\u002Fa> | \n  \u003Ca href=\"https:\u002F\u002Fwww.readme-i18n.com\u002FTauricResearch\u002FTradingAgents?lang=fr\">français\u003C\u002Fa> | \n  \u003Ca href=\"https:\u002F\u002Fwww.readme-i18n.com\u002FTauricResearch\u002FTradingAgents?lang=ja\">日本語\u003C\u002Fa> | \n  \u003Ca href=\"https:\u002F\u002Fwww.readme-i18n.com\u002FTauricResearch\u002FTradingAgents?lang=ko\">한국어\u003C\u002Fa> | \n  \u003Ca href=\"https:\u002F\u002Fwww.readme-i18n.com\u002FTauricResearch\u002FTradingAgents?lang=pt\">Português\u003C\u002Fa> | \n  \u003Ca href=\"https:\u002F\u002Fwww.readme-i18n.com\u002FTauricResearch\u002FTradingAgents?lang=ru\">Русский\u003C\u002Fa> | \n  \u003Ca href=\"https:\u002F\u002Fwww.readme-i18n.com\u002FTauricResearch\u002FTradingAgents?lang=zh\">中文\u003C\u002Fa>\n\u003C\u002Fdiv>\n\n---\n\n# TradingAgents: Multi-Agents LLM Financial Trading Framework\n\n## News\n- [2026-03] **TradingAgents v0.2.3** released with multi-language support, GPT-5.4 family models, unified model catalog, backtesting date fidelity, and proxy support.\n- [2026-03] **TradingAgents v0.2.2** released with GPT-5.4\u002FGemini 3.1\u002FClaude 4.6 model coverage, five-tier rating scale, OpenAI Responses API, Anthropic effort control, and cross-platform stability.\n- [2026-02] **TradingAgents v0.2.0** released with multi-provider LLM support (GPT-5.x, Gemini 3.x, Claude 4.x, Grok 4.x) and improved system architecture.\n- [2026-01] **Trading-R1** [Technical Report](https:\u002F\u002Farxiv.org\u002Fabs\u002F2509.11420) released, with [Terminal](https:\u002F\u002Fgithub.com\u002FTauricResearch\u002FTrading-R1) expected to land soon.\n\n\u003Cdiv align=\"center\">\n\u003Ca href=\"https:\u002F\u002Fwww.star-history.com\u002F#TauricResearch\u002FTradingAgents&Date\">\n \u003Cpicture>\n   \u003Csource media=\"(prefers-color-scheme: dark)\" srcset=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTauricResearch_TradingAgents_readme_271e698fba72.png&theme=dark\" \u002F>\n   \u003Csource media=\"(prefers-color-scheme: light)\" srcset=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTauricResearch_TradingAgents_readme_271e698fba72.png\" \u002F>\n   \u003Cimg alt=\"TradingAgents Star History\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTauricResearch_TradingAgents_readme_271e698fba72.png\" style=\"width: 80%; height: auto;\" \u002F>\n \u003C\u002Fpicture>\n\u003C\u002Fa>\n\u003C\u002Fdiv>\n\n> 🎉 **TradingAgents** officially released! We have received numerous inquiries about the work, and we would like to express our thanks for the enthusiasm in our community.\n>\n> So we decided to fully open-source the framework. Looking forward to building impactful projects with you!\n\n\u003Cdiv align=\"center\">\n\n🚀 [TradingAgents](#tradingagents-framework) | ⚡ [Installation & CLI](#installation-and-cli) | 🎬 [Demo](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=90gr5lwjIho) | 📦 [Package Usage](#tradingagents-package) | 🤝 [Contributing](#contributing) | 📄 [Citation](#citation)\n\n\u003C\u002Fdiv>\n\n## TradingAgents Framework\n\nTradingAgents is a multi-agent trading framework that mirrors the dynamics of real-world trading firms. By deploying specialized LLM-powered agents: from fundamental analysts, sentiment experts, and technical analysts, to trader, risk management team, the platform collaboratively evaluates market conditions and informs trading decisions. Moreover, these agents engage in dynamic discussions to pinpoint the optimal strategy.\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTauricResearch_TradingAgents_readme_b1d6a9e2d0d3.png\" style=\"width: 100%; height: auto;\">\n\u003C\u002Fp>\n\n> TradingAgents framework is designed for research purposes. Trading performance may vary based on many factors, including the chosen backbone language models, model temperature, trading periods, the quality of data, and other non-deterministic factors. [It is not intended as financial, investment, or trading advice.](https:\u002F\u002Ftauric.ai\u002Fdisclaimer\u002F)\n\nOur framework decomposes complex trading tasks into specialized roles. This ensures the system achieves a robust, scalable approach to market analysis and decision-making.\n\n### Analyst Team\n- Fundamentals Analyst: Evaluates company financials and performance metrics, identifying intrinsic values and potential red flags.\n- Sentiment Analyst: Analyzes social media and public sentiment using sentiment scoring algorithms to gauge short-term market mood.\n- News Analyst: Monitors global news and macroeconomic indicators, interpreting the impact of events on market conditions.\n- Technical Analyst: Utilizes technical indicators (like MACD and RSI) to detect trading patterns and forecast price movements.\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTauricResearch_TradingAgents_readme_93096fff6ed7.png\" width=\"100%\" style=\"display: inline-block; margin: 0 2%;\">\n\u003C\u002Fp>\n\n### Researcher Team\n- Comprises both bullish and bearish researchers who critically assess the insights provided by the Analyst Team. Through structured debates, they balance potential gains against inherent risks.\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTauricResearch_TradingAgents_readme_40cf4d70ed8f.png\" width=\"70%\" style=\"display: inline-block; margin: 0 2%;\">\n\u003C\u002Fp>\n\n### Trader Agent\n- Composes reports from the analysts and researchers to make informed trading decisions. It determines the timing and magnitude of trades based on comprehensive market insights.\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTauricResearch_TradingAgents_readme_f07a05b4be1c.png\" width=\"70%\" style=\"display: inline-block; margin: 0 2%;\">\n\u003C\u002Fp>\n\n### Risk Management and Portfolio Manager\n- Continuously evaluates portfolio risk by assessing market volatility, liquidity, and other risk factors. The risk management team evaluates and adjusts trading strategies, providing assessment reports to the Portfolio Manager for final decision.\n- The Portfolio Manager approves\u002Frejects the transaction proposal. If approved, the order will be sent to the simulated exchange and executed.\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTauricResearch_TradingAgents_readme_749e3f0a9c0f.png\" width=\"70%\" style=\"display: inline-block; margin: 0 2%;\">\n\u003C\u002Fp>\n\n## Installation and CLI\n\n### Installation\n\nClone TradingAgents:\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FTauricResearch\u002FTradingAgents.git\ncd TradingAgents\n```\n\nCreate a virtual environment in any of your favorite environment managers:\n```bash\nconda create -n tradingagents python=3.13\nconda activate tradingagents\n```\n\nInstall the package and its dependencies:\n```bash\npip install .\n```\n\n### Docker\n\nAlternatively, run with Docker:\n```bash\ncp .env.example .env  # add your API keys\ndocker compose run --rm tradingagents\n```\n\nFor local models with Ollama:\n```bash\ndocker compose --profile ollama run --rm tradingagents-ollama\n```\n\n### Required APIs\n\nTradingAgents supports multiple LLM providers. Set the API key for your chosen provider:\n\n```bash\nexport OPENAI_API_KEY=...          # OpenAI (GPT)\nexport GOOGLE_API_KEY=...          # Google (Gemini)\nexport ANTHROPIC_API_KEY=...       # Anthropic (Claude)\nexport XAI_API_KEY=...             # xAI (Grok)\nexport OPENROUTER_API_KEY=...      # OpenRouter\nexport ALPHA_VANTAGE_API_KEY=...   # Alpha Vantage\n```\n\nFor local models, configure Ollama with `llm_provider: \"ollama\"` in your config.\n\nAlternatively, copy `.env.example` to `.env` and fill in your keys:\n```bash\ncp .env.example .env\n```\n\n### CLI Usage\n\nLaunch the interactive CLI:\n```bash\ntradingagents          # installed command\npython -m cli.main     # alternative: run directly from source\n```\nYou will see a screen where you can select your desired tickers, analysis date, LLM provider, research depth, and more.\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTauricResearch_TradingAgents_readme_28b84708d06f.png\" width=\"100%\" style=\"display: inline-block; margin: 0 2%;\">\n\u003C\u002Fp>\n\nAn interface will appear showing results as they load, letting you track the agent's progress as it runs.\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTauricResearch_TradingAgents_readme_396432d87fe7.png\" width=\"100%\" style=\"display: inline-block; margin: 0 2%;\">\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTauricResearch_TradingAgents_readme_4ab6758ca0d5.png\" width=\"100%\" style=\"display: inline-block; margin: 0 2%;\">\n\u003C\u002Fp>\n\n## TradingAgents Package\n\n### Implementation Details\n\nWe built TradingAgents with LangGraph to ensure flexibility and modularity. The framework supports multiple LLM providers: OpenAI, Google, Anthropic, xAI, OpenRouter, and Ollama.\n\n### Python Usage\n\nTo use TradingAgents inside your code, you can import the `tradingagents` module and initialize a `TradingAgentsGraph()` object. The `.propagate()` function will return a decision. You can run `main.py`, here's also a quick example:\n\n```python\nfrom tradingagents.graph.trading_graph import TradingAgentsGraph\nfrom tradingagents.default_config import DEFAULT_CONFIG\n\nta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())\n\n# forward propagate\n_, decision = ta.propagate(\"NVDA\", \"2026-01-15\")\nprint(decision)\n```\n\nYou can also adjust the default configuration to set your own choice of LLMs, debate rounds, etc.\n\n```python\nfrom tradingagents.graph.trading_graph import TradingAgentsGraph\nfrom tradingagents.default_config import DEFAULT_CONFIG\n\nconfig = DEFAULT_CONFIG.copy()\nconfig[\"llm_provider\"] = \"openai\"        # openai, google, anthropic, xai, openrouter, ollama\nconfig[\"deep_think_llm\"] = \"gpt-5.4\"     # Model for complex reasoning\nconfig[\"quick_think_llm\"] = \"gpt-5.4-mini\" # Model for quick tasks\nconfig[\"max_debate_rounds\"] = 2\n\nta = TradingAgentsGraph(debug=True, config=config)\n_, decision = ta.propagate(\"NVDA\", \"2026-01-15\")\nprint(decision)\n```\n\nSee `tradingagents\u002Fdefault_config.py` for all configuration options.\n\n## Contributing\n\nWe welcome contributions from the community! Whether it's fixing a bug, improving documentation, or suggesting a new feature, your input helps make this project better. If you are interested in this line of research, please consider joining our open-source financial AI research community [Tauric Research](https:\u002F\u002Ftauric.ai\u002F).\n\n## Citation\n\nPlease reference our work if you find *TradingAgents* provides you with some help :)\n\n```\n@misc{xiao2025tradingagentsmultiagentsllmfinancial,\n      title={TradingAgents: Multi-Agents LLM Financial Trading Framework}, \n      author={Yijia Xiao and Edward Sun and Di Luo and Wei Wang},\n      year={2025},\n      eprint={2412.20138},\n      archivePrefix={arXiv},\n      primaryClass={q-fin.TR},\n      url={https:\u002F\u002Farxiv.org\u002Fabs\u002F2412.20138}, \n}\n```\n","\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTauricResearch_TradingAgents_readme_fc1788d11571.png\" style=\"width: 60%; height: auto;\">\n\u003C\u002Fp>\n\n\u003Cdiv align=\"center\" style=\"line-height: 1;\">\n  \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2412.20138\" target=\"_blank\">\u003Cimg alt=\"arXiv\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv-2412.20138-B31B1B?logo=arxiv\"\u002F>\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fdiscord.com\u002Finvite\u002Fhk9PGKShPK\" target=\"_blank\">\u003Cimg alt=\"Discord\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDiscord-TradingResearch-7289da?logo=discord&logoColor=white&color=7289da\"\u002F>\u003C\u002Fa>\n  \u003Ca href=\".\u002Fassets\u002Fwechat.png\" target=\"_blank\">\u003Cimg alt=\"WeChat\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FWeChat-TauricResearch-brightgreen?logo=wechat&logoColor=white\"\u002F>\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fx.com\u002FTauricResearch\" target=\"_blank\">\u003Cimg alt=\"X Follow\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FX-TauricResearch-white?logo=x&logoColor=white\"\u002F>\u003C\u002Fa>\n  \u003Cbr>\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTauricResearch\u002F\" target=\"_blank\">\u003Cimg alt=\"Community\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FJoin_GitHub_Community-TauricResearch-14C290?logo=discourse\"\u002F>\u003C\u002Fa>\n\u003C\u002Fdiv>\n\n\u003Cdiv align=\"center\">\n  \u003C!-- Keep these links. Translations will automatically update with the README. -->\n  \u003Ca href=\"https:\u002F\u002Fwww.readme-i18n.com\u002FTauricResearch\u002FTradingAgents?lang=de\">Deutsch\u003C\u002Fa> | \n  \u003Ca href=\"https:\u002F\u002Fwww.readme-i18n.com\u002FTauricResearch\u002FTradingAgents?lang=es\">Español\u003C\u002Fa> | \n  \u003Ca href=\"https:\u002F\u002Fwww.readme-i18n.com\u002FTauricResearch\u002FTradingAgents?lang=fr\">français\u003C\u002Fa> | \n  \u003Ca href=\"https:\u002F\u002Fwww.readme-i18n.com\u002FTauricResearch\u002FTradingAgents?lang=ja\">日本語\u003C\u002Fa> | \n  \u003Ca href=\"https:\u002F\u002Fwww.readme-i18n.com\u002FTauricResearch\u002FTradingAgents?lang=ko\">한국어\u003C\u002Fa> | \n  \u003Ca href=\"https:\u002F\u002Fwww.readme-i18n.com\u002FTauricResearch\u002FTradingAgents?lang=pt\">Português\u003C\u002Fa> | \n  \u003Ca href=\"https:\u002F\u002Fwww.readme-i18n.com\u002FTauricResearch\u002FTradingAgents?lang=ru\">Русский\u003C\u002Fa> | \n  \u003Ca href=\"https:\u002F\u002Fwww.readme-i18n.com\u002FTauricResearch\u002FTradingAgents?lang=zh\">中文\u003C\u002Fa>\n\u003C\u002Fdiv>\n\n---\n\n# TradingAgents：多智能体大模型金融交易框架\n\n## 最新消息\n- [2026年3月] **TradingAgents v0.2.3** 发布，新增多语言支持、GPT-5.4 系列模型、统一模型目录、回测日期保真度及代理支持。\n- [2026年3月] **TradingAgents v0.2.2** 发布，覆盖 GPT-5.4\u002FGemini 3.1\u002FClaude 4.6 模型，引入五级评分体系、OpenAI Responses API、Anthropic 负荷控制以及跨平台稳定性改进。\n- [2026年2月] **TradingAgents v0.2.0** 发布，支持多提供商 LLM（GPT-5.x、Gemini 3.x、Claude 4.x、Grok 4.x），并优化了系统架构。\n- [2026年1月] **Trading-R1** [技术报告](https:\u002F\u002Farxiv.org\u002Fabs\u002F2509.11420) 发布，预计不久后将推出 [终端](https:\u002F\u002Fgithub.com\u002FTauricResearch\u002FTrading-R1)。\n\n\u003Cdiv align=\"center\">\n\u003Ca href=\"https:\u002F\u002Fwww.star-history.com\u002F#TauricResearch\u002FTradingAgents&Date\">\n \u003Cpicture>\n   \u003Csource media=\"(prefers-color-scheme: dark)\" srcset=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTauricResearch_TradingAgents_readme_271e698fba72.png&theme=dark\" \u002F>\n   \u003Csource media=\"(prefers-color-scheme: light)\" srcset=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTauricResearch_TradingAgents_readme_271e698fba72.png\" \u002F>\n   \u003Cimg alt=\"TradingAgents Star History\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTauricResearch_TradingAgents_readme_271e698fba72.png\" style=\"width: 80%; height: auto;\" \u002F>\n \u003C\u002Fpicture>\n\u003C\u002Fa>\n\u003C\u002Fdiv>\n\n> 🎉 **TradingAgents** 正式发布！我们收到了大量关于该项目的咨询，衷心感谢社区的热情支持。\n>\n> 因此，我们决定将该框架完全开源。期待与您携手打造具有影响力的项目！\n\n\u003Cdiv align=\"center\">\n\n🚀 [TradingAgents](#tradingagents-framework) | ⚡ [安装与 CLI](#installation-and-cli) | 🎬 [演示视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=90gr5lwjIho) | 📦 [软件包使用](#tradingagents-package) | 🤝 [贡献指南](#contributing) | 📄 [引用方式](#citation)\n\n\u003C\u002Fdiv>\n\n## TradingAgents 框架\n\nTradingAgents 是一个模拟真实交易公司运作机制的多智能体交易框架。通过部署由大模型驱动的专业化智能体——包括基本面分析师、情绪专家、技术分析师、交易员以及风险管理团队——该平台能够协同评估市场状况并指导交易决策。此外，这些智能体还会进行动态讨论，以确定最佳策略。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTauricResearch_TradingAgents_readme_b1d6a9e2d0d3.png\" style=\"width: 100%; height: auto;\">\n\u003C\u002Fp>\n\n> TradingAgents 框架专为研究目的而设计。其交易表现可能因多种因素而异，包括所选的基础语言模型、模型温度、交易时段、数据质量以及其他非确定性因素。[本框架并非财务、投资或交易建议。](https:\u002F\u002Ftauric.ai\u002Fdisclaimer\u002F)\n\n我们的框架将复杂的交易任务分解为多个专业角色，从而确保系统在市场分析和决策制定方面具备稳健且可扩展的能力。\n\n### 分析师团队\n- 基本面分析师：评估公司的财务状况和业绩指标，识别内在价值及潜在风险信号。\n- 情绪分析师：利用情感评分算法分析社交媒体和公众情绪，判断短期市场情绪。\n- 新闻分析师：监控全球新闻和宏观经济指标，解读事件对市场状况的影响。\n- 技术分析师：借助 MACD、RSI 等技术指标，发现交易模式并预测价格走势。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTauricResearch_TradingAgents_readme_93096fff6ed7.png\" width=\"100%\" style=\"display: inline-block; margin: 0 2%;\">\n\u003C\u002Fp>\n\n### 研究员团队\n- 包括看涨和看跌研究员，他们会对分析师团队提供的见解进行批判性评估。通过结构化的辩论，平衡潜在收益与固有风险。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTauricResearch_TradingAgents_readme_40cf4d70ed8f.png\" width=\"70%\" style=\"display: inline-block; margin: 0 2%;\">\n\u003C\u002Fp>\n\n### 交易员智能体\n- 根据分析师和研究员的报告做出明智的交易决策。它会基于全面的市场洞察来确定交易时机和规模。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTauricResearch_TradingAgents_readme_f07a05b4be1c.png\" width=\"70%\" style=\"display: inline-block; margin: 0 2%;\">\n\u003C\u002Fp>\n\n### 风险管理与投资组合经理\n- 持续评估投资组合的风险，包括市场波动性、流动性等风险因素。风险管理团队会评估并调整交易策略，向投资组合经理提交评估报告供最终决策。\n- 投资组合经理批准或否决交易提案。若获批准，则订单将被发送至模拟交易所并执行。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTauricResearch_TradingAgents_readme_749e3f0a9c0f.png\" width=\"70%\" style=\"display: inline-block; margin: 0 2%;\">\n\u003C\u002Fp>\n\n## 安装与命令行界面\n\n### 安装\n\n克隆 TradingAgents 仓库：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FTauricResearch\u002FTradingAgents.git\ncd TradingAgents\n```\n\n使用您喜欢的环境管理工具创建虚拟环境：\n```bash\nconda create -n tradingagents python=3.13\nconda activate tradingagents\n```\n\n安装软件包及其依赖项：\n```bash\npip install .\n```\n\n### Docker\n\n或者，您也可以通过 Docker 运行：\n```bash\ncp .env.example .env  # 添加您的 API 密钥\ndocker compose run --rm tradingagents\n```\n\n对于本地模型并使用 Ollama：\n```bash\ndocker compose --profile ollama run --rm tradingagents-ollama\n```\n\n### 必需的 API\n\nTradingAgents 支持多种 LLM 提供商。请为所选提供商设置 API 密钥：\n\n```bash\nexport OPENAI_API_KEY=...          # OpenAI (GPT)\nexport GOOGLE_API_KEY=...          # Google (Gemini)\nexport ANTHROPIC_API_KEY=...       # Anthropic (Claude)\nexport XAI_API_KEY=...             # xAI (Grok)\nexport OPENROUTER_API_KEY=...      # OpenRouter\nexport ALPHA_VANTAGE_API_KEY=...   # Alpha Vantage\n```\n\n对于本地模型，请在配置中将 `llm_provider` 设置为 `\"ollama\"`。\n\n或者，您可以将 `.env.example` 复制到 `.env` 文件，并填写您的密钥：\n```bash\ncp .env.example .env\n```\n\n### CLI 使用\n\n启动交互式 CLI：\n```bash\ntradingagents          # 已安装的命令\npython -m cli.main     # 或者直接从源代码运行\n```\n您将看到一个界面，可以在其中选择所需的股票代码、分析日期、LLM 提供商、研究深度等。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTauricResearch_TradingAgents_readme_28b84708d06f.png\" width=\"100%\" style=\"display: inline-block; margin: 0 2%;\">\n\u003C\u002Fp>\n\n随后会显示一个界面，实时展示加载结果，让您跟踪代理的执行进度。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTauricResearch_TradingAgents_readme_396432d87fe7.png\" width=\"100%\" style=\"display: inline-block; margin: 0 2%;\">\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTauricResearch_TradingAgents_readme_4ab6758ca0d5.png\" width=\"100%\" style=\"display: inline-block; margin: 0 2%;\">\n\u003C\u002Fp>\n\n## TradingAgents 软件包\n\n### 实现细节\n\n我们使用 LangGraph 构建了 TradingAgents，以确保其灵活性和模块化。该框架支持多种 LLM 提供商：OpenAI、Google、Anthropic、xAI、OpenRouter 和 Ollama。\n\n### Python 使用\n\n要在您的代码中使用 TradingAgents，可以导入 `tradingagents` 模块并初始化一个 `TradingAgentsGraph()` 对象。调用 `.propagate()` 方法将返回一个决策。您也可以运行 `main.py`，以下是一个快速示例：\n\n```python\nfrom tradingagents.graph.trading_graph import TradingAgentsGraph\nfrom tradingagents.default_config import DEFAULT_CONFIG\n\nta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())\n\n# 前向传播\n_, decision = ta.propagate(\"NVDA\", \"2026-01-15\")\nprint(decision)\n```\n\n您还可以调整默认配置，以设置您自己的 LLM、辩论轮次等。\n\n```python\nfrom tradingagents.graph.trading_graph import TradingAgentsGraph\nfrom tradingagents.default_config import DEFAULT_CONFIG\n\nconfig = DEFAULT_CONFIG.copy()\nconfig[\"llm_provider\"] = \"openai\"        # openai, google, anthropic, xai, openrouter, ollama\nconfig[\"deep_think_llm\"] = \"gpt-5.4\"     # 用于复杂推理的模型\nconfig[\"quick_think_llm\"] = \"gpt-5.4-mini\" # 用于快速任务的模型\nconfig[\"max_debate_rounds\"] = 2\n\nta = TradingAgentsGraph(debug=True, config=config)\n_, decision = ta.propagate(\"NVDA\", \"2026-01-15\")\nprint(decision)\n```\n\n有关所有配置选项，请参阅 `tradingagents\u002Fdefault_config.py`。\n\n## 贡献\n\n我们欢迎社区的贡献！无论是修复 bug、改进文档，还是提出新功能建议，您的参与都将帮助我们使这个项目更加完善。如果您对这一研究方向感兴趣，请考虑加入我们的开源金融 AI 研究社区 [Tauric Research](https:\u002F\u002Ftauric.ai\u002F)。\n\n## 引用\n\n如果您发现 *TradingAgents* 对您有所帮助，请引用我们的工作：\n\n```\n@misc{xiao2025tradingagentsmultiagentsllmfinancial,\n      title={TradingAgents: Multi-Agents LLM Financial Trading Framework}, \n      author={Yijia Xiao and Edward Sun and Di Luo and Wei Wang},\n      year={2025},\n      eprint={2412.20138},\n      archivePrefix={arXiv},\n      primaryClass={q-fin.TR},\n      url={https:\u002F\u002Farxiv.org\u002Fabs\u002F2412.20138}, \n}\n```","# TradingAgents 快速上手指南\n\nTradingAgents 是一个基于多智能体（Multi-Agents）的金融交易框架，模拟真实交易公司的运作模式。它通过部署基本面分析师、情绪分析师、技术分析师、研究员、交易员及风险管理团队等专用 LLM 智能体，协同评估市场状况并生成交易决策。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows (推荐 WSL2)\n*   **Python 版本**：3.13 (必须)\n*   **包管理器**：推荐使用 `conda` 或 `venv` 进行环境隔离\n*   **API Keys**：需准备至少一个大模型服务商的 API Key（如 OpenAI, Google, Anthropic, xAI 等）以及金融数据源 API Key（如 Alpha Vantage）。\n\n## 安装步骤\n\n### 1. 克隆项目\n首先从 GitHub 克隆代码库：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FTauricResearch\u002FTradingAgents.git\ncd TradingAgents\n```\n\n### 2. 创建虚拟环境\n使用 conda 创建并激活 Python 3.13 环境：\n```bash\nconda create -n tradingagents python=3.13\nconda activate tradingagents\n```\n\n### 3. 安装依赖\n安装项目包及其依赖：\n```bash\npip install .\n```\n> **提示**：国内用户若遇下载缓慢，可添加清华或阿里镜像源：\n> `pip install . -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n### 4. 配置 API Keys\n复制环境变量示例文件并填入您的密钥：\n```bash\ncp .env.example .env\n```\n编辑 `.env` 文件，填入所需的 API Key（根据您选择的模型提供商填写对应项）：\n```bash\nexport OPENAI_API_KEY=...          # OpenAI (GPT)\nexport GOOGLE_API_KEY=...          # Google (Gemini)\nexport ANTHROPIC_API_KEY=...       # Anthropic (Claude)\nexport XAI_API_KEY=...             # xAI (Grok)\nexport ALPHA_VANTAGE_API_KEY=...   # 金融数据源\n```\n*注：若使用本地模型（如 Ollama），需在配置中设置 `llm_provider: \"ollama\"`。*\n\n## 基本使用\n\n### 方式一：命令行交互模式 (CLI)\n这是最简单的使用方式，启动后将通过交互式界面选择股票代码、分析日期和模型参数。\n\n运行以下命令启动：\n```bash\ntradingagents\n```\n或者直接从源码运行：\n```bash\npython -m cli.main\n```\n启动后，跟随屏幕提示输入目标 ticker（如 NVDA）、分析日期及研究深度，系统将实时展示各智能体的分析过程和最终交易决策。\n\n### 方式二：Python 代码调用\n您也可以将 TradingAgents 集成到自己的 Python 项目中。\n\n**基础示例：**\n```python\nfrom tradingagents.graph.trading_graph import TradingAgentsGraph\nfrom tradingagents.default_config import DEFAULT_CONFIG\n\n# 初始化图对象\nta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())\n\n# 执行推演 (标的代码，日期)\n_, decision = ta.propagate(\"NVDA\", \"2026-01-15\")\nprint(decision)\n```\n\n**自定义配置示例：**\n您可以修改配置以指定特定的 LLM 模型或辩论轮数：\n```python\nfrom tradingagents.graph.trading_graph import TradingAgentsGraph\nfrom tradingagents.default_config import DEFAULT_CONFIG\n\nconfig = DEFAULT_CONFIG.copy()\nconfig[\"llm_provider\"] = \"openai\"        # 指定提供商\nconfig[\"deep_think_llm\"] = \"gpt-5.4\"     # 复杂推理模型\nconfig[\"quick_think_llm\"] = \"gpt-5.4-mini\" # 快速任务模型\nconfig[\"max_debate_rounds\"] = 2          # 最大辩论轮数\n\nta = TradingAgentsGraph(debug=True, config=config)\n_, decision = ta.propagate(\"NVDA\", \"2026-01-15\")\nprint(decision)\n```\n\n---\n*免责声明：本框架仅供研究用途，不构成任何金融、投资或交易建议。交易表现受模型选择、数据质量等多种因素影响。*","某中型量化私募的研究员需要在每个交易日开盘前，快速整合全球宏观新闻、财报数据及社交媒体情绪，为投资组合生成多维度的交易策略建议。\n\n### 没有 TradingAgents 时\n- 研究员需手动切换多个终端查看新闻、图表和舆情，信息碎片化严重，难以在有限时间内形成完整逻辑闭环。\n- 单一分析视角容易导致误判，例如过度关注技术指标而忽略突发基本面利空，缺乏类似真实投研团队的“辩论”机制。\n- 回测验证流程繁琐，从策略构思到代码实现再到历史数据验证，往往需要数小时甚至数天，无法应对盘中突发机会。\n- 不同分析师之间的观点难以标准化统一，导致最终决策依赖主观经验，缺乏可复现的系统性框架支持。\n\n### 使用 TradingAgents 后\n- TradingAgents 自动调度基本面分析师、情绪分析师和技术分析师等多个专用 Agent，并行抓取并整合多源数据，秒级输出结构化研报。\n- 框架模拟真实交易公司的协作模式，各 Agent 之间进行多轮博弈与辩论，自动识别潜在风险点，显著提升策略的鲁棒性。\n- 内置高保真回测模块，支持对生成的策略立即进行历史数据验证，将策略迭代周期从天级别缩短至分钟级。\n- 所有分析过程与决策逻辑自动留痕，形成标准化的知识库，使得团队决策不再依赖个人直觉，而是基于可追溯的集体智能。\n\nTradingAgents 通过将单人作战升级为多智能体协同投研团队，实现了金融交易决策从“人工拼凑”到“系统自动化博弈”的质的飞跃。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTauricResearch_TradingAgents_93096fff.png","TauricResearch","Tauric Research","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FTauricResearch_7155cb1c.png","Pioneering Trading Intelligence with AI Precision",null,"https:\u002F\u002Fgithub.com\u002FTauricResearch",[22,26],{"name":23,"color":24,"percentage":25},"Python","#3572A5",99.8,{"name":27,"color":28,"percentage":29},"Dockerfile","#384d54",0.2,48189,8739,"2026-04-07T16:36:30","Apache-2.0",2,"Linux, macOS, Windows","非必需。支持云端 API（OpenAI, Google, Anthropic 等）或本地 Ollama 模型。若使用本地大模型，需根据具体模型大小配置相应 GPU。","未说明",{"notes":39,"python":40,"dependencies":41},"该工具主要依赖外部 LLM API 运行，无需本地部署大型深度学习框架。若需使用本地模型，可通过 Docker 配合 Ollama 运行。安装时建议使用 conda 创建 Python 3.13 虚拟环境。需配置相应的 API Key（如 OPENAI_API_KEY 等）或本地模型服务方可使用。","3.13",[42,43,44,45,46,47],"langgraph","openai","google-generativeai","anthropic","xai","ollama",[49,50,51],"开发框架","Agent","语言模型",[53,54,55,56,57],"agent","finance","llm","multiagent","trading","ready","2026-03-27T02:49:30.150509","2026-04-08T05:30:04.325311",[62,67,72,77,82,87,92],{"id":63,"question_zh":64,"answer_zh":65,"source_url":66},23841,"是否有免费或低成本的 LLM API 选项可以运行 TradingAgents？","是的，有一个真正免费的选项：**通过 AI Studio 使用 Google Gemini**。\n1. 访问 https:\u002F\u002Faistudio.google.com 创建免费 API 密钥。\n2. 将其添加到 `.env` 文件中：`GOOGLE_API_KEY=...`。\n3. 运行时选择 **Google** 作为提供商，并选择 **gemini-2.5-flash** 作为模型。\n\n免费层级每天提供 20 次请求。注意：TradingAgents 每次完整分析大约需要 19-25 次 LLM 调用，因此一次运行可能会用掉大部分每日配额，但这足以用于测试和学习框架。\n注意：v0.2.3 版本中 Google 提供商存在一个 Bug（见 Issue #496），在修复前可能需要应用一个小补丁。","https:\u002F\u002Fgithub.com\u002FTauricResearch\u002FTradingAgents\u002Fissues\u002F492",{"id":68,"question_zh":69,"answer_zh":70,"source_url":71},23842,"如何在 Docker 环境中配置 Ollama 与 TradingAgents 的连接？","项目已添加了对 Docker 的原生支持，包括 `Dockerfile` 和 `docker-compose.yml`，其中包含用于本地模型的 Ollama 配置文件（profile）。\n如果您遇到模型列表不匹配或连接错误，请确保：\n1. 两个容器（Ollama 和 TradingAgents）位于同一网络中。\n2. 使用最新的代码库，因为维护者已合并了相关的 Docker 支持更新。\n3. 检查 `base_url` 配置，有时需要在地址后添加 `\u002Fv1` 目录，但具体取决于客户端实现。如果仍有问题，建议参考项目中最新的 `docker-compose.yml` 配置示例。","https:\u002F\u002Fgithub.com\u002FTauricResearch\u002FTradingAgents\u002Fissues\u002F396",{"id":73,"question_zh":74,"answer_zh":75,"source_url":76},23843,"为什么回测结果好得令人怀疑，是否存在数据泄露问题？","这是一个重要的提醒。早期版本确实存在潜在的数据泄露风险，即过去的股价可能被包含在 LLM 的训练数据中，或者回测使用了模型训练截止日期之后的数据。\n维护者已确认该问题并在提交 `e111388` 中进行了修复。\n建议：进行回测时，务必确保使用的市场数据时间在所选 LLM 模型的训练数据截止日期之后。例如，如果使用训练数据截止至 2023 年底的模型（如早期的 GPT-4o），则不应使用 2023 年之后的数据进行回测，除非已应用了防止泄露的补丁。","https:\u002F\u002Fgithub.com\u002FTauricResearch\u002FTradingAgents\u002Fissues\u002F33",{"id":78,"question_zh":79,"answer_zh":80,"source_url":81},23844,"在使用 Google Gemini 模型时遇到 404 Not Found 错误怎么办？","这是 v0.2.3 版本中的一个已知 Bug，主要由两个原因引起：\n1. **base_url 配置冲突**：在 `tradingagents\u002Fllm_clients\u002Fgoogle_client.py` 的 `get_llm()` 方法中，传递给 `ChatGoogleGenerativeAI` 的 `base_url` 参数会覆盖正确的端点。\n   **解决方法**：修改代码，不要传递 `base_url`。将相关代码从：\n   ```python\n   if self.base_url:\n       llm_kwargs[\"base_url\"] = self.base_url\n   ```\n   改为注释掉或删除该部分，让 langchain-google-genai 自行管理端点。\n2. **模型名称不存在**：某些目录中的模型名称（如 `gemini-3-flash-preview`）在某些账户中不可用。请检查您的 API 密钥有权访问的具体模型列表，并尝试更换为确认可用的模型版本（如 `gemini-1.5-flash`）。","https:\u002F\u002Fgithub.com\u002FTauricResearch\u002FTradingAgents\u002Fissues\u002F496",{"id":83,"question_zh":84,"answer_zh":85,"source_url":86},23845,"遇到 OpenAI API 'insufficient_quota' (429) 错误如何解决？","该错误明确表示您的 OpenAI 账户配额不足（`insufficient_quota`），而非网络问题或代码错误。\n常见原因及解决方法：\n1. **免费额度耗尽**：如果您使用的是免费层级，可能已达到使用上限。TradingAgents 单次分析消耗较多 Token，容易触达限制。\n2. **新账户未激活付费**：即使是新注册的账户，如果没有绑定支付方式或购买额度，也可能无法生成报告。\n3. **解决方案**：请登录 OpenAI 平台检查您的账单和使用详情。如果需要频繁使用或进行完整分析，通常需要升级到付费计划（Pay-as-you-go）。文档中提到的“免费使用”通常指可以使用免费层级的 API 密钥进行测试，但受限于严格的配额，可能无法完成完整的复杂任务。","https:\u002F\u002Fgithub.com\u002FTauricResearch\u002FTradingAgents\u002Fissues\u002F23",{"id":88,"question_zh":89,"answer_zh":90,"source_url":91},23846,"指定的股票分析提示词与实际发送给 LLM 的内容不符（例如硬编码了 TSLA）怎么办？","这是一个已修复的 Prompt 构建 Bug。在旧版本中，代码在 `tradingagents\u002Fdataflows\u002Finterface.py` 的第 716 行附近硬编码了股票代码（如 'TSLA'），导致即使用户选择了其他股票（如 'TEAM'），实际请求中仍包含错误的股票信息。\n**解决方法**：\n请更新项目到最新版本，该问题已在 Pull Request #28 中被合并修复。如果您无法立即更新，可以手动检查并修改上述文件中的硬编码逻辑，确保其动态使用用户输入的股票代码变量。","https:\u002F\u002Fgithub.com\u002FTauricResearch\u002FTradingAgents\u002Fissues\u002F27",{"id":93,"question_zh":94,"answer_zh":95,"source_url":96},23847,"TradingAgents 项目何时开源？现在可以使用吗？","项目已经开源并发布。您可以直接使用 TradingAgents CLI。\n**启动方法**：\n在终端中运行以下命令即可启动交易代理终端：\n```bash\npython -m cli.main\n```\n维护者欢迎开发者社区参与贡献代码（PR）或提出问题。","https:\u002F\u002Fgithub.com\u002FTauricResearch\u002FTradingAgents\u002Fissues\u002F2",[98,103,108,113],{"id":99,"version":100,"summary_zh":101,"released_at":102},145423,"v0.2.3","## 摘要\n\nTradingAgents v0.2.3 新增多语言输出、GPT-5.4 系列模型支持，并提升了回测的准确性。\n\n### 多语言支持\n- CLI 中可选择输出语言（第 3 步），支持 11 种语言及自定义输入\n- 分析报告和最终决策将以所选语言呈现\n- 内部智能体辩论仍使用英语，以确保推理质量\n\n### 模型覆盖\n- 支持 GPT-5.4 Mini 和 GPT-5.4 Nano\n- 统一的模型目录作为 CLI 和验证的唯一权威来源\n- 对未识别的模型名称发出验证警告\n\n### 回测准确性\n- 所有 OHLCV、基本面及新闻接口均具备日期感知的数据获取功能\n- 按股票代码共享缓存，提升批量回测效率\n\n### 供应商集成\n- 所有供应商（Google、Anthropic、OpenAI）统一使用 `api_key` 参数\n- Google 和 Anthropic 客户端支持代理及自定义基础 URL\n- 工具调用中对无效指标名称进行优雅处理\n\n### 稳定性\n- yfinance 新闻接口的速率限制重试机制\n- CLI 步骤重新排序，优化用户流程","2026-03-29T19:50:48",{"id":104,"version":105,"summary_zh":106,"released_at":107},145424,"v0.2.2","## 摘要\n\nTradingAgents v0.2.2 引入了专业的五级评级框架、统一的大型语言模型提供商集成，以及更高的系统可靠性。\n\n### 决策框架\n- 五级评级体系（买入 \u002F 增持 \u002F 持有 \u002F 减持 \u002F 卖出），附带结构化的执行摘要和投资逻辑\n- 投资组合经理作为标准化的最终决策主体\n\n### 供应商集成\n- 所有原生模型均支持 OpenAI Responses API\n- 针对 Claude 4.5+ 和 4.6 提供 Anthropic 的力度级别控制\n- 统一规范 OpenAI、Google 和 Anthropic 的响应格式\n- 支持符合交易所要求的股票代码（例如：CNC.TO、7203.T、0700.HK）\n\n### 可靠性\n- 跨平台 UTF-8 编码一致性\n- 整合依赖管理\n- CLI 进度跟踪与可移植性提升","2026-03-22T23:51:27",{"id":109,"version":110,"summary_zh":111,"released_at":112},145425,"v0.2.1","## 摘要\n\nTradingAgents v0.2.1 带来了更全面的模型支持、更强的鲁棒性以及安全加固。\n\n### 模型支持\n- 支持 OpenAI GPT-5.4 和 GPT-5.4 Pro，上下文长度达 100 万 token\n- 支持 Anthropic Claude Opus 4.6 和 Sonnet 4.6\n- 支持 Google Gemini 3.1 Pro 和 3.1 Flash Lite\n- CLI 中的模型选择流程更加简化，排序直观易懂\n\n### 鲁棒性\n- 股票数据解析更具韧性，可自动处理格式错误的 CSV 文件和 NaN 值\n- 指标工具更加健壮，能优雅地处理来自大语言模型的逗号分隔输入\n- 完整的辩论状态初始化，避免在边缘配置下出现 KeyError\n- 可配置的辩论轮次现已正确传递至 ConditionalLogic\n- 跨平台 UTF-8 文件编码，确保 Windows 兼容性\n\n### 安全性\n- 修复了依赖项漏洞（CVE-2026-22218）\n\n### 维护\n- 对 93 个未合并的 PR 进行分类处理，关闭已解决及过时的提交\n- 清理了已弃用的模型条目\n- 修复了 `pip install` 的包元数据问题","2026-03-15T23:35:26",{"id":114,"version":115,"summary_zh":116,"released_at":117},145426,"v0.2.0","## 摘要\n\nTradingAgents v0.2.0 引入了多模型提供商支持以及系统架构的优化。\n\n### 功能\n- 基于工厂模式的多模型提供商支持（OpenAI、Google、Anthropic、xAI、OpenRouter、Ollama）\n- 针对不同提供商的思考\u002F推理配置\n- 分类清晰的子文件夹结构，用于保存事后分析报告\n\n### 优化\n- 修复了流式输出显示截断及消息去重问题\n- 将内存检索从 ChromaDB 替换为 BM25\n- 将“风险型”和“安全型”代理分别更名为“激进型”和“稳健型”，以符合行业标准\n- 代码库清理及文档更新","2026-02-04T07:35:20",[119,130,138,146,154,163],{"id":120,"name":121,"github_repo":122,"description_zh":123,"stars":124,"difficulty_score":125,"last_commit_at":126,"category_tags":127,"status":58},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[50,49,128,129],"图像","数据工具",{"id":131,"name":132,"github_repo":133,"description_zh":134,"stars":135,"difficulty_score":125,"last_commit_at":136,"category_tags":137,"status":58},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[49,128,50],{"id":139,"name":140,"github_repo":141,"description_zh":142,"stars":143,"difficulty_score":34,"last_commit_at":144,"category_tags":145,"status":58},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",143909,"2026-04-07T11:33:18",[49,50,51],{"id":147,"name":148,"github_repo":149,"description_zh":150,"stars":151,"difficulty_score":34,"last_commit_at":152,"category_tags":153,"status":58},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107888,"2026-04-06T11:32:50",[49,128,50],{"id":155,"name":156,"github_repo":157,"description_zh":158,"stars":159,"difficulty_score":34,"last_commit_at":160,"category_tags":161,"status":58},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[162,49],"插件",{"id":164,"name":165,"github_repo":166,"description_zh":167,"stars":168,"difficulty_score":125,"last_commit_at":169,"category_tags":170,"status":58},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[51,128,50,49]]