TRADINGAGENTS — 多代理金融交易框架 多角色 LLM 協作研究框架：分析師、研究員辯論、交易員、風控、基金經理各司其職。

bullish 與 bearish 研究員依據分析師報告，就同一標的展開來回辯論：一方論證上行邏輯，另一方提出風險與反例。辯論輪數由 max_debate_rounds 控制，輪數越高結論越完整，但成本與執行時間相應增加。產出包含正反兩方的完整論點記錄。

交易員代理讀入所有分析師報告與研究員辯論記錄，形成具體的交易提案，包含方向、邏輯與依據。此代理非最終決策者：提案送交風控與基金經理依序審核。框架記錄「決定如何形成」的完整過程，而非僅輸出一個孤立的訊號。

風控團隊從波動度、流動性等角度評估提案對投組的風險暴露；基金經理依評估結果核准、否決或要求調整，最後執行下單。將風險評估與最終核定拆分為兩個獨立角色，使「能否執行」與「值不值得執行」的判斷分層進行。

框架以 LangGraph 為基礎，每個代理為一個節點，邊定義資訊流向。新增分析師、修改辯論結構或替換流程環節，均透過修改 graph 完成，而非修改單一龐大的 prompt。Python 入口為 TradingAgentsGraph(...).propagate("NVDA", "2026-01-15")，回傳完整的決策過程與最終判斷。

每次運行結束後，過程與結論寫入 ~/.tradingagents/memory/trading_memory.md；後續運行可讀取此日誌進行跨輪學習。日誌路徑與上限筆數（memory_log_max_entries）均在 DEFAULT_CONFIG 中可調。此 Markdown 格式日誌可用於回測時比對不同 config 下的決策差異。

以環境變數設定，按你要用的供應商來：OPENAI_API_KEY、ANTHROPIC_API_KEY、GOOGLE_API_KEY、XAI_API_KEY、DEEPSEEK_API_KEY、OPENROUTER_API_KEY，以及國內供應商的 DASHSCOPE_API_KEY / ZHIPU_API_KEY / MINIMAX_API_KEY 等；資料側需要 ALPHA_VANTAGE_API_KEY。沒設對應金鑰，相關的代理或資料工具就會失敗。

裝完後直接 tradingagents（或 python -m cli.main）啟動互動式 CLI，選標的、選日期、選要哪些分析師、選 LLM，框架就會把整條代理流程跑完並印出決策過程。想看每一步在做什麼，把 debug=True 打開。

from tradingagents.default_config import DEFAULT_CONFIG 後 .copy() 改：llm_provider、deep_think_llm、quick_think_llm、backend_url、max_debate_rounds、max_risk_discuss_rounds、news_article_limit、data_vendors、checkpoint_enabled、output_language 等。把改好的 config 傳進 TradingAgentsGraph(config=...)。

ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy()) 後呼叫 _, decision = ta.propagate("NVDA", "2026-01-15")。回傳值包含最終判斷與完整決策軌跡，可用於批次回測、寫入 notebook 或接入自有分析管線。框架以標準 Python 套件形式安裝，決策過程可從日誌完整追溯。

程式碼採 Apache-2.0 授權，允許 fork、修改與商業使用。README 明確說明此框架為研究目的設計，不提供交易訊號，回測結果不代表實盤表現。論文 TradingAgents: Multi-Agents LLM Financial Trading Framework（Xiao et al., 2025, arXiv 2412.20138）、Discord 社群與 tauric.ai 連結均列於 README。

deep_think_llm 指向推理能力強的模型（用於研究員辯論與最終裁決），quick_think_llm 指向低成本模型（用於高頻的資料擷取、摘要與格式化）。研究階段可將 deep 配置調高，批次執行時降低以控制成本。此分流是影響費用的主要配置點。

max_debate_rounds 控制看多看空研究員的來回輪數，max_risk_discuss_rounds 控制風控討論輪數。兩者預設均為 1。調高輪數可取得更多反例與更嚴謹的結論，同時增加 token 消耗與執行時間；批次掃描多個標的時維持低值以控制成本。

在 CLI 流程中可選擇啟動哪些分析師（基本面 / 情緒 / 新聞 / 技術）。停用不需要的節點可減少對應的 LLM 呼叫次數與外部資料拉取。建議先以子集快速篩選，對目標標的再執行完整四種分析師的流程。

llm_provider 可指向 OpenAI、Anthropic、Google、xAI、DeepSeek、Qwen、GLM、MiniMax、OpenRouter 或本機 Ollama；搭配 backend_url 指向自架或代理端點。切換供應商只需修改 config，程式碼不需更動。DeepSeek / Qwen 適合降低費用，OpenRouter 提供多模型選擇，Ollama 可讓資料不離本機。

output_language 預設 "English"；設為中文後，分析師報告、辯論記錄與最終判斷均以中文產出。適合需要將結果寫入中文研究筆記或供中文團隊閱讀的情境，無需修改任何 prompt。

checkpoint_enabled 預設 False；啟用後可在長流程中儲存進度並中斷續跑，適合大批次回測。搭配 memory_log_path（預設 ~/.tradingagents/memory/trading_memory.md）與 memory_log_max_entries，此 Markdown 日誌可用於事後比較不同 config 對決策結果的影響。

核心 API 為 TradingAgentsGraph.propagate(ticker, date)，對一籃子標的與歷史區間做回測時，以迴圈包裹即可。啟用 checkpoint_enabled 可避免中斷後重跑，配合 quick_think_llm 與低 max_debate_rounds 控制單次呼叫成本。回測結果僅供研究，不代表實盤表現。

TradingAgents 具備公開論文（arXiv 2412.20138）與 Apache-2.0 的可修改實作，適合作為「多代理 LLM 方法」的基準，與自有因子模型或單體 LLM 方法比較。做可重現實驗時，固定 LLM、辯論輪數與資料來源，並以 checkpoint 與 trading_memory.md 保留決策軌跡。

在課程或工作坊中，TradingAgents 適合作為多代理協作的教學範例：角色分工對應真實投研流程，LangGraph 將編排以節點圖呈現，決策日誌為純 Markdown 格式，可逐步講解。讓學員修改 max_debate_rounds 或替換分析師後，觀察輸出如何變化，可具體說明多代理架構的運作。

將 llm_provider 指向本機 Ollama，max_debate_rounds 維持 1，只啟動兩個分析師，即可在本地執行完整流程，資料不離機器，無 token 費用。適合在本機熟悉流程與調整 config 後，再切換至雲端推理模型進行正式研究。

_, decision = ta.propagate(...) 回傳的決策與軌跡為普通 Python 物件，可寫入資料庫、推進 dashboard、組成每日研究摘要或作為另一條流程的輸入。TradingAgents 可作為資料管線中的研究節點整合，而非僅作為互動式終端工具使用。輸出僅供研究參考，不應直接作為交易訊號執行。