Skills Atlas · TradingAgents 使用說明書
TradingAgents 以交易公司的組織分工為藍本，使用 LangGraph 編排：四種分析師各自蒐集資料，看多與看空研究員結構化辯論，交易員彙整觀點，風控與基金經理依序審核。由 Tauric Research 開源，Apache-2.0 授權，論文為 arXiv 2412.20138。本說明書涵蓋代理架構、conda 安裝與多 LLM 設定，以及買方研究與策略回測的實戰用法。此框架為研究目的設計，不提供投資建議。
TradingAgents 將分析工作拆給多個專責代理各自執行並結構化辯論，而非由單一 LLM 同時承擔分析師、交易員與風控的角色。作者在 README 中明確說明：此框架為研究目的設計，不提供下單訊號。
四種分析師（基本面、情緒、新聞、技術）各自蒐集資料，看多與看空研究員再就同一份材料結構化對辯，交易員彙整、風控評估波動與流動性、基金經理核定。將判斷拆分為獨立角色，可使模型在每個節點明確輸出分歧，而非僅產生籠統結論。
框架將 LLM 分為 deep_think_llm（用於推理與辯論裁決）與 quick_think_llm（用於高頻、低成本的資料擷取與整理）兩條配置線，搭配 max_debate_rounds 控制辯論輪數。研究階段可提高 deep 配置的能力，批次執行時降低以控制成本。
每次運行結束後，決策日誌寫入 ~/.tradingagents/memory/trading_memory.md，後續運行可讀取進行跨輪學習。框架支援 10+ 家 LLM 供應商切換，採 Apache-2.0 授權，論文公開發表，適合修改、教學與 benchmark 用途。
五層分工：分析師團隊、看多看空研究員、交易員、風控、基金經理，由 LangGraph 編排，帶跨輪記憶。
基本面 · 情緒 · 新聞 · 技術，四個節點各自輸出分析報告
基本面分析師看財報與營運指標；情緒分析師匯整新聞、StockTwits、Reddit 的情緒訊號；新聞分析師盯全球新聞與總經指標；技術分析師用 MACD、RSI 等指標找型態。每個分析師是 graph 裡的獨立節點，產出的報告會往下游餵給研究員與交易員，而不是混在一個 prompt 裡。
兩個研究員代理就同一份分析材料分別提出上行邏輯與風險反例
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。
讀入分析師報告與研究員辯論記錄，輸出方向、邏輯與依據
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。
先看波動與流動性，再決定核准或否決
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。
節點可插拔、流程可改、狀態在節點間傳遞
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。
每次運行結束後寫入 trading_memory.md，後續運行可讀取
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。
conda 建環境、pip install .、設好 API 金鑰，再用 DEFAULT_CONFIG 把 LLM、辯論輪數、資料來源調到你要的位置。
Python 3.13 · conda env · 從 repo 本地安裝
git clone https://github.com/TauricResearch/TradingAgents.git → cd TradingAgents → conda create -n tradingagents python=3.13 → conda activate tradingagents → pip install .。建議用獨立 conda 環境避免相依衝突；裝完就有 tradingagents CLI 與 Python API 可用。
LLM 供應商金鑰與資料來源金鑰均需設定為環境變數
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。
tradingagents 或 python -m cli.main 均可啟動
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。
LLM、辯論輪數、新聞數量、資料 vendor 全在這裡
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=...)。
propagate(ticker, date) 回傳最終判斷與完整決策軌跡
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。
研究用途明示 · arXiv 2412.20138 · Tauric Research 維護
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 用於研究員辯論與裁決，quick_think_llm 用於資料擷取與摘要
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。
控制看多看空辯論輪數與風控討論輪數，預設均為 1
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。
可選擇只啟動部分分析師，減少 LLM 呼叫次數與外部資料拉取
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。
支援 10+ 供應商，透過 llm_provider 與 backend_url 設定
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。
修改 config 中 output_language 欄位，無需更動 prompt
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 控制中斷續跑，trading_memory.md 保留可讀決策日誌
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。
六種用法：對單一標的執行完整辯論、批次回測、量化 baseline 比較、教學教材、本機低成本研究、將決策接入資料管線。
propagate(ticker, date) 輸出分析師觀察、bull/bear 論點、交易員彙整與基金經理核定
典型用法：ta.propagate("NVDA", "2026-01-15") 後讀取完整決策軌跡，包含四種分析師各自的觀察、bull/bear 論點往返、交易員彙整、風控評估與基金經理核定。框架輸出的是可追溯的推理過程，供研究者自行評估，不提供交易訊號。
Python API + checkpoint_enabled，對整個 universe 逐一執行
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。
公開論文 arXiv 2412.20138 與 Apache-2.0 實作，可做 benchmark 比較
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。
LangGraph 節點圖與 trading_memory.md 日誌均可逐步講解
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。
無需 API 預算，在本地機器執行完整代理流程
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。
propagate() 回傳普通 Python 物件，可寫入資料庫或推進 dashboard
_, 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。
TradingAgents 是研究框架，輸出可追溯的推理過程，不提供交易訊號。以下四條路依使用者身分區分，請先確認用途，再選擇對應的起點。
conda 建環境 → pip install . → 將 llm_provider 指向 Ollama，max_debate_rounds 設為 1，啟動兩個分析師，即可在本機無 API 費用執行完整流程。熟悉代理架構與 trading_memory.md 後，可切換至雲端推理模型進行正式研究。建議同步閱讀論文 arXiv 2412.20138。
ta.propagate(ticker, date) 後讀取完整決策軌跡，包含 bull/bear 論點往返與風控評估，作為研究輸入而非交易訊號。deep_think_llm 配置推理能力強的模型，quick_think_llm 配置低成本模型以控制費用。
以 Python API 迴圈對一籃子標的與歷史區間進行批次回測，將 LLM、辯論輪數、資料來源全部固定，啟用 checkpoint_enabled 以支援可重現實驗。可將多代理 LLM 方法與自有因子模型做比較；回測結果僅供研究，不代表實盤表現。
propagate() 回傳的決策與軌跡為普通 Python 物件，可寫入 DB、推進 dashboard 或組成每日研究摘要。切換 LLM 供應商僅需修改 llm_provider / backend_url，中文輸出設 output_language。TradingAgents 應作為研究節點整合，其輸出不應在下游直接作為交易訊號執行。
Tenten 是 AI-First 設計與技術顧問公司。我們把 Claude、MCP、多代理與 Agentic 工作流接進企業級交付 — 不論是評估 TradingAgents 這類研究框架能不能進你的流程、把多 LLM 路由與成本控制做進你的資料管線，還是替你打造自家的多代理研究或分析應用，我們都能幫你接到真正能用那一段。